胡 杰,張 瑩,謝仕義,2
1.廣東海洋大學(xué) 數(shù)學(xué)與計(jì)算機(jī)學(xué)院,廣東 湛江524088
2.湛江灣實(shí)驗(yàn)室 南海漁業(yè)大數(shù)據(jù)中心,廣東 湛江524088
習(xí)近平總書記在黨的十八大報(bào)告中強(qiáng)調(diào),中國(guó)科技創(chuàng)新必須堅(jiān)定不移走自主創(chuàng)新道路。作為當(dāng)代高新技術(shù)的一個(gè)重要組成部分——遙感技術(shù),集中了空間、電子、光學(xué)、計(jì)算機(jī)通信和地學(xué)等學(xué)科的最新成就,是衡量一個(gè)國(guó)家科技發(fā)展水平和綜合實(shí)力的重要尺度[1]。隨著國(guó)產(chǎn)遙感衛(wèi)星數(shù)量的增加和分辨率的提高,防控新型冠狀病毒肺炎疫情期間,高分二號(hào)衛(wèi)星實(shí)時(shí)拍攝火神山、雷神山醫(yī)院建設(shè)進(jìn)程,助力精準(zhǔn)施策[2],為我國(guó)遙感自主獨(dú)立應(yīng)用開創(chuàng)新局面。云計(jì)算、人工智能和5G 技術(shù)的出現(xiàn),又為遙感數(shù)據(jù)的獲取提供了更為便捷的方式,如“一帶一路”地區(qū)干旱指數(shù)的提取,促進(jìn)國(guó)產(chǎn)遙感影像分類向更加高精度方向發(fā)展。影像分類是遙感影像信息提取中的基本問題之一和遙感影像應(yīng)用的關(guān)鍵[3],為我國(guó)掌握本土信息資源自主權(quán)、滿足國(guó)家的緊迫需求具有重大戰(zhàn)略意義。
當(dāng)今遙感影像從地質(zhì)災(zāi)害管理、礦產(chǎn)資源、城市建設(shè)、海洋領(lǐng)域、氣象等傳統(tǒng)行業(yè)應(yīng)用向精細(xì)農(nóng)業(yè)、環(huán)境評(píng)價(jià)、數(shù)字城市等新興行業(yè)應(yīng)用轉(zhuǎn)移,表明遙感技術(shù)應(yīng)用在人們的實(shí)際生活中發(fā)揮著越來越重要的作用。因此越來越多學(xué)者投身于遙感影像分類研究中。就目前已有的遙感影像分類方法方面的文獻(xiàn)綜述,Li等人[4]從分類的對(duì)象和分類時(shí)被分像元的純凈程度的角度,把遙感影像劃分為基于像元的、混合像元的和基于對(duì)象的分類技術(shù);李健[5]依據(jù)分類的對(duì)象和分類算法,把遙感影像劃分為單一影像的、分類器融合的和面對(duì)對(duì)象的分類技術(shù);張永宏等人[6]就道路提取方法發(fā)展現(xiàn)狀,把遙感影像劃分為基于像元的、面向?qū)ο蟮暮蜕疃葘W(xué)習(xí)的分類技術(shù);張?jiān)5热薣7]從特征空間的角度,把遙感影像劃為基于人工特征描述的、基于機(jī)器學(xué)習(xí)的和基于深度學(xué)習(xí)的分類技術(shù)。以上文獻(xiàn)對(duì)遙感影像分類方法總結(jié)的都不夠全面和具體。綜合上述分類技術(shù),針對(duì)國(guó)產(chǎn)遙感影像分類方法的研究,依據(jù)分類的對(duì)象,對(duì)中低分辨率的高光譜和多光譜影像采用基于像元的和混合像元的分類技術(shù)。由于遙感影像本身的空間分辨率以及“同物異譜”“異物同譜”現(xiàn)象的存在,基于像元的和混合像元的分類法出現(xiàn)了較多的錯(cuò)分、漏分現(xiàn)象,導(dǎo)致分類效果不佳[8]。因此提出了面向?qū)ο蟮姆诸惣夹g(shù),該技術(shù)能夠綜合利用地物的光譜特征、幾何信息、結(jié)構(gòu)信息和上下文的語義信息,較好地解決上述技術(shù)分類的不足。對(duì)于基于像元的、混合像元的和面對(duì)對(duì)象的影像分類按照分類算法又細(xì)分為統(tǒng)計(jì)識(shí)別分類和分類器融合分類,通過不同的分類算法以達(dá)到影像分類精度提高的目的。
隨著衛(wèi)星和傳感器技術(shù)的迅速發(fā)展,上述這些淺層的機(jī)器學(xué)習(xí)分類模型因?yàn)橛?jì)算單元有限,不能充分學(xué)習(xí)復(fù)雜樣本中的復(fù)雜信息[9-11],導(dǎo)致分類精度不高。結(jié)合當(dāng)下熱門的遙感大數(shù)據(jù)與人工智能發(fā)展方向,針對(duì)這些問題,李曉峰團(tuán)隊(duì)[12]分別基于經(jīng)典的U-Net架構(gòu)(像素級(jí)分類)和SSD架構(gòu)(對(duì)象級(jí)檢測(cè))提出適合于海洋遙感影像的深度學(xué)習(xí)分類技術(shù)。深度學(xué)習(xí)技術(shù)為基于不同場(chǎng)景的遙感影像分類問題帶來了新的解決思路,但只有少數(shù)學(xué)者把深度學(xué)習(xí)技術(shù)應(yīng)用到國(guó)產(chǎn)遙感影像分類的研究工作中,因此研究如何將深度學(xué)習(xí)方法運(yùn)用到國(guó)產(chǎn)遙感影像的分類中具有深遠(yuǎn)的研究意義和社會(huì)價(jià)值。
本文概述了國(guó)產(chǎn)遙感衛(wèi)星數(shù)據(jù),然后闡述了四種遙感影像分類技術(shù),并對(duì)每種分類技術(shù)應(yīng)用于國(guó)產(chǎn)遙感影像的研究進(jìn)展進(jìn)行了綜合分析,根據(jù)每種遙感影像分類技術(shù)在其應(yīng)用上的研究進(jìn)展分別進(jìn)行分類方法的比較,總結(jié)了國(guó)產(chǎn)遙感影像分類技術(shù)應(yīng)用存在的問題及發(fā)展趨勢(shì)。未來為人們?cè)趪?guó)產(chǎn)遙感影像分類應(yīng)用研究上提供參考指南。
本文對(duì)國(guó)內(nèi)主要的6 個(gè)系列遙感衛(wèi)星數(shù)據(jù)進(jìn)行概要介紹,它們分別為環(huán)境系列遙感衛(wèi)星、資源系列遙感衛(wèi)星、風(fēng)云系列遙感衛(wèi)星、高分系列遙感衛(wèi)星、海洋系列遙感衛(wèi)星、小衛(wèi)星系列遙感衛(wèi)星,各個(gè)衛(wèi)星具體參數(shù)內(nèi)容可以參考文獻(xiàn)[13]。
環(huán)境系列遙感衛(wèi)星是我國(guó)專門用于環(huán)境和災(zāi)害監(jiān)測(cè)的對(duì)地觀測(cè)衛(wèi)星系統(tǒng)[13],主要由2顆光學(xué)衛(wèi)星(HJ-1A衛(wèi)星和HJ-1B 衛(wèi)星)和一顆雷達(dá)衛(wèi)星(HJ-1C 衛(wèi)星)組成的。其中HJ-1A和HT-1B衛(wèi)星搭載了空間分辨率為30 m的CCD相機(jī),搭載了空間分辨率分別為100 m的高光譜成像儀和300 m 的紅外多光譜相機(jī);HJ-1C 衛(wèi)星是中國(guó)首顆S 波段合成孔徑雷達(dá)衛(wèi)星,空間分辨率為5 m。它們擁有光學(xué)、紅外、超光譜多種探測(cè)手段,具有大范圍、全天候、全天時(shí)、動(dòng)態(tài)的環(huán)境和災(zāi)害監(jiān)測(cè)能力[14]。
