深度卷積神經(jīng)網(wǎng)絡(luò)的遙感影像滑坡災(zāi)害識別

趙福軍，樊雅婧

(黑龍江科技大學(xué) 計算機(jī)與信息工程學(xué)院，哈爾濱 150022)

0 引 言

2017年8月8日，四川省九寨溝縣發(fā)生了7.0級大地震，震源深度高達(dá)20 km，人員傷亡慘重，財產(chǎn)損失嚴(yán)重，此次地震誘發(fā)了大量的滑坡體，造成道路的生命線破損，無法實(shí)地調(diào)查和應(yīng)急救援，影響災(zāi)情調(diào)查與評估?；掳l(fā)生后，利用遙感數(shù)據(jù)展開調(diào)查，該方法很好地結(jié)合影像特征(色調(diào)、色彩)和空間特征(紋理、光譜、形狀、大小)等，能夠與專業(yè)人員的知識經(jīng)驗(yàn)和非遙感數(shù)據(jù)相結(jié)合分析推理，信息提取和識別的精度較高。但當(dāng)滑坡數(shù)量較多時，造成工作量龐大、耗時耗力等問題。而基于像元的計算機(jī)圖像分類方法容易出現(xiàn)同譜異物、同物異譜和混合像元情況，處理結(jié)果存在大量椒鹽噪聲，錯分、漏分和誤分現(xiàn)象，影響影像分類精度。1999 年，M. Baatz等[1]提出了面向?qū)ο笥跋穹治龇椒?。該方法又稱面向?qū)ο笥跋穹诸?，是將光譜、紋理、形狀等特征相似的像元組合成對象，然后，根據(jù)地物在實(shí)際生活分布情況和在遙感影像中分布狀況，選擇對象特征，建立分類規(guī)則體系，最后，以對象為基本單元，綜合實(shí)際情況，選取恰當(dāng)分類算法，分類地物[2]，目前，該方法在影像分割階段，最優(yōu)分割尺度參數(shù)都是人為調(diào)整，耗時耗力，無法滿足實(shí)際需要，提取的特征大多為低層和中層特征，無法對高層語義特征信息進(jìn)行相應(yīng)的描述。

筆者旨在快速精確的識別滑坡災(zāi)害，將面向?qū)ο笥跋穹治龇椒ㄅc深度卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，在多尺度分割中利用改進(jìn)的最優(yōu)分割尺度方法確定最優(yōu)分割尺度，深度卷積神經(jīng)網(wǎng)絡(luò)提取滑坡災(zāi)害的高層語義深度特征，識別高空間分辨率遙感影像中的滑坡災(zāi)害，提高滑坡識別效率與識別精度。

1 面向?qū)ο蟮亩喑叨确指罘椒?/h2>

在獲取滑坡遙感影像之后，利用多尺度分割方法分割影像，利用改進(jìn)的最優(yōu)分割模型選取最優(yōu)分割參數(shù)，采用深度卷積神經(jīng)網(wǎng)絡(luò)分類影像，通過總體精度和 Kappa 系數(shù)值來評價分類結(jié)果的精度和質(zhì)量，技術(shù)路線如圖1所示。

多尺度分割方法[3]是自上而下基于異質(zhì)性最小原則的區(qū)域合并技術(shù)，異質(zhì)性和分割尺度共同決定遙感影像對象層創(chuàng)建，多尺度分割算法中，分形網(wǎng)絡(luò)演化法最為普遍經(jīng)典。運(yùn)用多尺度分割方法進(jìn)行分割時，當(dāng)確定了最佳分割尺度后，異質(zhì)性也影響分割的效果，其中影像的平均總體異質(zhì)性又可以分為形狀異質(zhì)性hs和光譜異質(zhì)性hc的公式為

f=wc×hc+(1-wc)×hs，

式中：f——對象異質(zhì)性；

wc——自定義光譜異質(zhì)性權(quán)重，取值為0到1之間。

形狀異質(zhì)性由光滑度hm和緊致度ht表示為

hs=wt×ht+(1-wt)×hm，

式中，wt——緊致度權(quán)重，取值是0到1之間。

圖1 滑坡識別技術(shù)流程Fig. 1 Flow of landslide identification technology

由于分割尺度不同，影像中的像元組合而成的影像對象大小也不同，閾值尺度參數(shù)的選取也會影響識別效果，以分形網(wǎng)絡(luò)進(jìn)化法為基礎(chǔ)提取最優(yōu)分割尺度參數(shù)。

