• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      遷移學(xué)習(xí)支持下的遙感影像對(duì)象級(jí)分類樣本自動(dòng)選擇方法

      2014-06-27 05:47:48吳田軍駱劍承夏列鋼楊海平沈占鋒胡曉東
      測(cè)繪學(xué)報(bào) 2014年9期
      關(guān)鍵詞:變化檢測(cè)訓(xùn)練樣本對(duì)象

      吳田軍,駱劍承,夏列鋼,楊海平,沈占鋒,胡曉東

      1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所,北京 100101;2.中國(guó)科學(xué)院大學(xué),北京 100049

      遷移學(xué)習(xí)支持下的遙感影像對(duì)象級(jí)分類樣本自動(dòng)選擇方法

      吳田軍1,2,駱劍承1,夏列鋼1,2,楊海平1,2,沈占鋒1,胡曉東1

      1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所,北京 100101;2.中國(guó)科學(xué)院大學(xué),北京 100049

      面向遙感大范圍應(yīng)用的目標(biāo),自動(dòng)化程度仍是遙感影像分類面臨的重要問(wèn)題,樣本的人工選擇難以適應(yīng)當(dāng)前土地覆蓋信息自動(dòng)化提取的實(shí)際應(yīng)用需求。為了構(gòu)建一套基于先驗(yàn)知識(shí)的遙感影像全自動(dòng)分類流程,本文將空間信息挖掘技術(shù)引入到遙感信息提取過(guò)程中,提出一種面向遙感影像對(duì)象級(jí)分類的樣本自動(dòng)選擇方法。該方法通過(guò)變化檢測(cè)將不變地物標(biāo)示在新的目標(biāo)影像上,并將過(guò)去解譯的地物類別知識(shí)遷移至新的影像上,建立新的特征與地物關(guān)系,從而完成歷史專題數(shù)據(jù)輔助下目標(biāo)影像的自動(dòng)化對(duì)象級(jí)分類。試驗(yàn)結(jié)果表明,在已有歷史專題層的圖斑知識(shí)指導(dǎo)下,該方法能有效地自動(dòng)選擇適用于新影像分類的可靠樣本,獲得較好的信息提取效果,提高了對(duì)象級(jí)分類的效率。

      自動(dòng)化;土地覆蓋;對(duì)象級(jí)分類;樣本選擇;變化檢測(cè);遷移學(xué)習(xí)

      1 引 言

      土地利用/覆蓋變化(land use and cover change, LUCC)影響著生態(tài)環(huán)境與氣候的變化,是地球表層系統(tǒng)最突出的景觀標(biāo)志之一[1]。遙感作為全球動(dòng)態(tài)監(jiān)測(cè)的重要手段,可以在短周期內(nèi)對(duì)地球表層狀況變化進(jìn)行大規(guī)模同步觀測(cè),在區(qū)域環(huán)境變化監(jiān)測(cè)、土地資源合理利用評(píng)估等研究中發(fā)揮著巨大的作用。LUCC的遙感監(jiān)測(cè)是遙感技術(shù)在土地資源領(lǐng)域應(yīng)用中的一項(xiàng)基礎(chǔ)工作,其首要條件是能有效地快速提取各類土地覆蓋因子信息,將遙感觀測(cè)數(shù)據(jù)轉(zhuǎn)化為有利用價(jià)值的土地覆蓋時(shí)空信息。因此,基于遙感影像分類的土地覆蓋信息提取在LUCC應(yīng)用中顯得尤為重要,是其中最基本的核心問(wèn)題[2]。

      作為土地覆蓋信息獲取的重要手段,遙感影像計(jì)算機(jī)自動(dòng)分類方法在模式識(shí)別與遙感領(lǐng)域?qū)<业墓餐苿?dòng)下得到了較大發(fā)展,各種自動(dòng)、精確、高效的方法被陸續(xù)提出[3-15]。然而目前的自動(dòng)分類方法只是區(qū)別于目視解譯而提出的,都還需要一定的人工參與和控制,特別是分類所需的訓(xùn)練樣本往往需要人工采集,遠(yuǎn)未達(dá)到真正的自動(dòng)分類水平。因此在實(shí)際應(yīng)用中,面對(duì)較高時(shí)間分辨率的遙感影像分類任務(wù),訓(xùn)練樣本的實(shí)時(shí)快速采集已成為遙感大規(guī)模應(yīng)用面臨的瓶頸問(wèn)題,是從技術(shù)實(shí)踐的角度來(lái)看制約遙感影像分類方法全自動(dòng)化的主要問(wèn)題,這需要對(duì)影像分類技術(shù)的各個(gè)環(huán)節(jié)提出改進(jìn)需求,以增加遙感的應(yīng)用能力。

      事實(shí)上,過(guò)往采集的樣本和分類專題圖能為新的分類任務(wù)提供豐富先驗(yàn)知識(shí),但現(xiàn)有的算法沒(méi)能很好地考慮如何結(jié)合這些輔助數(shù)據(jù)開(kāi)展基于先驗(yàn)知識(shí)的遙感信息自動(dòng)提取,因此限制了遙感分類方法的應(yīng)用。鑒于此,本文在遙感多尺度分割和圖譜特征定量化表達(dá)基礎(chǔ)上,克服樣本的人工手動(dòng)采集問(wèn)題,提出一種基于遷移學(xué)習(xí)的土地覆蓋對(duì)象級(jí)分類樣本自動(dòng)選擇方法。該方法將當(dāng)前遙感影像數(shù)據(jù)與先驗(yàn)歷史輔助數(shù)據(jù)有機(jī)結(jié)合起來(lái),實(shí)現(xiàn)地學(xué)知識(shí)的形式化,通過(guò)變化檢測(cè)及輔助數(shù)據(jù)的指導(dǎo)完成新影像分類樣本的自動(dòng)采集,進(jìn)而對(duì)當(dāng)前新影像進(jìn)行全自動(dòng)化地學(xué)解譯。

