吳田軍,駱劍承,夏列鋼,楊海平,沈占鋒,胡曉東

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

遷移學習支持下的遙感影像對象級分類樣本自動選擇方法

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

面向遙感大范圍應用的目標,自動化程度仍是遙感影像分類面臨的重要問題,樣本的人工選擇難以適應當前土地覆蓋信息自動化提取的實際應用需求。為了構建一套基于先驗知識的遙感影像全自動分類流程,本文將空間信息挖掘技術引入到遙感信息提取過程中,提出一種面向遙感影像對象級分類的樣本自動選擇方法。該方法通過變化檢測將不變地物標示在新的目標影像上,并將過去解譯的地物類別知識遷移至新的影像上,建立新的特征與地物關系,從而完成歷史專題數(shù)據(jù)輔助下目標影像的自動化對象級分類。試驗結果表明,在已有歷史專題層的圖斑知識指導下,該方法能有效地自動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,提高了對象級分類的效率。

自動化;土地覆蓋;對象級分類;樣本選擇;變化檢測;遷移學習

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)最突出的景觀標志之一[1]。遙感作為全球動態(tài)監(jiān)測的重要手段,可以在短周期內對地球表層狀況變化進行大規(guī)模同步觀測,在區(qū)域環(huán)境變化監(jiān)測、土地資源合理利用評估等研究中發(fā)揮著巨大的作用。LUCC的遙感監(jiān)測是遙感技術在土地資源領域應用中的一項基礎工作,其首要條件是能有效地快速提取各類土地覆蓋因子信息,將遙感觀測數(shù)據(jù)轉化為有利用價值的土地覆蓋時空信息。因此,基于遙感影像分類的土地覆蓋信息提取在LUCC應用中顯得尤為重要,是其中最基本的核心問題[2]。

作為土地覆蓋信息獲取的重要手段,遙感影像計算機自動分類方法在模式識別與遙感領域專家的共同推動下得到了較大發(fā)展,各種自動、精確、高效的方法被陸續(xù)提出[3-15]。然而目前的自動分類方法只是區(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練樣本往往需要人工采集,遠未達到真正的自動分類水平。因此在實際應用中,面對較高時間分辨率的遙感影像分類任務,訓練樣本的實時快速采集已成為遙感大規(guī)模應用面臨的瓶頸問題,是從技術實踐的角度來看制約遙感影像分類方法全自動化的主要問題,這需要對影像分類技術的各個環(huán)節(jié)提出改進需求,以增加遙感的應用能力。

事實上,過往采集的樣本和分類專題圖能為新的分類任務提供豐富先驗知識,但現(xiàn)有的算法沒能很好地考慮如何結合這些輔助數(shù)據(jù)開展基于先驗知識的遙感信息自動提取,因此限制了遙感分類方法的應用。鑒于此,本文在遙感多尺度分割和圖譜特征定量化表達基礎上,克服樣本的人工手動采集問題,提出一種基于遷移學習的土地覆蓋對象級分類樣本自動選擇方法。該方法將當前遙感影像數(shù)據(jù)與先驗歷史輔助數(shù)據(jù)有機結合起來,實現(xiàn)地學知識的形式化,通過變化檢測及輔助數(shù)據(jù)的指導完成新影像分類樣本的自動采集,進而對當前新影像進行全自動化地學解譯。

2 遷移學習

土地覆蓋分類方法一般需要在給定充分訓練樣本的基礎上來學習一個預測模型,訓練樣本的采集是其中非常重要的步驟。而針對這些新的影像分類任務,樣本庫中訓練樣本往往是過期的,不能滿足傳統(tǒng)機器學習理論要求的同分布假設,即訓練樣本與待分類影像服從相同的概率統(tǒng)計分布。而受到如大氣吸收與散射、傳感器標定、太陽高度角、方位角、物候時相、數(shù)據(jù)處理過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)常常會隨著時間的變化而變化,這使得前期影像上采集的訓練樣本和當前新影像數(shù)據(jù)的光譜值并不能服從相同的概率統(tǒng)計分布,傳統(tǒng)的分類算法將無法開展運用,此時需要重新標注大量新的樣本以滿足當前影像分類任務的訓練需求,而標注新樣本則會耗費大量的時間、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信息與知識的,從中獲取大量過期樣本及其空間位置是有助于當前目標影像分類的。因此,完全丟棄這些信息是非常浪費的,有必要挖掘歷史知識來輔助完成當前的影像分類任務。如何將歷史信息與知識得到合理的遷移,獲得適合于當前影像分類的訓練樣本用于幫助學習,是遙感影像分類流程全自動化的切入點。

