摘要
遥感影像分类通常假设地物是朗伯体，不考虑地物的反射率与入射光和出射光方向的关系，然而自然界中绝大多数地物都是非朗伯体，随着遥感影像空间分辨率的提高，蕴含的地物细节信息更加丰富，由地物各向异性散射特性导致的光谱和纹理异质性变得更加显著，造成复杂场景下的地物混淆，制约分类精度的提高。多视影像能够从不同的成像角度反映地物各向异性散射的特点，但现有研究大多仅利用多视影像恢复的三维空间结构信息作为分类特征的补充，尚未充分发掘多视影像表征地物非朗伯体特性的潜力。针对这个问题，该文研究顾及地物非朗伯体特性的多视影像分类方法，考虑地物反射率随入射和出射光线方向的变化关系，顾及不同视角影像上信息的相关性与互补性，利用深度神经网络提取地物的非朗伯体特征，提高地物识别精度。该文主要研究内容和创新点如下： （1）归纳和总结了地物非朗伯体特性的相关研究，并在此基础上重点总结了考虑地物非朗伯体特性的分类方法的研究现状，阐明了在三维场景下考虑地物非朗伯体特性进行影像分类所面临的挑战与难点。 （2）提出了三维场景下光线入射角和出射角的统一化描述方法。非朗伯体模型中用于定义入射角和出射角的角度坐标系统是以法线和切平面为基准的局部半球坐标系统，但是三维场景下不同地物点的法线方向不同，因此无法统一描述所有地物点入射光和出射光的方向。为此，论文将光线方向在极坐标系下的角度描述转换到三维直角坐标系下用方向向量描述，并将光线在统一的物方坐标系下的方向向量转换到各自法线坐标系下，计算影像上所有地物点的入射角和出射角，以便于分析地物光谱随光线方向变化的规律，提取地物的非朗伯体特征。 （3）提出一种考虑地物多尺度非朗伯体特性的影像分类方法。遥感影像无法获取地物在所有入射、出射光方向下的光谱值，蕴含地物非朗伯体特性的信息不完整，难以从物理模型角度提取反映地物非朗伯体特性的特征。为此，论文利用深度神经网络拟合遥感影像上地物的光谱信息与入射和出射光线方向之间的相互关系，并设计添加了一种多尺度角度网络结构，提取多尺度的非朗伯体特征，描述地物在不同尺度下的各向异性散射能力，提高地物识别的精度。通过对ISPRSVaihingen2D语义分割数据集进行分类实验表明，论文提出的方法从多视影像上提取的非朗伯体特征分类的总体精度与从真正射影像上提取的朗伯体特征相比由86.2%提高到了91.9%。与目前ISPRSVaihingen2D语义分割数据集上的最高精度算法HUSTW5相比，论文提出分类模型拥有更低的时间复杂度和空间复杂度，在总体精度提高了0.3%的同时，拥有更高的运行效率。 （4）提出了一种顾及地物非朗伯体特性的多视影像分类方法。单视影像仅包含地物在单个入射、出射光方向的光谱信息，不能反映反射率随光线方向变化规律，无法从多个方向建模地物的各向异性散射特性，制约了单视影像提取的非朗伯体特征对地物的识别能力。为此，该文提出了顾及地物非朗伯体特性的多视影像分类方法，通过在深度神经网络中结合密集光流和多视图池化技术，建立地物在不同视角影像上的空间一致性关系以融合地物在多个入射和出射光方向下的光谱信息，对地物进行多方向的各向异性散射特征建模，提高对非朗伯体地物的区分能力。通过对ISPRSVaihingen2D语义分割数据集进行分类实验表明，论文提出的方法从多视影像上提取的非朗伯体特征分类的总体精度与从真正射影像上提取的朗伯体特征相比由86.2%提高到了92.9%。与目前ISPRSVaihingen2D语义分割数据集上的最高精度算法HUSTW5相比，论文提出分类模型拥有更低的时间复杂度和空间复杂度，在总体精度提高了1.3%的同时，拥有更高的运行效率。 （5）提出了一种考虑地物非朗伯体特性的点云与多视影像融合分类方法，进一步验证论文提取的非朗伯体特征相比朗伯体特征具有更高的地物识别能力。根据点云与影像的几何映射关系插值拟合生成与影像空间关系一致的点云特征影像，利用深度神经网络对点云特征影像、光谱影像、入射光和出射光方向特征影像进行联合训练，从而有效融合点云的三维几何特征与多视影像非朗伯体特征，提高地物分类精度。通过对ISPRSVaihingen3D语义分割数据集进行分类实验表明，论文提出的非朗伯体特征提取方法分类的总体精度较朗伯体特征由83.9%提高到86.5%。与目前ISPRSVaihingen3D语义分割数据集上的最高精度算法NANJ2相比，论文提出方法在总体精度提高了1.3%的同时，拥有更高的运行效率。
NETL