基于大數(shù)據(jù)的高分辨率遙感場(chǎng)景識(shí)別

趙 峰

（泰州職業(yè)技術(shù)學(xué)院 機(jī)電技術(shù)學(xué)院，江蘇 泰州 225300）

隨著互聯(lián)網(wǎng)的發(fā)展，數(shù)據(jù)的量級(jí)呈指數(shù)型函數(shù)飛快增長，大數(shù)據(jù)已經(jīng)滲透到各個(gè)領(lǐng)域。經(jīng)過半個(gè)世紀(jì)的探索和嘗試，遙感技術(shù)已經(jīng)在實(shí)用化的方向邁出了堅(jiān)實(shí)的一步，數(shù)據(jù)獲取的渠道更加趨于多樣化，需要處理的遙感信息量也快速增加[1]。傳統(tǒng)的數(shù)據(jù)處理模式已經(jīng)無法適用于大數(shù)據(jù)的分析[2]。遙感場(chǎng)景識(shí)別是在計(jì)算機(jī)系統(tǒng)的支持下，通過對(duì)遙感場(chǎng)景中各類地物信息的空間特征和光譜特征進(jìn)行綜合分析、提取，將特征空間劃分成互不重疊的子空間，然后將圖像中的各個(gè)像元?jiǎng)澐值礁鱾€(gè)子空間對(duì)應(yīng)的地物類別，極大地提高了從遙感場(chǎng)景中獲取信息的速度和遙感信息自身的客觀性[3]。基于大數(shù)據(jù)的遙感場(chǎng)景識(shí)別問題成為遙感信息處理面臨的一個(gè)難題。

1 相關(guān)技術(shù)

1.1 開發(fā)環(huán)境

MATLAB 具有方便的數(shù)據(jù)可視化功能，可以將向量和三維的可視化、圖像處理、動(dòng)畫和表達(dá)式作圖[4-6]。Liblinear 是用于大型線性分類的庫，主要用于海量數(shù)據(jù)的分類，一般用于大規(guī)模的數(shù)據(jù)集，具有速度快，尤其是針對(duì)稀疏的特征的優(yōu)點(diǎn)，但缺點(diǎn)是內(nèi)存資源消耗高。

1.2 數(shù)據(jù)集

WHU-RS19是從谷歌衛(wèi)星影像上獲取的遙感場(chǎng)景。每幅遙感場(chǎng)景的像素均為600*600，它是由機(jī)場(chǎng)、海灘、橋、商業(yè)等19 種1005 幅場(chǎng)景組成的。AID（Aerial Image Dataset）航空?qǐng)D像數(shù)據(jù)集來源于Google 地球圖像中采集的樣本圖像，由機(jī)場(chǎng)、荒地、棒球場(chǎng)等30種10000幅場(chǎng)景組成。

1.3 特征提取相關(guān)技術(shù)

LBP（Local Binary Pattern），局部二值模式，是一種用來描述圖像局部特征的算子，優(yōu)點(diǎn)是具備灰度不變性和旋轉(zhuǎn)不變性。由于LBP 特征計(jì)算簡單、效果較好，因此LBP 特征在計(jì)算機(jī)視覺的諸多領(lǐng)域都得到了廣泛的應(yīng)用[7]。

SIFT（Scale Invariant Feature Transform），尺度不變特征變換，對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化等特征均保持不變，是一種非常穩(wěn)定的局部特征。SITF 算法具有穩(wěn)定性、獨(dú)特性、多量性、可擴(kuò)展性、高速性、實(shí)時(shí)性等特點(diǎn)。

CH（Color Histogram)，顏色直方圖，是一種全局特征，對(duì)圖像本身的尺寸、方向、視角的依賴性較小，具有較高的魯棒性。CH算子特征提取優(yōu)點(diǎn)是旋轉(zhuǎn)不變性和平移不變性；不受數(shù)字圖像尺度變化的影響；其缺點(diǎn)是不能有效地表現(xiàn)出顏色的空間分布信息；實(shí)際應(yīng)用中受到天氣的影響較大，結(jié)果具有不穩(wěn)定性。

SVM（Support Vector Machine），支持向量機(jī)，是一種常見的判別方法。在機(jī)器學(xué)習(xí)領(lǐng)域，是一個(gè)有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識(shí)別、分類以及回歸問題的分析[8]。

SVM 支持向量機(jī)通過一個(gè)非線性映射p，把樣本空間映射到一個(gè)高維乃至無窮維的特征空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題。

2 研究方法

2.1 基本流程

基于大數(shù)據(jù)的高分辨率遙感場(chǎng)景識(shí)別通常采用監(jiān)督法分類方法。本文研究的數(shù)據(jù)量較大，因此采用隨機(jī)函數(shù)來進(jìn)行樣本的選取，依據(jù)訓(xùn)練區(qū)的樣本選擇提取特征參數(shù)，通過分類器進(jìn)行分類[9]。第一步選取WHU-RS19 數(shù)據(jù)集和AID 航空數(shù)據(jù)集；第二步分別使用LBP 算子、SIFT 算法和CH算子進(jìn)行特征提取；第三步使用SVM支持向量機(jī)進(jìn)行分類。

2.2 特征提取

（1）LBP算子特征提取。參數(shù)信息見表1。

表1 LBP算子特征提取參數(shù)

如果識(shí)別圖像大于600px則進(jìn)行等比例縮放。

（2）SIFT算法特征提取。參數(shù)信息見表2。

表2 SIFT算法特征提取參數(shù)