1.1 最優(yōu)分割尺度選取

在面向?qū)ο蠖喑叨确指钪凶顑?yōu)分割尺度的確定至關(guān)重要，它將直接影響影像的分割和分類效果。而每一種地物都有其對應(yīng)的最優(yōu)分割尺度，只有在該地物的最優(yōu)分割尺度上提取地物信息，才能達(dá)到最佳的分類效果。否則，在影像分割中將伴隨有“過分割”、“分割不足”或“邊緣不匹配”的現(xiàn)象。目前，國內(nèi)外關(guān)于最優(yōu)分割尺度確定有三種方法：一是人為經(jīng)驗(yàn)來選取[4-6]，經(jīng)過大量的實(shí)驗(yàn)調(diào)整尺度，得到不同尺度對應(yīng)的分割影像，目視來確定最理想的分割尺度，人為經(jīng)驗(yàn)選取，帶有人為主觀因素；二是選擇鑒別指標(biāo)來評定尺度選取的好壞，比如最大面積法，均值方差法、矢量距離法等，鑒別指標(biāo)的選取有很多的不確定性，指標(biāo)選取較難；三是通過特定的模型來計算[7-9]。

最優(yōu)分割尺度是影像通過分割而產(chǎn)生的對象還能準(zhǔn)確的表示地物特征，不同的地物不會出現(xiàn)混淆，影像對象多邊形邊界清晰、平滑。目前的計算模型主要考慮對象之間的異質(zhì)性以及對象內(nèi)部的同質(zhì)性，并沒有很好考慮到提取目標(biāo)紋理信息，提出一種綜合考慮異質(zhì)性、同質(zhì)性和紋理信息的最優(yōu)分割尺度模型。

1.2 改進(jìn)的最優(yōu)分割尺度計算方法

為了使類內(nèi)同質(zhì)性和類間異質(zhì)性盡可能地大，分割尺度的選取是關(guān)鍵，因此，在前人基礎(chǔ)上[6-8]，綜合考慮將類內(nèi)同質(zhì)性、類間異質(zhì)性和基于GLCM紋理均值法相結(jié)合，構(gòu)建最優(yōu)分割尺度模型，選取最優(yōu)分割尺度。

1.2.1 類內(nèi)同質(zhì)性與類間異質(zhì)性描述

描述類內(nèi)同質(zhì)性用標(biāo)準(zhǔn)差[6]為

(1)

式中：CLi——對象第i個像元的灰度值；

CL——影像對象的灰度均值；

n——對象中總的像元個數(shù)。

由式(1)可知，σl值越小，表示類內(nèi)的異質(zhì)性較小，即同質(zhì)性較大。

類間異質(zhì)性表示相鄰類間的差異程度，對于任意波段L，任意對象，通過計算相鄰對象間的平均差分絕對值，反映類間的異質(zhì)性，表達(dá)式為

(2)

式中：l——所選影像對象邊界長度；

lsi——第i個對象與相鄰的對象的公共邊的長度；

n——相鄰對象個數(shù)，分割以后總的對象個數(shù)。

由式(2)可知，ΔCL值越低，對象間相關(guān)性越小，相鄰對象差異越大，即異質(zhì)性更高、更加可分。

1.2.2 GLCM的紋理均值

紋理特征在遙感影像中也尤為重要，在影像分類中應(yīng)用也較廣泛，考慮到常用灰度共生矩陣(GLCM)描述紋理特征[8]，其均值計算公式為

(3)

(4)

式中：Nε——灰度化后能夠得到的最大灰度級；

M——影像分割后對象個數(shù)；

P(i,j)——灰度值是i、j的像元在方向θ和像元距離d時的共生概率，文中取d=1，θ為0°、45°、90°、145°；

Pm——第m個對象的紋理均值；

P——所有分割體紋理均值。

1.2.3 最優(yōu)分割尺度計算模型

在式(2)～(4)基礎(chǔ)上，最優(yōu)分割尺度計算公式

(5)