資源系列遙感衛(wèi)星是專門用于探測(cè)和研究地球資源的衛(wèi)星。我國(guó)已陸續(xù)發(fā)射了“資源一號(hào)”“資源二號(hào)”和“資源三號(hào)”系列衛(wèi)星?!百Y源一號(hào)”系列衛(wèi)星分別包括中巴合作的CBERS 和國(guó)內(nèi)研發(fā)的ZY1。CBERS 包括CBERS-01、CBERS-02、CBERS-02B、CBERS-02C 和CBERS-04,其中CBERS-02B 搭載了2.36 m 全色、10 m多光譜相機(jī),CBERS-02C 搭載了5 m 多光譜、10 m 的PMS 多光譜相機(jī),CBERS-04 搭載了5 m 全色、10 m、20 m、40 m 多光譜相機(jī);ZY1 包括ZY1-02D,ZY1-02D是中國(guó)首顆民用高分辨率高光譜業(yè)務(wù)衛(wèi)星,搭載了2.5 m全色、10 m多光譜、30 m高光譜相機(jī);它們廣泛被應(yīng)用于農(nóng)業(yè)、海洋、環(huán)保、城市規(guī)劃及災(zāi)害監(jiān)測(cè)等領(lǐng)域。“資源二號(hào)”(ZY-2)是新一代傳輸型遙感衛(wèi)星,包含01、02 和03 星[13],擁有3 m 分辨率影像數(shù)據(jù),主要用于城市規(guī)劃、農(nóng)作物估產(chǎn)和空間科學(xué)試驗(yàn)等領(lǐng)域?!百Y源三號(hào)”(ZY-3)包括01星和02星,“資源三號(hào)”01星是中國(guó)第一顆自主的民用高分辨率立體測(cè)繪衛(wèi)星,搭載了3.5 m 的立體相機(jī)和6 m的多光譜相機(jī);“資源三號(hào)”02星搭載了2.5 m的立體相機(jī)和5.8 m的多光譜相機(jī);它們主要用于基礎(chǔ)地形圖的測(cè)制和更新以及困難地區(qū)測(cè)圖和城市測(cè)圖等領(lǐng)域。
風(fēng)云系列遙感衛(wèi)星主要有風(fēng)云一號(hào)(FY-1)、風(fēng)云二號(hào)(FY-2)、風(fēng)云三號(hào)(FY-3)和風(fēng)云四號(hào)(FY-4)系列的8顆極軌氣象衛(wèi)星和9顆靜止氣象衛(wèi)星,是世界上少數(shù)幾個(gè)同時(shí)具有極軌和靜止兩個(gè)系列業(yè)務(wù)氣象衛(wèi)星的國(guó)家和地區(qū)之一,同時(shí)在服務(wù)“一帶一路”建設(shè)和“共建人類命運(yùn)共同體”等工作中發(fā)揮著積極作用[15]?!帮L(fēng)云一號(hào)”系列是我國(guó)第一代極地軌道氣象衛(wèi)星,已經(jīng)成功發(fā)射4顆衛(wèi)星(FY-1A至D),搭載了空間環(huán)境監(jiān)測(cè)器和1 000 m分辨率的多光譜可見光紅外掃描輻射儀,主要用于氣候預(yù)測(cè)、自然災(zāi)害和全球環(huán)境監(jiān)測(cè)等;“風(fēng)云二號(hào)”系列是我國(guó)第一代地球靜止軌道氣象衛(wèi)星,已經(jīng)成功發(fā)射8顆衛(wèi)星(FY-2A至H),搭載了可見光為1 250 m的掃描輻射計(jì)和空間環(huán)境監(jiān)測(cè)器,主要進(jìn)行天氣圖傳真廣播,監(jiān)測(cè)太陽活動(dòng)和衛(wèi)星所處軌道的空間環(huán)境;“風(fēng)云三號(hào)”系列是我國(guó)第二代極地軌道氣象衛(wèi)星,已經(jīng)成功發(fā)射4顆衛(wèi)星(FY-3A至D),搭載了17 000 m的紅外分光計(jì)、62 000 m的微波溫度計(jì)、16 000 m的微波濕度計(jì)、250 m的中分辨率光譜成像儀等11臺(tái)有效載荷,主要用于監(jiān)測(cè)大范圍自然災(zāi)害,為軍事氣象和航空,航海等專業(yè)氣象服務(wù);“風(fēng)云四號(hào)”系列是我國(guó)第二代地球靜止軌道氣象衛(wèi)星,已經(jīng)成功發(fā)射1 顆衛(wèi)星(FY-4A),搭載了500 m 分辨率的可見近紅外多通道掃描成像輻射計(jì)和0.8~1 cm 分辨率的光譜相機(jī),主要應(yīng)用于天氣預(yù)報(bào)、災(zāi)害預(yù)警等領(lǐng)域。
高分系列遙感衛(wèi)星是研發(fā)、搭建高分專項(xiàng)的重要組成部分,對(duì)積極支撐服務(wù)軍民融合發(fā)展、“一帶一路”建設(shè)、精準(zhǔn)扶貧等國(guó)家重大戰(zhàn)略具有重要作用[16],現(xiàn)至少有7 顆衛(wèi)星投入使用,分別是“高分一號(hào)”“高分二號(hào)”……“高分七號(hào)”?!案叻忠惶?hào)”實(shí)現(xiàn)了中高分辨率與大幅寬相結(jié)合的觀測(cè)能力,其搭載的全色相機(jī)最高實(shí)現(xiàn)了2 m分辨率,主要應(yīng)用于災(zāi)害環(huán)保、漂物監(jiān)察、地球遙感等領(lǐng)域;“高分二號(hào)”標(biāo)志著我國(guó)民用遙感衛(wèi)星跨入亞米級(jí)分辨率時(shí)代,其搭載的全色相機(jī)分辨率達(dá)到了0.8 m,主要應(yīng)用于土地利用動(dòng)態(tài)監(jiān)測(cè)、礦產(chǎn)資源調(diào)查、城鄉(xiāng)規(guī)劃監(jiān)測(cè)評(píng)價(jià)等領(lǐng)域;“高分三號(hào)”是“國(guó)家高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)”中唯一的民用微波遙感成像衛(wèi)星,又是我國(guó)首顆1 m分辨率C頻段多極化合成孔徑雷達(dá)成像衛(wèi)星[17],主要應(yīng)用于土壤水分監(jiān)測(cè)、地質(zhì)災(zāi)害預(yù)測(cè)預(yù)警、流域水系特征等領(lǐng)域;“高分四號(hào)”是中國(guó)首顆地球靜止軌道高分辨率對(duì)地觀測(cè)光學(xué)遙感衛(wèi)星[18],其搭載的多光譜相機(jī)分辨率為50 m,主要應(yīng)用于森林火災(zāi)監(jiān)測(cè)、洪澇災(zāi)害等方面;“高分五號(hào)”是國(guó)內(nèi)光譜分辨率最高的衛(wèi)星,也是國(guó)際上首次實(shí)現(xiàn)對(duì)大氣和陸地進(jìn)行綜合觀測(cè)的全譜段高光譜衛(wèi)星,其搭載的多光譜相機(jī)分辨率為20 m,主要應(yīng)用于監(jiān)測(cè)霧霾、大氣顆粒物等大氣環(huán)境監(jiān)測(cè)及氣候變化研究;“高分六號(hào)”是我國(guó)首顆精準(zhǔn)農(nóng)業(yè)觀測(cè)的具有高度機(jī)動(dòng)靈活性的高分辨率光學(xué)衛(wèi)星,其搭載的全色相機(jī)達(dá)到了2 m,主要應(yīng)用于農(nóng)業(yè)資源監(jiān)測(cè)、林業(yè)資源調(diào)查、防災(zāi)減災(zāi)救災(zāi)等行業(yè);“高分七號(hào)”是我國(guó)首顆民用亞米級(jí)高分辨率光學(xué)傳輸型立體測(cè)繪衛(wèi)星,可實(shí)現(xiàn)我國(guó)民用1∶10 000比例尺衛(wèi)星立體測(cè)圖[19],其搭載的全色立體相機(jī)達(dá)到了0.8 m,主要應(yīng)用于國(guó)土測(cè)繪、城鄉(xiāng)建設(shè)、統(tǒng)計(jì)調(diào)查等方面。
