摘要
近10年来，联合国人居署推动利用公共空间作为城市规划、住房和贫民窟改造、治理和城市安全、基本服务甚至冲突后重建等项目的实施和执行战略。城市公共空间是城市发展走向可持续、包容、安全等方向的重要组成部分。无论是对特大城市的老城区改造还是对中、小城市的建设规划都面临着缺乏足够信息支撑的问题。传统的方式统计城市公共空间信息难度大并且耗费大量的人力及物力资源。随着遥感技术的不断成熟，更高分辨率的遥感影像为地表特征信息的提取提供了可靠的数据源。由于城市地物类型复杂及光照、卫星拍摄角度等因素影响，城市遥感影像的信息提取一直是该领域的研究难点。面对海量的高分辨率遥感影像信息提取工作，研究人员在实际应用中受困于工作量大、提取精度低、难度高的制约。近年来，深度学习技术飞速发展为计算机视觉领域的相关研究提供了新的发展思路。 本文以城市公共空间信息提取作为主要研究任务，以全国省会城市GF-1卫星影像作为主要数据源。首先，基于遥感影像将城市空间地物划分为建筑、道路、操场、水体等。按照以上分类，使用ENVI5.3软件对感兴趣区域进行手工标注。由于手工标注工作任务量巨大，借助开源地图OSM及其他开源矢量辅助完成样本的标注工作。其次，使用基于深度学习的SegNet网络及DeepLabv3+网络进行语义分割网络训练。根据语义分割网络精度评价指标-mIoU（平均交并比）进行精度评估。通过结果表明，基于本文的数据集下DeepLabv3+网络相比较于SegNet网络分割效果更优。鉴于网络的分割精度不高，小目标及部分密集建筑边缘特征不足，对数据集原始样本进行锐化处理。将DeepLabv3+的骨干网络替换为ResNet101，与Xception71特征提取网络的模型进行对比分析，同时引入通道注意力机制进一步优化模型。最终以ResNet101为骨干网络的DeepLabv3+模型的平均交并比提高了约2.7%。利用训练好的DeepLabv3+网络对长春市建成区地物进行分割提取信息。经统计，长春市公共空间地物中的道路、操场、广场、植被、楼宇间隙的占比分别为：6.29%、1.57%、1.80%、20.55%、18.25%，公共空间占比为48.46%。
NETL