改进型ICA和SVM相结合的火山灰云遥感检测*

刘 岚，雷咏梅，尹京苑，2，李成范**，赵俊娟

改进型ICA和SVM相结合的火山灰云遥感检测*

刘 岚1，雷咏梅1，尹京苑1，2，李成范**1，赵俊娟1

（1.上海大学计算机工程与科学学院，上海200444；2.上海市地震局，上海200062）

针对独立分量分析（ICA）模型在火山灰云遥感检测中的不足，提出了一种改进型ICA即变分贝叶斯ICA（VBICA）和支持向量机（SVM）相结合的火山灰云遥感检测算法，实现了火山灰云信息的近似分离。实验结果表明，所提算法能够从中分辨率成像光谱仪（MODIS）遥感图像中检测出火山灰云目标信息，且总检测精度和KaPPa系数分别达到了88.4%和0.801 1，取得了较好的检测效果。

火山灰云；遥感检测；独立分量分析；支持向量机；MODIS图像；贝叶斯网络

1 引 言

遥感技术具有覆盖范围广、信息量大、重访周期短等优点，能够及时、准确地获取地球表面的变化信息，已在各个领域得到了广泛的应用[1-2]。独立分量分析（IndePendent ComPonent AnalYsis，ICA）作为一种有效的信号处理技术，具有不需要先验知识就能够从混合信号中分离出不同源信号的能力[3]，而遥感图像在本质上也是不同地物信息成分所构成的混合观测信号[4]。但是，ICA模型自身特征，例如各成分独立、固定不变、不确定解以及无噪假设等，使得其与实际的遥感图像结构并不完全一致。此外，支持向量机（SuPPort Vector Machine，SVM）利用结构风险最小化原则通过将低维空间中的线性数据映射到高维特征空间来实现遥感图像的非线性分类[5]，与ICA具有很强的互补性。但是，以往ICA模型和SVM方法主要被用来进行人脸识别、机器噪声监测等[6-7]，而两者结合起来用于遥感图像目标检测的研究则较少。鉴于ICA和SVM方法在遥感图像处理领域中的巨大潜力，在分析ICA模型和遥感图像特征的基础上，本文提出了基于改进型ICA即变分贝叶斯ICA（Variational ICA，VICA）和SVM相结合的遥感图像目标检测算法，并从真实的中分辨率成像光谱仪（Moderate Resolution Imaging SPec_ tradiometer，MODIS）遥感图像中进行了火山灰云目标检测实验。

2 VBICA和SVM方法的基本原理

2.1 VBICA方法

对于含有噪声的线性混合ICA模型[5-6]，根据遥感图像特点，为了便于建模和计算，本文选取高斯混合模型（Mixture of Gauss，MOG）作为具体的源信号模型。对于具有L个源信号的ICA模型而言，就会存在L个MOG模型{t1，t2，…，tL}。其中，s的概率分布计算公式为

式中：θ是s的MOG模型参数θi＝[πi，μi，βi]，θ＝[θ1，θ2，…，θL]，其中πi为不同成分的混合比例；μi，qi为第i个源信号中第qi个成分的期望值；βi，qi为第i个源信号中第qi个成分的精度值。

在目标函数F[x∣θ]中，p（W∣x，M）的近似可以表示为。根据贝叶斯网络的条件独立性原则，的概率分布为

2.2 SVM方法

作为一种基于统计学习理论的机器学习方法[7-8]，目前SVM已成为机器学习领域的研究热点。假设存在样本集{（x1，γ1），（x2，γ2），…，（xn，γn）}，xi∈Rd为输入模式，I＝1，2，…，N，γ∈{±1}为目标输出。最优分类超平面为wTxi＋b＝0，w为权值向量，b为偏置，公式为

式中：C为惩罚系数，C≥0，表示对错误分类的惩罚程度。还可以进一步转化为具有约束条件ΣNi＝1αiγi＝0，αi≥0（i＝1，2，…，N）的优化：

2.3 VBICA-SVM方法构建

（1）VBICA处理

利用VBICA方法对不同的遥感频段图像进行处理，显著地降低了目标信息光谱分布的复杂度、异质性和频段间的相关性，使得光谱独立成分中地物光谱分布的类间差异增大、类内差异减少，有利于后续的遥感图像目标信息检测。

（2）SVM样本训练和处理过程

选取训练样区并通过实验选择SVM分类器的参数，主要包括核函数及其参数的选择。首先，根据遥感图像和目标信息特点，从中选择目标信息的训练样本进行规一化处理；其次，利用SVM在样本特征空间中找出目标信息样本与其他特征样本的最优分类超平面，获得各样本特征的支持向量集及其相应的可信度，形成判断各特征类别的判别函数；最后，将获取的特征向量作为SVM的输入向量，即可构建SVM分类器进行遥感图像目标信息检测。

