樣本遷移支持下的遙感影像自動分類方法

林 聰，李二珠，杜培軍

(1. 南京大學衛星測繪技術與應用國家測繪地理信息局重點實驗室，江蘇 南京 210023； 2. 南京大學江蘇省地理信息技術重點實驗室， 江蘇 南京 210023)

土地利用/覆蓋變化對陸地生態系統的生物多樣性，水、碳和養分循環，能量平衡，以及溫室氣體釋放增加等其他環境問題具有重要的影響[1]。近年來，隨著遙感技術的發展，基于遙感數據的解譯方法成為獲取土地利用/覆蓋信息的主要方式之一。遙感影像分類一直是遙感影像處理的重要環節[2]。隨著計算機技術的不斷發展，神經網絡分類、專家系統分類、支持向量機分類等機器學習方法在土地覆蓋遙感分類中取得了廣泛的應用[3]。分類方法的發展極大地滿足了日益龐大的遙感信息提取所需要的數量與速度，但是樣本的選取成為制約遙感圖像自動解譯發展的一個重要因素。由于受大氣吸收與散射、物候、傳感器定標等因素的影響，同一地物的光譜在兩期影像上不能服從同樣的概率統計分布[4]。而針對大范圍的分類制圖任務，重新標注樣本需要耗費大量的時間與人力，制約了遙感數據的自動化處理及長時間序列土地利用/覆蓋變化的研究。

近年來，遷移學習已經引起了廣泛關注和研究。遷移學習是運用已有知識對不同但相關領域問題進行求解的一種機器學習方法，它放寬了傳統機器學習中的兩個基本假設：①用于學習的訓練樣本與新的測試樣本滿足獨立同分布的條件；②必須用足夠的訓練樣本才能學習得到一個好的分類模型[5-6]。遷移學習是為了解決已有信息、知識的再利用問題而提出的一種機器學習新理論，這一理論為解決上述遙感分類中的樣本選取問題提供了新思路。遷移學習在遙感圖像的目標識別[7-8]及土地覆蓋分類[4，9-13]中已經有了一些研究，但研究多針對高分數據或高光譜數據，而對于在土地利用/覆蓋研究與應用中最常用的中等分辨率數據如Landsat衛星數據的研究較匱乏。本文基于Landsat數據，從像元級分類發出，充分挖掘其豐富的光譜信息，并從知識遷移的角度，一定程度上解決了訓練樣本在目標影像中的優化問題，從而構建一種基于樣本標簽遷移的遙感數據自動分類方法。

1 研究區與數據

巫山縣位于重慶市東部，處三峽庫區腹心，素有“渝東北門戶”之稱。巫山縣位于北緯30°45′—31°29′，東經109°33′—110°12′之間，轄區面積2958 km2，地處四川盆地東端，屬四川盆地東部山地地貌，相對高差懸殊。研究區屬中亞熱帶濕潤季風氣候區，四季分明，無霜期長，雨量充沛，日照時間長[14]。本文選取研究區位置如圖1所示，位于巫山縣內，主要包括縣政府所在的巫峽鎮，以及龍鄉鎮、兩坪鄉、建平鄉大部分地區和其他鄉鎮的部分地區，面積約為441 km2。

圖1 研究區示意圖

研究用到的數據主要包括全球30 m地表覆蓋數據(GlobeLand30)、研究區1∶5萬DEM及Landsat TM影像。GlobeLand30數據集[15-16]是在863計劃支持下，由國家基礎地理信息中心牽頭完成的30 m分辨率的全球地表覆蓋遙感制圖數據產品。該數據覆蓋全球南北緯80°內的陸地范圍，包括10種地表覆蓋類型，其中研究區范圍內共有耕地、森林、草地、水體、人造地表5類覆蓋類型。如圖2、圖3所示。

圖2 研究區DEM與Globeland30產品

研究所使用的TM數據共兩期(見表1)，作為參考土地覆蓋分類專題圖的GlobeLand30數據雖然以2010年為基準年，但實際用于解譯的影像大多獲取時間為2009—2011年，因此為了充分檢測變化信息，提高最終結果的精度，選取2011年而非2010年的數據作為源領域影像。