遷移學習(transfer learning,TL)是近年來新提出的解決上述問題的一種機器學習理論,它將數(shù)據(jù)集劃分為兩部分:即源領域數(shù)據(jù)集Ds＝{(xis,yis)}im＝1與目標領域數(shù)據(jù)集Dt＝{(xit, yit)}in＝1,其中目標領域數(shù)據(jù)集又劃分為訓練集Dt－train＝{(xit,yit)}ip＝1和測試集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描述。實際應用中,Dt－train一般需由人工標注獲取,而且少量的Dt－train數(shù)據(jù)不足以選擇出較優(yōu)的特征子集或訓練出一個好的分類器。Ds中雖然包含大量的有標簽數(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)不能直接用于開展Dt的分類工作,需要在Ds的基礎上借助一定的策略來完成特征子集的選取。遷移學習的目標就是從現(xiàn)有的先驗樣本數(shù)據(jù)中遷移知識,將從一個環(huán)境中學到的知識用來幫助新環(huán)境中的學習任務,且沒有傳統(tǒng)機器學習理論要求訓練數(shù)據(jù)與測試數(shù)據(jù)同分布的嚴格假設[16-17],因此該理論可將歷史專題圖(源領域)中發(fā)現(xiàn)的知識用于新影像(目標領域)的分類,適用于時間密集型遙感數(shù)據(jù)的分類專題生產(chǎn)與更新任務。

在遷移學習中,主要研究3個問題,即遷移什么、如何遷移與何時遷移?；谶w移什么的問題,目前解決知識遷移的方法可總結為4類[16],即實例遷移(instance transfer)、特征遷移(feature transfer)、參數(shù)遷移(parameter transfer)和關聯(lián)知識遷移(relational knowledge transfer)。關聯(lián)知識遷移是通過假定源領域數(shù)據(jù)和目標領域數(shù)據(jù)之間的關系存在一定的相似性,通過建立源領域數(shù)據(jù)與目標領域數(shù)據(jù)的空間映射關系來實現(xiàn)知識的遷移。本文在關聯(lián)知識遷移的框架下,針對前期解譯知識輔助下的遙感影像分類任務,設計了基于變化檢測的地物類別標簽(關聯(lián)知識)的遷移方法。它是通過新舊兩期影像的變化檢測將不變地物及其位置標示在新的目標影像上,并將舊時相解譯的地物類別標簽知識遷移至新影像,從而實現(xiàn)“不變地物類別解譯知識”從源領域向目標領域的遷移,用于建立新的特征—地物關系,完成新影像的分類。

3 具體算法設計與實現(xiàn)

本文設計的方法是面向對象分析框架下的一系列算法集合,總體流程圖如圖1所示。其技術重點是在已有專題層的圖斑信息指導下,通過結合變化檢測與遷移學習實現(xiàn)土地覆蓋對象級分類樣本的自動采集。算法除了設定感興趣區(qū)域、分類需求及預處理外,計算機將全自動完成影像的分割、“圖譜”特征計算、對象級分類樣本選擇、特征提取與優(yōu)選以及影像分類等一系列過程。下面就該流程中的幾個關鍵技術及其實現(xiàn)加以闡述和說明。

圖1 基于變化檢測與遷移學習的土地覆蓋全自動分類技術實現(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”特征計算

算法首先需要通過多尺度分割和矢量化完成目標影像同質基元對象的提取。考慮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控制基元對象的空間大小,易于實現(xiàn)不同尺度下的基元合并,達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現(xiàn)過程具體可參考文獻[18]。

