深度學(xué)習(xí)在遙感影像解譯中的應(yīng)用淺析

徐金曉 方圓

摘要：近年來(lái)，以對(duì)地觀測(cè)技術(shù)為核心的空間地球信息科技已經(jīng)成為衡量一個(gè)國(guó)家科技實(shí)力和經(jīng)濟(jì)水平的重要指標(biāo)，遙感技術(shù)就是一種采集地球信息的重要手段。而深度學(xué)習(xí)則是一種有效的特征提取方法，隨著科學(xué)家對(duì)于人工智能的深度研究，深度學(xué)習(xí)成為機(jī)器人與人工智能研究的熱點(diǎn)，深度學(xué)習(xí)已經(jīng)被廣泛運(yùn)用到遙感領(lǐng)域。本文總結(jié)了深度學(xué)習(xí)在遙感影像中的應(yīng)用成果，并指出了當(dāng)前研究存在的問(wèn)題，為后期研究提供一定的參考意義。

關(guān)鍵詞：深度學(xué)習(xí);遙感影像;應(yīng)用

一.深度學(xué)習(xí)概念及其典型方法

深度學(xué)習(xí)是指超過(guò)三層的神經(jīng)網(wǎng)絡(luò)模型，模仿人類大腦的層次結(jié)構(gòu)，嘗試使用體系結(jié)構(gòu)的多個(gè)非線性變換組成模型中數(shù)據(jù)的高級(jí)抽象機(jī)器學(xué)習(xí)算法。主要方法有以下三種：

1.深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)由多層的RBM和一層分類器組成，訓(xùn)練過(guò)程有兩步：第一步是對(duì)DBM進(jìn)行網(wǎng)絡(luò)預(yù)訓(xùn)練，自下而上對(duì)每層RBM進(jìn)行無(wú)監(jiān)督訓(xùn)練，第二步是網(wǎng)絡(luò)微調(diào)，是一種自上而下的監(jiān)督學(xué)習(xí)，主要是對(duì)無(wú)監(jiān)督學(xué)習(xí)階段取得的特征信息進(jìn)行總結(jié)歸納，最后得到一個(gè)較好的識(shí)別水平。

2.卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)也分為兩層。低隱含層由卷積層，池化層交替組成，卷積層通常為組合卷積，負(fù)責(zé)的內(nèi)容是線性操作，進(jìn)行特征提取;池化層負(fù)責(zé)減少特征圖尺寸規(guī)模;高層由全連接層作為分類器使用，負(fù)責(zé)最終的推斷和分類。

3.自動(dòng)編碼器

自動(dòng)編碼器的組成部分是編碼器和解碼器。其演化模型包括棧式自動(dòng)編碼器和稀疏自動(dòng)編碼器等。其中，編碼器將輸入數(shù)據(jù)映射到特征空間，解碼器將數(shù)據(jù)映射回?cái)?shù)據(jù)空間，完成對(duì)輸入時(shí)數(shù)據(jù)的重建。

二.遙感數(shù)據(jù)源及其分類方法

1.遙感概述

遙感影像記錄的是觀測(cè)區(qū)在某一時(shí)間內(nèi)地物的電磁波輻射，其亮度值反映了地物的輻射光譜能量的特征，其紋理特征反映了地物的光譜結(jié)構(gòu)特征。

2.分類方法

非監(jiān)督分類：非監(jiān)督分類不必對(duì)影像地物獲取先驗(yàn)知識(shí)，僅依靠影像上不同種類的地物光譜信息特征進(jìn)行特征提取，再統(tǒng)計(jì)特征的差別，然后確認(rèn)已分出的各個(gè)類別的屬性。常用的非監(jiān)督分類方法有：K均值、ISODATA方法等。

監(jiān)督分類：監(jiān)督分類是先選擇具有代表性的典型訓(xùn)練區(qū)，用從訓(xùn)練區(qū)中獲取的地物樣本的光譜特征來(lái)選擇特征參數(shù)、確定判別函數(shù)，從而把影像中的各個(gè)像元?jiǎng)潥w到各個(gè)給定類的分類方法。常用的監(jiān)督分類方法有：K近鄰法、馬氏距離分類、最大似然法等。