      2 遷移學(xué)習(xí)

      土地覆蓋分類方法一般需要在給定充分訓(xùn)練樣本的基礎(chǔ)上來(lái)學(xué)習(xí)一個(gè)預(yù)測(cè)模型,訓(xùn)練樣本的采集是其中非常重要的步驟。而針對(duì)這些新的影像分類任務(wù),樣本庫(kù)中訓(xùn)練樣本往往是過(guò)期的,不能滿足傳統(tǒng)機(jī)器學(xué)習(xí)理論要求的同分布假設(shè),即訓(xùn)練樣本與待分類影像服從相同的概率統(tǒng)計(jì)分布。而受到如大氣吸收與散射、傳感器標(biāo)定、太陽(yáng)高度角、方位角、物候時(shí)相、數(shù)據(jù)處理過(guò)程等多種因素的影響,衛(wèi)星傳感器獲得的地物光譜數(shù)據(jù)常常會(huì)隨著時(shí)間的變化而變化,這使得前期影像上采集的訓(xùn)練樣本和當(dāng)前新影像數(shù)據(jù)的光譜值并不能服從相同的概率統(tǒng)計(jì)分布,傳統(tǒng)的分類算法將無(wú)法開(kāi)展運(yùn)用,此時(shí)需要重新標(biāo)注大量新的樣本以滿足當(dāng)前影像分類任務(wù)的訓(xùn)練需求,而標(biāo)注新樣本則會(huì)耗費(fèi)大量的時(shí)間、人力及物力,影響土地覆蓋分類專題的快速生產(chǎn),降低分類專題的時(shí)效性。而前期的土地覆蓋專題圖或歷史土地利用矢量圖是富含有大量先驗(yàn)信息與知識(shí)的,從中獲取大量過(guò)期樣本及其空間位置是有助于當(dāng)前目標(biāo)影像分類的。因此,完全丟棄這些信息是非常浪費(fèi)的,有必要挖掘歷史知識(shí)來(lái)輔助完成當(dāng)前的影像分類任務(wù)。如何將歷史信息與知識(shí)得到合理的遷移,獲得適合于當(dāng)前影像分類的訓(xùn)練樣本用于幫助學(xué)習(xí),是遙感影像分類流程全自動(dòng)化的切入點(diǎn)。

      遷移學(xué)習(xí)(transfer learning,TL)是近年來(lái)新提出的解決上述問(wèn)題的一種機(jī)器學(xué)習(xí)理論,它將數(shù)據(jù)集劃分為兩部分:即源領(lǐng)域數(shù)據(jù)集Ds={(xis,yis)}im=1與目標(biāo)領(lǐng)域數(shù)據(jù)集Dt={(xit, yit)}in=1,其中目標(biāo)領(lǐng)域數(shù)據(jù)集又劃分為訓(xùn)練集Dt-train={(xit,yit)}ip=1和測(cè)試集Dt-test={(xit, yit)}in=p+1。這里所有的數(shù)據(jù)均處于同一特征空間,即所有的x都可由特征空間中的特征來(lái)描述。實(shí)際應(yīng)用中,Dt-train一般需由人工標(biāo)注獲取,而且少量的Dt-train數(shù)據(jù)不足以選擇出較優(yōu)的特征子集或訓(xùn)練出一個(gè)好的分類器。Ds中雖然包含大量的有標(biāo)簽數(shù)據(jù),但是Ds與Dt不同的數(shù)據(jù)分布使得Ds中的數(shù)據(jù)不能直接用于開(kāi)展Dt的分類工作,需要在Ds的基礎(chǔ)上借助一定的策略來(lái)完成特征子集的選取。遷移學(xué)習(xí)的目標(biāo)就是從現(xiàn)有的先驗(yàn)樣本數(shù)據(jù)中遷移知識(shí),將從一個(gè)環(huán)境中學(xué)到的知識(shí)用來(lái)幫助新環(huán)境中的學(xué)習(xí)任務(wù),且沒(méi)有傳統(tǒng)機(jī)器學(xué)習(xí)理論要求訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)同分布的嚴(yán)格假設(shè)[16-17],因此該理論可將歷史專題圖(源領(lǐng)域)中發(fā)現(xiàn)的知識(shí)用于新影像(目標(biāo)領(lǐng)域)的分類,適用于時(shí)間密集型遙感數(shù)據(jù)的分類專題生產(chǎn)與更新任務(wù)。

      在遷移學(xué)習(xí)中,主要研究3個(gè)問(wèn)題,即遷移什么、如何遷移與何時(shí)遷移?;谶w移什么的問(wèn)題,目前解決知識(shí)遷移的方法可總結(jié)為4類[16],即實(shí)例遷移(instance transfer)、特征遷移(feature transfer)、參數(shù)遷移(parameter transfer)和關(guān)聯(lián)知識(shí)遷移(relational knowledge transfer)。關(guān)聯(lián)知識(shí)遷移是通過(guò)假定源領(lǐng)域數(shù)據(jù)和目標(biāo)領(lǐng)域數(shù)據(jù)之間的關(guān)系存在一定的相似性,通過(guò)建立源領(lǐng)域數(shù)據(jù)與目標(biāo)領(lǐng)域數(shù)據(jù)的空間映射關(guān)系來(lái)實(shí)現(xiàn)知識(shí)的遷移。本文在關(guān)聯(lián)知識(shí)遷移的框架下,針對(duì)前期解譯知識(shí)輔助下的遙感影像分類任務(wù),設(shè)計(jì)了基于變化檢測(cè)的地物類別標(biāo)簽(關(guān)聯(lián)知識(shí))的遷移方法。它是通過(guò)新舊兩期影像的變化檢測(cè)將不變地物及其位置標(biāo)示在新的目標(biāo)影像上,并將舊時(shí)相解譯的地物類別標(biāo)簽知識(shí)遷移至新影像,從而實(shí)現(xiàn)“不變地物類別解譯知識(shí)”從源領(lǐng)域向目標(biāo)領(lǐng)域的遷移,用于建立新的特征—地物關(guān)系,完成新影像的分類。

