地理科学 2018 , 38 (2): 293-299 https://doi.org/10.13249/j.cnki.sgs.2018.02.016

Orginal Article

基于多重分割关联子的高分辨率遥感场景分类

徐培罡¹^,, 张海青¹, 王超², 齐岗¹, 李杰¹, 吴静阳¹

1.国家测绘地理信息局第一航测遥感院, 陕西西安 710054
2.内蒙古自治区基础地理信息中心, 内蒙古呼和浩特 010010

High Resolution Remote Sensing Image Classification Based on Multiple Segmentation Correlograms Model

Xu Peigang¹^,, Zhang Haiqing¹, Wang Chao², Qi Gang¹, Li Jie¹, Wu Jingyang¹

1.The First Institute of Photogrammetry and Remote Sensing, Xi’an 710054, Shaanxi,China;
2. Geometic Center of Inner Mongolia, Hohhot 010010, Inner Mongolia, China

中图分类号: P237

文献标识码: A

文章编号: 1000-0690(2018)02-0293-07

收稿日期: 2017-02-14

修回日期: 2017-05-7

网络出版日期: 2018-04-10

基金资助: 国家自然科学基金项目（41271144）、2013年度河南省政府决策研究招标课题（2013B053）资助

作者简介:

作者简介：徐培罡（1986-）,男,陕西渭南人,工程师,主要从事摄影测量与遥感、数字城市及GIS应用开发与研究。E-mail: 370457225@qq.com

展开

摘要

高分辨率遥感影像提供了丰富的外观信息和空间结构信息,广泛应用于土地利用分类当中,源于文章领域的视觉词袋（Bag-of-Visual-Words,BoVW）模型现已成功应用于图像分类领域。传统的BoVW模型忽略了特征之间的空间布局信息和像素一致性信息,提出多重分割关联子特征,融合图像的外观信息、空间布局信息和像素一致性信息,实验表明该方法能够获取优于许多经典的遥感图像特征的性能。

关键词： 多重分割 ; 空间信息 ; 像素一致性 ; 高分辨率遥感图像分类

Abstract

High resolution remote sensing images are increasingly applied in land use classification problems. However, it is a difficult task to recognize the semantic category for the complex background and multiple land-cover classes. The bag-of-visual-words model has been successful in scene classification, but ignores pixel homogeneity in land use remote sensing images. In this article, we present a multiple segmentation-based correlation feature to jointly integrate appearance, spatial correlation, and pixel homogeneity. We use a dense feature representation to detect spurious features resulting from clutter, which has been demonstrated that dense features work better for scene classification. These dense features are Scale-Invariant Feature Transform descriptors using a dense regular grid instead of interest points to extract features. The visual vocabulary is formed by K-means clustering of a random subset of patches from the training set. A multiple segmentation-based correlogram, which is a matrix express spatial co-occurrences of features, encoding both the local and global shape of visual words and robust with respect to basic geometric transformations and occlusions, were extracted. The corresponding correlogram elements for each pair of visual word labels in training images are collected and clustered using K-means. The set of cluster centers are multiple segmentation-based correlatons, which are a set of representative multiple segmentation-based correlogram elements. Therefore, multiple segmentation-based correlatons compress the co-occurrences information contained in a multiple segmentation-based correlogram without loss of discrimination accuracy. Finally, the concatenated histograms of images, which describe the underlying spatial correlation of visual words considering pixel homogeneity in the image region, are used as input feature vectors for the SVM classifier. The effectiveness of the multiple segmentation-based correlaton models was tested on a ground truth image dataset of 21 land use classes manually extracted from high-resolution remote-sensing images. The experimental results demonstrate that our improved correlaton model can promote classification and outperforms existing methods for the jointly integration of appearance, spatial correlation, and pixel homogeneity information.

Keywords： multiple scale segmentation ; spatial information ; pixel homogeneity ; scene classification based on high-resolution remote sensing

PDF (485KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

徐培罡, 张海青, 王超, 齐岗, 李杰, 吴静阳. 基于多重分割关联子的高分辨率遥感场景分类[J]. 地理科学, 2018, 38(2): 293-299 https://doi.org/10.13249/j.cnki.sgs.2018.02.016

Xu Peigang, Zhang Haiqing, Wang Chao, Qi Gang, Li Jie, Wu Jingyang. High Resolution Remote Sensing Image Classification Based on Multiple Segmentation Correlograms Model[J]. Scientia Geographica Sinica, 2018, 38(2): 293-299 https://doi.org/10.13249/j.cnki.sgs.2018.02.016

随着遥感技术的发展,各种传感器每天都在采集大量的遥感图像。高分辨率遥感图像（High-resolution Remote-sensing Images,HRIs）提供丰富的空间和纹理信息,在各个领域中有着广泛的应用,如军事^[1]、精准农业^[2]、采矿业^[3]、干旱监测^[4] 、土地盐渍化^[5]、土地利用分类^[6]和灾害应急^[7]等,越来越多的学者研究HRIs的信息自动提取和分类^[8,9,10]。

视觉词袋模型（Bag-of-Visual-Words,BoVW）是遥感图像场景分类中的经典方法,BoVW模型结合视觉词汇（Visual Word）和文本检索理论,采用向量量化（Vector Quantization）的思想将图像的每个局部特征量化为视觉词典中的一个或多个视觉词汇,并对所有局部特征的量化编码求和,获取全局的向量表达形式,即视觉词汇直方图。BoVW忽视了图像中局部特征的空间位置,很多研究对其进行了改进,如空间视觉词袋模型^[11]、空间金字塔（Spatial Pyramid Matching,SPM）^[12]、空间共现核（Spatial Co-occurrence Kernel,SCK）^[13]及SCK的金字塔扩展模型空间金字塔共现核（Spatial Pyramid Co-occurrence Kernel,SPCK）^[14]。这些特征采用规则格网划分生成不同尺度的子区域,统计并合并所有子区域的特征直方图。但是SPM及其扩展特征的空间信息对于目标或场景的方向较为敏感（如自然场景中天空位于地面上方）,而遥感图像则一般不具有上下或左右等方向性的位置关系,而是以不同目标或地物的共现关系为主。视觉短语^[15]计算匹配特征的位置偏移,从而探查相邻区域中视觉词汇的共现,但空间约束过于严格,适合于近似的图像,而近似的遥感图像较少,一般都是语义上相近。文献[16]基于图像的Correlogram矩阵,提出一种空间信息的紧凑表达关联子模型,联合了图像的外观和空间信息,但模型忽略了遥感图像中的像素一致性,而且关联子模型中的特征量化采用传统的 $\begin{matrix} K \end{matrix}$ -均值聚类的方法,存在较大的量化误差从而造成局部特征信息的损失。本文基于传统的关联子特征,提出一种考虑像素一致性的关联子模型,提高遥感图像场景分类的精度。