三.深度學(xué)習(xí)在遙感影像中應(yīng)用現(xiàn)狀

深度學(xué)習(xí)能從原始數(shù)據(jù)自動(dòng)進(jìn)行特征學(xué)習(xí)，通過(guò)多層非線性網(wǎng)絡(luò)逼近復(fù)雜分類問(wèn)題。然而，深度學(xué)習(xí)應(yīng)用于遙感圖像處理尚處于起步階段，用于高分辨率遙感與高光譜遙感影像居多。

1.深度信念網(wǎng)絡(luò)在遙感圖像處理中的應(yīng)用現(xiàn)狀

目前深度信念網(wǎng)絡(luò)應(yīng)用遙感數(shù)據(jù)主要是經(jīng)典數(shù)據(jù)集，需要進(jìn)一步拓展不同遙感數(shù)據(jù)的應(yīng)用。從網(wǎng)絡(luò)參數(shù)看，最優(yōu)隱藏層數(shù)集中于2-3層，且3層較多。受輸入與輸出大小影響，各隱藏層的節(jié)點(diǎn)數(shù)差異較大，幅度在50-500之間，部份研究尚未探討節(jié)點(diǎn)數(shù)對(duì)分類精度影響;絕大多數(shù)學(xué)習(xí)率是0.01和0.1。從分類結(jié)果看，多數(shù)分類精度達(dá)到90%以上，大大超出常規(guī)目視解譯、專家檢驗(yàn)和多次糾正分類結(jié)果。

2.卷積神經(jīng)網(wǎng)絡(luò)在遙感圖像處理中的應(yīng)用現(xiàn)狀

1989年LECUN等提出了一種用于字符識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)使用7層神經(jīng)層，識(shí)別結(jié)果達(dá)到了當(dāng)時(shí)的頂尖水平。曲景影等在傳統(tǒng) LENET-5網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，引入ReLU激活函數(shù)，并應(yīng)用于高分辨率遙感圖像的5類對(duì)象識(shí)別，識(shí)別效果精度很高。陳文康把CNN應(yīng)用于四川省丹棱縣內(nèi)無(wú)人機(jī)遙感影像農(nóng)村建筑物識(shí)別研究發(fā)現(xiàn)，池化層置于歸一層前面有利提高建筑物提取精度。Scott等利用遷移學(xué)習(xí)和3種CNN網(wǎng)絡(luò)對(duì)高分遙感數(shù)據(jù)集進(jìn)行研究，取得較好研究結(jié)果。

3.自動(dòng)編碼器在遙感圖像處理中的應(yīng)用現(xiàn)狀

林洲漢較早應(yīng)用自動(dòng)編碼機(jī)進(jìn)行高光譜數(shù)據(jù)特征提取，好于傳統(tǒng)特征提取方法。研究表明，融合光譜特征與空間信息占優(yōu)的特征所形成的空譜聯(lián)合分類對(duì)分類精度改進(jìn)是有效的。Liu構(gòu)建了wacDAE對(duì)光學(xué)遙感圖像進(jìn)行山崩自然災(zāi)害分類研究，實(shí)驗(yàn)結(jié)果表明，wacDAE有利于山崩識(shí)別.闞希等利用層疊去噪自動(dòng)編碼器和風(fēng)云三號(hào)衛(wèi)星對(duì)青藏高原積雪進(jìn)行識(shí)別，研究指出根據(jù)青藏高原特征，需要進(jìn)一步訓(xùn)練季節(jié)性的積雪判識(shí)的深度網(wǎng)絡(luò)，以提高整體分類精度。

四.深度學(xué)習(xí)用于遙感圖像處理中存在問(wèn)題與發(fā)展趨勢(shì)

