基于鄰域平滑稀疏模型的遙感圖像紅樹林識(shí)別算法

歐陽(yáng)怡 駱炎民 徐志通

?

基于鄰域平滑稀疏模型的遙感圖像紅樹林識(shí)別算法

歐陽(yáng)怡 駱炎民 徐志通

華僑大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院

傳統(tǒng)遙感圖像識(shí)別算法大多數(shù)依據(jù)地物的光譜特征，由于紅樹林這類遙感圖像存在大量的“同物異譜”和“異物同譜”的現(xiàn)象，因此僅僅依靠光譜特征很難進(jìn)行準(zhǔn)確的識(shí)別。該文充分考慮紅樹林的地理特征和圖像特征，提出了一種多特征融合的稀疏表示識(shí)別算法。實(shí)驗(yàn)結(jié)果表明，該算法能夠提高紅樹林目標(biāo)檢測(cè)的效果。

遙感圖像 紅樹林 特征融合 稀疏表示 鄰域

0 引言

遙感圖像是通過遙感識(shí)別目標(biāo)的信息載體。目前，遙感技術(shù)已經(jīng)廣泛應(yīng)用于各個(gè)領(lǐng)域，如軍事、農(nóng)業(yè)、林業(yè)、環(huán)境監(jiān)測(cè)、地質(zhì)等[1]。隨著遙感技術(shù)的快速發(fā)展，遙感圖像的光譜分辨率、時(shí)間分辨率和空間分辨率都將得到大大的提高，其應(yīng)用場(chǎng)景也會(huì)越來越廣泛。

紅樹林[2]是位于熱帶和亞熱帶河口或海岸的木本植物群落，在維持生態(tài)系統(tǒng)平衡中發(fā)揮著至關(guān)重要的作用。隨著人類生活和居住的范圍不斷擴(kuò)大，紅樹林植被的面積不斷下降，對(duì)紅樹林的識(shí)別已經(jīng)成為重要的研究方向。由于紅樹林大多數(shù)生長(zhǎng)在潮間帶，野外實(shí)測(cè)的工作非常困難，利用傳統(tǒng)的調(diào)查方法很難達(dá)到準(zhǔn)確的定位[3]。遙感技術(shù)的特點(diǎn)是數(shù)據(jù)更新周期短、覆蓋范圍較大，空間分辨率低，已經(jīng)廣泛應(yīng)用在國(guó)內(nèi)外紅樹林監(jiān)測(cè)中[4]。由于紅樹林遙感數(shù)據(jù)的特殊性，其光譜特征和其它植物存在著大量的同物異譜和異物同譜的現(xiàn)象。如果單純依靠原有遙感圖像的光譜特征，則不能很好地對(duì)紅樹林進(jìn)行識(shí)別，所以把圖像的地面高程信息、歸一化差分植被指數(shù)特征和紋理特征引入紅樹林識(shí)別中，提出了一種多特征融合的方法[5-6]，以提高紅樹林的識(shí)別效果。在紅樹林識(shí)別中，本文決策特征選取TM1～TM7的7個(gè)TM光譜特征、DEM、NDVI和四個(gè)紋理特征（均值、方差、差異性和二階矩）。