（3）遥感图像目标信息检测精度评价

利用混淆矩阵法对VBICA-SVM方法检测出的遥感图像目标信息进行精度评价。

3 仿真实验

为了验证VBICA方法分离混合观测信号的能力，本文在MATLAB 6.5软件平台的基础上，随机采用振动信号函数模型分别构造源信号s1和s2，然后对两个模拟源信号进行随机混合处理得到两个观测混合信号，再利用变分贝叶斯ICA方法对观测混合信号进行分离处理。

首先，本实验中采用的两个振动源信号函数分别为

式中：源信号函数s1和s2的频率为1 000 Hz；采样长度为1 024个点。计算得到源信号如图1所示。

图1 源信号s1和s2Fig.1 The source signal s1and s2

其次，在得到源信号s1和s2模拟图像的基础上，还需要对两个源信号进行混合处理，以便得到遥感传感器的混合观测信号，用x表示。在本文中，由s1和s2两个源信号可知，选取任意一个2×2的随机矩阵A，根据含有噪声的ICA计算公式进行混合处理，并在混合观测信号x中分别添加5 dB的高斯噪声。此时，得到的两组混合观测信号如图2所示。

图2 由源信号s1和s2混合而成的混合观测信号x1和x2Fig.2 The mixed observation signal x1and x2bY the source signal s1and s2

最后，对混合观测信号x1和x2再进行分离处理，分离结果如图3所示。

图3 VBICA方法分离出的源信号Fig.3 The seParated source signal bY VBICA method

从图3可以看出，在噪声环境下，VBICA方法分离出的信号形状与源信号较为接近，只是在幅度上存在一定的缩放情况。由此可知，VBICA方法能够较好地从混合观测信号中分离出源信号，在实际应用中具有巨大的潜力。

4 MODIS遥感图像目标检测

由于地球表面真实的地物分布较为复杂，再加上卫星传感器成像特征等，都使得遥感图像要比仿真信号复杂得多。因此，在仿真实验的基础上，本文尝试利用VBICA和SVM相结合的方法从MODIS遥感图像中进行火山灰云这一目标的检测验证。

4.1 MODIS数据概况

MODIS卫星传感器搭载在美国的Terra/Aqua卫星上，于1999年12月18日成功发射。MODIS传感器具有36个光谱通道[3]，扫描宽度为2 330 km× 10 km，基本上覆盖了0.4～1.44 μm的光谱范围，辐射分辨率为12 b，空间分辨率分别为250 m（通道1和2）、500 m（通道3～7）和1 000 m（通道8～36）。MODIS时间分辨率较高，一天可过境4次，能够对不同突发性灾害进行实时、高效监测，已广泛应用于火山活动与火山灰云识别、陆地与海洋表面亮温、大气污染和降水、土地覆盖以及生态环境变化监测等研究领域。

4.2 桑厄昂火山灰云概况

桑厄昂火山（SangeangAPi）又称为亚比火山，是一座由两个海拔高度分别为1 949 m和1 795 m的火山锥组成的复式火山，也是东南亚地区最活跃的活火山之一。2014年5月30日，桑厄昂火山突然喷发，喷发出大量的火山灰和气体，并在15～20 km高度处形成火山灰云团。此次火山灰云团不断向南方向扩散，影响了当地多个航班的正常运转，带来较大的经济损失。图4为2014年5月30日桑厄昂火山灰云局部放大MODIS原始遥感图像。

图4 桑厄昂火山灰云MODIS原始图像Fig.4 SangeangAPi′s original MODIS image

4.3 火山灰云目标检测

(4)创客敢于实践。实践是检验真理的唯一标准，只有将自身想法付诸于行动，并用实践行动来检验自身的想法是否正确，这样的一类人才能成为创客。

4.3.1 VBICA处理

本实验中，根据MODIS遥感图像特征和地表地物的实际分布，将桑厄昂火山灰云MODIS图像的通道20～36（第26通道除外）全部进行VBICA处理，处理后得到的独立分量图像和原始频段如图5所示。

图5 VBICA方法处理后得到的图像Fig.5 The obtained indePendent comPonent images bY VBICA method and original bands images

从图5可看出，独立分量图像中不同类型地物信息之间的差异非常大，如在第三独立分量图像中火山灰云团的信息非常明显，而原始频段图像中的火山灰云目标信息相对较少，且与周围地物混淆较为严重，甚至薄一些频段图像中几乎都是噪声信息。

