改進(jìn)型ICA和SVM相結(jié)合的火山灰云遙感檢測(cè)*

劉 嵐，雷詠梅，尹京苑，2，李成范**，趙俊娟

改進(jìn)型ICA和SVM相結(jié)合的火山灰云遙感檢測(cè)*

劉 嵐1，雷詠梅1，尹京苑1，2，李成范**1，趙俊娟1

（1.上海大學(xué)計(jì)算機(jī)工程與科學(xué)學(xué)院，上海200444；2.上海市地震局，上海200062）

針對(duì)獨(dú)立分量分析（ICA）模型在火山灰云遙感檢測(cè)中的不足，提出了一種改進(jìn)型ICA即變分貝葉斯ICA（VBICA）和支持向量機(jī)（SVM）相結(jié)合的火山灰云遙感檢測(cè)算法，實(shí)現(xiàn)了火山灰云信息的近似分離。實(shí)驗(yàn)結(jié)果表明，所提算法能夠從中分辨率成像光譜儀（MODIS）遙感圖像中檢測(cè)出火山灰云目標(biāo)信息，且總檢測(cè)精度和KaPPa系數(shù)分別達(dá)到了88.4%和0.801 1，取得了較好的檢測(cè)效果。

火山灰云；遙感檢測(cè)；獨(dú)立分量分析；支持向量機(jī)；MODIS圖像；貝葉斯網(wǎng)絡(luò)

1 引 言

遙感技術(shù)具有覆蓋范圍廣、信息量大、重訪周期短等優(yōu)點(diǎn)，能夠及時(shí)、準(zhǔn)確地獲取地球表面的變化信息，已在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用[1-2]。獨(dú)立分量分析（IndePendent ComPonent AnalYsis，ICA）作為一種有效的信號(hào)處理技術(shù)，具有不需要先驗(yàn)知識(shí)就能夠從混合信號(hào)中分離出不同源信號(hào)的能力[3]，而遙感圖像在本質(zhì)上也是不同地物信息成分所構(gòu)成的混合觀測(cè)信號(hào)[4]。但是，ICA模型自身特征，例如各成分獨(dú)立、固定不變、不確定解以及無(wú)噪假設(shè)等，使得其與實(shí)際的遙感圖像結(jié)構(gòu)并不完全一致。此外，支持向量機(jī)（SuPPort Vector Machine，SVM）利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則通過(guò)將低維空間中的線(xiàn)性數(shù)據(jù)映射到高維特征空間來(lái)實(shí)現(xiàn)遙感圖像的非線(xiàn)性分類(lèi)[5]，與ICA具有很強(qiáng)的互補(bǔ)性。但是，以往ICA模型和SVM方法主要被用來(lái)進(jìn)行人臉識(shí)別、機(jī)器噪聲監(jiān)測(cè)等[6-7]，而兩者結(jié)合起來(lái)用于遙感圖像目標(biāo)檢測(cè)的研究則較少。鑒于ICA和SVM方法在遙感圖像處理領(lǐng)域中的巨大潛力，在分析ICA模型和遙感圖像特征的基礎(chǔ)上，本文提出了基于改進(jìn)型ICA即變分貝葉斯ICA（Variational ICA，VICA）和SVM相結(jié)合的遙感圖像目標(biāo)檢測(cè)算法，并從真實(shí)的中分辨率成像光譜儀（Moderate Resolution Imaging SPec_ tradiometer，MODIS）遙感圖像中進(jìn)行了火山灰云目標(biāo)檢測(cè)實(shí)驗(yàn)。

2 VBICA和SVM方法的基本原理

2.1 VBICA方法

對(duì)于含有噪聲的線(xiàn)性混合ICA模型[5-6]，根據(jù)遙感圖像特點(diǎn)，為了便于建模和計(jì)算，本文選取高斯混合模型（Mixture of Gauss，MOG）作為具體的源信號(hào)模型。對(duì)于具有L個(gè)源信號(hào)的ICA模型而言，就會(huì)存在L個(gè)MOG模型{t1，t2，…，tL}。其中，s的概率分布計(jì)算公式為

