覃偉榮,勞燕玲

(北部灣大學(xué)資源與環(huán)境學(xué)院,廣西 欽州 535011)

1 引言

隨著遙感衛(wèi)星技術(shù)的不斷發(fā)展,一方面增加了遙感衛(wèi)星傳感器以及遙感數(shù)據(jù)類型,另一方面導(dǎo)致數(shù)據(jù)量急劇增加,對(duì)遙感數(shù)據(jù)的管理以及存儲(chǔ)等帶來了巨大的挑戰(zhàn)[1,2]。同時(shí),由于遙感數(shù)據(jù)自身具有時(shí)空等多維度特征,越來越多的遙感應(yīng)用開始關(guān)注遙感數(shù)據(jù)集的時(shí)間分析和管理,在現(xiàn)有微型數(shù)據(jù)中心環(huán)境下,數(shù)據(jù)的獲取以及分析存在效率低下等問題,所以對(duì)異構(gòu)遙感數(shù)據(jù)有效檢測(cè)成為當(dāng)前研究的關(guān)鍵問題。

相關(guān)專家對(duì)此進(jìn)行了大量研究,并給出了一些較好的研究成果,李新鵬等人[3]通過歷史數(shù)據(jù)組建多個(gè)子森林異常檢測(cè)器,同時(shí)組建森林異常檢測(cè)器,將數(shù)據(jù)輸入到檢測(cè)器中完成數(shù)據(jù)異常檢測(cè)。胡姣姣等人[4]通過抽樣法對(duì)不平衡時(shí)間數(shù)據(jù)實(shí)施預(yù)處理,將經(jīng)過處理后的時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為尺度和時(shí)間一致的片段,同時(shí)將數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)模型中完成異常檢測(cè)。閆媞錦等人[5]通過含有可訓(xùn)練遲滯項(xiàng)的門控循環(huán)單元對(duì)缺失和非規(guī)則采樣的時(shí)序數(shù)據(jù)實(shí)施建模,采用極值論中的自適應(yīng)閾值確定合適閾值,最終達(dá)到異常檢測(cè)的目的。在以上幾種方法的基礎(chǔ)上,提出一種基于3D關(guān)聯(lián)規(guī)則深度學(xué)習(xí)的異構(gòu)遙感數(shù)據(jù)檢測(cè)方法。經(jīng)實(shí)驗(yàn)測(cè)試結(jié)果證明,所提方法可以有效提升檢測(cè)結(jié)果,降低檢測(cè)時(shí)間。

2 異構(gòu)遙感數(shù)據(jù)檢測(cè)方法

2.1 遙感數(shù)據(jù)去噪

小波變換可以將遙感數(shù)據(jù)分解為低頻和高頻信息,為了更好地保護(hù)遙感數(shù)據(jù)的細(xì)節(jié)特征,提出一種基于雙樹復(fù)小波的四階偏微分方程數(shù)據(jù)去噪模型[6,7],模型中兩個(gè)關(guān)鍵的去噪部分為:

1)對(duì)于含有噪聲的原始遙感數(shù)據(jù),需要實(shí)施二維雙樹復(fù)小波分解,分解出包含大量噪聲的高低頻子帶,經(jīng)過去噪處理的高低頻子帶采用雙樹復(fù)小波重構(gòu),最終得到去噪后的遙感數(shù)據(jù)。

2)對(duì)復(fù)高頻子帶的實(shí)部和虛部分別使用四階偏微分模型完成去噪。

在去噪模型中,通過Q-Shift濾波組對(duì)含有噪聲的遙感數(shù)據(jù)實(shí)施一維雙樹復(fù)小波多尺度分解,分解后灰度梯度比較低的信息即為背景信息,而分解后含有大量噪聲的高頻子帶則為噪聲或者邊緣信息。

雙樹復(fù)小波分解的詳細(xì)操作步驟如圖1所示。

圖1 雙樹復(fù)小波分解流程圖

偏微方程的求解思路主要采用有限差分法完成數(shù)值計(jì)算,有限差分法的基本操作思路為:

通過一定的步長根據(jù)時(shí)間和空間完成格網(wǎng)劃分,同時(shí)將連續(xù)的偏微分方程采用差分近似代替導(dǎo)數(shù)的方式劃分為多個(gè)代數(shù)方程,同時(shí)求解代數(shù)方程組,獲取各個(gè)網(wǎng)格節(jié)點(diǎn)的取值。

