機(jī)器學(xué)習(xí)在遙感高光譜圖像中的應(yīng)用

為了克服遙感高光譜圖像中地面特征的自動(dòng)化和智能化分類困難，在遙感成像過程中逐漸引入機(jī)器學(xué)習(xí)方法。研究人員提出了基于支持向量機(jī)（SVM）、極值學(xué)習(xí)機(jī)（ELM）、深度置信網(wǎng)絡(luò)（DBN）以及遙感高光譜圖像光譜空間特征的分類模型。將其應(yīng)用于PaviaU、Botswana和Cuprite三個(gè)高光譜數(shù)據(jù)集，并在高光譜圖像特征的地形分類中將其準(zhǔn)確性與各種分類模型的準(zhǔn)確性進(jìn)行了比較。

研究成果以“Adoption of Machine Learning in Intelligent Terrain Classification of Hyperspectral Remote Sensing Images”為題，于2020年9月在《Computational Intelligence and Neuroscience》雜志上發(fā)布。

首先，研究人員選取PaviaU、Botswana和Cuprite高光譜數(shù)據(jù)集作為研究對象，通過機(jī)器學(xué)習(xí)對遙感高光譜圖像進(jìn)行處理，實(shí)現(xiàn)特征的自動(dòng)、智能分類。然后介紹了支持向量機(jī)（SVM）和極值學(xué)習(xí)機(jī)（ELM）分類算法的基本原理，并將其應(yīng)用于數(shù)據(jù)集中。再利用約束Boltzmann機(jī)（RBM）調(diào)整參數(shù)估計(jì)，建立了一種基于深度置信網(wǎng)絡(luò)（DBN）的高光譜圖像地形分類模型。最后，對支持向量機(jī)、ELM和DBN分類算法在高光譜圖像地形分類中的準(zhǔn)確性和一致性進(jìn)行了分析和比較。結(jié)果表明，DBN算法充分利用了高光譜遙感圖像的空間和光譜信息，其分類精度優(yōu)于前兩種方法。

研究背景

遙感高光譜技術(shù)是一項(xiàng)綜合性的新技術(shù)。遙感高光譜圖像能夠有效地保留地物的空間和光譜信息。目標(biāo)檢測在遙感中具有重要的應(yīng)用價(jià)值，對地形變化的分析可以及時(shí)提供有關(guān)地表大型地物變化的信息。遙感高光譜技術(shù)已廣泛應(yīng)用于農(nóng)業(yè)、地質(zhì)、生態(tài)等領(lǐng)域。掌握表面物體信息對于改善周圍環(huán)境具有重要意義。因此，遙感高光譜圖像的分類具有重要的理論價(jià)值和現(xiàn)實(shí)意義。

機(jī)器學(xué)習(xí)技術(shù)可以通過訓(xùn)練數(shù)據(jù)學(xué)習(xí)，從多樣化的數(shù)據(jù)庫中發(fā)現(xiàn)數(shù)據(jù)的發(fā)展趨勢，實(shí)現(xiàn)數(shù)據(jù)分析的自動(dòng)化處理。機(jī)器學(xué)習(xí)在處理圖像、文本、語音等非線性數(shù)據(jù)方面取得了優(yōu)異的效果，而機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)技術(shù)在圖像識別方面有著更強(qiáng)的優(yōu)勢。Garcia-Floriano等人提出了一種基于支持向量機(jī)的醫(yī)學(xué)圖像分類與識別方法，結(jié)果表明該方法可有效地應(yīng)用于疾病的診斷與分類。

遙感高光譜圖像已廣泛應(yīng)用于軍事、醫(yī)療和農(nóng)業(yè)監(jiān)測領(lǐng)域。在高光譜圖像的獲取和傳輸過程中，會受到光照、大氣和輻射的影響，因此高光譜圖像中會產(chǎn)生大量的噪聲，影響圖像數(shù)據(jù)的可信度，給后續(xù)的處理和分析帶來不便。

因此，高光譜圖像中噪聲的特征提取一直是研究的熱點(diǎn)。機(jī)器學(xué)習(xí)可以有效地去除高光譜圖像中的噪聲，而高光譜圖像中的目標(biāo)檢測對于遙感技術(shù)的應(yīng)用具有重要意義。

研究方法

不同的地物表現(xiàn)出不同的光譜特征和空間分布特征，因此有必要根據(jù)地形光譜圖像的信息特征和空間分布特征來識別和判斷圖像類別。假設(shè)高光譜圖像數(shù)據(jù)構(gòu)成一個(gè)立方體（其中M， N，和L數(shù)據(jù)的分類性能主要取決于圖像類別、光譜數(shù)據(jù)的維數(shù)、訓(xùn)練過程中使用的樣本數(shù)、分類器和分類方法。由于高光譜數(shù)據(jù)的分類類似于元分類，因此可以從整個(gè)可變空間進(jìn)行分類。用一類平均向量來表示特征空間中的坐標(biāo)。通過使用分類函數(shù)來劃分區(qū)域來對數(shù)據(jù)進(jìn)行分類。高光譜圖像的分類過程如圖所示。

在遙感高光譜圖像預(yù)處理中，主要采用基于分水嶺和空間正則化的方法對圖像進(jìn)行分割。光譜空間模型分類框架如圖所示。

結(jié)論

為了研究機(jī)器學(xué)習(xí)在遙感高光譜圖像地形識別和分類中的性能，建立了基于DBN的圖像分類模型。將其應(yīng)用于實(shí)際高光譜圖像數(shù)據(jù)的分類中，并與SVM和ELM模型的分類性能進(jìn)行了比較。結(jié)果如下：

（I） 不同地物信息類型的光譜曲線具有較高的相似性，這增加了大型數(shù)據(jù)集的分類難度，影響了不同類型地物分類的準(zhǔn)確性。

（2） 根據(jù)地物的光譜特征和空間特征，對遙感高光譜圖像中的地物進(jìn)行了分類，為提高各種算法的分類精度奠定了基礎(chǔ)。

（3） DBN模型能夠有效地提取高光譜圖像的特征，并對各種類型的地物進(jìn)行分類。

（4） DBN模型在遙感高光譜圖像地物分類性能上優(yōu)于SVM和ELM模型。

然而，高光譜圖像中存在較強(qiáng)的空間維紋理信息和較多的噪聲，而這些因素對分類性能的影響還沒有得到考慮。因此，有必要將濾波和紋理增強(qiáng)相結(jié)合來提高模型的分類精度。研究結(jié)果為提高遙感高光譜圖像地形分類的效率提供了理論依據(jù)。
責(zé)任編輯：YYX