4.3.2 基于SVM的火山灰云检测

将VBICA方法处理后得到的全部独立分量图像作为SVM的输入特征向量，分别参与到SVM分类器的训练和学习中。根据MODIS遥感图像特征，SVM分类器中分别设置如下：核函数为径向基核函数（RBF），惩罚系数C为700，间隔系数γ为0.03。最后，经过VBICA和SVM相结合方法处理后，即可从MODIS遥感图像中检测出火山灰云目标信息，结果如图6所示。从图6中可看出，VBICA和SVM相结合方法不但能够准确地检测出2014年5月30日桑厄昂火山灰云目标信息，而且检测出的目标信息目视效果好，破碎图斑少。

图6 VBICA与SVM相结合方法检测出的火山灰云Fig.6 The detected volcanic ash cloud bY VBICA＋SVM method

4.4 目标检测精度评价

为了评价基于VBICA和SVM相结合方法对2014年5月30日桑厄昂火山灰云目标检测的精度，实验通过随机产生500个校对数据点，采用混淆矩阵法对识别出的目标信息进行精度评价，结果如表1和表2所示。

表1 火山灰云信息混淆矩阵Tab.1 Confusion matrix of volcanic ash cloud

表2 火山灰云信息检测精度Tab.2 Detection accuracY of volcanic ash cloud

5 结束语

本文在分析传统ICA模型特征以及其在遥感图像目标检测中不足的基础上，提出了VBICA和SVM相结合的遥感图像目标检测算法。该方法将贝叶斯网络引入到ICA模型中，并利用贝叶斯推论来实现对未知变量的学习，随后应用变分近似算法对推论过程进行优化和简化处理，最后将简化后的独立成分参与到SVM分类器的学习和训练以便从遥感图像中非线性的分离出不同地物成分。本文利用仿真信号进行分离实验，表明该方法具有较好的分离效果，随后从真实的MODIS遥感图像中进行火山灰云目标信息检测实验，总精度和KaPPa系数分别达到了88.4%和0.801 1，具有较好的应用前景。

尽管VBICA和SVM相结合的遥感图像目标检测算法是对传统遥感图像中ICA方法的一种改进，且具有较好的效果，但是该算法主要是针对MODIS遥感图像进行目标检测实验，对于其他不同类型的遥感图像是否实用，以及在进行独立分量处理时，本文主要是根据经验选择了红外光谱通道，而对于具有几十个光谱通道的MODIS图像如何从中选择适合检测目标的通道等，都还需要在今后进一步研究。

[1] NASCIMENTO J M P，DIAS J M B.Does indePendent comPonent analYsis PlaY a role in unmixinghYPersPectral data？[J].IEEE Transactions on Geoscience and Re_ mote Sensing，2005，43（1）：175-187.

[2] 俞鸿波，刘永光.一种基于最小错分概率的遥感影像变化检测算法[J].电讯技术，2008，48（5）：78-81. YU Hongbo，LIU Yongguang.A change detection algorithm based on minimal classifYing error[J].Telecommunication Engineering，2008，48（5）：78-81.（in Chinese）

[3] HYVARINEN A.IndePendent comPonent analYsis in the Presence of Gaussian noise bY maximizing joint likelihood [J].NeurocomPuting，1998，22（1/2/3）：49-67.

[4] LI C F，YIN J Y，ZHAO J J.Using imProved ICA method for hYPersPectral data classification[J].Arabian Journal for Science and Engineering，2014，39（1）：181-189.

[5] 王凯峰，秦前清.基于单类SVM的遥感图像目标检测[J].计算机工程与应用，2005，41（32）：63-64. WANG Kaifeng，QIN Qianqing.Objection detection for remote sensing images based on one-class SVM[J]. ComPuters Engineering and APPlications，2005，41（32）：63-64.（in Chinese）

[6] 刘学胜.基于PCA和SVM算法的人脸识别[J].计算机与数字工程，2011，26（7）：124-126. LIU Xuesheng.Face recognition based on PCA and SVM algorithm[J].ComPuter and Digital Engineering，2011，26（7）：124-126.（in Chinese）

[7] 李志农，周伟，刘卫兵，等.基于小波包-变分贝叶斯独立分量分析的源信号盲分离方法[J].南昌航空大学学报（自然科学版），2013，27（1）：61-65. LI Zhinong，ZHOU Wei，LIU Weibing，et al.The blind source seParation method based on Wavelet Packet and variational baYes indePendent comPonent analYsis[J]. Journal of Nanchang Hangkong UniversitY（Natural Sci_ ences），2013，27（1）：61-65.（in Chinese）

