麻連偉，寧衛(wèi)遠(yuǎn)，焦利偉，薛帥棟

(1.河南省地球物理空間信息研究院，河南 鄭州 450009； 2.河南省地質(zhì)物探工程技術(shù)研究中心，河南 鄭州 450009)

為響應(yīng)自然資源部關(guān)于建立對(duì)各類違規(guī)或突發(fā)問(wèn)題的實(shí)時(shí)發(fā)現(xiàn)機(jī)制，緊緊圍繞“實(shí)時(shí)發(fā)現(xiàn)”的總體建設(shè)目標(biāo)，基于人工智能、大數(shù)據(jù)等先進(jìn)技術(shù)，亟需開(kāi)展研究一種提高自然資源動(dòng)態(tài)監(jiān)測(cè)效率的方法?，F(xiàn)階段，隨著社會(huì)和經(jīng)濟(jì)的高速發(fā)展，不論是自然現(xiàn)象，還是人類活動(dòng)，時(shí)時(shí)刻刻都對(duì)地球表面產(chǎn)生不斷的影響，動(dòng)態(tài)、高效、精確的提取地球表面的變化信息對(duì)于生態(tài)環(huán)境修復(fù)和保護(hù)、自然資源長(zhǎng)效監(jiān)管、社會(huì)經(jīng)濟(jì)蓬勃發(fā)展，以及各類數(shù)據(jù)的更新維護(hù)，均有非凡的意義[1-2]。然而，在目前的自然資源監(jiān)管中，比較常規(guī)的方法仍是通過(guò)人工目視解譯，勾畫出變化圖斑，然后進(jìn)行后續(xù)工作。這些傳統(tǒng)方法不僅耗時(shí)、耗力，而且滿足不了各類違規(guī)行為的及時(shí)發(fā)現(xiàn)，監(jiān)管總是滯后。因此，注重精度的同時(shí)，研究提高變化檢測(cè)的效率已經(jīng)迫在眉睫[2]。如今，人工智能、大數(shù)據(jù)等先進(jìn)技術(shù)隨著海量數(shù)據(jù)的增長(zhǎng)、計(jì)算機(jī)硬件設(shè)備的提高，深度學(xué)習(xí)迅速成為了一種高效且精確的方法，基于深度學(xué)習(xí)方法進(jìn)行遙感影像的變化信息提取也成為目前研究的重點(diǎn)方向[3]。

目前遙感影像傳統(tǒng)的變化檢測(cè)技術(shù)體系中有兩大類比較常用，分別是基于影像直接比對(duì)的方法和先分類后對(duì)比的方法?；谟跋裰苯颖葘?duì)的方法是利用像素之間的差異性得到變化區(qū)域的范圍，是在像素這一層級(jí)上，不能獲得變化像素的屬性信息。而且，由于噪聲的干擾使得精準(zhǔn)范圍線的提取成為了難點(diǎn)。先分類后對(duì)比的方法是基于對(duì)象級(jí)的變化信息提取方法，由于這是在對(duì)象這一層級(jí)上。因此，不僅可以得到變化區(qū)域的范圍，而且還可以得到該變化區(qū)域的屬性信息。另外，該方法可以抵抗一定的影像噪聲[4]。Hinton等[5]于2006年提出深度學(xué)習(xí)方法后，沉寂多年的深度學(xué)習(xí)方法再次因?yàn)槠鋬?yōu)秀的性能為大眾所熟知，直至今天一直有學(xué)者進(jìn)行不斷的研究，拓展到了各行各業(yè)3[6]。隨著海量數(shù)據(jù)的增長(zhǎng)和計(jì)算機(jī)硬件設(shè)備的提高，神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方法在遙感影像的像素級(jí)變化檢測(cè)中也有著不俗的表現(xiàn)。徐真等[7]利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)SAR圖像進(jìn)行變化檢測(cè)，取得了不錯(cuò)的效果。張?chǎng)锡埖萚8-9]將神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方法引入到了高分辨率遙感影像中，驗(yàn)證了該方法的有效性。李進(jìn)[10]更加深入的研究了各種深度學(xué)習(xí)網(wǎng)絡(luò)模型，如高斯金字塔等，提升了神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)方法的變化提取的精度。王慶[11]結(jié)合傳統(tǒng)方法和深度學(xué)習(xí)方法，綜合兩者各自的優(yōu)勢(shì)，分別對(duì)面向像元、面向?qū)ο蠛兔嫦騾^(qū)域進(jìn)行了非常細(xì)致的研究。