F(σl,ΔCL)越小，分割尺度越好，通過構(gòu)建插值函數(shù)尋找以尺度x作為自變量的最優(yōu)分割模型，進(jìn)行n次分割實(shí)驗(yàn)將會得到n個F值，用這些值可以構(gòu)造如下插值函數(shù)，得出最優(yōu)分割尺度模型為

gn(xi)=a0+a1x+a2x2+,…,+anxn，

式中：x——自變量代表分割尺度；

gn(xi)——插值函數(shù)。

gn(xi)=F(σl,ΔCL,P)在進(jìn)行n+1次實(shí)驗(yàn)以后，通過上述式子計算，就可以獲取n+1個F(σl,ΔCL,PV)值，進(jìn)而用插值點(diǎn)計算得出a0,a1,…,an值，進(jìn)而得到最優(yōu)分割尺度，即當(dāng)g最小時所對應(yīng)的x。

將上述模型程序化，可以多尺度分割任何高分辨率影像，得到其最優(yōu)分割尺度，使最終的地物提取結(jié)果更加精確。

1.3 實(shí)驗(yàn)結(jié)果分析

文中的數(shù)據(jù)來源于中國地震局無人機(jī)航拍所得的四川省九寨溝縣遙感影像，影像分辨率為0.14 m，如圖2所示。

圖2 不同分割尺度對比Fig. 2 Comparison of different segmentation scales

文中使用的是多尺度分割方法中的分形化網(wǎng)絡(luò)演化算法，經(jīng)過大量反復(fù)實(shí)驗(yàn)驗(yàn)證，參數(shù)取值如下，光譜的異質(zhì)性權(quán)重wc=0.65，緊致度權(quán)重wt=0.5，形狀異質(zhì)性權(quán)重ws=0.3，光滑度權(quán)重wm=0.1，設(shè)置好參數(shù)后，從20～100(10個單元逐漸遞增)分割尺度對圖像進(jìn)行分割，當(dāng)分割尺度低于20時，分割過于破碎，高于100時，目視的最佳分割尺度是40，利用上述最優(yōu)分割尺度的計算模型可以得出分割尺度為35時，gn(xi)值最小，此時的分割尺度在理論上達(dá)到最好效果。

2 滑坡識別

高分辨率遙感滑坡影像具有多尺度特征，語義信息豐富，基于淺層特征的遙感影像分類已經(jīng)不能滿足現(xiàn)階段的需求。近年來，卷積神經(jīng)網(wǎng)絡(luò)在圖像分類上取得了較好效果，卷積神經(jīng)網(wǎng)絡(luò)的提取特征能力越來越強(qiáng)[9]，以影像分割對象為單元，采用深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)提取影像一些深層特征，主要有形狀、光譜、紋理、植被和地形地貌特征等。滑坡一般呈簸箕型、舌形、疊瓦形或不規(guī)則形等11種形態(tài)，滑坡對植被覆蓋度廣的地方破壞性極強(qiáng)，周圍植被破壞嚴(yán)重，滑坡的巖土松散，裸露在地表，其紋理、光譜特征較明顯，且滑坡體所在處起伏不平，尤其在新生滑坡附近，光譜反射能力較強(qiáng)，使得巖土多呈現(xiàn)為白色調(diào)或淺色調(diào)[10]，自動識別這些深層特征的滑坡災(zāi)害。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

最基本卷積神經(jīng)網(wǎng)絡(luò)包含三層[11-12]如圖3所示，輸入層、隱含層和輸出層，其中隱含層又可以分為卷積操作、池化操作、激活函數(shù)以及全連接層。

(1)卷積層是通過卷積核進(jìn)行卷積運(yùn)算來提取特征，獲得其下一層特征圖。

(2)池化層是將通過卷積運(yùn)算得到的特征圖進(jìn)行過濾，保留其重要特征，實(shí)際是使參數(shù)大量減少，通過池化操作可以達(dá)到降維的目的，從而避免過擬合。