式中：θ是s的MOG模型參數(shù)θi＝[πi，μi，βi]，θ＝[θ1，θ2，…，θL]，其中πi為不同成分的混合比例；μi，qi為第i個(gè)源信號(hào)中第qi個(gè)成分的期望值；βi，qi為第i個(gè)源信號(hào)中第qi個(gè)成分的精度值。

在目標(biāo)函數(shù)F[x∣θ]中，p（W∣x，M）的近似可以表示為。根據(jù)貝葉斯網(wǎng)絡(luò)的條件獨(dú)立性原則，的概率分布為

2.2 SVM方法

作為一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法[7-8]，目前SVM已成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。假設(shè)存在樣本集{（x1，γ1），（x2，γ2），…，（xn，γn）}，xi∈Rd為輸入模式，I＝1，2，…，N，γ∈{±1}為目標(biāo)輸出。最優(yōu)分類(lèi)超平面為wTxi＋b＝0，w為權(quán)值向量，b為偏置，公式為

式中：C為懲罰系數(shù)，C≥0，表示對(duì)錯(cuò)誤分類(lèi)的懲罰程度。還可以進(jìn)一步轉(zhuǎn)化為具有約束條件ΣNi＝1αiγi＝0，αi≥0（i＝1，2，…，N）的優(yōu)化：

2.3 VBICA-SVM方法構(gòu)建

（1）VBICA處理

利用VBICA方法對(duì)不同的遙感頻段圖像進(jìn)行處理，顯著地降低了目標(biāo)信息光譜分布的復(fù)雜度、異質(zhì)性和頻段間的相關(guān)性，使得光譜獨(dú)立成分中地物光譜分布的類(lèi)間差異增大、類(lèi)內(nèi)差異減少，有利于后續(xù)的遙感圖像目標(biāo)信息檢測(cè)。

（2）SVM樣本訓(xùn)練和處理過(guò)程

選取訓(xùn)練樣區(qū)并通過(guò)實(shí)驗(yàn)選擇SVM分類(lèi)器的參數(shù)，主要包括核函數(shù)及其參數(shù)的選擇。首先，根據(jù)遙感圖像和目標(biāo)信息特點(diǎn)，從中選擇目標(biāo)信息的訓(xùn)練樣本進(jìn)行規(guī)一化處理；其次，利用SVM在樣本特征空間中找出目標(biāo)信息樣本與其他特征樣本的最優(yōu)分類(lèi)超平面，獲得各樣本特征的支持向量集及其相應(yīng)的可信度，形成判斷各特征類(lèi)別的判別函數(shù)；最后，將獲取的特征向量作為SVM的輸入向量，即可構(gòu)建SVM分類(lèi)器進(jìn)行遙感圖像目標(biāo)信息檢測(cè)。

（3）遙感圖像目標(biāo)信息檢測(cè)精度評(píng)價(jià)

利用混淆矩陣法對(duì)VBICA-SVM方法檢測(cè)出的遙感圖像目標(biāo)信息進(jìn)行精度評(píng)價(jià)。

3 仿真實(shí)驗(yàn)

為了驗(yàn)證VBICA方法分離混合觀測(cè)信號(hào)的能力，本文在MATLAB 6.5軟件平臺(tái)的基礎(chǔ)上，隨機(jī)采用振動(dòng)信號(hào)函數(shù)模型分別構(gòu)造源信號(hào)s1和s2，然后對(duì)兩個(gè)模擬源信號(hào)進(jìn)行隨機(jī)混合處理得到兩個(gè)觀測(cè)混合信號(hào)，再利用變分貝葉斯ICA方法對(duì)觀測(cè)混合信號(hào)進(jìn)行分離處理。