總的來(lái)說(shuō)，這些學(xué)者推進(jìn)先進(jìn)技術(shù)應(yīng)用到傳統(tǒng)領(lǐng)域邁出了堅(jiān)實(shí)的一步，但是大多數(shù)研究還停留在理論層面，本文主要是結(jié)合實(shí)際工程項(xiàng)目，基于深度學(xué)習(xí)方法，提出一種基于Pytorch深度學(xué)習(xí)平臺(tái)實(shí)現(xiàn)U-Net神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感影像變化檢測(cè)的方法，探索深度學(xué)習(xí)在實(shí)際應(yīng)用中的可行性。本文選擇了一種典型的地物—水體進(jìn)行試驗(yàn)，首先，制作水體樣本；其次，對(duì)樣本數(shù)據(jù)進(jìn)行清洗，并以最終清洗后的樣本訓(xùn)練出精度較好的水體提取模型；然后，利用該模型對(duì)試驗(yàn)區(qū)前后時(shí)相影像進(jìn)行水體提取，再通過(guò)分類后比較法得到前后時(shí)相分類后的遙感影像變化檢測(cè)結(jié)果；最后，通過(guò)對(duì)比基于支持向量機(jī)(SVM)的分類后比較法后發(fā)現(xiàn)，相比傳統(tǒng)方法精度有所提升，說(shuō)明本文方法進(jìn)行變化檢測(cè)有一定的可用性。

1 U-Net卷積神經(jīng)網(wǎng)絡(luò)

Hinton等[5]于2006年發(fā)表了利用RBM編碼的深層神經(jīng)網(wǎng)絡(luò)，在特征提取方面表現(xiàn)優(yōu)異，它可以通過(guò)大數(shù)據(jù)分析的方法，自動(dòng)提取影像的代表特征，而傳統(tǒng)的特征提取方法大多只能對(duì)特定的影像有比較好的提取效果和精度。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖 1所示。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)方法的一種，其權(quán)值共享的網(wǎng)絡(luò)結(jié)構(gòu)明顯降低了模型的復(fù)雜度，減少了權(quán)值數(shù)量，可以直接將圖片作為網(wǎng)絡(luò)的輸入，自動(dòng)提取特征，并且對(duì)圖片的變形具有高度不變形。神經(jīng)網(wǎng)絡(luò)的基本組成包括輸入層、隱藏層、輸出層，卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)在于隱藏層分為卷積層和池化層，卷積層通過(guò)一塊塊卷積核在原始圖像上平移來(lái)提取特征[12]。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure diagram of CNN

Ronneberger等[6]提出U-Net神經(jīng)網(wǎng)絡(luò)模型，從此成為深度學(xué)習(xí)中非常重要的語(yǔ)義分割模型。U-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 U-Net網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure diagram of U-Net network

它是一個(gè)非常對(duì)稱的結(jié)構(gòu)，類似U形。因此，命名為U-Net。其網(wǎng)絡(luò)結(jié)構(gòu)由2部分組成：左半部分為下采樣和右半部分為上采樣。下采樣對(duì)輸入的影像進(jìn)行卷積和池化操作，主要是用來(lái)得到更多的信息。上采樣則是為了對(duì)圖片中所需要分割出來(lái)的部分進(jìn)行精準(zhǔn)定位。對(duì)影像進(jìn)行反卷積和上采樣操作，最后得到與輸入影像尺寸相同的影像輸出[13-15]。

