高分遥感影像空谱协同概率模型

第1章绪论

 高分辨率（VHR）对地观测系统重大专项有力地推动了我国构建多平台、全天候、全天时的立体观测体系，形成了高空间、高光谱和高时间分辨率的对地观测系统。

 高分辨率遥感图像处理、信息提取与应用技术已经成为遥感应用领域的重要研究方向（宫鹏等，2006；Blaschke，2010；李德仁等，2012）。与中低分辨率遥感图像相比，高空间分辨率遥感图像能够反映地表的细节信息，可以较为精准地监测地表状态及其动态变化过程，现已广泛应用于地形测绘、国土调查、环境监测、自然灾害和交通等领域。

 1.1研究问题与解决思路

 高空间分辨率遥感图像信息提取是遥感图像语义解析与理解的基本问题之一，也是许多遥感应用的基础。人工解译方法虽然可以获得较高的分类精度，但是其效率低，成本高，无法满足实际应用需求，因此发展计算机自动解译是遥感研究的重要方面。针对中低分辨率遥感图像*常用的方法是基于像素的分类方法，而该类方法在应用于高分辨率遥感图像时存在以下两方面的问题：一方面高空间分辨率遥感图像反映了大量地物细节信息和纯净像素，像元层面的“同物异谱”和“异物同谱”现象十分突出，导致基于像元特征的分类结果容易产生“椒盐现象”（salt and pepper phenomenon）；另一方面像素间的空间关系未能有效利用。为解决以上问题，将基于对象的思想引入高分辨率遥感图像分析（Blaschke，2010），充分考虑图像中各种空间关系，已被证明是一种有效的策略，并被成功用于许多领域，其基本框架如图1-1（a）所示。

 图1-1高分辨率遥感图像分类框架

 经典的基于对象的遥感图像分析方法包括如图1-1（a）所示的两个步骤:首先利用多尺度分割算法在图像空间域中产生用于分析的图像对象；然后提取图像对象的光谱、纹理、形状及其空间关系等特征进行图像分类。因此，该类方法也被称为“先分割后分类”方法。图像对象的“产生”和“使用”相分离，从而使得这类分析方法非常灵活：①图像对象的“产生”和“使用”可以采用不同的优化目标与实现策略；②在图像对象的“使用”阶段可以灵活地并入图像分析人员的先验知识。但是，也正是这种“分而治之”的策略导致其存在两方面问题，即自动化程度低和泛化能力弱。因此，在一个图像区域获得很好的分类效果，如尺度参数（Benz et al.，2004；Guigues et al.，2006；Dey et al.，2010），在另一图像区域通常难以获得同样好的分类效果，这极大地降低了分析效率，制约其应用价值。针对经典的基于对象的遥感图像分析方法存在的问题，研究人员发展了“分割识别一体化”的高分辨率遥感图像分析方法（Rosenfeld and Davis，1979；Beaulieu and Goldberg，1989；Benz et al.，2004；Guigues et al.，2006；肖鹏峰和冯学智，2012；Dos Santos et al.，2012）。该类方法以像素为分析单元，通过构建合适的邻域空间关系在模型中嵌入空间关系，*后利用机器学习方法实现遥感图像分割和分类的一体化。该类方法一般需要人为给定邻域模式，同时对训练样本较为敏感，因此需要大量的人工干预以得到理想的分类结果，降低了提取效率。

 以层次Dirichlet过程（hierarchical Dirichlet process，HDP）模型为代表的概率主题模型是近年来提出的用于文本建模的一类层次聚类模型，其以概率图模型的形式构建了“文档-主题-词”之间的条件概率关系，进而通过模型推理发现文档中结构化的语义信息（主题），实现用低维语义特征表示文档的目的。当概率主题模型用于高分辨率遥感图像分析时，需建立概率主题模型的建模对象与高分辨率遥感图像的分析对象之间的映射，同时需将遥感图像按照一定的规则划分成一系列子图像。本书中的“词”对应“像素”、“文档”对应“子图像”、“主题”对应“地物类别”，则每个子图像中像素类别归属的判别问题十分自然地被转换为判别每个文档中词的主题归属问题，目前已有研究将概率主题模型用于高分辨率遥感图像分析领域。为便于表达，本书中文本领域的文档、高分辨率遥感图像分析中的子图像统称为“分析单元”。特别地，研究表明概率主题模型可对分析单元内含的地物共生关系进行建模，利用不同分析单元内地物共生关系的差异在一定程度上克服了高分辨率遥感图像分类中常见的“异物同谱”现象。综上所述，概率主题模型不仅可以描述地物的光谱等特征的统计分布，还可以描述分析单元内部的地物共生关系，因此概率主题模型本质上具备对空间和光谱信息同时建模的能力。

 目前概率主题模型已被成功应用于高分辨率遥感图像分类。高分辨率遥感图像的理解中隐含“像元-结构-地物-场景”等多层次空间关系，即相似的像素形成语义结构，同质结构合并形成地物，地物聚集形成场景。然而概率主题模型的内在假设使其在描述高分辨率遥感图像的多层次空间关系上存在以下两方面的严重不足。

 一方面，概率主题模型在进行文本分析时假设文档中的词是无序不相关的，即是一个“词袋”模型。该假设在高分辨率遥感图像分类时并不合理，忽略了分析单元内像素间的空间关系，往往导致分类结果“椒盐现象”严重。