      3 具體算法設(shè)計(jì)與實(shí)現(xiàn)

      本文設(shè)計(jì)的方法是面向?qū)ο蠓治隹蚣芟碌囊幌盗兴惴?總體流程圖如圖1所示。其技術(shù)重點(diǎn)是在已有專題層的圖斑信息指導(dǎo)下,通過(guò)結(jié)合變化檢測(cè)與遷移學(xué)習(xí)實(shí)現(xiàn)土地覆蓋對(duì)象級(jí)分類樣本的自動(dòng)采集。算法除了設(shè)定感興趣區(qū)域、分類需求及預(yù)處理外,計(jì)算機(jī)將全自動(dòng)完成影像的分割、“圖譜”特征計(jì)算、對(duì)象級(jí)分類樣本選擇、特征提取與優(yōu)選以及影像分類等一系列過(guò)程。下面就該流程中的幾個(gè)關(guān)鍵技術(shù)及其實(shí)現(xiàn)加以闡述和說(shuō)明。

      圖1 基于變化檢測(cè)與遷移學(xué)習(xí)的土地覆蓋全自動(dòng)分類技術(shù)實(shí)現(xiàn)總體流程圖Fig.1 Flow chart of the technology implementation for change detection and transfer learning-based fully automatic land-cover classification

      3.1 多尺度分割與“圖譜”特征計(jì)算

      算法首先需要通過(guò)多尺度分割和矢量化完成目標(biāo)影像同質(zhì)基元對(duì)象的提取??紤]到遙感影像分割的穩(wěn)健性和適用性,筆者采用了基于均值漂移(mean shift,MS)的影像分割算法[18],該算法通過(guò)控制核帶寬參數(shù)h=(hs,hr)決定分割精度,最小區(qū)域合并尺度參數(shù)M控制基元對(duì)象的空間大小,易于實(shí)現(xiàn)不同尺度下的基元合并,達(dá)到多尺度分割的目的。均值漂移多尺度分割方法的原理與實(shí)現(xiàn)過(guò)程具體可參考文獻(xiàn)[18]。

      在影像分割基礎(chǔ)上,計(jì)算同質(zhì)基元對(duì)象的“圖譜”特征[19-21],構(gòu)建特征專題層。首先,鑒于光譜特征是遙感影像的本質(zhì)特征,本文以影像分割后的對(duì)象為單元,設(shè)計(jì)并實(shí)現(xiàn)了對(duì)象對(duì)應(yīng)遙感影像各波段均值、標(biāo)準(zhǔn)差等光譜統(tǒng)計(jì)特征的計(jì)算。其次,對(duì)象的形狀特征能反映圖斑的幾何特征,對(duì)于人工地物和條帶狀地物,形狀特征是地物類型識(shí)別的重要特征,可以輔助解決許多“同譜異物”現(xiàn)象。因此,本文在多尺度分割的基礎(chǔ)上計(jì)算了對(duì)象的矩形主方向、長(zhǎng)寬比、形狀指數(shù)等形狀特征參數(shù)來(lái)定量評(píng)價(jià)對(duì)象的形狀特征。此外,紋理信息也是中高分辨率遙感影像的重要信息,特別是高分辨率遙感影像,一般波段數(shù)較少,而紋理等空間結(jié)構(gòu)信息卻非常豐富。細(xì)小地物在影像上有規(guī)律地重復(fù)出現(xiàn),它反映了色調(diào)變化的頻率,紋理形式很多,包括點(diǎn)、斑、格、垅、柵等。每種類型的地物在影像上都有本身的紋理圖案,可以從影像的這一特征識(shí)別地物。因此,本文通過(guò)大量對(duì)比試驗(yàn)確定了對(duì)象基于灰度共生矩陣的紋理特征描述算法,包括紋理測(cè)度的選擇以及窗口大小的確定等。為此,本文算法綜合上述關(guān)于基元對(duì)象的光譜、形狀、紋理三大類特征,計(jì)算了表1所列的23維“圖譜”特征并生成了一系列具有物理意義的、以空間對(duì)象為單元的特征層,進(jìn)而構(gòu)建監(jiān)督學(xué)習(xí)所需的高維矢量特征空間,為后繼對(duì)象級(jí)的分類提供豐富的信息支持。表1中各類對(duì)象“圖譜”特征的具體計(jì)算方法可參見(jiàn)文獻(xiàn)[21]。

      表1 對(duì)象“圖譜”特征列表Tab.1 Table of“spatial-spectral”features of objects

      3.2 變化檢測(cè)與不變地物像元確定

      算法流程的第2個(gè)關(guān)鍵步驟是借助新舊時(shí)相遙感影像的變化檢測(cè)確定不變地物的像元位置,并將其標(biāo)識(shí)在新的目標(biāo)影像上用于類別標(biāo)簽知識(shí)的遷移。本文采用基于像元級(jí)直接比較的變化檢測(cè)方法,如比值法、差值法、主成分變換法(principle component analysis,PCA)、變換向量分析法(change vector analysis,CVA)等。這些方法有各自的特點(diǎn)和適用范圍,針對(duì)不同的數(shù)據(jù)源和應(yīng)用需求,需選擇合適的變化檢測(cè)算法[22]。此外,上述檢測(cè)方法在具體實(shí)施過(guò)程中的閾值參數(shù)選擇一般需依賴經(jīng)驗(yàn)指導(dǎo),因此為保證流程的自動(dòng)化,本文運(yùn)用大津法來(lái)自適應(yīng)地動(dòng)態(tài)調(diào)優(yōu)確定閾值參數(shù)。在此基礎(chǔ)上,試驗(yàn)中將以PCA作為主要方法實(shí)現(xiàn)新舊兩期影像的變化檢測(cè),確定不變地物及其像元的空間位置,并將其標(biāo)識(shí)到新影像上。