在影像分割基礎上,計算同質基元對象的“圖譜”特征[19-21],構建特征專題層。首先,鑒于光譜特征是遙感影像的本質特征,本文以影像分割后的對象為單元,設計并實現(xiàn)了對象對應遙感影像各波段均值、標準差等光譜統(tǒng)計特征的計算。其次,對象的形狀特征能反映圖斑的幾何特征,對于人工地物和條帶狀地物,形狀特征是地物類型識別的重要特征,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上計算了對象的矩形主方向、長寬比、形狀指數(shù)等形狀特征參數(shù)來定量評價對象的形狀特征。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,而紋理等空間結構信息卻非常豐富。細小地物在影像上有規(guī)律地重復出現(xiàn),它反映了色調變化的頻率,紋理形式很多,包括點、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別地物。因此,本文通過大量對比試驗確定了對象基于灰度共生矩陣的紋理特征描述算法,包括紋理測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于基元對象的光譜、形狀、紋理三大類特征,計算了表1所列的23維“圖譜”特征并生成了一系列具有物理意義的、以空間對象為單元的特征層,進而構建監(jiān)督學習所需的高維矢量特征空間,為后繼對象級的分類提供豐富的信息支持。表1中各類對象“圖譜”特征的具體計算方法可參見文獻[21]。

表1 對象“圖譜”特征列表Tab.1 Table of“spatial-spectral”features of objects

3.2 變化檢測與不變地物像元確定

算法流程的第2個關鍵步驟是借助新舊時相遙感影像的變化檢測確定不變地物的像元位置,并將其標識在新的目標影像上用于類別標簽知識的遷移。本文采用基于像元級直接比較的變化檢測方法,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和適用范圍,針對不同的數(shù)據(jù)源和應用需求,需選擇合適的變化檢測算法[22]。此外,上述檢測方法在具體實施過程中的閾值參數(shù)選擇一般需依賴經(jīng)驗指導,因此為保證流程的自動化,本文運用大津法來自適應地動態(tài)調優(yōu)確定閾值參數(shù)。在此基礎上,試驗中將以PCA作為主要方法實現(xiàn)新舊兩期影像的變化檢測,確定不變地物及其像元的空間位置,并將其標識到新影像上。

3.3 知識遷移與對象級樣本自動選擇

基于遷移學習的對象級訓練樣本自動選取方法是整個算法流程的重點,旨在于能一定程度上解決影響土地覆蓋分類全自動化的瓶頸問題。主要實現(xiàn)思路是將前期解譯的土地覆蓋專題圖作為重要的先驗知識,結合變化檢測獲得的不變地物空間“位置”信息,通過地理位置匹配指導當前目標影像對象級訓練樣本的選取。

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

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

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)輔助下的對象級樣本自動確定方法示意圖Fig.2 Diagram of automatic determination of object samples with the assist of preliminary thematic data

通過上述對象樣本自動選擇方法,將土地覆蓋分類與變化檢測的過程有機結合起來,通過變化檢測和地理匹配建立歷史數(shù)據(jù)與當前數(shù)據(jù)間的互作用關聯(lián)關系,進而充分發(fā)掘歷史積累的解譯經(jīng)驗知識,并將不變地物的類別標簽知識遷移至目標新影像中,經(jīng)過樣本自動篩選和純化確定適用于當前影像分類的對象級樣本,克服了前后時相樣本光譜數(shù)據(jù)不一致的問題,也使先驗知識的應用找到合適的切入點。自動選擇的對象級樣本不僅準確可靠而且具有較廣泛的代表性,有助于對象級分類的有效開展。

3.4 對象級分類與分類后變化檢測

在自動采集了與當前目標影像分類相適應的對象級樣本后,依據(jù)對象已計算的“圖譜”特征,選擇最佳的特征組合和分類模型進行監(jiān)督分類。目前有關特征優(yōu)選與分類模型的方法也較多[23],考慮到應用效率問題,本文采用C5.0決策樹算法[9]完成特征的優(yōu)選及對象級分類模型的訓練,從而構建判別規(guī)則集用于對象的分類,形成當前期的土地覆蓋專題圖。在此基礎上,可將其與前期的土地覆蓋專題圖進行疊加分析,快速檢測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)品的及時更新。