1 研究方法

1.1 基于多重分割Correlograms

本文基于传统Correlograms,引入多重分割方法获取视觉单词之间的共现信息,提出一种基于多重分割Correlograms表达。多重分割Correlograms采用不同尺度大小的分割替代传统Correlograms中直接采用距离来设置距离核的方法,对于每张图像,通过 $\begin{matrix} K \end{matrix}$ 个不同尺度的分割获取视觉单词之间的空间共现信息和像素的一致性信息。多重分割Correlograms方法中多重分割基于NCut（Normalized Cut）的分割方法,NCut是一种基于图分割的方法,在图像分割领域有着广泛的应用,能够保证同一分割块内最相似且不同分割块之间差别最大,方法的参数只需要指定分割个数。多重分割Correlograms方法通过选择 $\begin{matrix} K \end{matrix}$ 个不同的分割个数获取 $\begin{matrix} K \end{matrix}$ 个不同尺度的分割结果（图1）。NCut方法采用区域内最相似而区域外相差最大的原则分割,不同尺度下的NCut能够得到不同大小、不同程度的像素一致性区域。如图1所示,不同尺度的分割基本上保留了飞机目标的完整性,而大尺度下飞机和周围具有相似性的地面会在同一区域,而相邻的飞机目标也会趋向于同一分割区域内（图1b~c）,随着分割尺度的减小,单个飞机目标被分到单个区域内(图1d~e),而且在尺度更小的情况下目标的组成部分会被分割到不同的块内（图1f）。显而易见,外观上比较相似的块在空间上易于相邻,表现为视觉单词对的共现,且从图中可以看到不同的分割大小能不捕捉不同尺度下的像素一致性。由此可见,多重分割能够捕获不同程度局部像素或特征的共现,而且随着分割尺度的减小,场景内相似区域或目标的像素空间上的共现信息越来越精细。

显示原图| 下载原图ZIP| 生成PPT

图1 多重分割示例

Fig.1 Example of multiple scale segmentation

定义 $\begin{matrix} Γ \end{matrix}$ 为图像 $\begin{matrix} I \end{matrix}$ 为的分割, $\begin{matrix} Γ_{k} \end{matrix}$ 表示分割集合中分割结果 $\begin{matrix} k \end{matrix}$ （对应分割尺度 $\begin{matrix} k \end{matrix}$ ,如图1b~f）,共 $\begin{matrix} K \end{matrix}$ 个不同的分割尺度。定义局部二值直方图 $\begin{matrix} B (Γ) \end{matrix}$ 核实该为一个 $\begin{matrix} 1 \times K \end{matrix}$ 向量函数,用于获取同一分割块内共现的视觉单词。定义局部相关二值函数 $\begin{matrix} B (Γ_{k}, p, q) \end{matrix}$ ,表示视觉单词 $\begin{matrix} p \end{matrix}$ 和 $\begin{matrix} q \end{matrix}$ 同时属于同一分割块,其中 $\begin{matrix} Φ_{i} \end{matrix}$ 表示视觉单词 $\begin{matrix} i \end{matrix}$ 的分割块标记。 $\begin{matrix} B (Γ_{k}, p, q) \end{matrix}$ 的具体定义如下：

$\begin{matrix} B (Γ_{k}, p, q) = \{\begin{matrix} 1 if Φ_{p} = Φ_{q} \\ 0 if not \end{matrix} \end{matrix}$ （1）

式中, $\begin{matrix} Φ_{i} \end{matrix}$ 为视觉单词 $\begin{matrix} i \end{matrix}$ 的分割块标记。

局部相关二值函数 $\begin{matrix} B (Γ_{k}, p, q) \end{matrix}$ 对应原始Correlograms的局部相关直方图 $\begin{matrix} h (Π_{r}, p, q) \end{matrix}$ ,局部相关二值函数采用不同尺度分割大小对应于局部相关直方图不同距离的核。由于NCut的分割块可能非常大,这样将影响视觉单词之间的相关性,因此多重分割Correlograms给出最大半径阈值,限定一定空间范围内的相关关系。我们定义最大半径阈值为 $\begin{matrix} r \end{matrix}$ ,则相关局部二值函数 $\begin{matrix} B (Γ_{k}, p, q) \end{matrix}$ 的表达如式所示：

$\begin{matrix} B (Γ_{k}, p, q) = \{\begin{matrix} 1 if Φ_{p} = Φ_{q}, dist (p, q) < r \\ 0 if not \end{matrix} \end{matrix}$ （2）

式中, $\begin{matrix} r \end{matrix}$ 为最大半径阈值; $\begin{matrix} dist (p, q) \end{matrix}$ 表示两个视觉特征之间的距离,本文定义其为不同的坐标维度下的最大差值,具体的定义如式下：

$\begin{matrix} dist (p, q) = \max (|x_{p} - x_{q}|, |y_{p} - y_{q}|) \end{matrix}$ （3）

式中, $\begin{matrix} x \end{matrix}$ 和 $\begin{matrix} y \end{matrix}$ 对应局部视觉特征在图像中的位置。由于不同视觉单词在训练样本中出现个数的差异,我们采用同一标签下视觉单词的个数进行归一化,最终得到平均局部直方图 $\begin{matrix} L (Γ_{r}, i) \end{matrix}$ 。平均局部直方图用于描述标签 $\begin{matrix} i \end{matrix}$ 下每个视觉单词在 $\begin{matrix} k^{th} \end{matrix}$ 分割块内的平均分布,具体的定义如下：

$\begin{matrix} L (Γ_{k}, i) = \overset{|p_{i}|}{\sum_{p \in \{p_{i}\}}} \overset{|q_{j}|}{\sum_{q \in \{q_{j}\}}} \frac{B (Γ_{k}, p, q)}{|p_{i}|} \end{matrix}$ （4）

