王 鑫，陳 琴

（三和數(shù)碼測(cè)繪地理信息技術(shù)有限公司 甘肅 天水 741000）

0 引言

隨著人口的增長(zhǎng)和經(jīng)濟(jì)的發(fā)展，土地利用的合理規(guī)劃和管理變得越來(lái)越重要。衛(wèi)星遙感影像在土地利用分類中的應(yīng)用越來(lái)越廣泛，成為了一種重要的土地資源監(jiān)測(cè)和管理手段。土地利用分類的目的是將土地利用類型劃分為不同的類別，以便于制定相應(yīng)的管理和規(guī)劃措施。尺度是土地利用分類中一個(gè)重要的因素。尺度越大，土地利用類型的信息越模糊，分類精度越低。因此，在土地利用分類中，如何選擇適當(dāng)?shù)某叨葘?duì)于獲得高精度的分類結(jié)果至關(guān)重要。

高光譜遙感影像土地利用分類的研究面臨著復(fù)雜的非線性數(shù)據(jù)結(jié)構(gòu)、有限訓(xùn)練樣本下的維數(shù)災(zāi)難以及光譜混合等挑戰(zhàn)［1－2］。此外，高光譜遙感影像給影像的精確分類帶來(lái)了新的挑戰(zhàn)。第一個(gè)挑戰(zhàn)是嚴(yán)重的光譜變異性和空間異質(zhì)性，一些基于光譜信息的分類方法會(huì)在分類結(jié)果中造成嚴(yán)重的椒鹽噪聲［3］。另一個(gè)挑戰(zhàn)是地物空間尺度的巨大差異。因此，在面向?qū)ο蟮姆诸愔?，選擇合適的分割尺度具有挑戰(zhàn)性。因此，需要光譜－空間融合分類器，它可以同時(shí)考慮精細(xì)的光譜屬性信息和空間幾何信息。

傳統(tǒng)的高光譜空間分類方法可以通過引入空間信息來(lái)減少分類圖的椒鹽噪聲。這些方法基于兩個(gè)主要策略。第一種策略是級(jí)聯(lián)每個(gè)像素的空間特征和光譜信息作為分類器的輸入，其中空間特征包括紋理、形狀和對(duì)象特征。第二種策略是引入空間上下文信息來(lái)提高像素分類精度，這可以被認(rèn)為是一種基于后處理的分類方法。使用該策略的典型方法是基于馬爾可夫隨機(jī)場(chǎng)的方法、基于條件隨機(jī)場(chǎng)（conditional random field， CRF）的方法和擴(kuò)展形態(tài)學(xué)。盡管前面提到的高光譜遙感影像分類方法的有效性已被證明，但它們非常依賴基于領(lǐng)域知識(shí)和專家經(jīng)驗(yàn)的手工特征［4］。此外，使用手工特征作為輸入的傳統(tǒng)分類器，例如支持向量機(jī)（support vector machine， SVM）、多元線性回歸（multiple linear regression， MLR）和隨機(jī)森林（random forest， RF），可以被視為淺層網(wǎng)絡(luò)，這限制了挖掘的潛力、高級(jí)語(yǔ)義特征和復(fù)雜場(chǎng)景分類方法。

深層卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征學(xué)習(xí)能力，可以自動(dòng)挖掘深層次的空間特征，以廣泛應(yīng)用于遙感影像地物分類中。空間取塊機(jī)制只能利用局部空間信息，造成分類結(jié)果中存在嚴(yán)重錯(cuò)分的孤立區(qū)域。為克服上述問題，本文提出聯(lián)合條件隨機(jī)場(chǎng)模型和卷積神經(jīng)網(wǎng)絡(luò)的遙感影像分類方法，通過條件隨機(jī)場(chǎng)模型整合全局上下文信息緩解高光譜影像的空譜異質(zhì)性。

1 聯(lián)合條件隨機(jī)場(chǎng)模型和卷積神經(jīng)網(wǎng)絡(luò)的全局土地分類框架

1.1 卷積神經(jīng)網(wǎng)絡(luò)分類基準(zhǔn)模型

本文采用的卷積神經(jīng)網(wǎng)絡(luò)示意圖如圖1 所示。為防止輸入特征的空間尺度下降過快，在構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)時(shí)未采用池化操作。卷積層和池化層逐層提取深層次的空間特征，全連接層進(jìn)一步整合全局特征，最后全連接層輸出的高層語(yǔ)義信息通過分類器進(jìn)行分類。