4 試驗與結果分析

4.1 試驗1

試驗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)域為典型的廣東省地貌,包含的地類主要有:耕地、園林地、草地、建設用地、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,適合對分類算法進行全面客觀的測試和評價。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))作為待分類目標新影像。由于物候差異有一定的輻射不一致,因而兩幅試驗影像的光譜值必然服從不同的概率統(tǒng)計分布,難以直接使用與圖3(a)相匹配的過期訓練樣本完成圖3(b)的分類任務。

圖3 舊時相和新時相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,設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。在此設置下獲得目標新影像的分割結果如圖4(a)所示。同時,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、遷移學習以及圖2所示的對象級樣本篩選規(guī)則(對象尺寸大小不小于50個像元,對象中已標注的像元不少于95%且同類像元占已標注像元的比例不小于90%)和純化準則(式(1)),獲得與當前影像分類任務相適應的對象級訓練樣本,見圖4(a)。最后利用C5.0決策樹對上述對象級樣本的“圖譜”特征進行優(yōu)選和學習,并構建規(guī)則對圖4(a)所示的分割對象進行分類,最終獲得如圖5(b)所示的新一期土地覆蓋分類結果。

圖4 SPOT5影像多尺度分割結果、對象級樣本及隨機驗證樣本點分布Fig.4 Results of multi-scale segmentation,distributions of the object samples and random validation points for SPOT5 image

本文采用直接檢驗法驗證土地覆蓋分類精度,通過生成均勻分布的隨機驗證點對分類結果進行精度評估。檢驗方法步驟如下:如圖4(b)所示,首先生成與試驗區(qū)影像等大的10×10規(guī)則網(wǎng)格,以保證驗證樣本點的均勻分布,在每個網(wǎng)格中隨機生成5個隨機點,以保證驗證點采集的隨機性、客觀性,以此共采集了484個有效驗證樣本點(排除16個在區(qū)域外的無效點);其次通過人工目視解譯,記錄影像上每個驗證點的土地覆蓋類型;然后基于分類結果,獲取每個驗證點對應的分類結果;最后通過疊加對比得到分類精度混淆矩陣表2。

圖5 舊時相土地覆蓋專題輔助數(shù)據(jù)與新時相目標SPOT5影像土地覆蓋分類結果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%,但由于沒有識別率特別低的地類且園林地與耕地分類準確率較高,分別為92.61%與89.60%,使得總體精度達到80.57%,Kappa系數(shù)為0.737 9。因此,方法的分類結果總體準確率較高,與實際地類情況基本吻合。另外,通過檢查分類錯誤的樣本點后,發(fā)現(xiàn)相當一部分分類錯誤的樣本點可以歸納為以下兩種情況:①驗證點處在兩個不同地類的交界處,人工目視也不能判定具體屬于哪一個類別,多發(fā)生在水域與植被的模糊交界處,導致人工解譯和方法分類的結果不相同;②驗證點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,一部分的分類錯誤實為人工解譯結果錯誤導致,若能在完全排除人工解譯所導致錯誤的條件下,或者以整體影像的準確分類數(shù)據(jù)為檢驗標準的條件下,檢驗所得到的準確率理論上應大于前述的分類準確率。

4.2 試驗2

為進一步驗證本文所提出的方法,試驗2采用安徽省淮南市某區(qū)域2012-11-05與2013-03-08的兩景國產(chǎn)資源三號(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應的光譜值服從不同的概率統(tǒng)計分布。

圖6 舊時相和新時相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)