      3.3 知識(shí)遷移與對(duì)象級(jí)樣本自動(dòng)選擇

      基于遷移學(xué)習(xí)的對(duì)象級(jí)訓(xùn)練樣本自動(dòng)選取方法是整個(gè)算法流程的重點(diǎn),旨在于能一定程度上解決影響土地覆蓋分類全自動(dòng)化的瓶頸問(wèn)題。主要實(shí)現(xiàn)思路是將前期解譯的土地覆蓋專題圖作為重要的先驗(yàn)知識(shí),結(jié)合變化檢測(cè)獲得的不變地物空間“位置”信息,通過(guò)地理位置匹配指導(dǎo)當(dāng)前目標(biāo)影像對(duì)象級(jí)訓(xùn)練樣本的選取。

      具體方法如圖2所示:將當(dāng)前目標(biāo)遙感影像與前期輔助遙感影像進(jìn)行像素級(jí)直接比較變化檢測(cè),提取出前后兩時(shí)相影像中未發(fā)生屬性變化的像元,并記錄它們的空間地理“位置”坐標(biāo),以此作為新舊時(shí)相的關(guān)聯(lián)信息進(jìn)行地理位置匹配和知識(shí)的遷移,即將不變像元在前期專題圖中的類別標(biāo)簽知識(shí)遷移至當(dāng)前目標(biāo)影像中,獲得新影像在不變像元位置處的類別標(biāo)注。在此基礎(chǔ)上,針對(duì)3.1節(jié)提取的基元對(duì)象,采用圖2所示的閾值篩選規(guī)則(包括對(duì)象尺寸的大小、對(duì)象中包含已標(biāo)注像元所占比例以及對(duì)象中標(biāo)注為同類的像元所占比例等)和樣本純化技術(shù)獲得易被判定且可信度較高的“高純度”對(duì)象,并對(duì)其進(jìn)行自動(dòng)標(biāo)注,標(biāo)簽即為對(duì)象中所占比例最高的未變化像元所屬類別,從而實(shí)現(xiàn)對(duì)象級(jí)訓(xùn)練樣本的自動(dòng)標(biāo)注。

      在此需要特別說(shuō)明的是,在滿足閾值規(guī)則條件情形下的對(duì)象存在一定的錯(cuò)誤樣本,需剔除其中不合要求的對(duì)象。筆者通過(guò)對(duì)象的光譜信息和空間信息來(lái)判斷像元是否符合要求:一方面,從光譜信息上來(lái)判斷,如果對(duì)象與訓(xùn)練樣本的類型在光譜上是可分的,則可通過(guò)計(jì)算對(duì)象中像元亮度均值與類型亮度值中心(均值)的距離(差值)來(lái)進(jìn)行對(duì)象純化判斷,即任一對(duì)象某波段亮度值xi與該訓(xùn)練樣本類型亮度值中心(均值)μi的距離(差值)大于某一閾值,就認(rèn)為該對(duì)象為不符合要求的對(duì)象;另一方面,從空間信息上來(lái)判斷,可以根據(jù)每一對(duì)象內(nèi)部像元的光譜標(biāo)準(zhǔn)差σi的大小來(lái)確定是否是非純對(duì)象?;诖?本文構(gòu)造了如下準(zhǔn)則來(lái)純化對(duì)象

      式中,DNmax為該類影像最大的波段亮度值;n為波段數(shù)。

      圖2 歷史專題數(shù)據(jù)輔助下的對(duì)象級(jí)樣本自動(dòng)確定方法示意圖Fig.2 Diagram of automatic determination of object samples with the assist of preliminary thematic data

      通過(guò)上述對(duì)象樣本自動(dòng)選擇方法,將土地覆蓋分類與變化檢測(cè)的過(guò)程有機(jī)結(jié)合起來(lái),通過(guò)變化檢測(cè)和地理匹配建立歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)間的互作用關(guān)聯(lián)關(guān)系,進(jìn)而充分發(fā)掘歷史積累的解譯經(jīng)驗(yàn)知識(shí),并將不變地物的類別標(biāo)簽知識(shí)遷移至目標(biāo)新影像中,經(jīng)過(guò)樣本自動(dòng)篩選和純化確定適用于當(dāng)前影像分類的對(duì)象級(jí)樣本,克服了前后時(shí)相樣本光譜數(shù)據(jù)不一致的問(wèn)題,也使先驗(yàn)知識(shí)的應(yīng)用找到合適的切入點(diǎn)。自動(dòng)選擇的對(duì)象級(jí)樣本不僅準(zhǔn)確可靠而且具有較廣泛的代表性,有助于對(duì)象級(jí)分類的有效開(kāi)展。

      3.4 對(duì)象級(jí)分類與分類后變化檢測(cè)

      在自動(dòng)采集了與當(dāng)前目標(biāo)影像分類相適應(yīng)的對(duì)象級(jí)樣本后,依據(jù)對(duì)象已計(jì)算的“圖譜”特征,選擇最佳的特征組合和分類模型進(jìn)行監(jiān)督分類。目前有關(guān)特征優(yōu)選與分類模型的方法也較多[23],考慮到應(yīng)用效率問(wèn)題,本文采用C5.0決策樹(shù)算法[9]完成特征的優(yōu)選及對(duì)象級(jí)分類模型的訓(xùn)練,從而構(gòu)建判別規(guī)則集用于對(duì)象的分類,形成當(dāng)前期的土地覆蓋專題圖。在此基礎(chǔ)上,可將其與前期的土地覆蓋專題圖進(jìn)行疊加分析,快速檢測(cè)出土地覆蓋的變化區(qū)域與變化類型,完成LUCC空間信息產(chǎn)品的及時(shí)更新。