有限差分法的詳細(xì)操作步驟如下所示:

1)將時(shí)間和空間區(qū)域離散化處理;

2)將各個(gè)網(wǎng)格上的導(dǎo)數(shù)通過像素灰度值計(jì)算,將計(jì)算得到的差分作為近似替換;

3)根據(jù)推導(dǎo)出的迭代公式,設(shè)定最佳迭代次數(shù),同時(shí)采用梯度下降法求解[8,9],其中梯度下降流可以表示為式(1)的形式

(1)

式中,p(x,y,z)代表歐拉方程;q代表時(shí)間變量;h代表最佳迭代次數(shù)。

為了對(duì)方程離散化處理,主要借助有限差分法實(shí)現(xiàn)。在遙感數(shù)據(jù)中心點(diǎn),可以獲取對(duì)應(yīng)的二階差分?h(i,j),具體的計(jì)算式為

?h(i,j)=(vxx)i,j+(vyy)i,j

(2)

其中

(3)

式中,(vxx)i,j和(vyy)i,j代表二階差分因子。

將雙樹復(fù)小波分解和四分偏微分方程兩者相結(jié)合完成遙感數(shù)據(jù)去噪,詳細(xì)的操作流程如圖2所示。

圖2 遙感數(shù)據(jù)去噪流程圖

1)初始化遙感數(shù)據(jù),確定迭代離散化時(shí)間和空間步長,設(shè)定迭代次數(shù)。

2)對(duì)含有噪聲的遙感數(shù)據(jù)實(shí)施分解。

3)保留小波系數(shù)的低頻部分,獲取二階差分。

4)通過遙感數(shù)據(jù)的實(shí)際情況和噪聲水平選取合適的梯度閾值。

5)計(jì)算擴(kuò)散函數(shù)的二階差分。

6)獲取去噪后的高頻小波系數(shù)。

7)重構(gòu)去噪后的高低頻分量,獲取去噪后的遙感數(shù)據(jù)。

2.2 異構(gòu)遙感數(shù)據(jù)屬性特征挖掘

在遙感數(shù)據(jù)去噪的基礎(chǔ)上,挖掘其屬性特征。選取遙感數(shù)據(jù)中的多個(gè)屬性特征,主要包含波段、紋理以及形狀等條件屬性特征。以下分別對(duì)基元特征參數(shù)展開詳細(xì)描述:

1)相似度:

主要用來衡量灰度共生矩陣元素在行或者列方向的相似矩陣,可以有效反映局部灰度值的相關(guān)性。相似度Cor的具體計(jì)算式如下所示

(4)

式中,q(i,j)代表矩陣元素值;uxuy代表局部灰度相關(guān)性;β1和β2代表度量矩陣的取值。

2)矩形度:

矩形度Compact主要用來描述目標(biāo)圖像面積和包圍該圖像的最小矩形面積之比,詳細(xì)的計(jì)算式如下

(5)

式中,Mmerge代表對(duì)象的像元數(shù)量;nmerge和hmerge代表不同類型的對(duì)象像元。

另外,在計(jì)算的過程中,還需要使用最小外接矩形(MER),詳細(xì)的計(jì)算步驟為:

1)追蹤不同基元的四鄰域輪廓,獲取封閉區(qū)域;同時(shí)計(jì)算各個(gè)外接矩形面積,存儲(chǔ)各個(gè)存儲(chǔ)的長寬以及面積等信息。

2)重復(fù)步驟1),同時(shí)實(shí)施多次旋轉(zhuǎn)。

3)當(dāng)完成旋轉(zhuǎn)之后,計(jì)算封閉區(qū)域的矩形面積,得到封閉區(qū)域的最小外接矩形,同時(shí)獲取對(duì)應(yīng)的頂點(diǎn)坐標(biāo)。

4)根據(jù)步驟3)獲取MER的頂點(diǎn)坐標(biāo),同時(shí)得到矩形的相關(guān)形狀特征。

形狀指數(shù)主要用來描述對(duì)象邊的平滑度ShapeIndex,如式(6)所示

(6)

通過3D關(guān)聯(lián)規(guī)則深度學(xué)習(xí)主要包含兩個(gè)方面的內(nèi)容,尋找全部的頻繁項(xiàng)集以及通過頻繁項(xiàng)集獲取強(qiáng)關(guān)聯(lián)規(guī)則。其中,強(qiáng)關(guān)聯(lián)規(guī)則需要滿足最小支持度和最小置信度規(guī)則。