首先，本實(shí)驗(yàn)中采用的兩個(gè)振動(dòng)源信號(hào)函數(shù)分別為

式中：源信號(hào)函數(shù)s1和s2的頻率為1 000 Hz；采樣長(zhǎng)度為1 024個(gè)點(diǎn)。計(jì)算得到源信號(hào)如圖1所示。

圖1 源信號(hào)s1和s2Fig.1 The source signal s1and s2

其次，在得到源信號(hào)s1和s2模擬圖像的基礎(chǔ)上，還需要對(duì)兩個(gè)源信號(hào)進(jìn)行混合處理，以便得到遙感傳感器的混合觀測(cè)信號(hào)，用x表示。在本文中，由s1和s2兩個(gè)源信號(hào)可知，選取任意一個(gè)2×2的隨機(jī)矩陣A，根據(jù)含有噪聲的ICA計(jì)算公式進(jìn)行混合處理，并在混合觀測(cè)信號(hào)x中分別添加5 dB的高斯噪聲。此時(shí)，得到的兩組混合觀測(cè)信號(hào)如圖2所示。

圖2 由源信號(hào)s1和s2混合而成的混合觀測(cè)信號(hào)x1和x2Fig.2 The mixed observation signal x1and x2bY the source signal s1and s2

最后，對(duì)混合觀測(cè)信號(hào)x1和x2再進(jìn)行分離處理，分離結(jié)果如圖3所示。

圖3 VBICA方法分離出的源信號(hào)Fig.3 The seParated source signal bY VBICA method

從圖3可以看出，在噪聲環(huán)境下，VBICA方法分離出的信號(hào)形狀與源信號(hào)較為接近，只是在幅度上存在一定的縮放情況。由此可知，VBICA方法能夠較好地從混合觀測(cè)信號(hào)中分離出源信號(hào)，在實(shí)際應(yīng)用中具有巨大的潛力。

4 MODIS遙感圖像目標(biāo)檢測(cè)

由于地球表面真實(shí)的地物分布較為復(fù)雜，再加上衛(wèi)星傳感器成像特征等，都使得遙感圖像要比仿真信號(hào)復(fù)雜得多。因此，在仿真實(shí)驗(yàn)的基礎(chǔ)上，本文嘗試?yán)肰BICA和SVM相結(jié)合的方法從MODIS遙感圖像中進(jìn)行火山灰云這一目標(biāo)的檢測(cè)驗(yàn)證。

4.1 MODIS數(shù)據(jù)概況

MODIS衛(wèi)星傳感器搭載在美國(guó)的Terra/Aqua衛(wèi)星上，于1999年12月18日成功發(fā)射。MODIS傳感器具有36個(gè)光譜通道[3]，掃描寬度為2 330 km× 10 km，基本上覆蓋了0.4～1.44 μm的光譜范圍，輻射分辨率為12 b，空間分辨率分別為250 m（通道1和2）、500 m（通道3～7）和1 000 m（通道8～36）。MODIS時(shí)間分辨率較高，一天可過(guò)境4次，能夠?qū)Σ煌话l(fā)性災(zāi)害進(jìn)行實(shí)時(shí)、高效監(jiān)測(cè)，已廣泛應(yīng)用于火山活動(dòng)與火山灰云識(shí)別、陸地與海洋表面亮溫、大氣污染和降水、土地覆蓋以及生態(tài)環(huán)境變化監(jiān)測(cè)等研究領(lǐng)域。

4.2 桑厄昂火山灰云概況

桑厄昂火山（SangeangAPi）又稱(chēng)為亞比火山，是一座由兩個(gè)海拔高度分別為1 949 m和1 795 m的火山錐組成的復(fù)式火山，也是東南亞地區(qū)最活躍的活火山之一。2014年5月30日，桑厄昂火山突然噴發(fā)，噴發(fā)出大量的火山灰和氣體，并在15～20 km高度處形成火山灰云團(tuán)。此次火山灰云團(tuán)不斷向南方向擴(kuò)散，影響了當(dāng)?shù)囟鄠€(gè)航班的正常運(yùn)轉(zhuǎn)，帶來(lái)較大的經(jīng)濟(jì)損失。圖4為2014年5月30日桑厄昂火山灰云局部放大MODIS原始遙感圖像。