      4 試驗(yàn)與結(jié)果分析

      4.1 試驗(yàn)1

      試驗(yàn)1采用東莞市某區(qū)域2006-04-13與2007-07-15的兩景SPOT5多光譜遙感影像(圖3),空間分辨率為10 m,影像尺寸為1000像素×1000像素。該區(qū)域?yàn)榈湫偷膹V東省地貌,包含的地類主要有:耕地、園林地、草地、建設(shè)用地、水域、荒地6大類,每種地類均有較好的影像特征,目視易分辨解譯,適合對(duì)分類算法進(jìn)行全面客觀的測(cè)試和評(píng)價(jià)。以2006年的影像(圖3(a))作為前期輔助遙感影像,2007年的影像(圖3(b))作為待分類目標(biāo)新影像。由于物候差異有一定的輻射不一致,因而兩幅試驗(yàn)影像的光譜值必然服從不同的概率統(tǒng)計(jì)分布,難以直接使用與圖3(a)相匹配的過(guò)期訓(xùn)練樣本完成圖3(b)的分類任務(wù)。

      圖3 舊時(shí)相和新時(shí)相SPOT5遙感影像(3/2/1波段)Fig.3 Previous and current target SPOT5 remotely sensed imageries for classification(band 3/2/1)

      依據(jù)影像數(shù)據(jù)的地物特點(diǎn),設(shè)定均值漂移多尺度分割的空間尺度參數(shù)、光譜尺度參數(shù)、最小區(qū)域合并尺度參數(shù)分別為hs=7,hr=6.5,M=150。在此設(shè)置下獲得目標(biāo)新影像的分割結(jié)果如圖4(a)所示。同時(shí),在該區(qū)域2006年土地覆蓋專題圖(圖5 (a))的輔助下,利用變化檢測(cè)、遷移學(xué)習(xí)以及圖2所示的對(duì)象級(jí)樣本篩選規(guī)則(對(duì)象尺寸大小不小于50個(gè)像元,對(duì)象中已標(biāo)注的像元不少于95%且同類像元占已標(biāo)注像元的比例不小于90%)和純化準(zhǔn)則(式(1)),獲得與當(dāng)前影像分類任務(wù)相適應(yīng)的對(duì)象級(jí)訓(xùn)練樣本,見(jiàn)圖4(a)。最后利用C5.0決策樹(shù)對(duì)上述對(duì)象級(jí)樣本的“圖譜”特征進(jìn)行優(yōu)選和學(xué)習(xí),并構(gòu)建規(guī)則對(duì)圖4(a)所示的分割對(duì)象進(jìn)行分類,最終獲得如圖5(b)所示的新一期土地覆蓋分類結(jié)果。

      圖4 SPOT5影像多尺度分割結(jié)果、對(duì)象級(jí)樣本及隨機(jī)驗(yàn)證樣本點(diǎn)分布Fig.4 Results of multi-scale segmentation,distributions of the object samples and random validation points for SPOT5 image

      本文采用直接檢驗(yàn)法驗(yàn)證土地覆蓋分類精度,通過(guò)生成均勻分布的隨機(jī)驗(yàn)證點(diǎn)對(duì)分類結(jié)果進(jìn)行精度評(píng)估。檢驗(yàn)方法步驟如下:如圖4(b)所示,首先生成與試驗(yàn)區(qū)影像等大的10×10規(guī)則網(wǎng)格,以保證驗(yàn)證樣本點(diǎn)的均勻分布,在每個(gè)網(wǎng)格中隨機(jī)生成5個(gè)隨機(jī)點(diǎn),以保證驗(yàn)證點(diǎn)采集的隨機(jī)性、客觀性,以此共采集了484個(gè)有效驗(yàn)證樣本點(diǎn)(排除16個(gè)在區(qū)域外的無(wú)效點(diǎn));其次通過(guò)人工目視解譯,記錄影像上每個(gè)驗(yàn)證點(diǎn)的土地覆蓋類型;然后基于分類結(jié)果,獲取每個(gè)驗(yàn)證點(diǎn)對(duì)應(yīng)的分類結(jié)果;最后通過(guò)疊加對(duì)比得到分類精度混淆矩陣表2。

      圖5 舊時(shí)相土地覆蓋專題輔助數(shù)據(jù)與新時(shí)相目標(biāo)SPOT5影像土地覆蓋分類結(jié)果Fig.5 Previous preliminary land-cover thematic image and result of classification for current SPOT5 image

      表2 SPOT5影像分類精度混淆矩陣Tab.2 Confusion matrix of classification accuracy for SPOT5 image

      觀察表2可以看到,雖然草地、建設(shè)用地、水域及荒地的分類精度不高,分別只有68.91%、59.09%、69.23%和53.33%,但由于沒(méi)有識(shí)別率特別低的地類且園林地與耕地分類準(zhǔn)確率較高,分別為92.61%與89.60%,使得總體精度達(dá)到80.57%,Kappa系數(shù)為0.737 9。因此,方法的分類結(jié)果總體準(zhǔn)確率較高,與實(shí)際地類情況基本吻合。另外,通過(guò)檢查分類錯(cuò)誤的樣本點(diǎn)后,發(fā)現(xiàn)相當(dāng)一部分分類錯(cuò)誤的樣本點(diǎn)可以歸納為以下兩種情況:①驗(yàn)證點(diǎn)處在兩個(gè)不同地類的交界處,人工目視也不能判定具體屬于哪一個(gè)類別,多發(fā)生在水域與植被的模糊交界處,導(dǎo)致人工解譯和方法分類的結(jié)果不相同;②驗(yàn)證點(diǎn)處在人工目視解譯容易混淆的地類中,如耕地與草地、園林地與耕地、耕地與荒地易于混淆并發(fā)生誤分。因此,一部分的分類錯(cuò)誤實(shí)為人工解譯結(jié)果錯(cuò)誤導(dǎo)致,若能在完全排除人工解譯所導(dǎo)致錯(cuò)誤的條件下,或者以整體影像的準(zhǔn)確分類數(shù)據(jù)為檢驗(yàn)標(biāo)準(zhǔn)的條件下,檢驗(yàn)所得到的準(zhǔn)確率理論上應(yīng)大于前述的分類準(zhǔn)確率。