圖1 基準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)高光譜分類示意圖

1.2 條件隨機(jī)場(chǎng)模型

條件隨機(jī)場(chǎng)模型是Lafferty 提出的經(jīng)典概率判別模型，其最初是用來(lái)標(biāo)記序列化文本數(shù)據(jù)的統(tǒng)計(jì)模型。如圖2 所示。

圖2 條件隨機(jī)場(chǎng)模型示意圖

在二維圖像的處理中，CRF 通過概率圖模型中相鄰像素之間的邊連接關(guān)系來(lái)考慮像素之間的空間交互作用，進(jìn)而整合空間的上下文信息。在給定的定量觀測(cè)變量條件下，其直接對(duì)最大后驗(yàn)概率建模，具有更靈活的上下文信息建模能力。因此，CRF 模型廣泛應(yīng)用于遙感圖像分類等任務(wù)中。

1.3 CRFCNN 模型結(jié)構(gòu)

本文提出聯(lián)合條件隨機(jī)場(chǎng)和卷積神經(jīng)網(wǎng)絡(luò)（conditional random field convolutional neural networks，CRFCNN）的全局融合分類框架。如圖3 所示?；谶x取的三維空間塊，本文首先構(gòu)建了一個(gè)深層卷積神經(jīng)網(wǎng)絡(luò)提取局部的深層次的空間特征，然后利用馬氏距離約束的CRF 模型進(jìn)一步整合空間上下文信息減少分類圖中的鼓勵(lì)區(qū)域。同時(shí)引入CRF 模型減弱空間塊尺寸對(duì)分類精度的影響。最后為緩解深層卷積神經(jīng)網(wǎng)絡(luò)海量參數(shù)和高光譜影像分類中訓(xùn)練樣本受限之間的矛盾，采用4 種虛擬樣本增強(qiáng)策略。

圖3 聯(lián)合條件隨機(jī)場(chǎng)和卷積神經(jīng)網(wǎng)絡(luò)地物分類框架

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集

本文采用開源數(shù)據(jù)集WHU-Hi-LongKou。數(shù)據(jù)采集地點(diǎn)為湖北省龍口鎮(zhèn)典型的簡(jiǎn)單農(nóng)業(yè)場(chǎng)景，采集時(shí)間為2018 年7 月17 日，數(shù)據(jù)采集期間天氣晴朗無(wú)風(fēng)，氣溫約為36 ℃，空氣相對(duì)濕度約為65%。采集平臺(tái)為大疆M600pro無(wú)人機(jī)搭載的Nano-Hyperspec-VNIR 成像光譜儀，飛行高度約為500 m，空間分辨率為0.463 m，影像尺寸為550×400 像素，在400～1 000 nm 范圍內(nèi)有170 個(gè)波段。

2.2 實(shí)驗(yàn)參數(shù)設(shè)置

2.2.1 訓(xùn)練樣本設(shè)置

標(biāo)注的每個(gè)類別，隨機(jī)選擇100 個(gè)標(biāo)記像素作為訓(xùn)練集用于模型訓(xùn)練，其余像素作為測(cè)試集，用于精度測(cè)試，詳細(xì)的訓(xùn)練樣本如表1 所示。WHU-Hi-LongKou 數(shù)據(jù)中訓(xùn)練樣本占標(biāo)記像素的0.44%。

表1 訓(xùn)練樣本和測(cè)試樣本劃分

2.2.2 模型參數(shù)設(shè)置

CRFCNN 分類框架中輸入模型的空間尺寸塊為9×9，數(shù)據(jù)增強(qiáng)策略20 次，參數(shù)值根據(jù)計(jì)算資源和分類準(zhǔn)確性的經(jīng)驗(yàn)值確定。卷積神經(jīng)網(wǎng)絡(luò)分為4 個(gè)卷積核尺寸為3×3，步長(zhǎng)為1 的卷積層和兩個(gè)卷積核數(shù)量分別為128 和64 的全連接層構(gòu)成，模型訓(xùn)練中，初始學(xué)習(xí)率為0.01，衰減率為2e－4，采用Adam 進(jìn)行優(yōu)化，batch 數(shù)量設(shè)置為50，訓(xùn)練epoch為150。