式中, $\begin{matrix} \{p_{i}\} \end{matrix}$ 表示标签 $\begin{matrix} i \end{matrix}$ 下所有视觉单词的集合, $\begin{matrix} |p_{i}| \end{matrix}$ 表示集合 $\begin{matrix} \{p_{i}\} \end{matrix}$ 的基数; $\begin{matrix} \{q_{j}\} \end{matrix}$ 表示标签 $\begin{matrix} j \end{matrix}$ 下所有视觉单词的集合, $\begin{matrix} |q_{j}| \end{matrix}$ 表示集合 $\begin{matrix} \{q_{j}\} \end{matrix}$ 的基数。

多重分割Correlograms最终得到 $\begin{matrix} T \times T \times K \end{matrix}$ 的矩阵 $\begin{matrix} M (I) \end{matrix}$ 。 $\begin{matrix} M (I) \end{matrix}$ 是由 $\begin{matrix} L (Γ_{r}, i) \end{matrix}$ 的 $\begin{matrix} j^{th} \end{matrix}$ 元素构成的,定义 $\begin{matrix} L (Γ_{r}, i, j) \end{matrix}$ 为 $\begin{matrix} L (Γ_{r}, i) \end{matrix}$ 的 $\begin{matrix} j^{th} \end{matrix}$ 元素,其中 $\begin{matrix} i = 1 \dots T, \end{matrix} \begin{matrix} j = 1 \dots T, r = 1 \dots K \end{matrix}$ 。就像传统的Correlogram一样,多重分割Correlogram的元素是一个 $\begin{matrix} 1 \times K \end{matrix}$ 的向量,对应 $\begin{matrix} M (I) \end{matrix}$ 的 $\begin{matrix} i \end{matrix}$ 行、 $\begin{matrix} j \end{matrix}$ 列,因此每个多重分割Correlograms拥有 $\begin{matrix} T \times T \end{matrix}$ 个元素,每个多重分割Correlograms元素表达视觉单词对 $\begin{matrix} p \end{matrix}$ 和 $\begin{matrix} q \end{matrix}$ 随着分割尺度的变化,其空间相关性的变化信息。

1.2 基于多重分割的关联子模型

基于多重分割Correlograms,构建一种融合外观、空间相关和像素一致性信息的模型,该模型在保持一定的判别能力的基础上,得到多重分割Correlograms一种紧凑表达模型,基于多重分割的关联子模型。这种紧凑表达不仅能够提高效率,而且有助于降低过拟合的风险。基于多重分割的关联子表达的高分辨率遥感图像分类模型具体流程如下：

1）提取所有训练样本的特征并生成特征向量,采用经典的 $\begin{matrix} K \end{matrix}$ -means聚类^[17]生成视觉词汇字典,查找训练样本中的所有描述子最近的视觉单词做为特征的标签,最终统计所有视觉单词的频率,得到BoVW直方图表达。

2）对所有训练样本进行多重分割,计算多重分割Correlograms,收集训练样本中所有视觉单词对相关的多重分割Correlograms元素（ $\begin{matrix} 1 \times K \end{matrix}$ 向量）。

3）采用 $\begin{matrix} K \end{matrix}$ -means方法对所有的多重分割Correlograms元素进行聚类,最终得到的聚类中心就是对多重分割Correlograms元素的紧凑表达,即多重分割的关联子,从Correlograms到关联子的处理过程可以看作一种自适应的量化过程,选择少量的Correlograms元素样本近似地表示Correlograms矩阵,这种自动选择出的多重分割的关联子不仅捕获了空间相关性,而且保持了像素的一致性信息。

4）所有训练样本的多重分割Correlograms元素映射至其相关的多重分割的关联子,统计所有关联子的频率,最终得到所有训练样本的多重分割的关联子直方图。

5）合并所有训练样本的BoVW直方图和多重分割的关联子直方图,采用SVM（Support Vector Machine,支持向量机）训练并生成分类器。

测试阶段基于训练完成的视觉字典和关联子字典,计算测试样本的BoVW表达、多重分割Correlograms矩阵和多重分割的关联子表达,测试图像具体的处理流程如下：

1）提取图像的特征描述算子,采用视觉字典进行量化,计算BoVW直方图,主要用于捕获遥感图像的外观信息。

2）对图像进行多重分割,采用量化过的特征向量,计算多重分割Correlograms矩阵。

3）采用关联子字典对所有的多重分割Correlograms矩阵进行量化,计算多重分割的关联子统计直方图,直方图在考虑了像素一致性的前提下,描述视觉单词之间潜在的空间相关性。

4）合并BoVW直方图和多重分割的关联子直方图,获取一种集成了外观、空间和像素一致性信息的遥感图像表达。本文没有考虑BoVW直方图和关联子直方图的权重信息,认为两者权重是相同的。

5）采用训练阶段生成的SVM分类器对最终的基于多重分割的关联子模型进行分类,得到最终的分类决策。

2 实验结果与分析

2.1 特征和数据集

本文实验采用一种适合杂乱场景特性的稠密特征^[8],这种的稠密特征属于SIFT特征的稠密版本,采用稠密的规则网格替代传统SIFT方法中的关键点,计算每个格网块的SIFT特征。研究^[12]实验证明稠密SIFT特征在场景的检索和分类中表现优于传统的SIFT特征。本文的实验中,稠密SIFT特征采用16&#x000D7;16像素大小的格网,格网之间间隔8个像素,随机从训练样本中抽取一定数目的特征集合,并采用 $\begin{matrix} K \end{matrix}$ -means聚类方法获取视觉字典。

为了验证算法的有效性,本文实验采用UC Merced Land Use数据集。UC Merced 数据集（UCM）来源于USGS（United States Geological Survey）的高分辨率航空正射图像^[9],一共21个类别,每个类别包含100张大小256×256像素、分辨率0.3 m的光学遥感图像。

2.2 实验相关设置

本文的实验对于两个数据集进行分割,其中一半训练样本,一半测试样本,采用测试样本的分类精度度量模型的有效性。实验采用3种经典模型作为参考,包括传统的BoVW模型、SPM模型和传统的关联子模型,所有的算法均采用稠密SIFT特征。其中SPM算法采用3层金字塔,生成3种不同尺度的子区域;对于传统的关联子模型,我们采用核最大半径80和核数目10;对于基于多重分割的关联子模型,我们设置分割尺度数目 $\begin{matrix} K \end{matrix}$ = 6 ,其中每个分割尺度的大小 $\begin{matrix} N \end{matrix}$ = {4, 8, 16, 32, 64, 128}（分别对应2的指数 $\begin{matrix} n \end{matrix}$ = {2, 3, 4, 5, 6, 7}）。