海洋系列遙感衛(wèi)星實(shí)現(xiàn)了從單一型號(hào)到多種型譜、從試驗(yàn)應(yīng)用向業(yè)務(wù)服務(wù)的轉(zhuǎn)變,向系列化、業(yè)務(wù)化的方向快速邁進(jìn)[20]。它包括含有A、B、C 這3 顆試驗(yàn)衛(wèi)星的海洋水色環(huán)境系列衛(wèi)星海洋一號(hào)(HY-1)、含有A和B兩顆試驗(yàn)衛(wèi)星的海洋動(dòng)力環(huán)境系列衛(wèi)星海洋二號(hào)(HY-2)和含有首顆試驗(yàn)衛(wèi)星的海洋監(jiān)視監(jiān)測(cè)系列衛(wèi)星海洋三號(hào)(HY-3)[21]。其中兩顆海洋水色環(huán)境衛(wèi)星HY-1B和C、兩顆海洋動(dòng)力環(huán)境衛(wèi)星HY-2A 和B 在軌運(yùn)行。HY-1B是中國(guó)第一顆海洋衛(wèi)星(HY-1A衛(wèi)星)的后續(xù)星,搭載了1 100 m 分辨率的海洋水色掃描儀和250 m 分辨率的多光譜成像儀,主要應(yīng)用于赤潮監(jiān)測(cè)、海溫預(yù)報(bào)和海岸帶監(jiān)測(cè)等領(lǐng)域;HY-1C是中國(guó)民用空間基礎(chǔ)設(shè)施“十二五”任務(wù)中四顆海洋業(yè)務(wù)衛(wèi)星的首發(fā)星,搭載1 100 m 分辨率的海洋水色掃描儀、50 m分辨率的海岸帶多光譜成像儀和550 m分辨率的紫外成像儀,主要應(yīng)用于全球大洋水色水溫環(huán)境業(yè)務(wù)化監(jiān)測(cè)、中國(guó)近海海域與海島、海洋防災(zāi)減災(zāi)等行業(yè);HY-2A、HY-2B 分別是我國(guó)第一代靜止氣象衛(wèi)星風(fēng)云二號(hào)氣象衛(wèi)星的第一顆試驗(yàn)衛(wèi)星和第二顆試驗(yàn)衛(wèi)星,其中HY-2A 搭載2 000 m 分辨率的雷達(dá)高度計(jì)和50 000 m分辨率的微波輻射計(jì),HY-2B搭載了25 000 m分辨率的掃描微波散射計(jì)和校正微波輻射計(jì),它們主要應(yīng)用于臺(tái)風(fēng)和海洋天氣監(jiān)測(cè)、暴雨預(yù)報(bào)等方面;HY-3是綜合衛(wèi)星,搭載1 m分辨率的多極化、多模式合成孔徑雷達(dá),主要用以全天候全天時(shí)探測(cè)海上目標(biāo)、重要海洋災(zāi)害、全球變化等方面[13]。
小衛(wèi)星系列主要選取了“天繪一號(hào)”系列、“北京”系列和“吉林一號(hào)”系列的遙感衛(wèi)星數(shù)據(jù)?!疤炖L一號(hào)”(TH-1)系列是我國(guó)第一顆傳輸型立體測(cè)繪衛(wèi)星,搭載了高分辨率、三線陣和多光譜三種相機(jī),其分辨率分別為2 m、5 m、和10 m[22],包含01 星、02 星、03 星三顆衛(wèi)星,主要是為了滿足國(guó)民經(jīng)濟(jì)建設(shè)對(duì)地理影像數(shù)據(jù)的需要。“北京”系列包括“北京一號(hào)”(BJ-1)小衛(wèi)星和“北京二號(hào)”(DMC3)小衛(wèi)星,其中“北京一號(hào)”是我國(guó)第一個(gè)由企業(yè)實(shí)施和運(yùn)行的對(duì)地觀測(cè)衛(wèi)星,搭載了分辨率為4 m的全色相機(jī)和分辨率為32 m的多光譜相機(jī),主要實(shí)現(xiàn)對(duì)熱點(diǎn)地區(qū)的重點(diǎn)觀測(cè);“北京二號(hào)”是由三顆1 m全色、4 m多光譜的光學(xué)遙感衛(wèi)星組成的民用商業(yè)遙感衛(wèi)星星座,主要提供覆蓋全球、空間和時(shí)間分辨率俱佳的遙感衛(wèi)星數(shù)據(jù)和空間信息產(chǎn)品[23]。“吉林一號(hào)”(JL-1)系列是中國(guó)第一顆商用遙感衛(wèi)星,在軌14顆遙感衛(wèi)星,包括8 顆高分辨率視頻衛(wèi)星、2 顆高分辨率光學(xué)衛(wèi)星,2 顆光譜衛(wèi)星和1 顆技術(shù)驗(yàn)證衛(wèi)星[13],主要應(yīng)用于國(guó)土資源監(jiān)測(cè)、智慧城市建設(shè)、防災(zāi)減災(zāi)等領(lǐng)域。其中光學(xué)A 星搭載了0.72 m分辨率全色和2.88 m分辨率多光譜相機(jī);“吉林一號(hào)”視頻01、02 星可以獲取分辨率為3 840×2 160 像素的高清彩色視頻影像,搭載了1.13 m 分辨率的彩色視頻相機(jī);靈巧驗(yàn)證星搭載了4.7 m 分辨率的全色相機(jī),能夠?qū)Χ嘀爻上窦夹g(shù)和國(guó)產(chǎn)高敏度CMOS芯片進(jìn)行驗(yàn)證;“吉林一號(hào)”視頻03 星搭載了0.92 m 分辨率的彩色動(dòng)態(tài)視頻相機(jī),主要服務(wù)于森林資源調(diào)查、森林火災(zāi)預(yù)警與防控、野生動(dòng)物保護(hù)等林業(yè)發(fā)展;“吉林一號(hào)”視頻04、05、06 星搭載了空間分辨率達(dá)到0.92 m 的動(dòng)態(tài)彩色視頻相機(jī),主要為政府部門、行業(yè)用戶等提供遙感數(shù)據(jù)和產(chǎn)品服務(wù);“吉林一號(hào)”視頻07 星搭載了空間分辨率為0.92 m的動(dòng)態(tài)彩色視頻相機(jī),主要服務(wù)于測(cè)繪、環(huán)保、農(nóng)業(yè)等多個(gè)行業(yè)發(fā)展;“吉林一號(hào)”視頻08 星搭載了空間分辨率為0.92 m的動(dòng)態(tài)彩色視頻相機(jī),主要服務(wù)于林業(yè)重點(diǎn)工作。
圖1 國(guó)產(chǎn)遙感影像分類技術(shù)研究進(jìn)展框架
隨著遙感影像分辨率的提高和深度學(xué)習(xí)算法在遙感影像分類方面的成功應(yīng)用,同時(shí)為了更好地向遙感影像自動(dòng)化、智能化解譯方向發(fā)展,大部分研究者把深度學(xué)習(xí)應(yīng)用在高分辨率遙感影像分類問題上,其中只有少部分聚焦在國(guó)產(chǎn)高分辨率遙感影像分類的研究。目前,利用國(guó)外遙感數(shù)據(jù)在影像分類算法上的研究非常豐富,且趨近于成熟。依據(jù)分類的對(duì)象,國(guó)內(nèi)遙感數(shù)據(jù)在影像分類算法上的研究絕大數(shù)還停留在基于像元的、混合像元的、面向?qū)ο蟮慕y(tǒng)計(jì)識(shí)別分類法和多分類器融合分類法。對(duì)應(yīng)用于國(guó)產(chǎn)遙感影像的分類方法的研究進(jìn)展進(jìn)行了簡(jiǎn)單的展示,如圖1所示。
圖像與像元是息息相關(guān)的,在遙感圖像中,像元是其成像過程中的采樣點(diǎn)和基本單元,其物理意義就是同一像元內(nèi)的地物灰度值相同且唯一,而數(shù)據(jù)值代表的地面面積是其幾何意義[6]。基于像元的分類,就是在分類中把單個(gè)像元作為研究對(duì)象,利用像元的光譜信息、紋理信息、空間關(guān)聯(lián)等信息對(duì)像元表示的地物類別屬性進(jìn)行判斷[24]。像元的分類方法主要有統(tǒng)計(jì)識(shí)別分類和分類器融合分類。
2.1.1 基于像元的統(tǒng)計(jì)識(shí)別分類
基于像元用于遙感影像的統(tǒng)計(jì)識(shí)別分類比較普遍的方法有監(jiān)督分類法和非監(jiān)督分類法。
監(jiān)督分類又稱訓(xùn)練分類法,根據(jù)訓(xùn)練區(qū)已知遙感信息類型的像元,通過反復(fù)訓(xùn)練、學(xué)習(xí)建立分類模型,在該模型上對(duì)待分類影像進(jìn)行相同特征像元自動(dòng)分類。比較常見的監(jiān)督分類法有最大似然法(Maximum Likelihood Classifier,MLC)[25-26]、支持向量機(jī)(Support Vector Machine,SVM)[27-28]、BP神經(jīng)網(wǎng)絡(luò)[29-30]等。