1.算法理論的深入研究

深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)趨勢(shì)向更深、更寬方向發(fā)展，但網(wǎng)絡(luò)結(jié)構(gòu)選取目前尚沒(méi)有完善的理論依據(jù)。例如不同隱藏層對(duì)遙感圖像特征提取的物理意義是什么？如何理解深度學(xué)習(xí)中各參數(shù)變化對(duì)分類結(jié)果影響？這些都是迫切需要回答的問(wèn)題。

2.典型方法的應(yīng)用與修正

深度學(xué)習(xí)中典型方法在遙感領(lǐng)域應(yīng)用有初步成果，需要利用現(xiàn)有成果進(jìn)行遙感圖像處理規(guī)范建設(shè)，也要鞏固現(xiàn)有成果進(jìn)行技術(shù)標(biāo)準(zhǔn)化研究。但同時(shí)也有一些問(wèn)題需要解決，例如已有的優(yōu)化模型可否直接應(yīng)用于不同遙感數(shù)據(jù)源處理？各種網(wǎng)絡(luò)如何合作并發(fā)揮各網(wǎng)絡(luò)功能進(jìn)行智能化處理等等。

3.新模型的拓展與應(yīng)用

典型方法應(yīng)用僅局限于經(jīng)典幾個(gè)數(shù)據(jù)集研究當(dāng)中，實(shí)際應(yīng)用成果較少，如何將區(qū)域神經(jīng)網(wǎng)絡(luò)應(yīng)用于遙感圖像分類、定位以及相關(guān)物體檢測(cè)？如何利用遞歸神經(jīng)網(wǎng)絡(luò)以及長(zhǎng)短時(shí)記憶模型的記憶功能？如何應(yīng)用綜合網(wǎng)絡(luò)于不同遙感圖像融合并提高識(shí)別精度？這些問(wèn)題都值得進(jìn)一步研究。

4.遙感大數(shù)據(jù)監(jiān)測(cè)平臺(tái)的建設(shè)

由于遙感有數(shù)據(jù)源豐富、更新周期短、應(yīng)用范圍廣的特征，所以，迫切需要建立行業(yè)統(tǒng)一遙感大數(shù)據(jù)監(jiān)測(cè)平臺(tái)，將海量多源異構(gòu)遙感大數(shù)據(jù)集成到該平臺(tái)中。不僅要加強(qiáng)用于訓(xùn)練與測(cè)試的遙感數(shù)據(jù)集建設(shè)，側(cè)重研究遙感數(shù)據(jù)擴(kuò)充技術(shù)，還要探索小樣本甚至零樣本學(xué)習(xí)問(wèn)題。

五.結(jié)語(yǔ)

隨著生活水平的不斷提高，遙感影像即遙感技術(shù)在人們的日常生活中扮演著越來(lái)越重要的角色，由于遙感技術(shù)和計(jì)算機(jī)技術(shù)的不斷發(fā)展，影像的智能化解譯將會(huì)成為一個(gè)重要的發(fā)展趨勢(shì)，但遙感技術(shù)在其提升過(guò)程中也出現(xiàn)了一些問(wèn)題。本文主要結(jié)合基于深度學(xué)習(xí)的各種方法，對(duì)遙感影像的分類進(jìn)行了研究與分析，希望能夠?qū)Υ祟悓W(xué)科的發(fā)展提供理論幫助。

參考文獻(xiàn)：

[1]鐘傳琦.基于深度學(xué)習(xí)的高分辨率遙感影像道路自動(dòng)提取研究[D].電子科技大學(xué)，2018.

[2]劉大偉，韓玲，韓曉勇.基于深度學(xué)習(xí)的高分辨率遙感影像分類研究[J].光學(xué)學(xué)報(bào)，2016，36（04）：306-314.

[3]羅仙仙，曾蔚，陳小瑜，張東水，莊世芳.深度學(xué)習(xí)方法用于遙感圖像處理的研究進(jìn)展[J].泉州師范學(xué)院學(xué)報(bào)，2017，35（06）：35-41.

[4]羅可雨.關(guān)于深度學(xué)習(xí)用于遙感影像分類的探討[J].中國(guó)戰(zhàn)略新興產(chǎn)業(yè)，2018（40）：170+172.