基于3D關(guān)聯(lián)規(guī)則深度學(xué)習(xí)的操作步驟如下所示:

1)預(yù)處理和挖掘任務(wù)存在關(guān)聯(lián)的遙感數(shù)據(jù),對(duì)問題具體分析并實(shí)施相應(yīng)操作,構(gòu)建結(jié)構(gòu)化的數(shù)

2)對(duì)于數(shù)據(jù)庫,需要求解全部滿足最小支持度的項(xiàng)目集,即頻繁項(xiàng)目集。

3)形成滿足最小置信度的關(guān)聯(lián)規(guī)則,進(jìn)而構(gòu)建規(guī)則集。

4)分析并解釋典型的關(guān)聯(lián)規(guī)則。

由于遙感數(shù)據(jù)量比較大且屬性維數(shù)比較多,選擇合適的3D關(guān)聯(lián)規(guī)則深度學(xué)習(xí)算法是十分重要的。

通過3D關(guān)聯(lián)規(guī)則深度學(xué)習(xí)算法分別統(tǒng)計(jì)式(4)-式(6)所描述的每個(gè)屬性特征的期望信息和熵,進(jìn)而獲取異構(gòu)遙感數(shù)據(jù)屬性特征,如式(7)所示

(7)

式中,H(i,j)代表經(jīng)過挖掘獲取的異構(gòu)遙感數(shù)據(jù)屬性特征;Ent(H1)和Ent(H2)代表特征挖掘效率。

2.3 異構(gòu)遙感數(shù)據(jù)檢測(cè)

以通過3D關(guān)聯(lián)規(guī)則深度學(xué)習(xí)得到的異構(gòu)遙感數(shù)據(jù)屬性特征挖掘結(jié)果為基礎(chǔ),采用計(jì)算機(jī)視覺常用的詞包模型進(jìn)一步實(shí)施異構(gòu)遙感數(shù)據(jù)檢測(cè)。過程如下所示:

1)將最優(yōu)尺度作為判定依據(jù),分割遙感數(shù)據(jù),最終獲取對(duì)應(yīng)的數(shù)據(jù)對(duì)象;

2)獲取每一個(gè)分割對(duì)象的低層特征[10],得到研究對(duì)象的底層特征描述符;

3)分別對(duì)分割對(duì)象的特征描述子進(jìn)行編碼量化[11]和聚類操作,將處理結(jié)果匯聚成特征字典;

4)通過判定依據(jù),獲取與研究對(duì)象距離較近的單個(gè)異構(gòu)遙感數(shù)據(jù),分別統(tǒng)計(jì)每個(gè)異構(gòu)遙感數(shù)據(jù)出現(xiàn)的次數(shù),進(jìn)而得到各個(gè)研究對(duì)象對(duì)應(yīng)的異構(gòu)遙感數(shù)據(jù),統(tǒng)一用詞包表述。

設(shè)定遙感數(shù)據(jù)集可以分割為L個(gè)數(shù)據(jù)集lm,采用聚類獲取r個(gè)聚類中心,獲取字典B,將不同的B作為視覺單詞,則有

B={b1,b2,…,bn}

(8)

計(jì)算全部異構(gòu)遙感數(shù)據(jù)屬性特征和視覺單詞之間的歐式距離,同時(shí)將全部距離排序,選取距離最近的單詞,將歐式距離表示為of,則對(duì)應(yīng)的權(quán)重計(jì)算式為

(9)

式中,?i,j代表權(quán)重值。

由于詞包模型忽略了遙感數(shù)據(jù)之間的空間關(guān)系,因此,還需要引入空間關(guān)系,對(duì)詞包模型進(jìn)行改進(jìn)。在原始坐標(biāo)信息內(nèi)加入擴(kuò)展特征,同時(shí)組建特征和空間位置共同影響的概率語義模型。為此,提出一種基于金字塔的多尺度詞包模型,借助加權(quán)連接方法級(jí)聯(lián)處理不同尺度下的單詞,詳細(xì)的操作步驟為:

1)分割原始遙感數(shù)據(jù),獲取多個(gè)分割數(shù)據(jù)集,構(gòu)建標(biāo)記矩陣遙感數(shù)據(jù)集合[12]。分別對(duì)原始遙感數(shù)據(jù)和標(biāo)記矩陣遙感數(shù)據(jù)集合展開上下采樣處理,以此為依據(jù)組建尺度金字塔。