2.3 视汇表大小

词汇表的大小分类性能的影响是至关重要的,为了测试视觉词汇表大小和关联子词汇表大小对分类精度的影响,本文选择了不同大小的视觉词汇表和关联子词汇表,均以50为间隔从50到300。

不同方法在不同大小视觉词汇下UCM数据集的分类精度如图2所示。从图中可以看出,随着视觉词汇表数量的增加,所有方法的分类精度均逐渐提升,其中传统的关联子模型（图2中的关联子模型）和基于多重分割的关联子模型在不同大小的视觉词汇表下均优于其他的方法。视觉词汇表较小时,SPM与关联子和基于多重分割的关联子模型精度相当,且均优于BoVW的方法。随着视觉词汇数量的增多,SPM和BoVW模型之间的性能差异越来越小,而BoVW和SPM两个模型与关联子和多重分割的关联子两个模型的性能差异则越来越大。对于遥感图像场景来说,SPM在视觉词汇表较小的情况下能够表现出不错的辨识力,但随着视觉词汇表的增大,SPM中空间信息的作用慢慢减弱,尤其是在视觉词汇表大于200时,SPM和BoVW模型的分类精度基本相当。而关联子和基于多重分割的关联子模型在视觉词汇表大小达到300时,分类精度依然有提升,这说明SPM适合于视觉词汇表较小的情况,关联子和基于多重分割的关联子模型在不同视觉词汇大小下均能够表现出不错的性能。与传统的关联子模型相比,由于考虑了像素一致性,对于不同的视觉词汇大小,基于多重分割的关联子模型均能得到优于传统关联子模型的性能,从而证明了像素一致性信息能够提升关联子模型对于遥感图像的描述能力。总体上,相对于BoVW、SPM和传统的关联子模型,本文方法精度分别提升了4.67%,3.21%和1.30%。

显示原图| 下载原图ZIP| 生成PPT

图2 不同大小视觉字典下的分类精度

Fig.2 Classification accuracy under different size of visual vocabulary

除了视觉字典的大小,本文提出的基于多重分割的关联子模型的精度还与关联子词汇表的大小有关。图3展示了UCM数据集视觉词汇关于关联子词汇表大小的函数变化关系。从图中可以看出,随着关联子词汇表大小的增加,不同的关联子词汇表大小下的模型分类精度快速提升,逐渐趋于最大值,最后开始慢慢降低,对于同一视觉词汇表大小,当分类性能达到最优时,说明模型的外观信息和（像素一致性约束下的）空间信息达到平衡。对于不同的词汇表大小来说,模型的最优关联子词汇表大小随着视觉词汇表大小增大而增大,这也说明了过大的关联子词汇表可能造成更具有辨识力的外观信息损失。关联子直方图能够捕获局部特征之间的空间信息和一定的外观信息,外观信息对于高分辨率遥感图像的类别分辨来说相对更重要一些;关联子融合的空间信息描述局部视觉特征之间的共现关系,只是外观信息的辅助信息。因此,随着关联子词汇表大小的增加,外观信息相对于空间信息的比重也随之减小,从而降低了多重分割的关联子的描述力,尤其是关联子词汇表大小超过视觉词汇表大小的情况。对于UCM数据集,我们选择的最优视觉词汇表大小和关联子词汇表大小分别为300和100。

显示原图| 下载原图ZIP| 生成PPT

图3 不同视觉词汇表大小和不同关联子词汇表大小下的分类性能

Fig.3 Classification accuracy in different size of visual vocabulary and correlation vocabulary

2.4 混淆矩阵

本文采用混淆矩阵描述基于多重分割的关联子模型对于UCM数据集的分类精度。如图4所示,UCM数据集下的农场、丛林、港口和停车场类别,本文方法能够获得超过98%的分类精度;而最易混淆的遥感图像场景类别如下：储存罐和建筑物、棒球场和高尔夫球场以及密集居民区和中密度居民区。

显示原图| 下载原图ZIP| 生成PPT

图4 基于多重分割的关联子模型最优参数下的混淆矩阵（单位：%）

Fig.4 Confusion matrix for the land-use dataset using multiple segmentation-based correlaton model (unit: %)