圖4 桑厄昂火山灰云MODIS原始圖像Fig.4 SangeangAPi′s original MODIS image

4.3 火山灰云目標(biāo)檢測(cè)

(4)創(chuàng)客敢于實(shí)踐。實(shí)踐是檢驗(yàn)真理的唯一標(biāo)準(zhǔn)，只有將自身想法付諸于行動(dòng)，并用實(shí)踐行動(dòng)來(lái)檢驗(yàn)自身的想法是否正確，這樣的一類(lèi)人才能成為創(chuàng)客。

4.3.1 VBICA處理

本實(shí)驗(yàn)中，根據(jù)MODIS遙感圖像特征和地表地物的實(shí)際分布，將桑厄昂火山灰云MODIS圖像的通道20～36（第26通道除外）全部進(jìn)行VBICA處理，處理后得到的獨(dú)立分量圖像和原始頻段如圖5所示。

圖5 VBICA方法處理后得到的圖像Fig.5 The obtained indePendent comPonent images bY VBICA method and original bands images

從圖5可看出，獨(dú)立分量圖像中不同類(lèi)型地物信息之間的差異非常大，如在第三獨(dú)立分量圖像中火山灰云團(tuán)的信息非常明顯，而原始頻段圖像中的火山灰云目標(biāo)信息相對(duì)較少，且與周?chē)匚锘煜^為嚴(yán)重，甚至薄一些頻段圖像中幾乎都是噪聲信息。

4.3.2 基于SVM的火山灰云檢測(cè)

將VBICA方法處理后得到的全部獨(dú)立分量圖像作為SVM的輸入特征向量，分別參與到SVM分類(lèi)器的訓(xùn)練和學(xué)習(xí)中。根據(jù)MODIS遙感圖像特征，SVM分類(lèi)器中分別設(shè)置如下：核函數(shù)為徑向基核函數(shù)（RBF），懲罰系數(shù)C為700，間隔系數(shù)γ為0.03。最后，經(jīng)過(guò)VBICA和SVM相結(jié)合方法處理后，即可從MODIS遙感圖像中檢測(cè)出火山灰云目標(biāo)信息，結(jié)果如圖6所示。從圖6中可看出，VBICA和SVM相結(jié)合方法不但能夠準(zhǔn)確地檢測(cè)出2014年5月30日桑厄昂火山灰云目標(biāo)信息，而且檢測(cè)出的目標(biāo)信息目視效果好，破碎圖斑少。

圖6 VBICA與SVM相結(jié)合方法檢測(cè)出的火山灰云Fig.6 The detected volcanic ash cloud bY VBICA＋SVM method

4.4 目標(biāo)檢測(cè)精度評(píng)價(jià)

為了評(píng)價(jià)基于VBICA和SVM相結(jié)合方法對(duì)2014年5月30日桑厄昂火山灰云目標(biāo)檢測(cè)的精度，實(shí)驗(yàn)通過(guò)隨機(jī)產(chǎn)生500個(gè)校對(duì)數(shù)據(jù)點(diǎn)，采用混淆矩陣法對(duì)識(shí)別出的目標(biāo)信息進(jìn)行精度評(píng)價(jià)，結(jié)果如表1和表2所示。

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

表2 火山灰云信息檢測(cè)精度Tab.2 Detection accuracY of volcanic ash cloud

5 結(jié)束語(yǔ)