表1 TM數據信息

2 研究方法

遷移學習是基于給定的源領域數據集Ds與學習任務Ts，充分挖掘其中的知識以幫助完成或完善Dt中的學習任務Tt的機器學習方法[5]。近年來，隨著時間序列遙感研究的發展，遷移學習逐漸被引入遙感自動分類方法中，如面向對象分類中的對象級樣本遷移[4]與場景分類中的特征遷移[12]。以Landsat數據為代表的中等分辨率的遙感數據，可以對全球大多數區域長時間連續觀測，并且有可以提供樣本標簽的相關土地利用/覆蓋產品，其樣本遷移的問題有更大的應用研究價值。本文運用變化檢測技術與光譜形狀編碼的方法，構建了地物類別標簽(關聯知識)遷移的自動分類框架，如圖4所示。

圖3 研究區遙感影像

圖4 基于樣本遷移的自動分類算法框架

2.1 遷移學習

衛星對同一地區的重復觀測可以獲得時間序列遙感數據，假設X={X1,X2,…,XM}為M期同一地區但獲取時間不同的多光譜影像，其中第m期為有K個波段的多光譜數據Xm={xm,1,xm,2,…,xm,N}(其中N為研究區影像的像元總數)，其中含有大量訓練樣本，而其他的影像僅有少量不足以分類甚至沒有任何樣本。通過遷移學習的方法可以獲得時間序列內其他任意影像的土地覆蓋分類圖。當目標影像中有少量標注樣本時，這種遷移的方法被稱為歸納遷移學習(inductive transfer learning)，當目標影像中沒有任何標簽樣本時，則為直推式遷移學習(transductive transfer learning )。

2.2 變化檢測

變化檢測是上述算法流程中的一個關鍵技術，其主要作用是確定X1和X2兩個時相影像之間的不變信息。相對輻射定標可以提升變化檢測效果，在變化檢測之前可以考慮采用暗像元法或者直方圖匹配法來完成相對輻射定標。采用變化矢量分析法(CVA)，變化矢量是描述從時相1到時相2某像元光譜變化大小和方向的矢量[17]。變化矢量分析法首先需要對兩個不同時相的影像作差值運算，生成多光譜的差值圖像。差值圖像中的第i個像元的變化矢量可以表示為[16]

(1)

(2)

(3)

如上文所述，ρ表示第i個像元的變化強度，在本文的變化檢測中，僅考慮運用CVA來確定像元的變化強度從而選擇不變區域，不考慮變化類型的問題。

對于CVA計算得到的變化檢測結果，采用大津法(Otsu’s)對結果進行閾值分割。Otsu’s是一種圖像灰度自適應的閾值分割算法，該方法按照圖像上的灰度值分布，將圖像分為背景和前景兩部分，遍歷不同的閾值，計算不同閾值下對應的背景與前景之間的類內方差取得最大值時，對應的閾值即為所求的閾值。

通過上述過程，確定不變地物像元對應的空間位置，并將相應的地類標簽標注到目標影像上。

2.3 光譜形狀計算

對于上文得到的結果，可以采用隨機選取的方法抽取樣本對目標影像進行分類，但是考慮到土地覆蓋分類產品C1本身的精度及分類產品，在直接分類的結果上進行了一系列后處理，且分類產品使用影像與源影像存在一些差異，導致實際上遷移至目標影像中的地類標簽可能不完全準確。為了選擇可靠的樣本進行訓練，采用光譜形狀計算的方法構建一種較優樣本的選擇策略。

對于中等分辨率的多光譜數據，很難獲取到較好的形狀或紋理特征，尤其是像研究區這樣地形起伏較大、景觀格局破碎度較高的區域。同時Landsat數據有較豐富的光譜信息，重復挖掘其光譜信息有助于優化分類結果。通過對影像的觀察統計發現，同類地物如林地由于太陽高度角或生長程度的不同，表現在影像上的各個波段的反射率可能有差異。但是光譜曲線的形狀總是一致或相似，可以通過一種光譜曲線形狀計算的方法獲得[20]。