非監(jiān)督分類是指在事先不知道像元類別特征條件下,按照像元光譜特性的相似度大小進(jìn)行統(tǒng)計(jì)建立分類模型,根據(jù)待分類影像總體特征,通過分類模型對(duì)其進(jìn)行預(yù)估判斷。比較典型的非監(jiān)督分類法有K-均值(KMeans)[31]、ISODATA[32-33]等。
2.1.2 基于像元的多分類器融合分類
對(duì)于遙感影像某具體物體分類問題,基于像元的統(tǒng)計(jì)識(shí)別分類方法需要通過不斷地實(shí)驗(yàn)并訓(xùn)練來找到性能最適合的分類器。這種分類法的不足主要在于當(dāng)先驗(yàn)知識(shí)不充分時(shí),通常很難去確定最優(yōu)的分類器,由于分類器的選取尚缺乏統(tǒng)一的理論指導(dǎo),因此,尋求廣義上提高分類性能的方法成為分類算法的一個(gè)研究方向[34]。隨著多分類融合定義的確定及其系統(tǒng)廣泛的應(yīng)用,多分類器融合的遙感影像分類應(yīng)用得到充分的發(fā)展。多分類器融合又稱多分類器組合、多分類器系統(tǒng),根據(jù)不同的單分類模型對(duì)同一研究區(qū)域進(jìn)行訓(xùn)練學(xué)習(xí),把分類效果較好的一種或幾種分類器,利用融合法進(jìn)行重新組合。按照分類器類別的集成主要分為同質(zhì)分類器融合法和異質(zhì)分類器融合法,其中同質(zhì)分類器融合法的典型算法是隨機(jī)森林[35],異質(zhì)分類器融合法常見的是利用投票法、Bayesian 平均法、模糊識(shí)別法等分類器集成方法對(duì)多種不同的分類器進(jìn)行融合。
2.1.3 基于像元在國(guó)產(chǎn)遙感影像分類應(yīng)用中的研究進(jìn)展
在基于像元的國(guó)產(chǎn)遙感影像應(yīng)用中,研究者們常利用統(tǒng)計(jì)識(shí)別分類法中的最大似然法,因?yàn)槠浜?jiǎn)單的分類操作和較好的分類效果。最大似然法是指在每個(gè)像元數(shù)據(jù)服從正態(tài)分布的前提條件下,通過計(jì)算每個(gè)像元對(duì)各類別的歸屬概率,將該像元分到歸屬概率最大的類別的方法[36]。周翔等人[37]在基于CBERS 影像的土地覆蓋動(dòng)態(tài)監(jiān)測(cè)方法研究中,發(fā)現(xiàn)最大似然法較最小距離法的分類效果好。鄭盛等人[38]根據(jù)深圳市地類分布的特點(diǎn),通過目視解譯在遙感影像上選擇感興趣區(qū)域作為各地類的訓(xùn)練樣本,利用最大似然法對(duì)三個(gè)時(shí)期的CBERS和HJ-1B影像進(jìn)行分類,可以明顯看到土地利用/覆蓋變化。為了進(jìn)一步探索其他統(tǒng)計(jì)識(shí)別法的分類精度,Kong等人[39]以河北豐寧縣土地覆蓋的GF-1遙感影像為研究數(shù)據(jù),根據(jù)光譜特征、融合NDVI 時(shí)間序列和物候參數(shù)的不同組合利用支持向量機(jī)對(duì)土地覆蓋進(jìn)行分類,發(fā)現(xiàn)支持向量機(jī)的準(zhǔn)確率具有很大的優(yōu)勢(shì)。Chen 等人[40]選擇改進(jìn)的決策樹法對(duì)半干旱地區(qū)烏蘭蘇海湖水生植被的GF-1 遙感影像進(jìn)行分類,結(jié)果發(fā)現(xiàn)該方法在區(qū)分水和水生植被方面優(yōu)于傳統(tǒng)的統(tǒng)計(jì)分類方法。為了提高國(guó)產(chǎn)影像分類的精度,馬凱等人[41]利用BP 神經(jīng)網(wǎng)絡(luò)的分類算法對(duì)黃島區(qū)HJ-1A 衛(wèi)星的高光譜影像進(jìn)行雙重分類,經(jīng)處理后的高光譜影像的分類精度得到顯著提高。
與統(tǒng)計(jì)識(shí)別分類相比,多分類器融合分類方法可以在具體應(yīng)用中不考慮最優(yōu)分類器的選取問題,通過融合方法自動(dòng)獲取強(qiáng)分類模型進(jìn)行影像分類。針對(duì)同質(zhì)分類器融合的國(guó)產(chǎn)影像應(yīng)用,劉毅等人[42]利用隨機(jī)森林法對(duì)災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星(HJ-1)、北京1 號(hào)小衛(wèi)星(BJ-1)多光譜遙感影像進(jìn)行分類,與最大似然、支持向量機(jī)的傳統(tǒng)分類方法進(jìn)行比較,發(fā)現(xiàn)隨機(jī)森林具有更好的穩(wěn)定性、更高的分類精度和更快的運(yùn)算速度。為了對(duì)地物影像進(jìn)行更好的分類,結(jié)合多源影像特征探索隨機(jī)森林法的分類效果,F(xiàn)u等人[43]利用小波主元分析(PCA)圖像融合技術(shù),將多光譜GF-1 和合成孔徑雷達(dá)(SAR)圖像融合得到的濕地植被數(shù)據(jù)進(jìn)行基于隨機(jī)森林算法分類,提高了總體分類精度。呂杰等人[44]針對(duì)利用遙感影像進(jìn)行森林類型識(shí)別容易出現(xiàn)樹種誤分和模型復(fù)雜的問題,結(jié)合遙感判讀樣地、植被指數(shù)、紋理信息以及地形因子等多源數(shù)據(jù),構(gòu)建最小距離、支持向量機(jī)和隨機(jī)森林的分類模型對(duì)黑龍江涼水自然保護(hù)區(qū)森林優(yōu)勢(shì)樹種的高分一號(hào)影像進(jìn)行分類,結(jié)果表明結(jié)合多源數(shù)據(jù)的隨機(jī)森林模型分類總精度較結(jié)合多源數(shù)據(jù)的支持向量機(jī)分類法有明顯提高。針對(duì)異質(zhì)分類器融合的國(guó)產(chǎn)影像應(yīng)用,楊海波等人[45]根據(jù)不同空間分辨率的北京1 號(hào)和ETM遙感影像數(shù)據(jù)集,采用基于誤差矩陣的方法對(duì)最大似然,最小距離,馬氏距離進(jìn)行精度評(píng)價(jià)組成的混合判別多分類器結(jié)合算法與各個(gè)子分類器進(jìn)行分類比較,發(fā)現(xiàn)混合多分類器結(jié)合算法能比較顯著提高不同遙感衛(wèi)星不同分辨率的中高精度遙感影像的分類精度。彭正林等人[46]選取分類性能以及多樣性好的馬氏距離、SVM和最大似然三種分類器作為子分類器,自定義規(guī)則對(duì)簡(jiǎn)單投票法、最大概率類別法以及模糊類別積分法進(jìn)行組合對(duì)影像分類,結(jié)果表明與單個(gè)子分類器中精度最高的SVM 分類相比,基于多分類器組合的遙感影像分類總體分類精度提高了12%,Kappa 系數(shù)提高了0.12。李志強(qiáng)等人[47]以長(zhǎng)春市部分GF-2 影像為實(shí)驗(yàn)數(shù)據(jù),對(duì)貝葉斯、K-最近鄰、支持向量機(jī)、分類回歸樹和隨機(jī)森林五種不同分類器根據(jù)各地類具有最高Hellden值的分類算法構(gòu)建多分類器組合,該方法分類精度優(yōu)于任何單一分類器的分類結(jié)果。
2.1.4 基于像元的分類比較
依據(jù)基于像元分類的研究進(jìn)展,對(duì)國(guó)產(chǎn)遙感影像分類在方法上進(jìn)行比較分析,從方法中的常見方法、原理、典型算法、對(duì)基于像元影像的分類效果及優(yōu)缺點(diǎn),每種分類的局限性這些方面做了簡(jiǎn)單的概括。如表1所示。