      4.2 試驗(yàn)2

      為進(jìn)一步驗(yàn)證本文所提出的方法,試驗(yàn)2采用安徽省淮南市某區(qū)域2012-11-05與2013-03-08的兩景國(guó)產(chǎn)資源三號(hào)(ZY3)衛(wèi)星融合遙感影像(圖6),影像空間分辨率為2.1 m,尺寸均為5035像素×6338像素。試驗(yàn)以2012年的影像(圖6(a))作為前期輔助遙感影像,2013年的影像(圖6(b))作為待分類的目標(biāo)新影像。兩幅影像同樣由于存在較大的物候差異而使得地類對(duì)應(yīng)的光譜值服從不同的概率統(tǒng)計(jì)分布。

      圖6 舊時(shí)相和新時(shí)相ZY3遙感影像(4/3/2波段)Fig.6 Previous and current target ZY3 remotely sensed imageries for classification(band 4/3/2)

      運(yùn)用試驗(yàn)1相同的精度驗(yàn)證方法采集了600個(gè)驗(yàn)證點(diǎn),計(jì)算得到本試驗(yàn)的分類精度混淆矩陣表3??梢钥吹?目標(biāo)影像的土地覆蓋分類總體精度能達(dá)到91.83%,對(duì)應(yīng)的Kappa系數(shù)為0.876 4,可見(jiàn)方法基于圖7(b)所示的自動(dòng)選擇樣本有較準(zhǔn)確的土地覆蓋分類結(jié)果,特別是對(duì)于園林地、草地、水域及建設(shè)用地的提取精度較高,分別能達(dá)到93.8%、90.5%、98.0%和92.7%。通過(guò)檢查分類錯(cuò)誤驗(yàn)證點(diǎn)發(fā)現(xiàn),若能在完全排除人工解譯導(dǎo)致的錯(cuò)誤,檢驗(yàn)所得到的準(zhǔn)確率理論上應(yīng)更優(yōu)。因此,使用本文方法自動(dòng)采集對(duì)象級(jí)樣本大大降低了人工采集的煩瑣性,且自動(dòng)獲取的樣本具有較高的可靠性,能有效地用于土地覆蓋專題圖的快速更新。

      圖7 ZY3影像多尺度分割結(jié)果、對(duì)象級(jí)樣本分布Fig.7 Results of multi-scale segmentation,distributions of the object samples for ZY3 image

      表3 ZY3影像分類精度混淆矩陣Tab.3 Confusion matrix of classification accuracy for ZY3 image

      圖8 舊時(shí)相土地覆蓋專題輔助數(shù)據(jù)與新時(shí)相目標(biāo)ZY3影像土地覆蓋分類結(jié)果Fig.8 Previous preliminary land-cover thematic image and result of classification for current ZY3 image

      5 結(jié) 論

      圍繞遙感影像大范圍應(yīng)用的目標(biāo),本文在歷史專題數(shù)據(jù)的輔助下,提出了一種基于遷移學(xué)習(xí)的對(duì)象級(jí)樣本自動(dòng)選擇方法,并以此構(gòu)建了一套全自動(dòng)化的土地覆蓋對(duì)象級(jí)分類流程,以適應(yīng)目前時(shí)間密集型的中高空間分辨率遙感影像信息提取的需求。該流程從整個(gè)方法體系上來(lái)看,除了將前期輔助數(shù)據(jù)和當(dāng)前目標(biāo)新影像等作為必要輸入外,其他步驟都是在其他各類信息的自動(dòng)提取和融合后所自動(dòng)實(shí)現(xiàn)的,特別是樣本的選擇不需要進(jìn)行任何的人工干預(yù)工作,因此提高了土地覆蓋分類的自動(dòng)化程度與適用性,能一定程度上滿足“全自動(dòng)化”的應(yīng)用需求,具有一定的實(shí)際應(yīng)用價(jià)值。

      本文方法為知識(shí)發(fā)現(xiàn)與遙感領(lǐng)域應(yīng)用的結(jié)合提供了新的思路,是開(kāi)展土地覆蓋信息自動(dòng)化提取具有參考價(jià)值的一次技術(shù)實(shí)踐。文中描述的試驗(yàn)中,為了說(shuō)明整個(gè)計(jì)算流程的有效性,在某些步驟使用了較為簡(jiǎn)捷的計(jì)算方法,事實(shí)上可以用更有針對(duì)性、更加有效的算法加以替代,例如,通過(guò)對(duì)基于多示例學(xué)習(xí)[24]理論的決策樹(shù)分類算法及基于多元分析檢測(cè)(multiple analysis detection, MAD)[25]的變化分析等方法的深入應(yīng)用有望進(jìn)一步提高整個(gè)方法體系的精度。此外,算法中對(duì)象級(jí)樣本篩選規(guī)則和純化準(zhǔn)則也可以作進(jìn)一步設(shè)計(jì)和優(yōu)化以提高樣本可靠度。主要可以從如何提高變化檢測(cè)精度和樣本質(zhì)量,以及有效使用無(wú)標(biāo)簽或標(biāo)簽可靠性低的訓(xùn)練樣本等角度加以考慮。近年來(lái),基于半監(jiān)督學(xué)習(xí)[26]的理論對(duì)于如何使用無(wú)標(biāo)簽及低可靠性樣本有新的算法不斷涌現(xiàn),可以加以借鑒運(yùn)用。這些新的機(jī)器學(xué)習(xí)理論值得在今后的研究工作中逐步深入,以便能更好地結(jié)合遙感領(lǐng)域知識(shí)為遙感智能信息提取所用。

      [1] LIU Jiyuan.Study on Chinese Resources and Environment Survey and Dynamic Monitoring Using Remote Sensing [M].Beijing:Press of University of Science and Technology of China,1996.(劉紀(jì)遠(yuǎn).中國(guó)資源環(huán)境遙感宏觀調(diào)查與動(dòng)態(tài)研究[M].北京:中國(guó)科學(xué)技術(shù)出版社,1996.)