[8] 董江山，李成范，赵俊娟，等.基于变分贝叶斯ICA的遥感图像混合像元分析[J].电讯技术，2013，53（10）：1274-1278. DONG Jiangshan，LI Chengfan，ZHAO Junjuan，et al. Mixed Pixel analYsis of remote sensing image based on variational baYesian method[J].Telecommunicaton Engi_ neering，2013，53（10）：1274-1278.（in Chinese）

刘 岚（1982—），女，山东济宁人，2009年于西南大学获硕士学位，现为博士研究生，主要研究方向为图像处理；

LIU Lan Was born in Jining，Shandong Prov_ ince，in 1982.She received the M.S.degree from SouthWest UniversitY in 2009.She is cur_ rentlY Working toWard the Ph.D.degree.Her research concerns image Processing.

Email：david-0904@163.com

雷咏梅（1965—），女，上海人，1999年于西安交通大学获博士学位，现为教授、博士生导师，主要从事并行计算研究；

LEI Yongmei Was born in Shanghai，in 1965.She received the Ph.D.degree from Xi′an Jiaotong UniversitY in 1999.She is noW a Professor and also the Ph.D.suPervisor.Her research concerns Parallel comPutation.

Email：lei@shu.edu.cn

尹京苑（1955—），男，河北故城人，1995年于法国斯特拉斯堡大学获博士学位，现为教授、博士生导师，主要从事对地观测技术与灾害研究；

YIN JingYuan Was born in Gucheng，Hebei Province，in 1955.He received the Ph.D.degree from Louis Pasteu Univer_ sitY，France，in 1995.He is noW a Professor and also the Ph.D. suPervisor.His research concerns earth observations technologY and disaster.

Email：jYYin@staff.shu.edu.cn

李成范（1981—），男，河南南阳人，2012年于上海大学获博士学位，现为高级工程师、硕士生导师，主要研究方向为遥感与空间信息处理。

LI Chengfan Was born in NanYang，Henan Province，in 1981.He received the Ph.D.degree from Shanghai UniversitY in 2012.He is noW a senior engineer and also the instructor of graduate students.His research concerns remote sensing and sPatial information Processing.

Email：lchf@shu.edu.cn

Remote Sensing Detection of Volcanic Ash Cloud Using Improved Independent Component Analysis and Support Vector Machine Algorithm

LIU Lan1，LEI Yongmei1，YIN JingYuan1，2，LI Chengfan1，ZHAO Junjuan1
（1.School of ComPuter Engineering and Science，Shanghai UniversitY，Shanghai 200444，China；2.Earthquake Administration of Shanghai MuniciPalitY，Shanghai 200062，China）

For the deficiencies of IndePendent ComPonent AnalYsis（ICA）model in volcanic ash cloud re_ mote sensing detection，a remote sensing detection algorithm is ProPosed based on imProved ICA（namelY Variational BaYesian ICA，VBICA）and SuPPort Vector Machine（SVM）to realize the aPProximate sePara_ tion of volcanic ash cloud information.Test results shoW that the ProPosed method can detect the volcanic ash cloud information from the Moderate Resolution Imaging SPectradiometer（MODIS）remote sensing im_ age，and the total detection accuracY and KaPPa coefficient reaches 88.4%and 0.801 1 resPectivelY.The detection result is satisfYing.

volcanic ash cloud；remote sensing detection；indePendent comPonent analYsis；suPPort vector machine；MODIS image；BaYesian netWork

The National Natural Science Foundation of China（No.41404024）；Shanghai Science and TechnologY DeveloPment Founda_ tion（No.14231202600）；Young Teachers Training and SuPPorting Plan in Shanghai Universities（No.2014-2016）

TN911.73

A

1001-893X（2016）01-0088-05

10.3969/j.issn.1001-893x.2016.01.016

刘岚，雷咏梅，尹京苑，等.改进型ICA和SVM相结合的火山灰云遥感检测[J].电讯技术，2016，56（1）：88-92.[LIU Lan，LEI Yongmei，YIN JingYuan，et al.Remote sensing detection of volcanic ash cloud using imProved indePendent comPonent analYsis and suPPort vec_ tor machine algorithm[J].Telecommunication Engineering，2016，56（1）：88-92.]

2015-04-14；

2015-09-06 Received date：2015-04-14；Revised date：2015-09-06

国家自然科学基金资助项目（41404024）；上海市科技发展基金资助项目（14231202600）；上海高校青年教师培养资助计划项目（2014-2016）

**通信作者：lchf@shu.edu.cn Corresponding author：lchf@shu.edu.cn