(4)

(5)

一般認為，訓練樣本與分類結果在特征空間上分布越趨于一致，取得的分類效果就越理想，因此直方圖統計常用樣本的選取。利用不變地物的土地覆蓋分類結果將地類標記在目標影像上。對于其中的每一類樣本，采用上述公式可以獲得其相應的光譜形狀編碼結果。將計算得到相同的光譜形狀的樣本進行聚類，并統計聚類后的直方圖，去掉直方圖內值較小的類，并按直方圖內的比例選取訓練樣本。

3 試驗與結果分析

研究區影像尺寸為700×700像素，以2011年獲取的Landsat影像為源領域影像，對應的土地覆蓋分類產品為GlobeLand30，待分類的目標領域影像為2007年獲取的Landsat影像，采用本文提出的樣本遷移方法，對目標數據進行分類。為了更好地說明光譜曲線形狀在樣本選擇中的作用，測試了不使用光譜曲線形狀下的分類效果；同時考慮研究區地形起伏較大的特點，加入數字高程模型與坡度作為特征，發現對分類結果有積極的影響。選取支持向量機(SVM)作為目標影像分類的分類器。

分類結果如圖5所示，其中圖5(a)為未經過光譜形狀計算直接分類結果(SVM)，圖5(b)為光譜形狀計算后的分類結果(SVM_scs)，圖5(c)(SVM(T))與圖5(d)(SVM(T)_scs)為圖5(a)與圖5(b)基礎上加上地形特征后的分類結果。結合2006年的研究區二調數據及Google Earth高清影像，隨機選取了2109個有效的驗證樣本點，對分類結果進行精度驗證，同時計算了4次分類結果的各類地物的生產者精度、總體精度與Kappa系數，見表2。

從精度驗證的結果來看，加入地形特征對研究區的分類結果的精度有顯著提高，主要表現在對人工地表、耕地、草地的分類精度有明顯提升。對比SVM_scs與SVM分類結果、SVM(T)_scs與SVM(T)分類結果，以及SVM(T)_scs與SVM(T)分類結果發現，光譜形狀計算對總體精度和Kappa系數有明顯的提高，其中主要表現在對耕地和草地兩類的精度有明顯的提高。考慮到耕地和草地因為植被的稀疏程度或同一地區不同作物物候特征存在差異因素，這兩類地類類內的光譜可能就存在較大差異。光譜形狀方法對樣本的選取進行了一定的優化，使得不同光譜曲線形狀的耕地或草地按照各自的比例選取樣本，這樣的訓練樣本更能代表地物的真實分布，從而對分類的結果有一定的提高。

SVM(T)_scs的分類總體精度達到了93.65%，對應的Kappa系數為0.914 1。由此可見，本文提出的自動分類方法可以得到較好的分類結果。尤其對人工地表、水體、林地和草地的提取精度較高，均在85%以上。耕地的提取精度相對較低，為84.18%，考慮到研究區內的耕地類型較多樣，且部分區域分布十分破碎。因此耕地的最終提取結果還算較為理想，可以在一定程度上滿足應用需求。

4 結 語

本文結合土地覆蓋遙感分類產品提出了一種基于遷移學習的樣本自動選取的方法，并構建了面向Landsat的像元級自動分類的算法框架。基于GlobeLand30產品，運用基于變化矢量分析的變化檢測與光譜形狀編碼的方法，充分挖掘Landsat數據豐富的多光譜信息，通過知識遷移的方法將源領域內的地類標簽遷移至目標影像中，并通過支持向量機算法完成分類，最終分類精度達到93.65%。綜上所述，本文所提出的樣本遷移方法大大降低了目視采集的煩瑣性，可以自動選取可靠的樣本，并且能夠得到較好的分類結果，從而提高了遙感影像分類的自動化程度，在一定程度上滿足了時間序列遙感數據的智能解譯需求，具有實際應用價值。

參考文獻：

[1] 陳廣生,田漢勤.土地利用/覆蓋變化對陸地生態系統碳循環的影響[J].植物生態學報,2007，31(2):189-204.