2.3 CRFCNN 與現(xiàn)有方法對(duì)比試驗(yàn)

視覺表現(xiàn)是評(píng)價(jià)分類方法非常重要的一個(gè)方面，圖4展示了CRFCNN 和對(duì)比方法（SVM、FNEA-OO、SVRFMC和基準(zhǔn)CNN）在WHU-Hi-LongKou 數(shù)據(jù)中的分類結(jié)果。

圖4 WHU-Hi-LongKou 數(shù)據(jù)分類結(jié)果

從分類圖中可以看出，由于不同作物之間光譜信息較為相似，僅使用光譜信息的SVM 分類結(jié)果中出現(xiàn)明顯的錯(cuò)分椒鹽噪聲現(xiàn)象。此外由于地塊邊緣農(nóng)作物較為稀疏，部分區(qū)域被誤分為雜草和道路。相比于SVM 分類結(jié)果，估計(jì)空間鄰域信息的方法（FNEA-OO、SVRFMC 和基準(zhǔn)CNN）顯示出優(yōu)異的視覺效果。FNEA-OO 分類結(jié)果相比于SVM 更為平滑，但由于道路、房屋和雜草的最佳分割尺度低于作物和水體的分割尺度，導(dǎo)致這3 類地物存在明顯的錯(cuò)分現(xiàn)象。SVRFMC 方法充分利用空間上下文信息，分類圖中的椒鹽噪聲得到極大緩解。然而由于SVM 分類器提供的一元?jiǎng)菽軠?zhǔn)確性較低，導(dǎo)致闊葉大豆、窄葉大豆和棉花之間存在一些錯(cuò)分。基準(zhǔn)CNN 方法只能利用局部空間信息，在訓(xùn)練過程中很容易陷入局部最優(yōu)，導(dǎo)致分類圖中存在大量錯(cuò)分的孤立區(qū)域。CRFCNN 方法在CNN 基礎(chǔ)上融合空間上下文信息取得了最優(yōu)的目視效果，分類結(jié)果中錯(cuò)分的孤立區(qū)域顯著降低。

定量評(píng)價(jià)可以準(zhǔn)確評(píng)估分類算法的性能，其中測(cè)試樣本是通過野外實(shí)地勘察獲取的，通常不包括不確定類別像素。表2 中列出了CRFCNN 和對(duì)比方法的分類精度。分類精度和視覺表現(xiàn)類似，F(xiàn)NEA-OO、SVRFMC、CNN 和CRFCNN 分類方法的OA 比SVM 分別提升了4.53%，4.31%，3.24%和4.58%，其中CRFCNN 方法取得了最高的分類精度。除闊葉大豆外，CRFCNN 分類結(jié)果中其他作物的分類準(zhǔn)確率均在99%以上。因此實(shí)驗(yàn)結(jié)果證明CRFCNN 方法在WHU-Hi-LongKou 數(shù)據(jù)地物分類中具有優(yōu)異的性能。

表2 WHU-Hi-LongKou 數(shù)據(jù)分類精度

3 結(jié)語(yǔ)

本文提出了聯(lián)合條件隨機(jī)場(chǎng)和卷積神經(jīng)網(wǎng)絡(luò)的分類框架CRFCNN，針對(duì)高分辨率影像的特點(diǎn)，引入條件隨機(jī)場(chǎng)模型整合上下文信息，極大改善分類結(jié)果中錯(cuò)分的鼓勵(lì)區(qū)域，在高光譜影像的實(shí)驗(yàn)中表現(xiàn)出優(yōu)良的性能。但是本文的研究也存在著一些不足。例如，樣本的數(shù)量較少，無(wú)法衡量長(zhǎng)時(shí)序高光譜影像地物分類的精度。對(duì)于土地利用的劃分存在著地域性，限制了其在廣域范圍內(nèi)發(fā)揮作用。