3 结论与讨论

基于多重分割的关联子模型针对传统关联子模型捕获空间信息忽略像素一致性信息的问题,从多重分割的方法出发,在传统关联子模型量化局部特征之间共现信息的基础上,考虑不同尺度下的像素一致性信息,从而得到一种更具辨识力的遥感图形特征表达。本文提出的多重分割关联子模型不仅能够融合外观信息、空间信息和像素一致性信息,而且方法采用 $\begin{matrix} K \end{matrix}$ 均值聚类对多重分割Correlograms进行量化并统计直方图,从而得到一种更加紧凑的遥感图像特征表达,不仅能够有效降低模型的计算量,而且降低了模型过拟合的风险,从而提高模型的分类的精度和效率。但是多重分割关联子中特征量化采用 $\begin{matrix} K \end{matrix}$ 均值方法可能局部特征量化误差,从而造成局部特征信息的丢失,我们将针对该问题做进一步的深入讨论和研究。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	Eismann M T, Stocker A D, Nasrabadi N M. Automated hyperspectral cueing for civilian search and rescue [J]. Proceedings of IEEE, 2009, 97(6): 1031-1055. https://doi.org/10.1109/JPROC.2009.2013561 URL [本文引用: 1] 摘要 Hyperspectral remote sensing provides information related to surface material characteristics that can be exploited to perform automated detection of targets of interest and has been applied to a variety of remote sensing applications. This paper explores the application to civilian search and rescue, using the airborne real-time cueing hyperspectral enhanced reconnaissance (ARCHER) system developed for the civil air patrol as a key example of how evolving hyperspectral technology can be employed to support these operations. ARCHER combines a visible/near-infrared hyperspectral imaging system, a high-resolution visible panchromatic imaging sensor, and an integrated geopositioning and inertial navigation unit with onboard real-time processing for data acquisition and correction, precision image georegistration, and target detection and cueing. Processing for detecting downed aircraft wreckage and other related objects employs real-time adaptive anomaly detection and matched filtering algorithms, and a non-real-time change detection mode to provide further false alarm reduction in some instances. This paper describes the system technology, with an emphasis on the current and evolving automated target detection methods, and summarizes the operational experience in the airborne employment against civilian search and rescue missions.
[2]	GoelP K, PrasherS O, PatelR Met al. Classification of hyperspectral data by decision trees and artificial neural networks to identify weed stress and nitrogen status of corn [J]. Computers and Electronics in Agriculture, 2003, 39(2):67-93. https://doi.org/10.1016/S0168-1699(03)00020-6 URL [本文引用: 1] 摘要 This study evaluates the potential of decision tree classification algorithms for the classification of hyperspectral data, with the goal of discriminating between different growth scenarios in a cornfield. A comparison was also made between decision tree and artificial neural networks (ANNs) classification accuracies. In the summer of the year 2000, a two-factor field experiment representing different crop conditions was carried out. Corn was grown under four weed management strategies: no weed control, control of grasses, control of broadleaf weeds, and full weed control with nitrogen levels of 60, 120, and 250 N kg/ha. Hyperspectral data using a Compact Airborne Spectrographic Imager were acquired three times during the entire growing season. Decision tree technology was applied to classify different treatments based on the hyperspectral data. Various tree-growing mechanisms were used to improve the accuracy of classification. Misclassification rates of detecting all the combinations of different nitrogen and weed categories were 43, 32, and 40% for hyperspectral data sets obtained at the initial growth, the tasseling and the full maturity stages, respectively. However, satisfactory classification results were obtained when one factor (nitrogen or weed) was considered at a time. In this case, misclassification rates were only 22 and 18% for nitrogen and weeds, respectively, for the data obtained at the tasseling stage. Slightly better results were obtained by following the ANN approach. However, the advantage with the decision tree was the formulation of simple and clear classification rules. The highest accuracy was obtained for the data acquired at tasseling stage. The results indicate the potential of decision tree classification algorithms and ANN usage in the classification of hyperspectral data for crop condition assessment.