本文在分析傳統(tǒng)ICA模型特征以及其在遙感圖像目標(biāo)檢測(cè)中不足的基礎(chǔ)上，提出了VBICA和SVM相結(jié)合的遙感圖像目標(biāo)檢測(cè)算法。該方法將貝葉斯網(wǎng)絡(luò)引入到ICA模型中，并利用貝葉斯推論來(lái)實(shí)現(xiàn)對(duì)未知變量的學(xué)習(xí)，隨后應(yīng)用變分近似算法對(duì)推論過(guò)程進(jìn)行優(yōu)化和簡(jiǎn)化處理，最后將簡(jiǎn)化后的獨(dú)立成分參與到SVM分類(lèi)器的學(xué)習(xí)和訓(xùn)練以便從遙感圖像中非線(xiàn)性的分離出不同地物成分。本文利用仿真信號(hào)進(jìn)行分離實(shí)驗(yàn)，表明該方法具有較好的分離效果，隨后從真實(shí)的MODIS遙感圖像中進(jìn)行火山灰云目標(biāo)信息檢測(cè)實(shí)驗(yàn)，總精度和KaPPa系數(shù)分別達(dá)到了88.4%和0.801 1，具有較好的應(yīng)用前景。

盡管VBICA和SVM相結(jié)合的遙感圖像目標(biāo)檢測(cè)算法是對(duì)傳統(tǒng)遙感圖像中ICA方法的一種改進(jìn)，且具有較好的效果，但是該算法主要是針對(duì)MODIS遙感圖像進(jìn)行目標(biāo)檢測(cè)實(shí)驗(yàn)，對(duì)于其他不同類(lèi)型的遙感圖像是否實(shí)用，以及在進(jìn)行獨(dú)立分量處理時(shí)，本文主要是根據(jù)經(jīng)驗(yàn)選擇了紅外光譜通道，而對(duì)于具有幾十個(gè)光譜通道的MODIS圖像如何從中選擇適合檢測(cè)目標(biāo)的通道等，都還需要在今后進(jìn)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] 俞鴻波，劉永光.一種基于最小錯(cuò)分概率的遙感影像變化檢測(cè)算法[J].電訊技術(shù)，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] 王凱峰，秦前清.基于單類(lèi)SVM的遙感圖像目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)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] 劉學(xué)勝.基于PCA和SVM算法的人臉識(shí)別[J].計(jì)算機(jī)與數(shù)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] 李志農(nóng)，周偉，劉衛(wèi)兵，等.基于小波包-變分貝葉斯獨(dú)立分量分析的源信號(hào)盲分離方法[J].南昌航空大學(xué)學(xué)報(bào)（自然科學(xué)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，趙俊娟，等.基于變分貝葉斯ICA的遙感圖像混合像元分析[J].電訊技術(shù)，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）

劉 嵐（1982—），女，山東濟(jì)寧人，2009年于西南大學(xué)獲碩士學(xué)位，現(xiàn)為博士研究生，主要研究方向?yàn)閳D像處理；

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

雷詠梅（1965—），女，上海人，1999年于西安交通大學(xué)獲博士學(xué)位，現(xiàn)為教授、博士生導(dǎo)師，主要從事并行計(jì)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年于法國(guó)斯特拉斯堡大學(xué)獲博士學(xué)位，現(xiàn)為教授、博士生導(dǎo)師，主要從事對(duì)地觀測(cè)技術(shù)與災(zāi)害研究；

YIN JingYuan Was born in Gucheng，Hebei Province，in 1955.He received the Ph.D.degree from Louis Pasteu Univer_ sitY，F(xiàn)rance，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，河南南陽(yáng)人，2012年于上海大學(xué)獲博士學(xué)位，現(xiàn)為高級(jí)工程師、碩士生導(dǎo)師，主要研究方向?yàn)檫b感與空間信息處理。

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

劉嵐，雷詠梅，尹京苑，等.改進(jìn)型ICA和SVM相結(jié)合的火山灰云遙感檢測(cè)[J].電訊技術(shù)，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

國(guó)家自然科學(xué)基金資助項(xiàng)目（41404024）；上海市科技發(fā)展基金資助項(xiàng)目（14231202600）；上海高校青年教師培養(yǎng)資助計(jì)劃項(xiàng)目（2014-2016）

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