[2] 沈泉飛，曹敏，史照良，等．基于布谷鳥算法的遙感影像智能分類[J]．測繪通報，2017(1): 65-68.

[3] 張增詳,汪瀟,溫慶可,等.土地資源遙感應用研究進展[J].遙感學報,2016,20(5):1243-1258.

[4] 吳田軍,駱劍承,夏列鋼,等.遷移學習支持下的遙感影像對象級分類樣本自動選擇方法[J].測繪學報,2014,43(9):908-916.

[5] PAN J S，YANG Q.A Survey on Transfer Learning[J].IEEE Transactions on Knowledge & Data Engineering,2010,22(10):1345-1359.

[6] 莊福振,羅平,何清,等.遷移學習研究進展[J].軟件學報,2015,26(1):26-39.

[7] DAN Z,SANG N,CHEN Y,et al. Remote Sensing Object Recognition Based on Transfer Learning[C]∥International Conference on Fuzzy Systems and Knowledge Discovery (FSKD).Shenyang：IEEE,2013:930-934.

[8] 魯恒,付蕭,賀一楠,等.基于遷移學習的無人機影像耕地信息提取方法[J].農業機械學報,2015,46(12):274-284.

[9] RAJAN S,GHOSH J,CRAWFORD M M.Exploiting Class Hierarchies for Knowledge Transfer in Hyperspectral Data[J].IEEE Transactions on Geoscience & Remote Sensing,2006,44(11):3408-3417.

[10] PERSELLO C,BRUZZONEL.Active Learning for Domain Adaptation in the Supervised Classification of Remote Sensing Images[J].IEEE Transactions on Geoscience & Remote Sensing,2012,50(11):4468-4483.

[11] DEMIR B,BOVOLO F，BRUZZONE L.Updating Land-Cover Maps by Classification of Image Time Series: A Novel Change-Detection-Driven Transfer Learning Approach[J].IEEE Transactions on Geoscience & Remote Sensing,2013,51(1):300-312.

[12] SUN H,LIU S,ZHOU H,et al.Unsupervised Cross-View Semantic Transfer for Remote Sensing Image Classification[J].Geoscience & Remote Sensing Letters,2016,13(1):13-17.

[13] ZHOU Y,LIAN J,HAN M.Remote Sensing Image Transfer Classification Based on Weighted Extreme Learning Machine[J].Geoscience & Remote Sensing Letters,2016,13(10):1405-1409.

[14] 羅潔瓊.基于GIS的三峽庫區山地人居環境自然適宜性動態評價——以奉節縣和巫山縣為例[D].重慶:西南大學,2013.

[15] 廖安平，彭舒，武昊，等． 30 m 全球地表覆蓋遙感制圖生產體系與實踐[J]．測繪通報，2015(10): 4-8．

[16] 陳軍,陳晉,廖安平,等.全球30m地表覆蓋遙感制圖的總體技術[J].測繪學報,2014,43(6):551-557.

[17] 陳晉,何春陽，卓莉.基于變化向量分析(CVA)的土地利用/覆蓋變化動態監測(Ⅱ)——變化類型的確定方法[J].遙感學報,2001,5(5):346-353.

[18] 常方正,趙銀娣,劉善磊.遙感影像CVA 變化檢測的CUDA 并行算法設計[J].遙感學報，2016,20(1):114-128.

[19] LIU S,BRUZZONE L,BOVOLO F,et al.Sequential Spectral Change Vector Analysis for Iteratively Discovering and Detecting Multiple Changes in Hyperspectral Images[J].IEEE Transactions on Geoscience Remote Sensing,2015,53(8):4363-4378.

[20] LI E,DU P,SAMAT A,et al.An Automatic Approach for Urban Land-cover Classification from Landsat-8 OLI Data[J].International Journal of Remote Sensing,2015,36(24):5983-6007.