目標(biāo)識(shí)別是把待測(cè)像元分辨為目標(biāo)或背景。隨著遙感技術(shù)的迅猛發(fā)展，在遙感圖像目標(biāo)識(shí)別方面已經(jīng)提出很多種方法。常見的目標(biāo)識(shí)別算法有[7-8]：光譜角匹配（SAM）[9]、匹配子空間檢測(cè)（MSD）[10]、自適應(yīng)子空間檢測(cè)（ASD）[11]和支持向量機(jī)（SVM）[12]等。近年來，稀疏表示理論近年來在遙感圖像識(shí)別領(lǐng)域得到了較好的應(yīng)用[13-15]。它主要是將一個(gè)待測(cè)像元通過由過完備字典中的少量原子的線性組合來表示，把目標(biāo)識(shí)別的問題轉(zhuǎn)變成利用字典原子重構(gòu)像元誤差解出最小字典稀疏表示系數(shù)最優(yōu)化的問題[16-17]，即根據(jù)其稀疏表示系數(shù)求出的重構(gòu)誤差，把待測(cè)像元?dú)w于重構(gòu)誤差較小的那類?；谙∈璞硎镜倪b感圖像紅樹林目標(biāo)識(shí)別是根據(jù)目標(biāo)元素樣本和背景元素樣本分別利用K-SVD算法構(gòu)建目標(biāo)子字典和背景子字典[18]，利用重構(gòu)誤差判斷待測(cè)像元屬于目標(biāo)還是背景。在傳統(tǒng)的稀疏表示模型中，沒有考慮到遙感圖像相鄰像元間存在較高的空間相關(guān)性，但是它們屬于同一種物種的可能性很大[19-20]。本文提出一種基于鄰域平滑稀疏模型的遙感圖像紅樹林識(shí)別算法，主要是通過結(jié)合其鄰域像元內(nèi)的光譜特征、地理特征和圖像特征，求其鄰域內(nèi)的平均重構(gòu)誤差，通過比較來判斷待測(cè)像元是目標(biāo)還是背景。

1 多特征融合的稀疏表示模型

在模式識(shí)別中，決策特征選擇的好壞對(duì)分類器的分類精度有直接影響。傳統(tǒng)的遙感圖像目標(biāo)識(shí)別只根據(jù)地物的光譜特征來進(jìn)行，由于紅樹林與其它山體植物、農(nóng)田等光譜信息有很大的相似，僅僅依靠光譜特征辨別很容易發(fā)生錯(cuò)認(rèn)。通過將紅樹林的光譜特征和紅樹林高程特征、歸一化差分植被指數(shù)特征和紋理特征融合，可以很好地區(qū)別其它物種。

根據(jù)稀疏表示的基本理論，遙感圖像中的每個(gè)像元都可以由過完備字典中的原子的線性組合來表示。設(shè)是遙感圖像中的一個(gè)待測(cè)像元，令為一個(gè)過完備字典。對(duì)于一個(gè)遙感圖像像元，可以用過完備字典中的少量原子線性組合來表示：

(2)

在基于多特征融合的稀疏表示檢測(cè)模型中，一個(gè)待測(cè)的像元可以認(rèn)為由目標(biāo)子字典和背景子字典聯(lián)合的字典的原子的線性組合來表示：

(4)

(4)式中，N是訓(xùn)練目標(biāo)的樣本數(shù)，N是訓(xùn)練背景的樣本數(shù)。D是目標(biāo)子字典，D是背景子字典，是將目標(biāo)子字典和背景子字典聯(lián)合的結(jié)構(gòu)化字典。、和分別為在目標(biāo)子字典D、背景子字典D和字典中的稀疏表示系數(shù)向量。稀疏表示系數(shù)向量：

，(6)

(6)式是一個(gè)NP難的問題，我們通常要找到一種近似求解的方法。目前，常用的方法主要有基追蹤（BP）、匹配追蹤（MP）、正交匹配追蹤（OMP）等。本文采用正交匹配追蹤算法（OMP）[21]來求解式（6），正交匹配追蹤算法是從過完備字典中找出與待測(cè)像元?dú)埐钭顬槠ヅ涞钠ヅ湓?，在算法中需要使用正交化的方法?duì)所選的原子進(jìn)行正交處理，然后將待測(cè)像元投影在由這些原子構(gòu)成的空間上，獲取像元在每個(gè)原子上的分量和殘差分量；然后對(duì)殘余分量進(jìn)行分解。多次分解后，原來的像元會(huì)被分解成多個(gè)原子的線性組合。在每一步分解的過程中，所選擇的原子必須使殘余分量隨著分解過程而達(dá)到迅速減小的目的，這樣就可以用少量的原子線性表示原始像元，并且可以快速達(dá)到收斂。OMP算法先輸入待測(cè)像元，字典