將顏色場(chǎng)景轉(zhuǎn)化為灰度圖并轉(zhuǎn)化為矩陣，如果場(chǎng)景像素大于600，則進(jìn)行等比例縮放。

（3）CH算子特征提取。參數(shù)信息見表3。

表3 CH算子特征提取參數(shù)

將顏色場(chǎng)景轉(zhuǎn)化為矩陣，如果場(chǎng)景像素大于600，則進(jìn)行等比例縮放。

（4）特征信息綜合。參數(shù)信息見表4。

表4 綜合特征提取參數(shù)

通過循環(huán)對(duì)每類場(chǎng)景特征進(jìn)行信息整合，文件名按照原文件名加參數(shù)的格式保存。如果文件夾中已有先前生成的文件則提示文件已存在，不再重新進(jìn)行計(jì)算。

2.3 SVM分類

參數(shù)信息如表5 所示。通過循環(huán)對(duì)數(shù)據(jù)集進(jìn)行樣本學(xué)習(xí)以及訓(xùn)練[10]。

表5 SVM分類參數(shù)信息

2.4 實(shí)驗(yàn)結(jié)果及分析

本文通過每類場(chǎng)景的識(shí)別率來判斷算法的效果。

（1）WHU-RS19數(shù)據(jù)集實(shí)驗(yàn)結(jié)果。

通過多次試驗(yàn)，并進(jìn)行結(jié)果分析，不同樣本比例的LBP算子、SIFT算法和CH算子特征提取識(shí)別率統(tǒng)計(jì)如表6所示，折線圖如圖1所示。

表6 不同樣本比例的LBP算子、SIFT算法和CH算子特征提取識(shí)別率統(tǒng)計(jì)（RS19數(shù)據(jù)集）

圖1 不同樣本比例的LBP算子、SIFT算法和CH算子特征提取識(shí)別率折線圖（RS19數(shù)據(jù)集）

根據(jù)表6 和圖1 可以得到：CH 算子的識(shí)別率明顯高于LBP 算子和SIFT 算法；隨著樣本比例的增大，CH算子、LBP算子和SIFT算法的識(shí)別率總體呈增長趨勢(shì)[11]。

混淆矩陣（Confusion Matrix）也稱誤差矩陣，可以很好地反映圖像分類的精度，適用于監(jiān)督學(xué)習(xí)。LBP算子在50%樣本比例中的混淆矩陣如圖2所示[12]。

根據(jù)LBP 算子在50%比例中得到的混淆矩陣中可以得出如下結(jié)論：橋、工業(yè)、公園場(chǎng)景識(shí)別效果較差。容易混淆的場(chǎng)景：農(nóng)田和停車場(chǎng)，草地和停車場(chǎng)，池塘和海灘。海灘、足球場(chǎng)、森林、草地、山、火車站和高架橋識(shí)別率較高。

通過三種不同的算法的比較，森林、山和火車站的識(shí)別率較高。橋的識(shí)別率較低。由于RS19數(shù)據(jù)集圖片數(shù)量相對(duì)較少，在實(shí)驗(yàn)過程中采用的是隨機(jī)算法，導(dǎo)致出現(xiàn)個(gè)別實(shí)驗(yàn)隨著樣本比例升高識(shí)別率下降的現(xiàn)象。但是總體上隨著樣本比例升高，場(chǎng)景的識(shí)別率越高。而且在低層次場(chǎng)景識(shí)別上，CH算子提取的特征比LBP算子和SIFT的效果好[13]。

（2）AID 數(shù)據(jù)集實(shí)驗(yàn)結(jié)果。通過多次試驗(yàn)，并進(jìn)行結(jié)果分析，不同樣本比例的LBP 算子、SIFT算法和CH算子特征提取識(shí)別率統(tǒng)計(jì)如表7所示，折線圖如圖3所示。

圖2 樣本比例為50%的LBP算子混淆矩陣

圖3 不同樣本比例的LBP算子、SIFT算法和CH算子提取識(shí)別率折線圖（AID數(shù)據(jù)集）

表7 不同樣本比例的LBP算子、SIFT算法和CH算子特征提取識(shí)別率統(tǒng)計(jì)（AID數(shù)據(jù)集）

根據(jù)表7 和圖3 可以得到以下結(jié)論：（1）CH算子的識(shí)別率明顯高于LBP算子和SIFT算法；（2）隨著樣本比例的增大，CH算子、LBP算子和SIFT算法的識(shí)別率都呈增長趨勢(shì)[14]。

通過三種不同的算法的比較，密集的住宅和停車場(chǎng)的識(shí)別率較高。橋、中心、火車站、旅游勝地、學(xué)校和廣場(chǎng)的識(shí)別率較低[15]。總體上，不管是哪種算法，樣本比例越高，場(chǎng)景的識(shí)別率越高；在低層次場(chǎng)景識(shí)別上，CH算子提取的特征比LBP算子和SIFT的效果好。

3 結(jié)論

本文在基于大數(shù)據(jù)的高分辨遙感圖像識(shí)別過程中，通過LBP 算子、SIFT 算法和CH 算子對(duì)RS19 數(shù)據(jù)集和AID 數(shù)據(jù)集進(jìn)行遙感場(chǎng)景識(shí)別，通過其結(jié)果不難看出：CH算子的識(shí)別率最高，LBP算子的識(shí)別率其次，SIFT 算子的識(shí)別率最低；識(shí)別率隨著樣本比例的提高也逐漸提高。雖然低層特征所需的資源消耗少，但是其精度仍然是有限的（總體低于50%），后續(xù)將采用中層特征和高層特征來進(jìn)行遙感場(chǎng)景的分類識(shí)別。