(3)激活函數(shù)是引入了非線性函數(shù)以此解決復(fù)雜問題，目前常用的激活函數(shù)有sigmoid、tanh和Relu函數(shù)[13]，但是sigmoid函數(shù)與tanh函數(shù)易造成梯度消失，Relu具有分段線性特征，很好地避免梯度爆炸與消失。

(4)全連接層經(jīng)卷積和池化操作得到的特征圖后進(jìn)行高度綜合，在全連接層會丟失其三維結(jié)構(gòu)，將特征圖線性拉伸成一維向量，通過激活函數(shù)計算傳遞給下一層，最后一層全連接層的結(jié)果送入分類器中，進(jìn)行分類。

圖3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 Structure of convolution neural network

2.2 深度卷積神經(jīng)網(wǎng)絡(luò)

文中使用的DCNN模型一共有8層，其中，有5層卷積層、3層全連接層，如圖4所示。第一個卷積層只能提取低級的淺層特征，層數(shù)的增加，非線性計算能力越來越強(qiáng)，提取的特征也更加復(fù)雜，全連接層對高度綜合這些特征，拉伸為一維向量，提交給Softmax分類器。網(wǎng)絡(luò)層數(shù)并不是越多越好，層數(shù)如果太多，計算時間會加長，效率低下，且容易出現(xiàn)過擬合現(xiàn)象，和一般的卷積神經(jīng)網(wǎng)絡(luò)比較，文中的DCNN可以提高模型的泛化能力與學(xué)習(xí)能力，并且兼顧計算時間與效率，在進(jìn)行卷積運(yùn)算時，輸入影像為上述方法分割完后的256×256大小的影像，步長為1，采用全0填充，使用Relu激活函數(shù)，最后，全連接層得到的特征圖輸入Softmax分類器中，得到分類結(jié)果。

圖4 DCNN模型Fig. 4 DCNN model

采用多種方法對數(shù)據(jù)進(jìn)行擴(kuò)增，包括轉(zhuǎn)置、水平鏡像變化、裁剪，隨機(jī)飽和度、對比度和色相變換。深度學(xué)習(xí)對計算機(jī)硬件設(shè)置要求較高，由于遙感影像所占內(nèi)存大，計算機(jī)配置有限，一般無法將一景影像直接送入網(wǎng)絡(luò)中訓(xùn)練，所以將原始影像進(jìn)行了裁剪，統(tǒng)一都裁剪為500張256×256大小的影像，將裁剪的圖像經(jīng)過分割以后成批輸入網(wǎng)絡(luò)中訓(xùn)練。隨機(jī)飽和度、對比度和色相變換都是隨機(jī)增加或降低影像的亮度，對比度、飽和度。數(shù)據(jù)增強(qiáng)圖像如5所示，擴(kuò)增后的數(shù)據(jù)集約有5 000張，將其中80%作為訓(xùn)練集，20%作為測試集。

圖5 數(shù)據(jù)增強(qiáng)圖像Fig. 5 Data enhanced image

文中采用Relu函數(shù)為激活函數(shù)

Relu=max(0,x)。

(6)

函數(shù)可以很好地避免梯度消失問題，提升模型收斂的速度。在所有的全連接層之后，添加一個Dropout層，Dropout函數(shù)隨機(jī)地刪除了神經(jīng)網(wǎng)絡(luò)中許多隱藏神經(jīng)元，將網(wǎng)絡(luò)進(jìn)行前向與后向傳播，不斷進(jìn)行迭代更新，以此來防止網(wǎng)絡(luò)模型過擬合現(xiàn)象。在加入損失函數(shù)時，加入正則化項(xiàng)，其目的是在數(shù)據(jù)參數(shù)量不變的前提下，減小參數(shù)值，以此解決噪聲問題[14]。

2.3 實(shí)驗(yàn)結(jié)果與分析

采用Python基于Tensorflow的keras框架下用GPU對樣本進(jìn)行訓(xùn)練，經(jīng)過多次的實(shí)驗(yàn)反復(fù)驗(yàn)證得到實(shí)驗(yàn)過程中的一些參數(shù)：批大小batch為5，初始學(xué)習(xí)率r設(shè)置為0.01，訓(xùn)練迭代15個epoch之后學(xué)習(xí)率調(diào)整為0.001，將Adam算法作為優(yōu)化算法。