具體流程如下：

②在字典中尋找出和殘差正交投影最大的原子：

③求解最小均方問題：

④更新殘差：

(8)

最后，設(shè)定檢測(cè)器的輸出為：

2 鄰域平滑稀疏模型

傳統(tǒng)的稀疏模型只考慮了地物的光譜特征、地理特征和圖像特征，忽略了相鄰像元間存在的空間相關(guān)性。在遙感圖像中，相鄰的像元?dú)w屬于同一種地物的機(jī)率較大。因此，在相同的字典上，我們可以假設(shè)相鄰像元有相同的稀疏表示模式。若x是x的相鄰像元，假設(shè)x用過完備字典中的原子表示為

(11)

首先通過正交匹配追蹤算法來求解稀疏表示系數(shù)，然后利用目標(biāo)子字典和背景子字典求解5個(gè)像元的重構(gòu)誤差取平均值，最后通過比較平均重構(gòu)誤差的大小來辨別待測(cè)像元是目標(biāo)還是背景。在鄰域平滑稀疏模型中，利用和來提高紅樹林識(shí)別效果，計(jì)算公式如下：

(13)

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)所使用的遙感圖像數(shù)據(jù)來源于2006年9月25日LANDSAT 5的TM圖像，是對(duì)福建省漳江口紅樹林自然保護(hù)區(qū)進(jìn)行了采樣，該紅樹林區(qū)域是國(guó)家重要自然保護(hù)區(qū)之一。實(shí)驗(yàn)的硬件平臺(tái)是Inter Core I2 CPU 2.93GHz 2GB，軟件平臺(tái)是Matlab 2013a。

3.1 遙感圖像的特征選取

本實(shí)驗(yàn)紅樹林遙感圖像的特征選取原始的7個(gè)波段的光譜特征（TM1～TM7）、地面高程信息（DEM）、歸一化差分植被指數(shù)（NDVI）和基于灰度共生矩陣中的均值、方差、差異性和二階矩4個(gè)紋理特征，這三種光譜以外的特征在紅樹林識(shí)別中起到了很大的作用。由于紅樹林通常是生長(zhǎng)在潮間帶的物種，海拔比較低，相對(duì)高山上的山體植物，地面高程信息很容易將其分開。實(shí)地調(diào)查發(fā)現(xiàn)，紅樹林位于海拔不多于8m的范圍內(nèi)。NDVI表示植被覆蓋指數(shù)，引入它可以很好地區(qū)分綠色植物和非綠色植物。遙感圖像的紋理由波段的反射強(qiáng)度值在空間位置上反復(fù)出現(xiàn)而成，并且不同的地物一般有不同的紋理特征。當(dāng)目標(biāo)像元的光譜特征極為相似時(shí)，紋理特征可以發(fā)揮關(guān)鍵的作用。本文所采用的統(tǒng)計(jì)方法是基于灰度共生矩陣，相對(duì)于灰度直方圖的各階矩方法，考慮了空間位置信息，可以更好地識(shí)別遙感圖像中的目標(biāo)。計(jì)算灰度共生矩陣的窗口大小設(shè)定為個(gè)像素，并且取四個(gè)方向上均值、方差、差異性和二階距的平均值，使用這四個(gè)紋理特征則能更好地分辨出待測(cè)像元的紋理[23]。