遙感影像的空間分辨率、時(shí)間分辨率和光譜分辨率的相互制約導(dǎo)致了遙感影像中普遍存在著混合像元(即一個(gè)像元內(nèi)有多種地物)[48],混合像元問題不僅影響地物的識(shí)別和分類精度,而且是遙感技術(shù)向定量化發(fā)展的重要障礙[49]。目前對(duì)于遙感影像的分類問題多數(shù)單考慮像元光譜間的統(tǒng)計(jì)特征,而導(dǎo)致分類的誤判,因此在對(duì)于含有混合像元的影像分類問題需先進(jìn)行混合像元分解,其次是分類。
表1 基于像元的分類方法比較
2.2.1 混合像元的分解
混合像元分解是指由像元級(jí)達(dá)到亞像元級(jí),進(jìn)入像元內(nèi)部,將混合像元分解為不同的基本組分單元或端元,并求得這些基本組分單元所占的比例[50]?;旌舷裨姆纸饽P椭饕心:纸?、神經(jīng)網(wǎng)絡(luò)分解、線性分解等,比較常用的是線性分解模型。線性分解模型假設(shè)在不同物質(zhì)間不存在相互作用,位于同一像元區(qū)域的波譜是純凈物質(zhì)波譜的線性組合,是根據(jù)它們的組成比例進(jìn)行加權(quán),獲取線性組合的組成比例就是混合像元分解?;旌舷裨纸獾牟襟E一般分為端元提取和豐度估計(jì)。
端元提取是指在混合影像中提取各種成分,包括確定端元數(shù)量以及端元的光譜。在建立線性混合模型并對(duì)其進(jìn)行光譜解混操作之前,選擇光譜端元是非常必要的,光譜端元選擇的好壞是混合像素光譜解混效果的關(guān)鍵[51]。常見的端元提取法有像元純凈指數(shù)法(PPI)、內(nèi)部最大體積法(N-FINDR)、迭代誤差分析法(AEI)和自動(dòng)形態(tài)學(xué)端元提取法(SMEE)。
豐度估計(jì)是指對(duì)每種估計(jì)出來的端元物質(zhì)的比例加以估計(jì)。豐度估計(jì)算法最經(jīng)典的為最小二乘算法,它是通過計(jì)算誤差平方和的最小值的思想得到豐度估計(jì)矩陣,該算法包括無約束最小二乘法(LS)、和為一約束最小二乘法(SCLS)、非負(fù)約束最小二乘法(NCLS)、全約束性最小二乘法(FCLS)[52]。
2.2.2 混合像元的分類
混合像元的分類是在通過混合像元分解技術(shù)獲取每個(gè)像元或比較均勻的像元組的基礎(chǔ)上,利用分類模型對(duì)遙感影像數(shù)據(jù)進(jìn)行分類的過程。常用到的分類模型是統(tǒng)計(jì)識(shí)別的分類模型,較少使用多分類器融合的分類模型。
2.2.3 混合像元在國(guó)產(chǎn)遙感影像分類應(yīng)用中的研究進(jìn)展
混合像元分解作為影像分類過程中的預(yù)處理部分,是保證影像分類效果好的關(guān)鍵之一。同時(shí)基于像元分類技術(shù)已為混合像元的分類研究打好基礎(chǔ),因此國(guó)內(nèi)外研究者更加傾向于混合像元分解技術(shù)的研究。由于國(guó)內(nèi)對(duì)混合像元分解研究較晚,且混合像元普遍存在于中低分辨率影像中,隨著我國(guó)遙感分辨率的提高,人們對(duì)于具有混合像元的國(guó)產(chǎn)影像研究更少。對(duì)于混合像元的分解應(yīng)用,金晶等[53]人針對(duì)混合像元分解中普遍存在的同物異譜現(xiàn)象所引起的分解精度降低問題,依據(jù)模擬的高光譜數(shù)據(jù),提出了基于Fisher判別零空間的高光譜遙感影像混合像元分解法,實(shí)驗(yàn)表明該方法能減少端元內(nèi)光譜差異影響,并精度優(yōu)于像元純度指數(shù)法和樣本光譜算術(shù)平均法。付敏[54]以高分遙感數(shù)據(jù)為研究對(duì)象,針對(duì)現(xiàn)有解混方法僅考慮了高光譜遙感圖像的光譜信息而忽略了空間信息問題,提出了基于地物依賴性約束的高光譜影像混合像元分解算法,該方法在進(jìn)行混合像元分解時(shí),以非負(fù)矩陣分解為基礎(chǔ),從圖像全局出發(fā)建立地物依賴性約束,使得在解混的過程中高光譜圖像的空間結(jié)構(gòu)得以保持,從而有效提升高光譜混合像元分解的解混精度及魯棒性。崔媛[51]針對(duì)傳統(tǒng)非負(fù)矩陣分解法中解空間較大、存在大量局部極小值的問題,提出了一種改進(jìn)的平滑性和稀疏性約束的非負(fù)矩陣分解法(INMFSSC),通過對(duì)模擬高光譜數(shù)據(jù)和真實(shí)遙感圖像的仿真研究,實(shí)驗(yàn)結(jié)果表明,該方法不僅能有效地克服傳統(tǒng)非負(fù)矩陣分解法的缺陷,而且能估計(jì)出精確的端元和對(duì)應(yīng)的豐度,獲得較好的解混效果。對(duì)于混合像元的分類應(yīng)用,王玲段[55]利用國(guó)產(chǎn)HJ-1A衛(wèi)星的高光譜數(shù)據(jù)為數(shù)據(jù)源,以像元純度指數(shù)(PPI)的混合像元分解法進(jìn)行南疆主栽經(jīng)濟(jì)林木識(shí)別分解,采用最大似然分類進(jìn)行分解對(duì)象分類,實(shí)驗(yàn)表明,該方法優(yōu)于典型樣地為單元的方式。周煒等人[56]針對(duì)水體邊界易與周邊地物產(chǎn)生混淆而界定困難的問題,利用國(guó)產(chǎn)高光譜影像數(shù)據(jù),提出一種基于高光譜混合像元分解的水體邊界信息提取方法,實(shí)驗(yàn)表明該方法精度明顯優(yōu)于水體指數(shù)法,略優(yōu)于支持向量機(jī)法。鄭麗[49]以國(guó)內(nèi)研制OMISI(實(shí)用型模塊化成像光譜儀系統(tǒng))高光譜的延安地區(qū)地物數(shù)據(jù)為研究對(duì)象,對(duì)自動(dòng)形態(tài)學(xué)端元提?。ˋMEE)與像元純度指數(shù)(PPI)端元提取后的分類比較,結(jié)果表明對(duì)AMEE 端元提取線性解混后的豐度圖像進(jìn)行最大似然分類精度高于PPI端元豐度圖像分類精度,實(shí)驗(yàn)表明支持向量機(jī)的分類精度高于傳統(tǒng)最大似然分類。
2.2.4 混合像元分解的方法比較
依據(jù)混合像元分類的研究進(jìn)展,主要對(duì)混合像元分解方法中的端元選取法和豐度估計(jì)法進(jìn)行分析,從分解方法的典型算法、原理、對(duì)混合像元影像的分解效果及優(yōu)缺點(diǎn)這些方面做了簡(jiǎn)單的概括。如表2所示。
隨著對(duì)地觀測(cè)技術(shù)的進(jìn)步以及人們對(duì)地球資源和環(huán)境的認(rèn)識(shí)不斷深化,高分辨率遙感影像的結(jié)構(gòu)、形狀、紋理和細(xì)節(jié)等信息的分辨率也隨之提高,傳統(tǒng)的基于像元的影像分類方法只關(guān)注影像光譜信息,像元之間相關(guān)性差,分類結(jié)果具有很大的不確定性,再加上影像本身噪聲的影響使得分類后的影像存在“椒鹽”效應(yīng),缺乏影像完整性和連貫性等[57],并不適應(yīng)高分辨率遙感影像的分類問題。而面向?qū)ο蠓诸惣夹g(shù)能夠合理運(yùn)用通過影像分割獲取的高分辨率遙感影像對(duì)象中的光譜特征和空間特征,依據(jù)分類算法針對(duì)目標(biāo)信息對(duì)影像特征進(jìn)行分類。面向?qū)ο蠓诸惣夹g(shù)的兩個(gè)主要關(guān)鍵步驟是遙感影像分割和面向?qū)ο蟮姆诸悺?/p>
2.3.1 遙感影像分割