2 數(shù)據(jù)和技術(shù)路線

2.1 數(shù)據(jù)介紹

本文選擇泌陽(yáng)縣范圍內(nèi)一塊比較有代表性的區(qū)域作為試驗(yàn)區(qū)，來(lái)研究水體變化檢測(cè)的可行性。其中，泌陽(yáng)縣位于河南省駐馬店市西南區(qū)域，縣域內(nèi)有平原、丘陵、山地等地貌類型，森林資源、水資源豐富，礦產(chǎn)資源種類多、儲(chǔ)量大，其區(qū)域情況能夠體現(xiàn)河南省整體特征[14]。本文試驗(yàn)采用的數(shù)據(jù)是2017—2019年的2期多源遙感影像，投影坐標(biāo)系為高斯—克呂格3度分帶，帶號(hào)為38，分辨率為1 m。試驗(yàn)區(qū)域大小均為2 000×3 000像素，如圖 3所示。

圖3 試驗(yàn)數(shù)據(jù)展示Fig.3 Image data of test

2.2 技術(shù)路線

本文結(jié)合實(shí)際工程項(xiàng)目，基于深度學(xué)習(xí)方法，提出一種基于Pytorch深度學(xué)習(xí)平臺(tái)實(shí)現(xiàn)U-Net神經(jīng)網(wǎng)絡(luò)進(jìn)行遙感影像變化檢測(cè)的方法。該方法主要有以下6個(gè)步驟：配準(zhǔn)影像、制作樣本、網(wǎng)絡(luò)訓(xùn)練與試驗(yàn)、數(shù)據(jù)清洗、分類后變化檢測(cè)、精度評(píng)價(jià)。詳細(xì)的技術(shù)路線如圖 4所示。

圖4 技術(shù)路線Fig.4 Technical routes

2.3 制作樣本

以泌陽(yáng)縣除試驗(yàn)區(qū)以外的其他區(qū)域作為水體樣本的制作范圍，人工勾畫標(biāo)記出水體的位置。勾畫完成的標(biāo)記圖經(jīng)矢量柵格化處理后，標(biāo)記圖中水體的像素值為1，其他值為0，就形成了標(biāo)記柵格圖。為便于質(zhì)量檢查，將水體內(nèi)像素值為1的映射為藍(lán)色，其他值為0的映射為黑色，檢查合格后方可進(jìn)行小樣本的制作。最后，將影像數(shù)據(jù)與標(biāo)記圖同時(shí)分塊裁切為512×512像素大小的小樣本，方便用于深度學(xué)習(xí)深度學(xué)習(xí)訓(xùn)練。

2.4 網(wǎng)絡(luò)訓(xùn)練與試驗(yàn)

實(shí)驗(yàn)基于 Windows 10專業(yè)版操作系統(tǒng)配置Pytorch深度學(xué)習(xí)平臺(tái)，利用2塊顯存為24 GB的英偉達(dá)顯卡并行處理。樣本的數(shù)據(jù)為4 000張小圖，寬和高均為512像素，試驗(yàn)過(guò)程中，樣本進(jìn)行了數(shù)據(jù)增強(qiáng)操作。訓(xùn)練過(guò)程中，采用2.5×10-4的學(xué)習(xí)率，每次迭代處理16張圖片，共迭代25 000次，以最佳結(jié)果保存模型。

2.5 數(shù)據(jù)清洗

深度學(xué)習(xí)模型較好的性能取決于樣本庫(kù)的質(zhì)量。樣本庫(kù)的質(zhì)量越好，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練越快、精度越高。本文數(shù)據(jù)清洗主要針對(duì)樣本庫(kù)，思路：①先利用初始未經(jīng)過(guò)清理的樣本，訓(xùn)練一個(gè)初始模型；②利用該初始模型，對(duì)所有的初始未經(jīng)過(guò)清理的樣本進(jìn)行評(píng)價(jià)；③對(duì)評(píng)分較低的單個(gè)樣本，處理方法是直接剔除和修正錯(cuò)誤標(biāo)記；④按照前3步，再重新處理2次，或者繼續(xù)循環(huán)得到理想的結(jié)果為止。

2.6 精度評(píng)價(jià)

為客觀公正的評(píng)價(jià)本文方法的效果，本文采用2種精度評(píng)價(jià)的指標(biāo)，分別為總體精度(OA)和卡帕系數(shù)(Kappa)?？傮w精度(OA)是神經(jīng)網(wǎng)絡(luò)模型在所有測(cè)試集上預(yù)測(cè)正確的個(gè)數(shù)與總體數(shù)量之間的比值，數(shù)學(xué)公式如下：

