基于邻域平滑稀疏模型的遥感图像红树林识别算法
2016-10-14欧阳怡骆炎民徐志通
欧阳怡 骆炎民 徐志通
基于邻域平滑稀疏模型的遥感图像红树林识别算法
欧阳怡 骆炎民 徐志通
华侨大学计算机科学与技术学院
传统遥感图像识别算法大多数依据地物的光谱特征,由于红树林这类遥感图像存在大量的“同物异谱”和“异物同谱”的现象,因此仅仅依靠光谱特征很难进行准确的识别。该文充分考虑红树林的地理特征和图像特征,提出了一种多特征融合的稀疏表示识别算法。实验结果表明,该算法能够提高红树林目标检测的效果。
遥感图像 红树林 特征融合 稀疏表示 邻域
0 引言
遥感图像是通过遥感识别目标的信息载体。目前,遥感技术已经广泛应用于各个领域,如军事、农业、林业、环境监测、地质等[1]。随着遥感技术的快速发展,遥感图像的光谱分辨率、时间分辨率和空间分辨率都将得到大大的提高,其应用场景也会越来越广泛。
红树林[2]是位于热带和亚热带河口或海岸的木本植物群落,在维持生态系统平衡中发挥着至关重要的作用。随着人类生活和居住的范围不断扩大,红树林植被的面积不断下降,对红树林的识别已经成为重要的研究方向。由于红树林大多数生长在潮间带,野外实测的工作非常困难,利用传统的调查方法很难达到准确的定位[3]。遥感技术的特点是数据更新周期短、覆盖范围较大,空间分辨率低,已经广泛应用在国内外红树林监测中[4]。由于红树林遥感数据的特殊性,其光谱特征和其它植物存在着大量的同物异谱和异物同谱的现象。如果单纯依靠原有遥感图像的光谱特征,则不能很好地对红树林进行识别,所以把图像的地面高程信息、归一化差分植被指数特征和纹理特征引入红树林识别中,提出了一种多特征融合的方法[5-6],以提高红树林的识别效果。在红树林识别中,本文决策特征选取TM1~TM7的7个TM光谱特征、DEM、NDVI和四个纹理特征(均值、方差、差异性和二阶矩)。
目标识别是把待测像元分辨为目标或背景。随着遥感技术的迅猛发展,在遥感图像目标识别方面已经提出很多种方法。常见的目标识别算法有[7-8]:光谱角匹配(SAM)[9]、匹配子空间检测(MSD)[10]、自适应子空间检测(ASD)[11]和支持向量机(SVM)[12]等。近年来,稀疏表示理论近年来在遥感图像识别领域得到了较好的应用[13-15]。它主要是将一个待测像元通过由过完备字典中的少量原子的线性组合来表示,把目标识别的问题转变成利用字典原子重构像元误差解出最小字典稀疏表示系数最优化的问题[16-17],即根据其稀疏表示系数求出的重构误差,把待测像元归于重构误差较小的那类。基于稀疏表示的遥感图像红树林目标识别是根据目标元素样本和背景元素样本分别利用K-SVD算法构建目标子字典和背景子字典[18],利用重构误差判断待测像元属于目标还是背景。在传统的稀疏表示模型中,没有考虑到遥感图像相邻像元间存在较高的空间相关性,但是它们属于同一种物种的可能性很大[19-20]。本文提出一种基于邻域平滑稀疏模型的遥感图像红树林识别算法,主要是通过结合其邻域像元内的光谱特征、地理特征和图像特征,求其邻域内的平均重构误差,通过比较来判断待测像元是目标还是背景。
1 多特征融合的稀疏表示模型
在模式识别中,决策特征选择的好坏对分类器的分类精度有直接影响。传统的遥感图像目标识别只根据地物的光谱特征来进行,由于红树林与其它山体植物、农田等光谱信息有很大的相似,仅仅依靠光谱特征辨别很容易发生错认。通过将红树林的光谱特征和红树林高程特征、归一化差分植被指数特征和纹理特征融合,可以很好地区别其它物种。
根据稀疏表示的基本理论,遥感图像中的每个像元都可以由过完备字典中的原子的线性组合来表示。设是遥感图像中的一个待测像元,令为一个过完备字典。对于一个遥感图像像元,可以用过完备字典中的少量原子线性组合来表示:
(2)
在基于多特征融合的稀疏表示检测模型中,一个待测的像元可以认为由目标子字典和背景子字典联合的字典的原子的线性组合来表示:
(4)
(4)式中,N是训练目标的样本数,N是训练背景的样本数。D是目标子字典,D是背景子字典,是将目标子字典和背景子字典联合的结构化字典。、和分别为在目标子字典D、背景子字典D和字典中的稀疏表示系数向量。稀疏表示系数向量:
,(6)
(6)式是一个NP难的问题,我们通常要找到一种近似求解的方法。目前,常用的方法主要有基追踪(BP)、匹配追踪(MP)、正交匹配追踪(OMP)等。本文采用正交匹配追踪算法(OMP)[21]来求解式(6),正交匹配追踪算法是从过完备字典中找出与待测像元残差最为匹配的匹配原子,在算法中需要使用正交化的方法对所选的原子进行正交处理,然后将待测像元投影在由这些原子构成的空间上,获取像元在每个原子上的分量和残差分量;然后对残余分量进行分解。多次分解后,原来的像元会被分解成多个原子的线性组合。在每一步分解的过程中,所选择的原子必须使残余分量随着分解过程而达到迅速减小的目的,这样就可以用少量的原子线性表示原始像元,并且可以快速达到收敛。OMP算法先输入待测像元,字典