[3]	Iordache M D, Bioucas-DiasJ M, Plaza A. Sparse unmixing of hyperspectral data [J]. IEEE Transactions Geoscience and Remote Sensing, 2011, 49(6): 2014-2039. https://doi.org/10.1109/TGRS.2010.2098413 URL [本文引用: 1] 摘要 Linear spectral unmixing is a popular tool in remotely sensed hyperspectral data interpretation. It aims at estimating the fractional abundances of pure spectral signatures (also called as endmembers) in each mixed pixel collected by an imaging spectrometer. In many situations, the identification of the end-member signatures in the original data set may be challenging due to insufficient spatial resolution, mixtures happening at different scales, and unavailability of completely pure spectral signatures in the scene. However, the unmixing problem can also be approached in semisupervised fashion, i.e., by assuming that the observed image signatures can be expressed in the form of linear combinations of a number of pure spectral signatures known in advance (e.g., spectra collected on the ground by a field spectroradiometer). Unmixing then amounts to finding the optimal subset of signatures in a (potentially very large) spectral library that can best model each mixed pixel in the scene. In practice, this is a combinatorial problem which calls for efficient linear sparse regression (SR) techniques based on sparsity-inducing regularizers, since the number of endmembers participating in a mixed pixel is usually very small compared with the (ever-growing) dimensionality (and availability) of spectral libraries. Linear SR is an area of very active research, with strong links to compressed sensing, basis pursuit (BP), BP denoising, and matching pursuit. In this paper, we study the linear spectral unmixing problem under the light of recent theoretical results published in those referred to areas. Furthermore, we provide a comparison of several available and new linear SR algorithms, with the ultimate goal of analyzing their potential in solving the spectral unmixing problem by resorting to available spectral libraries. Our experimental results, conducted using both simulated and real hyperspectral data sets collected by the NASA Jet Propulsion Laboratory's Airborne Visible Infrared Imaging Spectrometer and spectral libraries publicly available from the U.S. Geological Survey, indicate the potential of SR techniques in the task of accurately characterizing the mixed pixels using the library spectra. This opens new perspectives for spectral unmixing, since the abundance estimation process no longer depends on the availability of pure spectral signatures in the input data nor on the capacity of a certain endmember extraction algorithm to identify such pure signatures.
[4]	周磊, 武建军, 张洁. 以遥感为基础的干旱监测方法研究进展 [J]. 地理科学, 2015, 35(5):630-636. URL Magsci [本文引用: 1] 摘要 <p>总结了目前广泛应用的气象监测模型和基于遥感数据的干旱监测模型, 将目前的遥感监测方法分为植被状态监测方法、微波土壤水分监测方法、热红外遥感监测方法和基于能量平衡的遥感监测方法进行综述, 深入分析了基于遥感数据的监测方法的特点、适用条件和存在的问题。通过综述基于多源数据的干旱综合监测模型, 对未来干旱监测方法的发展方向进行研究和探讨, 指出集成多源数据的干旱综合监测模型是解决复杂的干旱监测问题的新方法。</p> [Zhou Lei, Wu Jianjun,Zhang Jie. Remote sensing-based drought monitoring approach and research progress . Scientia Geographica Sinica,2015, 35(5): 630-636.] URL Magsci [本文引用: 1] 摘要 <p>总结了目前广泛应用的气象监测模型和基于遥感数据的干旱监测模型, 将目前的遥感监测方法分为植被状态监测方法、微波土壤水分监测方法、热红外遥感监测方法和基于能量平衡的遥感监测方法进行综述, 深入分析了基于遥感数据的监测方法的特点、适用条件和存在的问题。通过综述基于多源数据的干旱综合监测模型, 对未来干旱监测方法的发展方向进行研究和探讨, 指出集成多源数据的干旱综合监测模型是解决复杂的干旱监测问题的新方法。</p>
[5]	张利华, 翟靖超, 李珊,等. ALOS融合影像质量评价及其土地盐渍化应用研究 [J]. 地理科学, 2015, 35(6):798-804. URL Magsci [本文引用: 1] 摘要 <p>将经过配准的同一地区不同空间分辨率和光谱分辨率的遥感影像进行融合是提高土地覆盖/土地利用分析精度的有效途径。采用PCA、IHS、HPF和小波变换融合法对内蒙古杭锦后旗中部地区的ALOS全色和多光谱影像进行融合,并对融合结果进行了定性和定量评价。基于地物光谱特征、解译标志和监督分类法提取试验区土地盐渍化信息,比较多光谱影像和融合影像的土地盐渍化信息提取精度。结果显示,PCA、IHS和HPF融合影像的空间细节表现能力得到提升,而PCA和小波变换融合影像的光谱保真度优于IHS和HPF融合影像;PCA融合影像的盐渍化分类精度、总分类精度和Kappa 系数均为最高,是最适于试验区土地盐渍化分类研究的融合方法。</p> [Zhang Lihua, Zhai Jingchao, Li Shan et al. Quality evaluation and land salinization classification application on ALOS image fusion . Scientia Geographica Sinica, 2015, 35(6):798-804.] URL Magsci [本文引用: 1] 摘要 <p>将经过配准的同一地区不同空间分辨率和光谱分辨率的遥感影像进行融合是提高土地覆盖/土地利用分析精度的有效途径。采用PCA、IHS、HPF和小波变换融合法对内蒙古杭锦后旗中部地区的ALOS全色和多光谱影像进行融合,并对融合结果进行了定性和定量评价。基于地物光谱特征、解译标志和监督分类法提取试验区土地盐渍化信息,比较多光谱影像和融合影像的土地盐渍化信息提取精度。结果显示,PCA、IHS和HPF融合影像的空间细节表现能力得到提升,而PCA和小波变换融合影像的光谱保真度优于IHS和HPF融合影像;PCA融合影像的盐渍化分类精度、总分类精度和Kappa 系数均为最高,是最适于试验区土地盐渍化分类研究的融合方法。</p>
[6]	赵书河, 冯学智, 赵锐,等. 资源1 号卫星数据在国土资源调查中的应用评价 [J]. 测绘通报, 2001(6):20-21. https://doi.org/10.3969/j.issn.0494-0911.2001.06.007 URL [本文引用: 1] 摘要对资源 1号卫星 CCD 2、3、4波段南京幅数据作了分析 ,把经过几何精纠正后的数据应用到江苏省国土资源调查中 ,进行了1∶ 2 5 0 0 0 0、1∶ 10 0 0 0 0地形图的更新 ,多光谱土地利用分类制图 ,长江岸线动态变迁分析 ,农作物长势监测与农业结构调整分析等应用研究 ,从总体上讲 ,资源 1号卫星数据质量较好 ,将有广阔的应用前景 [Zhao Shuhe, Feng Xuezhi,Zhao Rui et al. Study of applying CBERS-1 data to Investigation of land resources . Bulletin of Surveying and Mapping, 2001(6): 20-21.] https://doi.org/10.3969/j.issn.0494-0911.2001.06.007 URL [本文引用: 1] 摘要对资源 1号卫星 CCD 2、3、4波段南京幅数据作了分析 ,把经过几何精纠正后的数据应用到江苏省国土资源调查中 ,进行了1∶ 2 5 0 0 0 0、1∶ 10 0 0 0 0地形图的更新 ,多光谱土地利用分类制图 ,长江岸线动态变迁分析 ,农作物长势监测与农业结构调整分析等应用研究 ,从总体上讲 ,资源 1号卫星数据质量较好 ,将有广阔的应用前景