影像分割就是將一幅遙感影像變成若干個(gè)具有同質(zhì)性的對(duì)象,這些對(duì)象遵循空間上的連續(xù)性,并且互相之間不能有重疊的特性[58]。眾多遙感影像分割中,常用于獲取影像對(duì)象的方法是多尺度分割。多尺度分割是指對(duì)影像信息進(jìn)行尺度變換,然后結(jié)合這些信息來發(fā)掘影像中的信息,分析處理發(fā)掘出來的信息,來獲得更好的信息提取結(jié)果[59]。在分割算法上主要有基于邊界的、基于區(qū)域的、基于閾值的[60]、基于超像素的[61]、基于圖論的[62]和基于機(jī)器學(xué)習(xí)的[63]等?;诔袼胤指罘ㄊ前凑漳撤N相似度準(zhǔn)則,將圖像劃分為若干個(gè)不相交的均勻圖像塊,所有的圖像塊組成了整幅圖像[64];基于機(jī)器學(xué)習(xí)分割法是通過無監(jiān)督學(xué)習(xí)方法或有監(jiān)督學(xué)習(xí)方法進(jìn)行圖像分割的。其中分割尺度對(duì)影像分類結(jié)果好壞非常重要,它決定了形成對(duì)象的異質(zhì)度,尺度過大時(shí)獲取的影像信息細(xì)節(jié)不完整,導(dǎo)致用于分類的特征數(shù)量過少;尺度過小時(shí)獲取的影像信息細(xì)節(jié)較豐富,導(dǎo)致用于分類的特征數(shù)量過于冗余,不具有代表性。
2.3.2 面向?qū)ο蟮姆诸?/p>
面向?qū)ο蟮姆诸愂窃谟跋穹指瞰@取對(duì)象的基礎(chǔ)上,利用不同分類模型對(duì)遙感影像典型特征進(jìn)行分類的過程。常用到的分類模型是模糊函數(shù)[65],由于其需要事先對(duì)閾值進(jìn)行設(shè)置,閾值的過大或小都會(huì)造成分類精度的下降,因此提出了統(tǒng)計(jì)識(shí)別的算法對(duì)影像特征分類,常用到的統(tǒng)計(jì)識(shí)別算法有支持向量機(jī)[66]和人工神經(jīng)網(wǎng)絡(luò)[67]等。由于機(jī)器學(xué)習(xí)算法對(duì)影像分類需要不斷的訓(xùn)練和測(cè)試,才能挖掘出精度最高的分類器,后來研究者們提出了多分類器融合的分類法。
2.3.3 面向?qū)ο笤趪?guó)產(chǎn)遙感影像分類應(yīng)用中的研究進(jìn)展
隨著我國(guó)遙感技術(shù)的不斷提升,研究者們更加傾向于面向?qū)ο蟮挠跋穹诸惣夹g(shù)應(yīng)用研究。面向?qū)ο蠓诸惣夹g(shù)充分利用遙感影像的光譜、紋理、空間信息,使分類效果更加顯著。Chen 等人[68]采用多尺度多特征分割的方法提取影像目標(biāo)特征,利用加權(quán)平均的模糊邏輯分類法進(jìn)行目標(biāo)分類,比傳統(tǒng)的基于像素的影像分類效果好。但該方法存在分割尺度和分類閾值無法準(zhǔn)確確定的局限,導(dǎo)致分類精度下降。針對(duì)面向?qū)ο蟮挠跋穹指畛叨葐栴},劉麗雅[24]根據(jù)分割算法選取最優(yōu)分割尺度,分別利用傳統(tǒng)基于像元的最大似然法與ISODATA法及面向?qū)ο蟮姆诸惙▽?duì)50、70、90三種最優(yōu)分割尺度的高寒山區(qū)的高分一號(hào)影像進(jìn)行土地利用/覆蓋類型分類,發(fā)現(xiàn)當(dāng)最優(yōu)分割尺度為50時(shí)的面向?qū)ο蠓诸惙ǖ木茸詈?。針?duì)分割尺度和分類閾值的局限性,Wu 等人[69]利用面向?qū)ο蟮腟VM 對(duì)道路影像數(shù)據(jù)進(jìn)行分類,該方法的總體分類精度達(dá)到92.71%,kappa系數(shù)為0.899。針對(duì)單分類器分類精度選擇的問題,董心玉[58]對(duì)高分一號(hào)遙感影像的森林?jǐn)?shù)據(jù)分別采用基于C5.0算法的面向?qū)ο蟮淖詣?dòng)決策樹分類和面向?qū)ο蟮膯螌哟巫钹徑诸惙ㄟM(jìn)行對(duì)比分析,實(shí)驗(yàn)表明面對(duì)對(duì)象的多層次決策樹分類方法分類效果較好。Chen 等人[70]結(jié)合數(shù)學(xué)形態(tài)學(xué)利用面向?qū)ο蟮碾S機(jī)森林法對(duì)長(zhǎng)江三峽水庫(TGR)附近滑坡地區(qū)的ZY-3 遙感影像進(jìn)行分類,獲得較高的分類精度。張金盈等人[71]基于多尺度分割算法獲取最優(yōu)的影像分割對(duì)象的主動(dòng)學(xué)習(xí)和詞袋模型相結(jié)合的高分二號(hào)遙感影像分類方法,結(jié)果表明,該方法可以有效地將研究區(qū)域分為水體、地面、植被和建筑物四類,正確率達(dá)到90.6%以上。針對(duì)多尺度影像分割方法存在地物邊界依附性差、易受影像噪聲影響等問題,Li 等人[72]對(duì)HJ-1/CCD 遙感云影像數(shù)據(jù),結(jié)合云陰影匹配法和超像素分割算法進(jìn)行影像分割檢測(cè),云檢測(cè)的總體精度接近90%。Tan等人[73]針對(duì)云在光學(xué)遙感中可以局部遮蔽地表特征并改變反射率問題,提出一種新的基于概率潛在語義分析(PLSA)和基于對(duì)象的云檢測(cè)的機(jī)器學(xué)習(xí)方法。通過超像素分割線性迭代聚類(SLIC)算法和PLSA 模型對(duì)ZY-3 和GF-1 云影像進(jìn)行特征提取,利用支持向量機(jī)進(jìn)行影像分類,實(shí)驗(yàn)表明該方法比傳統(tǒng)的光譜影像提高了6.8%,且該方法能夠自動(dòng)、準(zhǔn)確地實(shí)現(xiàn)目標(biāo)識(shí)別。
表2 混合像元分解方法的比較
2.3.4 面向?qū)ο蟮姆指罘椒ū容^
依據(jù)面向?qū)ο蠓诸惖难芯窟M(jìn)展,對(duì)遙感影像的分割方法進(jìn)行比較分析,從分割方法的常見方法、原理、典型算法、對(duì)影像的分割效果及優(yōu)缺點(diǎn)這些方面做了簡(jiǎn)單的概括。如表3所示。
2006 年,加拿大多倫多大學(xué)教授Hinton 首次在數(shù)據(jù)的應(yīng)用上引入深度學(xué)習(xí)思想,為大數(shù)據(jù)技術(shù)、人工智能應(yīng)用的實(shí)現(xiàn)提供可能[74]。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支,是通過建立類似于人腦的分層模型結(jié)構(gòu),對(duì)輸入數(shù)據(jù)逐級(jí)提取從底層到高層的特征,從而很好地建立從底層信號(hào)到高層語義的映射關(guān)系[75-76]。2013 年,ImageNet 大賽中前20 名算法都采用了深度學(xué)習(xí),可見深度學(xué)習(xí)在圖像領(lǐng)域中取得了絕對(duì)的優(yōu)勢(shì)[77]。深度學(xué)習(xí)能較好地解決基于像元的、混合像元的和面向?qū)ο蟮挠跋穹诸惙y以適應(yīng)高分辨率影像的高維數(shù)據(jù)、難以從高分辨率影像的大數(shù)據(jù)中選取合適的分類器、自動(dòng)化程度不高的問題,及對(duì)于通過人工設(shè)計(jì)的像元特征的費(fèi)時(shí)性和專家知識(shí)的依賴性。目前,應(yīng)用在遙感影像分類方面的深度學(xué)習(xí)模型主要有深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)[78]、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[79]和棧式自編碼器網(wǎng)絡(luò)(Stacked Autoencoder Network,SAE)[80]。神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的基礎(chǔ);DBN的出現(xiàn)不僅掀起了深度學(xué)習(xí)的浪潮,而且加快了深度學(xué)習(xí)的發(fā)展;CNN 是深度學(xué)習(xí)最具有代表性的模型[81];SAE是深度學(xué)習(xí)在算法上的優(yōu)化模型。