使用深度卷積神經(jīng)網(wǎng)絡(luò)來對影像進(jìn)行分類，充分使用了高分辨率影像的紋理空間信息。應(yīng)用該方法與基于像元方法與深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合以及面向?qū)ο笈c支持向量機(jī)(SVM)分類方法結(jié)合進(jìn)行了對比分析。不同方法對高分辨率滑坡影像的分類效果如圖6所示。

圖6 不同分類方法結(jié)果Fig. 6 Results of different classification methods

采用混淆矩陣、Kappa系數(shù)和總體精度三個指標(biāo)對分類結(jié)果進(jìn)行精度評價，混淆矩陣是一張矩陣表格，衡量分類精度直觀簡單的一種方法，文中方法分類結(jié)果的混淆矩陣如表1所示。表中,TT、WT、BT、LT和DT分別表示植被、水體、裸地、滑坡和道路的真實(shí)值，TP、WP、BP、LP和DP為相對應(yīng)的預(yù)測值。

表1 混淆矩陣

由表1可以看出，每種地物都有其他地物類別來對分類結(jié)果進(jìn)行干擾，這是由于這些類別在光譜、紋理等特征上具有一定相似性所致，特別是道路、裸地在顏色光譜顏色特征上很多表現(xiàn)為灰色，這些很容易造成誤判，影響最后的分類結(jié)果，而植被和水體特征明顯，所以誤分概率相對較低。

總體分類精度表示分類正確的樣本數(shù)占所有樣本比例，計算公式為

式中：TP——模型分類正確的正樣本；

FN——被模型分類錯誤的正樣本；

FP——被模型分類錯誤的負(fù)樣本；

TN——被模型分類正確的負(fù)樣本。

Kappa系數(shù)是基于混淆矩陣的精度評價，取值-1到1，然而，實(shí)際中取值為0-1，其值越高，表示分類精度越高，計算公式為

式中：p——總樣本數(shù)；

n——類別數(shù)；

pii——混淆矩陣中第i行第i列的值，即左上到右下對角線的值；

pi+——第i列值的總和；

p+i——第i行值的總和。

三種分類方法的精度對比如表2所示。

表2 不同方法精度比較

從圖6和表2可以看出，基于像元的分類方法存在噪聲、水體、巖土、滑坡出現(xiàn)了許多錯分現(xiàn)象，面向?qū)ο蠛蚐VM分類方法結(jié)合起來椒鹽噪聲減少，但是也存在錯分、漏分現(xiàn)象，實(shí)驗(yàn)結(jié)果表明，在視覺上面向?qū)ο蠓诸惙椒ū然谙裨诸惙椒ㄐЧ?，從分類器角度來看，基于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的方法優(yōu)于傳統(tǒng)SVM方法。

3 結(jié)束語

(1)選用多尺度分割方法對影像進(jìn)行分割，利用光譜因子和形狀因子(主要是面積和周長)表達(dá)類內(nèi)同質(zhì)性和類間異質(zhì)性。為充分考慮滑坡影像的紋理信息，引入紋理均值，構(gòu)造出改進(jìn)的最優(yōu)分割尺度模型對影像進(jìn)行分割。

(2)針對傳統(tǒng)基于中低分辨率的像元分類方法存在椒鹽噪聲問題，結(jié)合無人機(jī)快速獲取高分影像的優(yōu)勢，將面向?qū)ο蠓诸惻c深度學(xué)習(xí)方法融合對四川省九寨溝滑坡遙感影像進(jìn)行自動識別。與基于像元與深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合或面向?qū)ο蠓诸惻cSVM結(jié)合的影像分類方法對比，對滑坡體進(jìn)行提取總體精度高達(dá)87.68%，Kappa系數(shù)為86.34%，識別精度優(yōu)于傳統(tǒng)方法，提高了滑坡地震災(zāi)害識別和震后救援的時效性。