2)組建視覺詞匯字段,同時(shí)計(jì)算對(duì)應(yīng)尺度下的異構(gòu)遙感直方圖。

3)將全部異構(gòu)遙感直方圖連接,構(gòu)建聯(lián)合直方圖,最終得到對(duì)應(yīng)的權(quán)重值。

以下采用基于多尺度詞包模型檢測(cè)異構(gòu)遙感數(shù)據(jù),詳細(xì)的操作步驟為:

1)通過幾何校正和輻射校正處理遙感數(shù)據(jù)[13]。

2)采用改進(jìn)后的詞包模型確定遙感數(shù)據(jù)的最優(yōu)分割尺度,同時(shí)分割處理遙感數(shù)據(jù),獲取分割對(duì)象。

3)組建尺度金字塔影像,設(shè)定分割對(duì)象數(shù)量和金字塔層數(shù)[14,15],采用鄰域窗口提取分割對(duì)象全部像素點(diǎn)的低層次特征,同時(shí)設(shè)定視覺單詞數(shù)量,構(gòu)建視覺詞典。

4)根據(jù)視覺詞典,分別對(duì)不同對(duì)象展開投影映射,形成視覺直方圖,同時(shí)將其加權(quán)連接,獲取多尺度直方圖。

5)將全部特征映射到高維單詞空間,最終實(shí)現(xiàn)異構(gòu)遙感數(shù)據(jù)檢測(cè)。

3 仿真研究

為了驗(yàn)證所提基于3D關(guān)聯(lián)規(guī)則深度學(xué)習(xí)的異構(gòu)遙感數(shù)據(jù)檢測(cè)方法的有效性,進(jìn)行實(shí)驗(yàn)驗(yàn)證。

實(shí)驗(yàn)主要選取精確率Precinion、召回率TPR、誤報(bào)率FPR以及漏報(bào)率MAR作為測(cè)試指標(biāo),詳細(xì)的計(jì)算式如下

(10)

(11)

(12)

(13)

式中,TP代表檢測(cè)異常且實(shí)際異常的樣本數(shù)量;TN代表檢測(cè)正常且實(shí)際正常的樣本數(shù)量;FP代表檢測(cè)異常且實(shí)際正常的樣本數(shù)量;FN代表檢測(cè)正常且實(shí)際異常的樣本數(shù)量。

各個(gè)方法的檢測(cè)性能表示為圖3的形式。

圖3 不同方法的檢測(cè)性能測(cè)試結(jié)果對(duì)比分析

分析圖3中的實(shí)驗(yàn)數(shù)據(jù)可知,由于所提方法對(duì)遙感數(shù)據(jù)實(shí)施了濾波處理,將數(shù)據(jù)中的噪聲濾除,可以有效提升檢測(cè)結(jié)果的準(zhǔn)確性。

以下實(shí)驗(yàn)還進(jìn)一步分析了各個(gè)方法在不同抽樣次數(shù)下的異構(gòu)遙感數(shù)據(jù)檢測(cè)時(shí)間變化情況,實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同抽樣次數(shù)下各個(gè)方法的異構(gòu)遙感數(shù)據(jù)檢測(cè)時(shí)間結(jié)果對(duì)比

分析表1中的實(shí)驗(yàn)數(shù)據(jù)可知,所提方法可以以更快的速度完成異構(gòu)遙感數(shù)據(jù)檢測(cè),其檢測(cè)時(shí)間最低值與最高值分別為0.52s和1.24s,說明其具有較高的檢測(cè)效率。

4 結(jié)束語

針對(duì)傳統(tǒng)方法存在的一些問題,設(shè)計(jì)并提出一種基于3D關(guān)聯(lián)規(guī)則深度學(xué)習(xí)的異構(gòu)遙感數(shù)據(jù)檢測(cè)方法。經(jīng)實(shí)驗(yàn)測(cè)試證明,所提方法可以有效提升檢測(cè)結(jié)果的準(zhǔn)確性,同時(shí)還可以有效降低異構(gòu)遙感數(shù)據(jù)檢測(cè)時(shí)間,獲取更加滿意的檢測(cè)結(jié)果。由于時(shí)間等多方面因素的限制,所提方法仍然需要展開更深層次的研究,確保其各項(xiàng)性能均得到有效提升,例如檢測(cè)費(fèi)用等。