深度置信網(wǎng)絡(luò)是建立在樣本數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布的概率生成模型,由多層受限玻爾茲曼機(jī)(RestrictedBoltzmann Machine,RBM)和一層某種分類器組合而成[82],每層之間用隱層單元連接用來捕捉可視層的高階數(shù)據(jù)間的關(guān)聯(lián)性,其中網(wǎng)絡(luò)層的一個(gè)DBN 的連接是通過自頂向下的生成權(quán)值來指導(dǎo)確定的。
表3 影像分割的方法比較(多尺度分割)
卷積神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)的改進(jìn)模型,不僅具有DNN 分層提取非線性特征的特點(diǎn),而且能夠識(shí)別圖像的空間特征[83]。卷積神經(jīng)網(wǎng)絡(luò)實(shí)際上就是將圖像處理和神經(jīng)網(wǎng)絡(luò)結(jié)合得來的,不是像DNN把所有上下層神經(jīng)元直接連接起來,而是通過卷積核將上下層進(jìn)行鏈接,同一個(gè)卷積核在所有圖像中是共享的,圖像通過卷積操作后仍然保留原先的位置關(guān)系。CNN 主要由輸入層、若干組交替出現(xiàn)的卷積層與下采樣層、全連接層及輸出層等基本結(jié)構(gòu)構(gòu)成。它具有適用性強(qiáng)、分類并行處理能力、權(quán)值共享等優(yōu)點(diǎn),使得全局優(yōu)化訓(xùn)練參數(shù)大大減少[84-85],在深度學(xué)習(xí)領(lǐng)域當(dāng)中,卷積神經(jīng)網(wǎng)絡(luò)研究的最多,已成為當(dāng)前圖像識(shí)別領(lǐng)域的研究熱點(diǎn)[86]。
2007年,Bengio等人[87]在構(gòu)成DBN的基礎(chǔ)上,針對(duì)隨機(jī)初始化產(chǎn)生的基于梯度的優(yōu)化方法問題提出一種深層網(wǎng)絡(luò)的貪婪逐層預(yù)訓(xùn)練方法——棧式自動(dòng)編碼器網(wǎng)絡(luò)。它是一個(gè)由多層無監(jiān)督學(xué)習(xí)的稀疏自編碼器結(jié)構(gòu)單元層疊后組成的深度神經(jīng)網(wǎng)絡(luò)[88],其前一層自編碼器的輸出作為其后一層自編碼器的輸入,最后一層是個(gè)分類器。在遙感領(lǐng)域,SAE對(duì)光譜空間特征學(xué)習(xí)能力尤為突出[89-90]。
2.4.1 基于深度學(xué)習(xí)在國(guó)產(chǎn)遙感影像分類應(yīng)用中的研究進(jìn)展
國(guó)產(chǎn)遙感影像分類應(yīng)用中,運(yùn)用最多的深度學(xué)習(xí)算法是CNN,該方法的特點(diǎn)是影像到影像的端對(duì)端學(xué)習(xí)模型,在該模型基礎(chǔ)上可以延伸出對(duì)于影像分類效果更好的模型,如深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)和全卷積神經(jīng)網(wǎng)絡(luò)(FCN)。針對(duì)傳統(tǒng)分類方法不能達(dá)到較好的分類效果的問題,Ding 等人[91]利用SAE 對(duì)土地覆被的GF-1遙感影像進(jìn)行分類,實(shí)驗(yàn)表明其分類精度均高于支持向量機(jī)和反向傳播神經(jīng)網(wǎng)絡(luò)。為了解決單獨(dú)的深度學(xué)習(xí)算法分別對(duì)高分辨遙感影像分類存在時(shí)間復(fù)雜度較高、樣本數(shù)據(jù)較少、小物體識(shí)別差的問題,Yang 等人[92]提出了對(duì)多通道數(shù)據(jù)拼接方法和DCNN 結(jié)構(gòu)以及深度學(xué)習(xí)特有的拼接邊緣效應(yīng)進(jìn)行優(yōu)化的方法對(duì)GF-1影像進(jìn)行分類,改進(jìn)后的方法能很好地改善高分辨影像的分類精度且時(shí)間復(fù)雜度較低。Wang等人[93]在樣本規(guī)模較小的情況下,根據(jù)樣本遷移方法,利用殘差學(xué)習(xí)網(wǎng)絡(luò)(ResNet)提取GF-2 遙感影像的深度特征和低層特征(包括顏色矩特征和灰度共生矩陣特征)來構(gòu)造各種場(chǎng)景語義特征,再利用SVM 進(jìn)行影像的高精度分類。宋廷強(qiáng)等人[94]基于GF-2遙感影像提出一種基于SegNet架構(gòu)改進(jìn)的網(wǎng)絡(luò)模型AA-SegNet,增加了增強(qiáng)的空間金字塔池化模塊和空間注意力融合模塊來分別進(jìn)行小目標(biāo)提取和指導(dǎo)低特征圖,該方法與深度學(xué)習(xí)方法Seg-Net、Deep-Labv3和U-Net進(jìn)行比較,提高了識(shí)別的精準(zhǔn)度。為了充分利用影像信息提高分類精度,Li等人[95]設(shè)計(jì)了基于殘差卷積塊(ResNet50)和金字塔池化模塊的多尺度提取網(wǎng)絡(luò)進(jìn)行建筑區(qū)域的更多判別特征提取,引入焦點(diǎn)損失項(xiàng)進(jìn)一步提取小規(guī)模建筑區(qū)域,利用GF-3 SAR數(shù)據(jù)對(duì)該方法進(jìn)行驗(yàn)證,發(fā)現(xiàn)充分利用遙感影像特征的深度學(xué)習(xí)技術(shù)在影像信息分類中具有一定的優(yōu)勢(shì)。對(duì)于特殊影像單獨(dú)利用深度學(xué)習(xí)算法也是不可行的,需要根據(jù)特定情況進(jìn)行算法的結(jié)合或改進(jìn)。樓立志等人[96]為了解決船只緊密相連、不同形狀、類型的船只、船只過小等問題,運(yùn)用可變形部件模型(DPM)的和基于區(qū)域卷積網(wǎng)絡(luò)(R-CNN)的船只檢測(cè)方法對(duì)GF2 遙感船只影像進(jìn)行監(jiān)測(cè),發(fā)現(xiàn)DPM和R-CNN都能以高召回率和正確率檢測(cè)水中的船只,但對(duì)于聚集船只而言,DPM 的效果更優(yōu)。裴亮等人[97]提出了基于改進(jìn)的深度學(xué)習(xí)全卷積神經(jīng)網(wǎng)絡(luò)的資源三號(hào)遙感影像云檢測(cè)方法,該方法檢測(cè)精度和速度均優(yōu)于傳統(tǒng)方法(FCN-8s、FCN-16s、FCN-32s、FCN-SVM),準(zhǔn)確率可達(dá)90.11%,單張影像檢測(cè)耗時(shí)可縮短至0.46 s。Chen等人[98]設(shè)計(jì)了一種基于超像素分割的新的多卷積神經(jīng)網(wǎng)絡(luò)(MCNN)對(duì)ZY-3、GF-1 和GF-2 遙感影像進(jìn)行云檢測(cè),結(jié)果表明該方法可以檢測(cè)多層云,獲得高精度的高分辨率遙感影像。Cheng等人[99]針對(duì)傳統(tǒng)深度學(xué)習(xí)方法對(duì)水產(chǎn)養(yǎng)殖區(qū)域的誤判問題,結(jié)合U-Net 和混合擴(kuò)容卷積(HDC)模型(混合擴(kuò)容卷積U-Net(HDCUNet)),進(jìn)行接受域擴(kuò)展,并與FCN-8s、SegNet、U-Net 和Threshold Segmentation(TS)四種方法的提取精度進(jìn)行比較,驗(yàn)證了HDCUNet 能獲取高精度水產(chǎn)養(yǎng)殖區(qū)域目標(biāo)。