具体流程如下:
②在字典中寻找出和残差正交投影最大的原子:
③求解最小均方问题:
④更新残差:
(8)
最后,设定检测器的输出为:
2 邻域平滑稀疏模型
传统的稀疏模型只考虑了地物的光谱特征、地理特征和图像特征,忽略了相邻像元间存在的空间相关性。在遥感图像中,相邻的像元归属于同一种地物的机率较大。因此,在相同的字典上,我们可以假设相邻像元有相同的稀疏表示模式。若x是x的相邻像元,假设x用过完备字典中的原子表示为
(11)
首先通过正交匹配追踪算法来求解稀疏表示系数,然后利用目标子字典和背景子字典求解5个像元的重构误差取平均值,最后通过比较平均重构误差的大小来辨别待测像元是目标还是背景。在邻域平滑稀疏模型中,利用和来提高红树林识别效果,计算公式如下:
(13)
3 实验结果与分析
本文实验所使用的遥感图像数据来源于2006年9月25日LANDSAT 5的TM图像,是对福建省漳江口红树林自然保护区进行了采样,该红树林区域是国家重要自然保护区之一。实验的硬件平台是Inter Core I2 CPU 2.93GHz 2GB,软件平台是Matlab 2013a。
3.1 遥感图像的特征选取
本实验红树林遥感图像的特征选取原始的7个波段的光谱特征(TM1~TM7)、地面高程信息(DEM)、归一化差分植被指数(NDVI)和基于灰度共生矩阵中的均值、方差、差异性和二阶矩4个纹理特征,这三种光谱以外的特征在红树林识别中起到了很大的作用。由于红树林通常是生长在潮间带的物种,海拔比较低,相对高山上的山体植物,地面高程信息很容易将其分开。实地调查发现,红树林位于海拔不多于8m的范围内。NDVI表示植被覆盖指数,引入它可以很好地区分绿色植物和非绿色植物。遥感图像的纹理由波段的反射强度值在空间位置上反复出现而成,并且不同的地物一般有不同的纹理特征。当目标像元的光谱特征极为相似时,纹理特征可以发挥关键的作用。本文所采用的统计方法是基于灰度共生矩阵,相对于灰度直方图的各阶矩方法,考虑了空间位置信息,可以更好地识别遥感图像中的目标。计算灰度共生矩阵的窗口大小设定为个像素,并且取四个方向上均值、方差、差异性和二阶距的平均值,使用这四个纹理特征则能更好地分辨出待测像元的纹理[23]。
3.2 识别结果
本实验的训练样本是通过实地调查和对地图影像可视化解译所得到的,对每类物种选取50个样本(共50×7个)。红树林样本构成目标样本,农田、山体植被、水体、城镇、滩涂和裸地构成6种背景样本。经调查,红树林区域主要位于原始图像中间一小块绿色区域处。本文利用K-SVD算法[24]分别对目标样本和背景样本进行训练,红树林样本所训练出来的字典构成目标子字典,其它6种样本训练出来的字典构成背景子字典。为了验证多特征融合的稀疏表示模型和邻域平滑稀疏模型的有效性,本文实验分为三种情况,图1为原始的TM图像,图2是三种方法的识别效果,(a)是基于光谱特征的稀疏表示的识别算法(SR),(b)是基于多特征融合的稀疏表示模型的识别算法(MF-SR),(c)是邻域平滑稀疏模型识别算法(SR-S)。图像中的红色标记则为检测出的红树林区域。
图1 TM图像 RGB(5,4,3)
(a) SR方法的识别效果
(b) MF-SR方法的识别效果
(c) SR-S方法的识别效果
通过仿真实验,对比红树林识别结果图可以发现,三种方法中的滩涂和水体都能够较好地判断为背景,因为滩涂和水体与红树林在光谱特征上区别较为明显。由于红树林和其它绿色植物的光谱特征较为相似,也就是遥感图像中有很多“同物异谱”和“异物同谱”的现象,会把大多数山体植物和农田误认为红树林,导致出现很多错识的现象,降低了识别精度。基于多特征融合的稀疏表示识别算法充分利用了红树林的图像特征和地理特征,降低了光谱特征的干扰,大大提高了识别效果。与多特征融合的稀疏模型相比,邻域平滑稀疏模型识别算法考虑了遥感图像的空间相关性,总体而言有更好的表现。
4 结束语
传统遥感图像目标识别方法只根据地物的光谱特征来辨别,但由于红树林这类特殊的遥感图像存在大量的“同物异谱”和“异物同谱”现象,单纯依靠光谱特征很难进行准确的识别。本文通过提出了一种多特征融合的方法,将红树林这类遥感图像的光谱特征、地理特征和图像特征相融合,以提高红树林的识别效果。通过研究邻域稀疏平滑模型,提出一种基于邻域平滑稀疏模型的遥感图像红树林识别算法。该模型的建立充分考虑了相邻像元或相邻区域的空间相似性,取得了较好的识别效果。
参考文献:
[1] Manolakis D, Shaw G. Detection algorithms for hyperspectral imaging applications[J]. IEEE Signal Processing Magazine, 2002, 19(1):29-43.