3.2 識(shí)別結(jié)果

本實(shí)驗(yàn)的訓(xùn)練樣本是通過實(shí)地調(diào)查和對(duì)地圖影像可視化解譯所得到的，對(duì)每類物種選取50個(gè)樣本（共50×7個(gè)）。紅樹林樣本構(gòu)成目標(biāo)樣本，農(nóng)田、山體植被、水體、城鎮(zhèn)、灘涂和裸地構(gòu)成6種背景樣本。經(jīng)調(diào)查，紅樹林區(qū)域主要位于原始圖像中間一小塊綠色區(qū)域處。本文利用K-SVD算法[24]分別對(duì)目標(biāo)樣本和背景樣本進(jìn)行訓(xùn)練，紅樹林樣本所訓(xùn)練出來的字典構(gòu)成目標(biāo)子字典，其它6種樣本訓(xùn)練出來的字典構(gòu)成背景子字典。為了驗(yàn)證多特征融合的稀疏表示模型和鄰域平滑稀疏模型的有效性，本文實(shí)驗(yàn)分為三種情況，圖1為原始的TM圖像，圖2是三種方法的識(shí)別效果，（a）是基于光譜特征的稀疏表示的識(shí)別算法（SR），（b）是基于多特征融合的稀疏表示模型的識(shí)別算法（MF-SR），（c）是鄰域平滑稀疏模型識(shí)別算法（SR-S）。圖像中的紅色標(biāo)記則為檢測(cè)出的紅樹林區(qū)域。

圖1 TM圖像 RGB（5，4，3）

(a) SR方法的識(shí)別效果

(b) MF-SR方法的識(shí)別效果

(c) SR-S方法的識(shí)別效果

通過仿真實(shí)驗(yàn)，對(duì)比紅樹林識(shí)別結(jié)果圖可以發(fā)現(xiàn)，三種方法中的灘涂和水體都能夠較好地判斷為背景，因?yàn)闉┩亢退w與紅樹林在光譜特征上區(qū)別較為明顯。由于紅樹林和其它綠色植物的光譜特征較為相似，也就是遙感圖像中有很多“同物異譜”和“異物同譜”的現(xiàn)象，會(huì)把大多數(shù)山體植物和農(nóng)田誤認(rèn)為紅樹林，導(dǎo)致出現(xiàn)很多錯(cuò)識(shí)的現(xiàn)象，降低了識(shí)別精度?；诙嗵卣魅诤系南∈璞硎咀R(shí)別算法充分利用了紅樹林的圖像特征和地理特征，降低了光譜特征的干擾，大大提高了識(shí)別效果。與多特征融合的稀疏模型相比，鄰域平滑稀疏模型識(shí)別算法考慮了遙感圖像的空間相關(guān)性，總體而言有更好的表現(xiàn)。

4 結(jié)束語(yǔ)

傳統(tǒng)遙感圖像目標(biāo)識(shí)別方法只根據(jù)地物的光譜特征來辨別，但由于紅樹林這類特殊的遙感圖像存在大量的“同物異譜”和“異物同譜”現(xiàn)象，單純依靠光譜特征很難進(jìn)行準(zhǔn)確的識(shí)別。本文通過提出了一種多特征融合的方法，將紅樹林這類遙感圖像的光譜特征、地理特征和圖像特征相融合，以提高紅樹林的識(shí)別效果。通過研究鄰域稀疏平滑模型，提出一種基于鄰域平滑稀疏模型的遙感圖像紅樹林識(shí)別算法。該模型的建立充分考慮了相鄰像元或相鄰區(qū)域的空間相似性，取得了較好的識(shí)別效果。

參考文獻(xiàn)：

[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. 紅樹林遙感成圖研究綜述[J]. 中南林業(yè)調(diào)查規(guī)劃, 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, 張良培,等. 基于紋理特征和形態(tài)學(xué)特征融合的高光譜影像分類法[J]. 光子學(xué)報(bào), 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] 趙春暉, 劉一帆, 李威. 基于精確字典稀疏表示算法的高光譜圖像目標(biāo)檢測(cè)[J]. 黑龍江大學(xué)工程學(xué)報(bào), 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] 宋義剛, 吳澤彬, 孫樂,等. 一種新的空譜聯(lián)合稀疏高光譜目標(biāo)檢測(cè)方法[J]. 兵工學(xué)報(bào), 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] 趙春暉, 李曉慧, 朱海峰. 空間4-鄰域稀疏表示的高光譜圖像目標(biāo)檢測(cè)[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 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.