運用試驗1相同的精度驗證方法采集了600個驗證點,計算得到本試驗的分類精度混淆矩陣表3?？梢钥吹?目標影像的土地覆蓋分類總體精度能達到91.83%,對應的Kappa系數(shù)為0.876 4,可見方法基于圖7(b)所示的自動選擇樣本有較準確的土地覆蓋分類結果,特別是對于園林地、草地、水域及建設用地的提取精度較高,分別能達到93.8%、90.5%、98.0%和92.7%。通過檢查分類錯誤驗證點發(fā)現(xiàn),若能在完全排除人工解譯導致的錯誤,檢驗所得到的準確率理論上應更優(yōu)。因此,使用本文方法自動采集對象級樣本大大降低了人工采集的煩瑣性,且自動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影像多尺度分割結果、對象級樣本分布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 舊時相土地覆蓋專題輔助數(shù)據(jù)與新時相目標ZY3影像土地覆蓋分類結果Fig.8 Previous preliminary land-cover thematic image and result of classification for current ZY3 image

5 結 論

圍繞遙感影像大范圍應用的目標,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習的對象級樣本自動選擇方法,并以此構建了一套全自動化的土地覆蓋對象級分類流程,以適應目前時間密集型的中高空間分辨率遙感影像信息提取的需求。該流程從整個方法體系上來看,除了將前期輔助數(shù)據(jù)和當前目標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提取和融合后所自動實現(xiàn)的,特別是樣本的選擇不需要進行任何的人工干預工作,因此提高了土地覆蓋分類的自動化程度與適用性,能一定程度上滿足“全自動化”的應用需求,具有一定的實際應用價值。

本文方法為知識發(fā)現(xiàn)與遙感領域應用的結合提供了新的思路,是開展土地覆蓋信息自動化提取具有參考價值的一次技術實踐。文中描述的試驗中,為了說明整個計算流程的有效性,在某些步驟使用了較為簡捷的計算方法,事實上可以用更有針對性、更加有效的算法加以替代,例如,通過對基于多示例學習[24]理論的決策樹分類算法及基于多元分析檢測(multiple analysis detection, MAD)[25]的變化分析等方法的深入應用有望進一步提高整個方法體系的精度。此外,算法中對象級樣本篩選規(guī)則和純化準則也可以作進一步設計和優(yōu)化以提高樣本可靠度。主要可以從如何提高變化檢測精度和樣本質量,以及有效使用無標簽或標簽可靠性低的訓練樣本等角度加以考慮。近年來,基于半監(jiān)督學習[26]的理論對于如何使用無標簽及低可靠性樣本有新的算法不斷涌現(xiàn),可以加以借鑒運用。這些新的機器學習理論值得在今后的研究工作中逐步深入,以便能更好地結合遙感領域知識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.(劉紀遠.中國資源環(huán)境遙感宏觀調查與動態(tài)研究[M].北京:中國科學技術出版社,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,王潤生,王永江,等.基于遙感技術的土地利用與土地覆蓋的分類方法[J].國土資源遙感,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].自然資源學報,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改進算法[J].測繪學報, 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.支持向量機及其遙感影像空間特征提取和分類的應用研究[J].遙感學報,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.隨機森林及其在遙感影像處理中應用研究[D].上海:上海交通大學,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)絡遙感影像分類模型及其與知識集成方法研究 [J].遙感學報,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分類方法研究[D].杭州:浙江工業(yè)大學,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)星遙感影像地學計算[M].北京:科學出版社,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,勵惠國.地學信息圖譜研究及其應用[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.遙感信息圖譜計算的理論方法研究[J].地球信息科學學報,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.基于特征知識庫的遙感信息提取技術研究[D].北京:中國地質大學,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)計分析的高分辨率遙感影像土地利用/覆蓋變化檢測方法研究[D].武漢:武漢大學,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

國家自然科學基金(41101398;41271367;41071247;11261044);國家863計劃(2013AA12A401);中國科學院重點部署項目課題(KZZD-EW-07-02);國家科技支撐計劃重點項目課題(2011BAH06B02);國家國際科技合作計劃(2010DFA92720);國家科技支撐計劃課題(2012BAH33B01)

2013-07-23

吳田軍(1986—),男,博士生,主要研究方向為高性能遙感信息計算與分析、空間數(shù)據(jù)統(tǒng)計分析。

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.遷移學習支持下的遙感影像對象級分類樣本自動選擇方法[J].測繪學報,2014,43(9):908-916.)

10.13485/j.cnki.11-2089.2014.0163

修回日期:2014-02-25