[7]	李金香, 李亚芳, 李帅, 等. 面向地震应急准备的居民地遥感提取及量化分析 [J]. 地理科学, 2016, 36(11):1743-1750. https://doi.org/10.13249/j.cnki.sgs.2016.11.018 URL Magsci [本文引用: 1] 摘要 <p>运用灰度共生矩阵、数学形态学等方法提取新疆新源地区高分一号2 m分辨率影像居民地信息,运用目视解译、影像叠加分析、缓冲区分析等方法,进行居民地量化分级,为地震应急准备提供数据支持。结果表明：研究区在地震烈度为<i>Ⅷ</i>度及以下区域,埋压主要集中在单层结构为主的建筑区;当地震烈度高于<i>Ⅷ</i>度且造成多层建筑大面积倒塌时,县城等人口密集区为首要救援区;在地震应急准备时,应对交通条件三等区和交通条件四等区重点关注,增加应急物资储备点,对山区居民地,应考虑道路毁坏情况,转换救援方式,做好应急预案。</p> [Li Jinxiang, Li Yafang, Li Shuai et al. Remote sensing extraction and quantitative analysis of residential area for earthquake emergency preparedness . Scientia Geographica Sinica, 2016,36(11): 1743-1750.] https://doi.org/10.13249/j.cnki.sgs.2016.11.018 URL Magsci [本文引用: 1] 摘要 <p>运用灰度共生矩阵、数学形态学等方法提取新疆新源地区高分一号2 m分辨率影像居民地信息,运用目视解译、影像叠加分析、缓冲区分析等方法,进行居民地量化分级,为地震应急准备提供数据支持。结果表明：研究区在地震烈度为<i>Ⅷ</i>度及以下区域,埋压主要集中在单层结构为主的建筑区;当地震烈度高于<i>Ⅷ</i>度且造成多层建筑大面积倒塌时,县城等人口密集区为首要救援区;在地震应急准备时,应对交通条件三等区和交通条件四等区重点关注,增加应急物资储备点,对山区居民地,应考虑道路毁坏情况,转换救援方式,做好应急预案。</p>
[8]	张倩, 黄昕, 张良培. 多尺度同质区域提取的高分辨率遥感影像分类研究 [J]. 武汉大学学报信息科学版,2011, 36(1):117-121. URL [本文引用: 2] [Zhang Qian, Huang Xin, Zhang Liangpei. Multiscale image segmentation and classification with supervised ECHO of high spatial resolution remotely sensed Imagery . Geomatics and Information Science of Wuhan University, 2011, 36(1):117-121.] URL [本文引用: 2]
[9]	沈忱, 祁昆仑, 刘文轩,等. 基于FSFDP-BoV 模型的遥感影像检索 [J]. 地理与地理信息科学, 2016, 32(1):55-59. URL [本文引用: 2] [Shen Chen, Qi Kunlun, Liu Wenxuan et al. Remote sensing image retrieval research based on FSFDP-BoV model. Geography and Geo-Information Science, 2016, 32(1): 55-59.] URL [本文引用: 2]
[10]	程诗尧, 梅天灿, 刘国英. 顾及结构特征的多层次马尔科夫随机场模型在影像分类中的应用 [J]. 武汉大学学报(信息科学版),2015, 40(9):1180-1187. https://doi.org/10.13203/j .whu g is20130692 URL Magsci [本文引用: 1] 摘要针对基于像素或基于区域的马尔科夫随机场（ markovrandomfield,mrf）模型仅能描述单一层次影像数据特性的局限,提出了一种综合像素和区域特性的多层次 mrf模型,以提高 mrf模型表达遥感数据层次特性的能力。为利用高分辨率遥感影像几何结构信息来提高不同地物的可区分性,提出了一种描述地物结构特性的形状特征,用于区分光谱特性相似的不同地物。本文的分类算法包括两个过程：首先,基于像素和区域特征,采用多层次 mrf模型进行初始分类;然后,基于形状特征采用 svm 对第一步分类结果中易混淆的地物进行分类。根据不同地物采用合适特征量描述可在特征空间中增加可区分性的事实,采用形状特征对基于层次 mrf 模型的错分类别进行再分类可有效改善分类精度。同现有基于单一层次的方法相比 [Cheng Shiyao, Mei Tiancan, Liu Guoying. Application of multi-level MRF using structural feature to remote sensing image classification . Geomaticas and Information Science of Wuhan University, 2015, 40(9):1180-1187.] https://doi.org/10.13203/j .whu g is20130692 URL Magsci [本文引用: 1] 摘要针对基于像素或基于区域的马尔科夫随机场（ markovrandomfield,mrf）模型仅能描述单一层次影像数据特性的局限,提出了一种综合像素和区域特性的多层次 mrf模型,以提高 mrf模型表达遥感数据层次特性的能力。为利用高分辨率遥感影像几何结构信息来提高不同地物的可区分性,提出了一种描述地物结构特性的形状特征,用于区分光谱特性相似的不同地物。本文的分类算法包括两个过程：首先,基于像素和区域特征,采用多层次 mrf模型进行初始分类;然后,基于形状特征采用 svm 对第一步分类结果中易混淆的地物进行分类。根据不同地物采用合适特征量描述可在特征空间中增加可区分性的事实,采用形状特征对基于层次 mrf 模型的错分类别进行再分类可有效改善分类精度。同现有基于单一层次的方法相比
[11]	Cao Y, Wang C, Li Z et al. Spatial-bag-of-features [C]// DarrellT. Computer vision and pattern recognition (CVPR), 2010IEEE conference on. Washington, D C, USA: IEEE Computer Society, IEEE, 2010:3352-3359. [本文引用: 1]
[12]	Lazebnik S, Schmid C, Ponce J. Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories [C]// Fitzgibbon A, Taylor C J, Le Cun Y. Computer vision and pattern recognition, 2006 IEEE computer society conference on. Washington, DC, USA: IEEE Computer Society, IEEE,2006:2169-2178. [本文引用: 2]
[13]	Yang Y, Newsam S. Bag-of-visual-words and spatial extensions for land-use classification [C]// Abbadi A E, Mokbel M. Proceedings of the 18th SIGSPATIAL international conference on advances in geographic information systems. New York,USA: ACM, 2010:270-279. [本文引用: 1]
[14]	Yang Y, Newsam S. Spatial pyramid co-occurrence for image classification [C]// Metaxas. Computer vision (ICCV), 2011IEEE international conference on. IEEE,2011: 1465-1472. [本文引用: 1]
[15]	Zhang Y, Jia Z, Chen T. Image retrieval with geometry-preserving visual phrases [C]// Metaxas. Computer Vision and Pattern Recognition (CVPR), 2011 IEEE conference on. Washington,DC, USA: IEEE Computer Society, IEEE,2011: 809-816. [本文引用: 1]
[16]	Fei-Fei L, Perona P. A bayesian hierarchical model for learning natural scene categories [C]// Schmid C. Computer vision and pattern recognition, 2005. IEEE computer society conference on. Washington, DC, USA: IEEE Computer Society, 2005:524-531. [本文引用: 1]
[17]	杨志民, 化祥雨, 叶娅芬,等. 金融空间联系及K-means 聚类中心等级识别研究&#x02014;&#x02014;以长三角为例 [J]. 地理科学, 2015, 35(2):144-150. Magsci [本文引用: 1] 摘要 <p>以2001年、2006年、2011年长三角城市金融机构人民币存款、贷款额数为样本,构建金融空间联系模型,定量分析长三角城市金融空间联系分异特征.在此基础上构建K-means 金融中心等级识别模型,识别长三角城市金融中心等级.研究表明:① 2001~2011 年长三角城市金融“质量”空间趋势较为稳定,总体呈现东部高于西部,中部高于南、北部的倒U形分布.② 金融空间联系最大引力线联结格局较为稳定.③ 金融空间联系网络结构格局变化显著,主要从简单的“折线型”空间结构逐渐发展成简单的、复杂的“网络型”空间结构.④ 长三角金融城市中心等级空间分布格局稳定,以上海市金融中心最为突出.</p> [Yang Zhimin, Hua Xiangyu, Ye Yafen et al. Spatial combination of finance and center level identify based on k-means clustering: A case study of the Changjiang River Delta . Scientia Geographica Sinica, 2015, 35(2): 144-150.] Magsci [本文引用: 1] 摘要 <p>以2001年、2006年、2011年长三角城市金融机构人民币存款、贷款额数为样本,构建金融空间联系模型,定量分析长三角城市金融空间联系分异特征.在此基础上构建K-means 金融中心等级识别模型,识别长三角城市金融中心等级.研究表明:① 2001~2011 年长三角城市金融“质量”空间趋势较为稳定,总体呈现东部高于西部,中部高于南、北部的倒U形分布.② 金融空间联系最大引力线联结格局较为稳定.③ 金融空间联系网络结构格局变化显著,主要从简单的“折线型”空间结构逐渐发展成简单的、复杂的“网络型”空间结构.④ 长三角金融城市中心等级空间分布格局稳定,以上海市金融中心最为突出.</p>