(1)

式中，xii為分類正確的樣本數(shù)；N為所有樣本數(shù)。

卡帕系數(shù)(Kappa)是評(píng)價(jià)模型預(yù)測(cè)結(jié)果多大程度上符合真實(shí)參考值，數(shù)學(xué)公式如下：

(2)

式中，N為像元總數(shù)；xii為混淆矩陣對(duì)角線元素；xi+和x+i分別為混淆矩陣各行、各列的和。

3 提取結(jié)果與精度驗(yàn)證

利用數(shù)據(jù)清洗后的最終樣本對(duì)U-Net神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到最優(yōu)的模型情況如下：樣本訓(xùn)練損失值為0.014、精度為93.7%；同時(shí)驗(yàn)證集的損失值為0.017、精度為94.7%。這些數(shù)據(jù)表明，通過(guò)數(shù)據(jù)清洗后的樣本庫(kù)的質(zhì)量較好，數(shù)據(jù)一致性較好；模型的訓(xùn)練也比較充分，基本達(dá)到了最優(yōu)解。

3.1 人工目視分析結(jié)果

分別利用支持向量機(jī)(SVM)先分類后變化檢測(cè)方法、本文方法對(duì)泌陽(yáng)縣試驗(yàn)區(qū)進(jìn)行變化提取后的結(jié)果(圖5)可以看出，基于SVM的先分類后比較法的提取結(jié)果中，雖然主體的變化信息已經(jīng)提取出來(lái)，但是還有一些地方，比如左上部分存在錯(cuò)提，右下部分存在漏提，而且整體上有比較大的噪聲點(diǎn)。通過(guò)分析發(fā)現(xiàn)，基于SVM的先分類后比較法容易將深色的耕地、林地、陰影等與水體光譜特征相似的區(qū)域誤提為水體導(dǎo)致誤檢，而采用深度學(xué)習(xí)的方法則能夠有效避免耕地、林地和其他陰影造成的影響，提取到的水體變化信息范圍更精準(zhǔn)且沒(méi)有噪聲點(diǎn)。

圖5 不同水體變化檢測(cè)方法結(jié)果Fig.5 Result of different methods of water body change detection

3.2 精度評(píng)定結(jié)果

為便于精度計(jì)算，首先利用預(yù)測(cè)圖像和真實(shí)值圖像計(jì)算出混淆矩陣；然后通過(guò)混淆矩陣，計(jì)算出總體精度和卡帕系數(shù)。SVM先分類后變化檢測(cè)方法，與本文方法精度評(píng)定結(jié)果見(jiàn)表1。前者總體精度為96.47%，卡帕系數(shù)為0.85；本文方法總體精度為97.06%，卡帕系數(shù)為0.88。相比傳統(tǒng)方法精度有所提升，說(shuō)明本文方法進(jìn)行變化檢測(cè)具有一定的可用性。

表1 2種方法的精度評(píng)定結(jié)果Tab.1 Result of precision of two methods

4 結(jié)論

結(jié)合實(shí)際工作業(yè)務(wù)，基于大數(shù)據(jù)分析與挖掘和人工智能等時(shí)下先進(jìn)的技術(shù)，提出了一種基于深度學(xué)習(xí)的遙感影像變化檢測(cè)技術(shù)，探討了先進(jìn)技術(shù)在實(shí)際應(yīng)用中的可行性。通過(guò)試驗(yàn)結(jié)果分析，本文方法相比傳統(tǒng)方法精度有所提升，驗(yàn)證了本文方法的有效性。但是，本文方法也存在一些不足之處：①本文方法的試驗(yàn)還不夠充分，還需要大量不同季節(jié)、不同地形數(shù)據(jù)的分析驗(yàn)證；②本文方法還有待提高，還有很多優(yōu)秀的神經(jīng)網(wǎng)絡(luò)模型，如Deeplab、PSPNet、SegNet等模型都可以進(jìn)行試驗(yàn)，這些都可以作為以后的研究方向。