      [2] GAN Fuping,WANG Runsheng,WANG Yongjian,et al.The Classification Method Based on Remote Sensing Techniques for Land Use and Cover[J].Remote Sensing for Land and Resources,1999,4(4):40-45.(甘甫平,王潤(rùn)生,王永江,等.基于遙感技術(shù)的土地利用與土地覆蓋的分類方法[J].國(guó)土資源遙感,1999,4(4):40-45.)

      [3] RICHARDS J A,JIA X P.Remote Sensing Digital Image Analysis:An Introduction[M].4th Edition.Berlin: Springer-Verlag Inc,2012.

      [4] LU D,WENG Q.A Survey of Image Classification Methods and Techniques for Improving Classification Performance [J].International Journal of Remote Sensing,2007, 28(5):823-870.

      [5] TSO B,MATHER P.Classification Methods for Remotely Sensed Data[M].2nd Edition.New York:Taylor& Francis Inc.,2009.

      [6] LUO Jiancheng,ZHOU Chenghu,YANG Yan.Land-cover and Land-use Classification Based on Remote Sensing Intelligent Geo-interpreting Model[J].Journal of Natural Resources,2001,16(2):179-183.(駱劍承,周成虎,楊艷.遙感地學(xué)智能圖解模型支持下的土地覆蓋/土地利用分類[J].自然資源學(xué)報(bào),2001,16(2):179-183.)

      [7] LUO Jiancheng,WANG Qinmin,MA Jianghong,et al.The EM-based Maximum Likelihood Classifier for Remotely Sensed Data[J].Acta Geodaetica et Cartographica Sinica, 2002,31(3):234-239.(駱劍承,王欽敏,馬江洪,等.遙感圖像最大似然分類方法EM改進(jìn)算法[J].測(cè)繪學(xué)報(bào), 2002,31(3):234-239.)

      [8] LUO Jiancheng,ZHOU Chenghu,LEUNG Yee,et al.Support Vector Machine for Spatial Feature Extraction and Classification of Remotely Sensed Imagery[J].Journal of Remote Sensing,2002,6(1):50-55.(駱劍承,周成虎,梁怡,等.支持向量機(jī)及其遙感影像空間特征提取和分類的應(yīng)用研究[J].遙感學(xué)報(bào),2002,6(1):50-55.)

      [9] BARROS,RODRIGO C,BASGALUPP M P,et al.A Survey of Evolutionary Algorithms for Decision-Tree Induction [J].IEEE Transactions on Systems,Man and Cybernetics, Part C:Applications and Reviews,2012,42(3):291-312.

      [10] LEI Zhen.Random Forest and Its Application in Remote Sensing[D].Shanghai:Shanghai Jiao Tong University, 2012.(雷震.隨機(jī)森林及其在遙感影像處理中應(yīng)用研究[D].上海:上海交通大學(xué),2012.)

      [11] LUO Jiancheng,ZHOU Chenghu,YANG Yan.ANN Remote Sensing Classification Model and Its Integration Approach with Geo-knowledge[J].Journal of Remote Sensing, 2001,5(2):122-129.(駱劍承,周成虎,楊艷.人工神經(jīng)網(wǎng)絡(luò)遙感影像分類模型及其與知識(shí)集成方法研究 [J].遙感學(xué)報(bào),2001,5(2):122-129.)

      [12] BRIEM G J,BENEDIKTSSON J A,SVEINSSON J R.Multiple Classifiers Applied to Multisource Remote Sensing Data[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(10):2291-2299.

      [13] MENNIS J,GUO D.Spatial Data Mining and Geographic Knowledge Discovery:An Introduction[J].Computers, Environment and Urban Systems,2009,33(6):403-408.[14] XIA Liegang.Study on Automatic Classification Method for Remotely Sensed Imagery by Incorporating Spatial-Spectral Features[D].Hangzhou:Zhejiang University of Technology,2011.(夏列鋼.耦合“圖-譜”特征的遙感影像自動(dòng)分類方法研究[D].杭州:浙江工業(yè)大學(xué),2011.)

      [15] ZHOU Chenghu,LUO Jiancheng.Geo-computation of Highresolution Satellite Remote Sensing Image[M].Beijing: Science Press,2009.(周成虎,駱劍承.高分辨率衛(wèi)星遙感影像地學(xué)計(jì)算[M].北京:科學(xué)出版社,2009.)

      [16] PAN S J,YANG Q.A Survey on Transfer Learning[J].IEEE Transactions on Knowledge and Data Engineering, 2010,22(10):1345-1359.

      [17] DAI W Y,CHEN Y Q,XUE G R,et al.Translated Learning:Transfer Learning across Different Feature Spaces[C]∥Processing of 2008 Advances in Neural Information Processing Systems 12(NIPS 2008).Vancouver:[s.n.],2008:353-360.

      [18] COMANICIU D,MEER P.Mean Shift:A Robust Approach toward Feature Space Analysis[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2002,24(5): 603-619.

      [19] CHEN Shupeng,YUE Tianxiang,LI Huiguo.Studies on Geo-informatic Tupu and Its Application[J].Geographical Research,2000,19(4):337-343.(陳述彭,岳天祥,勵(lì)惠國(guó).地學(xué)信息圖譜研究及其應(yīng)用[J].地理研究,2000, 19(4):337-343.)

      [20] LUO Jiancheng,ZHOU Chenghu,SHEN Zhanfeng,et al.Theoretic and Methodological Review on Sensor Information Tupu Computation[J].Journal of Geo-information Science,2009,11(5):664-669.(駱劍承,周成虎,沈占鋒,等.遙感信息圖譜計(jì)算的理論方法研究[J].地球信息科學(xué)學(xué)報(bào),2009,11(5):664-669.)