[2] Giri C, Ochieng E, Tieszen L L, et al. Status and distribution of mangrove forests of the world using earth observation satellite data[J]. Global Ecology & Biogeography, 2011, 20(1):154-159.
[3] 李春干. 红树林遥感成图研究综述[J]. 中南林业调查规划, 2002, 21(4): 52-55.
[4] Heumann B W. Satellite remote sensing of mangrove forests: Recent advances and future opportunities[J]. Progress in Physical Geography, 2011, 35(1): 87-108.
[5] Wang W J, Zhao Z M, Zhu H Q. Object-oriented multi-feature fusion change detection method for high resolution remote sensing image[C]//International Conference on Geoinformatics. IEEE, 2009:1-6.
[6] 王增茂, 杜博, 张良培,等. 基于纹理特征和形态学特征融合的高光谱影像分类法[J]. 光子学报, 2014, 43(8):116-123.
[7] Matteoli S, Diani M, Corsini G. A tutorial overview of anomaly detection in hyperspectral images[J]. IEEE Aerospace & Electronic Systems Magazine, 2010, 25(7):5-28.
[8] Manolakis D, Shaw G. Detection algorithms for hyperspectral imaging applications[J]. IEEE Signal Processing Magazine, 2002, 19(1):29-43.
[9] Robey F C, Fuhrmann D R, Kelly E J, et al. A CFAR adaptive matched filter detector[J]. IEEE Transactions on Aerospace & Electronic Systems, 1992, 28(1):208-216.
[10] Scharf L L, Friedlander B. Matched subspace detectors[J]. IEEE Transactions on Signal Processing, 1994, 42(8):2146-2157.
[11] Banerjee A, Burlina P, Diehl C. A support vector method for anomaly detection in hyperspectral imagery[J]. IEEE Transactions on Geoscience & Remote Sensing, 2006, 44(8):2282-2291.
[12] Kraut S, Scharf L L, Mcwhorter L T. Adaptive subspace detectors[J]. IEEE Transactions on Signal Processing, 2001, 49(1):1-16.
[13]Yokoya N, Iwasaki A. Object Detection Based on Sparse Representation and Hough Voting for Optical Remote Sensing Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015, 8(5):1.
[14] Zhang Y, Du B, Zhang L. A Sparse Representation-Based Binary Hypothesis Model for Target Detection in Hyperspectral Images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2015, 53(3):1346-1354.
[15] Wright J, Ma Y, Mairal J, et al. Sparse Representation for Computer Vision and Pattern Recognition[J]. Proceedings of the IEEE, 2010, 98(6):1031-1044.
[16] Chen Y, Nasrabadi N M, Tran T D. Sparse Representation for Target Detection in Hyperspectral Imagery[J]. IEEE Journal of Selected Topics in Signal Processing, 2011, 5(3):629-640.
[17] Matteoli S, Diani M, Corsini G. A tutorial overview of anomaly detection in hyperspectral images[J]. IEEE Aerospace & Electronic Systems Magazine, 2010, 25(7):5-28.
[18] 赵春晖, 刘一帆, 李威. 基于精确字典稀疏表示算法的高光谱图像目标检测[J]. 黑龙江大学工程学报, 2014(2):73-77.
[19] Gu Y, Wang Y, Zheng H, et al. Hyperspectral target detection via exploiting spatial-spectral joint sparsity[J]. Neurocomputing, 2015, 169:104-108.
[20] 宋义刚, 吴泽彬, 孙乐,等. 一种新的空谱联合稀疏高光谱目标检测方法[J]. 兵工学报, 2014, 35(6):834-841.
[21] Tropp J A, Gilbert A C. Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit[J]. IEEE Transactions on Information Theory, 2007, 53(12):4655-4666.
[22] 赵春晖, 李晓慧, 朱海峰. 空间4-邻域稀疏表示的高光谱图像目标检测[J]. 哈尔滨工程大学学报, 2013(9):1171-1178.
[23] Song Y, Wan Y C, Chen P. Textural Features Analysis Based on GLCM in TM Thermal Infrared Remotely Sensed Images[J]. Remote Sensing Information, 2006, 58(4):24-26.
[24] Aharon M, Elad M, Bruckstein A. -SVD: An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation[J]. IEEE Transactions on Signal Processing, 2006, 54(11):4311-4322.