2.4.2 基于深度學(xué)習(xí)的分類方法比較
基于深度學(xué)習(xí)應(yīng)用上的研究進(jìn)展,對(duì)影像分類進(jìn)行方法上的比較分析,從方法原理、分類效果及方法優(yōu)缺點(diǎn)這些方面做了簡(jiǎn)單的概括。如表4所示。
為了簡(jiǎn)化特定目標(biāo)對(duì)單個(gè)分類器的選擇,在基于像元的和混合像元的統(tǒng)計(jì)識(shí)別分類基礎(chǔ)上提出了多分類器融合分類技術(shù),這并沒有解決基于像元分類的和混合像元的本質(zhì)缺陷,因此提出了面對(duì)對(duì)象分類技術(shù),這些分類技術(shù)都屬于淺層的機(jī)器學(xué)習(xí)方法,并不能深層次挖掘出和學(xué)習(xí)到遙感影像信息。隨著深度學(xué)習(xí)的廣泛應(yīng)用,基于深度學(xué)習(xí)的分類技術(shù)被提出,該方法能夠自動(dòng)學(xué)習(xí)遙感影像的特征信息,實(shí)現(xiàn)分類的自動(dòng)化。面對(duì)遙感影像分類技術(shù)的更新迭代,分類技術(shù)雖然在不斷改善,但仍存在不少問題,本文主要針對(duì)遙感影像數(shù)據(jù)和分類技術(shù)兩方面進(jìn)行論述。
表4 深度學(xué)習(xí)的分類方法比較
(1)遙感影像的特殊性(密集性、高維特性及場(chǎng)景特殊性)會(huì)影響深度學(xué)習(xí)模型分類效果;遙感影像常常會(huì)存在標(biāo)簽樣本不足情況,這會(huì)導(dǎo)致淺層機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型無法充分訓(xùn)練,使其分類效果不佳。
(2)混合像元分解技術(shù)可以分解出多種地物類型組成的像元,分類精度雖優(yōu)于基于像元分類技術(shù),由于很難獲取高精度端元數(shù)據(jù),仍不能解決“同物異譜”“同譜異物”等現(xiàn)象。
(3)面向?qū)ο蟮姆诸惣夹g(shù)雖然能充分運(yùn)用遙感影像上的特征信息,但在影像分割問題上并沒有一個(gè)統(tǒng)一有效的分割方法,不同影像分類需要采用不同的分割方法,不具有普遍性;在分類問題上,也需要進(jìn)行最優(yōu)分類器的選取,難以保證遙感影像達(dá)到最好的分類效果。
(4)基于深度學(xué)習(xí)的分類技術(shù)在處理高分辨遙感影像分類問題優(yōu)勢(shì)顯著,但深度學(xué)習(xí)理論在國(guó)產(chǎn)遙感影像分類的應(yīng)用并不完善,即網(wǎng)絡(luò)結(jié)構(gòu)選取目前尚沒有完善的理論依據(jù),而且對(duì)于不同深度學(xué)習(xí)的算法,其網(wǎng)絡(luò)結(jié)構(gòu)也不盡相同,也適應(yīng)不同的影像分類目標(biāo)。
結(jié)合上述國(guó)產(chǎn)遙感影像分類應(yīng)用中存在的問題,可以看到未來國(guó)產(chǎn)遙感影像在分類應(yīng)用中的發(fā)展趨勢(shì)如下:
(1)面向?qū)ο蠓诸惣夹g(shù)的改進(jìn)和完善。深入投入到面向?qū)ο蠓诸惣夹g(shù)研究中,尋找最適合的影像分割方法或?qū)υ蟹椒ㄟM(jìn)一步改進(jìn);分類問題可能會(huì)趨向于多分類器融合的方式。
(2)深度學(xué)習(xí)模型的深入研究和應(yīng)用。結(jié)合國(guó)產(chǎn)高分辨率遙感影像對(duì)深度學(xué)習(xí)模型向更深層次和復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)展開研究,針對(duì)不同深度學(xué)習(xí)算法挖掘出影像分類應(yīng)用中內(nèi)部間的關(guān)聯(lián)關(guān)系,以實(shí)現(xiàn)提高模型的學(xué)習(xí)能力,達(dá)到更高的分類效果。
(3)遙感實(shí)時(shí)監(jiān)測(cè)分析服務(wù)云平臺(tái)搭建。在數(shù)據(jù)加工應(yīng)用階段,行業(yè)模型、算力缺失,國(guó)外專業(yè)軟件的大量使用,不自主可控導(dǎo)致的風(fēng)險(xiǎn)比較高。隨著航天器測(cè)控管理與空間信息應(yīng)用服務(wù)平臺(tái)——“航天云立方”在華為云上穩(wěn)定運(yùn)行,在數(shù)據(jù)服務(wù)的基礎(chǔ)建設(shè)和云平臺(tái)的布局上,未來將會(huì)更注重于遙感大數(shù)據(jù)的挖掘與分析,把大數(shù)據(jù)預(yù)測(cè)與決策服務(wù)搬到平臺(tái)服務(wù)上,形成動(dòng)態(tài)地球平臺(tái),及時(shí)洞察地表變化信息。
(4)AI遙感。華為云GeoGenius-遙感智能體在遙感產(chǎn)業(yè)高峰論壇的亮相,表示著在云+AI+5G的推動(dòng)下,AI遙感將成為下一個(gè)最具普惠價(jià)值的AI應(yīng)用。其中華為云能夠降低遙感衛(wèi)星行業(yè)數(shù)據(jù)存儲(chǔ)和計(jì)算成本,AI 技術(shù)能夠大幅減少分析和處理圖像的時(shí)間以及創(chuàng)造更多新型應(yīng)用場(chǎng)景,5G 能夠保證從云端提取大量數(shù)據(jù)的效率和速度。
隨著我國(guó)綜合實(shí)力的不斷提高和遙感影像應(yīng)用場(chǎng)景的越來越廣,實(shí)現(xiàn)我國(guó)遙感技術(shù)的獨(dú)立自主性應(yīng)用顯得越來越重要。就目前國(guó)產(chǎn)遙感影像分類技術(shù)仍主要集中在基于像元的、混合像元的和面向?qū)ο蟮姆诸惣夹g(shù)中,由于這三種分類技術(shù)在國(guó)產(chǎn)影像應(yīng)用中相對(duì)成熟,分類效果也不錯(cuò),為了提高分類精度進(jìn)行相應(yīng)的改進(jìn)也比較容易。國(guó)產(chǎn)遙感影像在運(yùn)用深度學(xué)習(xí)技術(shù)方面就顯得比較青澀,主要是因?yàn)樯疃葘W(xué)習(xí)理論研究的不完善,其次是對(duì)國(guó)產(chǎn)遙感影像深入研究的專家較少。本文綜述首先回顧了國(guó)產(chǎn)遙感影像分類的研究背景,及簡(jiǎn)單介紹了應(yīng)用于國(guó)產(chǎn)遙感影像分類的方法;其次分別對(duì)國(guó)產(chǎn)六個(gè)系列遙感衛(wèi)星數(shù)據(jù)進(jìn)行簡(jiǎn)要概述;接著描述了國(guó)產(chǎn)遙感影像四種分類方法,基于每種方法對(duì)在影像分類應(yīng)用中的研究進(jìn)展進(jìn)行了歸納,并分別對(duì)國(guó)產(chǎn)遙感影像分類進(jìn)行了方法上的對(duì)比分析;最后總結(jié)了現(xiàn)如今國(guó)產(chǎn)遙感影像分類應(yīng)用中存在的主要問題及對(duì)未來發(fā)展趨勢(shì)進(jìn)行了探討。