Automated hyperspectral cueing for civilian search and rescue

2009

... 随着遥感技术的发展,各种传感器每天都在采集大量的遥感图像.高分辨率遥感图像（High-resolution Remote-sensing Images,HRIs）提供丰富的空间和纹理信息,在各个领域中有着广泛的应用,如军事^[1]、精准农业^[2]、采矿业^[3]、干旱监测^[4] 、土地盐渍化^[5]、土地利用分类^[6]和灾害应急^[7]等,越来越多的学者研究HRIs的信息自动提取和分类^[8,9,10]. ...

Classification of hyperspectral data by decision trees and artificial neural networks to identify weed stress and nitrogen status of corn

2003

Bioucas-DiasJ M, Plaza A. Sparse unmixing of hyperspectral data

2011

以遥感为基础的干旱监测方法研究进展

2015

以遥感为基础的干旱监测方法研究进展

2015

ALOS融合影像质量评价及其土地盐渍化应用研究

2015

ALOS融合影像质量评价及其土地盐渍化应用研究

2015

资源1 号卫星数据在国土资源调查中的应用评价

面向地震应急准备的居民地遥感提取及量化分析

2016

面向地震应急准备的居民地遥感提取及量化分析

2016

多尺度同质区域提取的高分辨率遥感影像分类研究

2011

... 本文实验采用一种适合杂乱场景特性的稠密特征^[8],这种的稠密特征属于SIFT特征的稠密版本,采用稠密的规则网格替代传统SIFT方法中的关键点,计算每个格网块的SIFT特征.研究^[12]实验证明稠密SIFT特征在场景的检索和分类中表现优于传统的SIFT特征.本文的实验中,稠密SIFT特征采用16&#x000D7;16像素大小的格网,格网之间间隔8个像素,随机从训练样本中抽取一定数目的特征集合,并采用

\begin{matrix} K \end{matrix}

-means聚类方法获取视觉字典. ...

多尺度同质区域提取的高分辨率遥感影像分类研究

2011

\begin{matrix} K \end{matrix}

-means聚类方法获取视觉字典. ...

基于FSFDP-BoV 模型的遥感影像检索

2016

... 为了验证算法的有效性,本文实验采用UC Merced Land Use数据集.UC Merced 数据集（UCM）来源于USGS（United States Geological Survey）的高分辨率航空正射图像^[9],一共21个类别,每个类别包含100张大小256×256像素、分辨率0.3 m的光学遥感图像. ...

基于FSFDP-BoV 模型的遥感影像检索

2016

顾及结构特征的多层次马尔科夫随机场模型在影像分类中的应用

2015

顾及结构特征的多层次马尔科夫随机场模型在影像分类中的应用

2015

Li Z et al. Spatial-bag-of-features

2010

... 视觉词袋模型（Bag-of-Visual-Words,BoVW）是遥感图像场景分类中的经典方法,BoVW模型结合视觉词汇（Visual Word）和文本检索理论,采用向量量化（Vector Quantization）的思想将图像的每个局部特征量化为视觉词典中的一个或多个视觉词汇,并对所有局部特征的量化编码求和,获取全局的向量表达形式,即视觉词汇直方图.BoVW忽视了图像中局部特征的空间位置,很多研究对其进行了改进,如空间视觉词袋模型^[11]、空间金字塔（Spatial Pyramid Matching,SPM）^[12]、空间共现核（Spatial Co-occurrence Kernel,SCK）^[13]及SCK的金字塔扩展模型空间金字塔共现核（Spatial Pyramid Co-occurrence Kernel,SPCK）^[14].这些特征采用规则格网划分生成不同尺度的子区域,统计并合并所有子区域的特征直方图.但是SPM及其扩展特征的空间信息对于目标或场景的方向较为敏感（如自然场景中天空位于地面上方）,而遥感图像则一般不具有上下或左右等方向性的位置关系,而是以不同目标或地物的共现关系为主.视觉短语^[15]计算匹配特征的位置偏移,从而探查相邻区域中视觉词汇的共现,但空间约束过于严格,适合于近似的图像,而近似的遥感图像较少,一般都是语义上相近.文献[16]基于图像的Correlogram矩阵,提出一种空间信息的紧凑表达关联子模型,联合了图像的外观和空间信息,但模型忽略了遥感图像中的像素一致性,而且关联子模型中的特征量化采用传统的

\begin{matrix} K \end{matrix}

-均值聚类的方法,存在较大的量化误差从而造成局部特征信息的损失.本文基于传统的关联子特征,提出一种考虑像素一致性的关联子模型,提高遥感图像场景分类的精度. ...

Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories

2006

\begin{matrix} K \end{matrix}

\begin{matrix} K \end{matrix}

-means聚类方法获取视觉字典. ...

Bag-of-visual-words and spatial extensions for land-use classification

2010

\begin{matrix} K \end{matrix}

Spatial pyramid co-occurrence for image classification

2011

\begin{matrix} K \end{matrix}

Image retrieval with geometry-preserving visual phrases

2011

\begin{matrix} K \end{matrix}

A bayesian hierarchical model for learning natural scene categories

2005

\begin{matrix} K \end{matrix}

金融空间联系及K-means 聚类中心等级识别研究&#x02014;&#x02014;以长三角为例

2015

... 1）提取所有训练样本的特征并生成特征向量,采用经典的

\begin{matrix} K \end{matrix}

-means聚类^[17]生成视觉词汇字典,查找训练样本中的所有描述子最近的视觉单词做为特征的标签,最终统计所有视觉单词的频率,得到BoVW直方图表达. ...

金融空间联系及K-means 聚类中心等级识别研究&#x02014;&#x02014;以长三角为例

2015

... 1）提取所有训练样本的特征并生成特征向量,采用经典的

\begin{matrix} K \end{matrix}

-means聚类^[17]生成视觉词汇字典,查找训练样本中的所有描述子最近的视觉单词做为特征的标签,最终统计所有视觉单词的频率,得到BoVW直方图表达. ...

〈

〉

基于多重分割关联子的高分辨率遥感场景分类

High Resolution Remote Sensing Image Classification Based on Multiple Segmentation Correlograms Model

1 研究方法

1.1 基于多重分割Correlograms

1.2 基于多重分割的关联子模型

2 实验结果与分析

2.1 特征和数据集

2.2 实验相关设置

2.3 视汇表大小

2.4 混淆矩阵

3 结论与讨论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子