      [21] GAO Wei.The Study of Information Extraction Technology for Remote Sensing Based on Feature Knowledge[D].Beijing:China University of Geosciences,2010.(高偉.基于特征知識(shí)庫(kù)的遙感信息提取技術(shù)研究[D].北京:中國(guó)地質(zhì)大學(xué),2010.)

      [22] WANG Yan.The Research of Land Use/Cover Change Detection Using High-resolution Remote Sensing Images Based on Image Segments Statistical Analysis[D].Wuhan:Wuhan University,2012.(王琰.基于像斑統(tǒng)計(jì)分析的高分辨率遙感影像土地利用/覆蓋變化檢測(cè)方法研究[D].武漢:武漢大學(xué),2012.)

      [23] BISHOP C M.Pattern Recognition and Machine Learning [M].New York:Springer-Verlag Inc,2006.

      [24] ZHOU Z H,ZHANG M L,HUANG S J,et al.Multiinstance Multi-label Learning[J].Artificial Intelligence, 2012,176(1),2291-2320.

      [25] NIELSEN A A.The Regularized Iteratively Reweighted MAD Method for Change Detection in Multi-and Hyperspectral Data[J].IEEE Transaction on Image Processing,2007,16(2),463-478.

      [26] ZHU X J.Semi-Supervised Learning Literature Survey[R].Madison:University of Wisconsin Madison,2008.

      (責(zé)任編輯:宋啟凡)

      An Automatic Sample Collection Method for Object-oriented Classification of Remotely Sensed Imageries Based on Transfer Learning

      WU Tianjun1,2,LUO Jiancheng1,XIA Liegang1,2,YANG Haiping1,2,SHEN Zhanfeng1,HU Xiaodong1
      1.Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100101,China;2.University of Chinese Academy of Sciences,Beijing 100049,China

      For the large-scale remote sensing applications,the automatic classification of remotely sensed imageries is still a challenge.For example,the artificial sample collection scheme cannot meet the needs of automatic information extraction from the remotely sensed imageries.In order to establish a prior knowledge-based and fully automatic classification method,an automatic sample collection method for objectoriented classification,with the introduction of data mining to the process of information extraction,is proposed.Firstly,the unchanged landmarks are located.Then the prior class knowledge from old interpreted thematic images is transferred to the new target images,and the above knowledge is then used to rebuild the relationship between landmark classes and their spatial-spectral features.The results show that,with the assist of preliminary thematic data,the approach can automatically obtain reliable object samples for object-oriented classification.The accuracy of the classified land-cover types and the efficiency of object-oriented classification are both improved.

      automation;land-cover;object-oriented classification;sample collection;change detection; transfer learning

      WU Tianjun(1986—),male,PhD candidate,majors in high performance remote sensing information processing and analysis,statistical analysis of spatial data.

      P237;TP751.1

      A

      1001-1595(2014)09-0908-09

      國(guó)家自然科學(xué)基金(41101398;41271367;41071247;11261044);國(guó)家863計(jì)劃(2013AA12A401);中國(guó)科學(xué)院重點(diǎn)部署項(xiàng)目課題(KZZD-EW-07-02);國(guó)家科技支撐計(jì)劃重點(diǎn)項(xiàng)目課題(2011BAH06B02);國(guó)家國(guó)際科技合作計(jì)劃(2010DFA92720);國(guó)家科技支撐計(jì)劃課題(2012BAH33B01)

      2013-07-23

      吳田軍(1986—),男,博士生,主要研究方向?yàn)楦咝阅苓b感信息計(jì)算與分析、空間數(shù)據(jù)統(tǒng)計(jì)分析。

      E-mail:tjwucn@gmail.com.

      WU Tianjun,LUO Jiancheng,XIA Liegang,et al.An Automatic Sample Collection Method for Object-oriented Classification of Remotely Sensed Imageries Based on Transfer Learning[J].Acta Geodaetica et Cartographica Sinica,2014,43(9):908-916.(吳田軍,駱劍承,夏列鋼,等.遷移學(xué)習(xí)支持下的遙感影像對(duì)象級(jí)分類樣本自動(dòng)選擇方法[J].測(cè)繪學(xué)報(bào),2014,43(9):908-916.)

      10.13485/j.cnki.11-2089.2014.0163

      修回日期:2014-02-25

      猜你喜歡
      變化檢測(cè)訓(xùn)練樣本對(duì)象
      神秘來(lái)電
      睿士(2023年2期)2023-03-02 02:01:09
      用于遙感圖像變化檢測(cè)的全尺度特征聚合網(wǎng)絡(luò)
      基于多尺度紋理特征的SAR影像變化檢測(cè)
      人工智能
      基于稀疏表示的視網(wǎng)膜圖像對(duì)變化檢測(cè)
      攻略對(duì)象的心思好難猜
      意林(2018年3期)2018-03-02 15:17:24
      基于Landsat影像的黃豐橋林場(chǎng)森林變化檢測(cè)研究
      基于熵的快速掃描法的FNEA初始對(duì)象的生成方法
      寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
      融合原始樣本和虛擬樣本的人臉識(shí)別算法
      404 Not Found

      404 Not Found


      nginx
      重庆市| 平阳县| 新竹县| 区。| 兰西县| 景洪市| 涿鹿县| 大石桥市| 开江县| 万山特区| 天镇县| 长葛市| 上高县| 桦南县| 荆门市| 余姚市| 仙居县| 准格尔旗| 郴州市| 五家渠市| 萨迦县| 南投市| 新野县| 达日县| 茌平县| 崇州市| 黎川县| 衡东县| 大名县| 上饶县| 新野县| 绥江县| 靖宇县| 庆云县| 冷水江市| 渝中区| 林甸县| 东源县| 深水埗区| 沂南县| 北京市|