 另一方面，概率主题模型假定分析单元（即子图像）之间是条件独立的，分析单元内部地物分布服从同一先验分布。而现实世界可分为不同的场景，同一场景中地物呈聚集分布，同一场景的分析单元间地物分布具有聚集性，因此分析单元间不是条件独立的。换言之，概率主题模型在用于高分辨率遥感图像分类时虽然可以利用一定的空间关系（地物共生关系），但是由于其内在假设的限制，缺乏对遥感图像多层次空间信息的建模能力。

 为解决以上问题，本书以典型的概率主题模型“层次Dirichlet过程模型”为基本工具，在其内在刻画分析单元内地物共生关系的基础上，以分析单元为桥梁，研究将分析单元内像素间的空间关系以及分析单元间地物聚集关系等空间信息融入模型中，形成如图1-1（b）所示“分割识别一体化”方法的基本框架。该框架通过“空间域”和“光谱域”信息的相互传递，实现“空谱”协同的高分辨率遥感图像非监督分类，为高分辨率遥感图像分类探索新的理论与方法。

 1.2“空谱”协同研究进展

 除了“先分割后分类”的基于对象的高分遥感图像分析方法以外（Fauvel et al.，2013），高分图像“空谱”信息协同语义信息提取方法主要包括以下几种形式（Fauvel et al.，2013）。

 1）分类前组合：Tang等根据概率主题模型可以分析成组离散数据的特点，提出以规则的图像分块为基本分析单元，用概率主题模型对高分遥感图像及其内含的地物共生关系进行建模（Yi et al.，2011；Tang et al.，2011，2013；Shen et al.，2014），进而实现高分遥感图像分类。然而，由于概率主题模型内在假设的限制，该类方法忽略了高分遥感图像中广泛存在的层次空间关系。

 2）分类后组合：Benediktsson和Chanussot的研究组提出了一系列组合图像分割和光谱分类（spectral-spatial classification）结果的方法（Tarabalka et al.，2009；Fauvel et al.，2013；Kang et al.，2013），利用图像分割结果改进基于像元分类结果的空间一致性，进而达到提升分类精度的目的。因为该类方法仅仅利用了邻近像元间的空间关系，其分类效果严重依赖图像分割结果。

 3）“空谱”动态协同：为了弥补上述“空谱”静态组合方法的缺陷、提升遥感图像分析效率，Tilton提出了一个名为HSeg的“空谱”动态协同分割与聚类算法（Tilton，1998；Tilton et al.，2012）。该算法以分层逐步寻优（hierarchical stepwise optimization， HSWO）（Beaulieu and Goldberg，1989）策略为基础实现从像素到区域的多尺度分割，其中区域增长的每一步，不仅判别邻近区域是否应该合并成新的区域，而且以同样的准则判断非邻近区域之间是否可以聚集成一个类。通过遥感图像分割与层次聚类之间协同工作，建立了图像分割层次与聚类层次之间的对应关系，使分割与分类互为补充。然而遗憾的是，在该算法中聚类仅是分割的副产品，并且没有建立用于刻画聚类特性的统计模型。因此，它不能将在一景图像上被验证有效的层次分割过程或结果传递（泛化）到另一景图像上。为了弥补这些缺陷，本书以概率主题模型为基本建模工具，构建多尺度“空谱”信息协同工作框架，形成“分割识别一体化”的高分图像信息提取方法。

 概率主题模型*初是一种分析自然语言语义的概率模型。1997年，Landauer和Dumais率先提出以奇异值分解的方式从文档集的词共生矩阵中发现潜在语义，并用它来分析和索引文档内容。随后，Hofmann（2001）、Blei等（2003）提出通过非监督学习获取以概率形式表示的潜在语义（即主题）及文档内容（即主题混合），即概率潜在语义分析（pLSA）模型（Hofmann，2001）和潜在Dirichlet分配（LDA）模型（Blei et al.，2003）。Teh等（2006）进而提出HDP模型，将文档的主题混合看成一个Dirichlet过程，以自适应估计主题数量。这为层次聚类中自适应估计不同层聚类数量提供了极大的方便。因此，本书以HDP模型为基本分析工具。

 将图片类比成文档，Blei等率先将其应用于一般的图像处理（Blei et al.，2003），如图像语义标注与检索（Lienou et al.，2010）。随后，概率主题模型被应用于图像分割（Orbanz and Buhmann，2008）、目标检测（Akcay and Aksoy，2008;周晖等，2010）、高分图像非监督分类（Yi et al.，2011；Tang et al.，2011，2013；Shen et al.，2014）等应用领域。为了引导概率主题模型的非监督学习过程，研究者陆续提出了一些可以利用文档层面监督信息的生成式（Blei and McAuliffe，2007；Luo et al.，2014）和判别式（Zhu et al.，2012；Hu et al.，2013）学习模型。

 遥感图像覆盖的地理范围较大、地表类型复杂多样，因此在基于概率主题模型的遥感图像分析之前需要利用规则分块方法（Yi et al.，2011；Tang et al.，2013）或图像分割算法（Akcay and Aksoy，2008；Shen et al.，2014）生成用于建模的文档（即图像分析单元）。这与“先分割后分类”的高分图像分析中的图像对象创建过程类似。不同之处是它分析的单元可以是由多个地物类型组成的异质图像，因为它可用主题混合描述分析单元内的地物共生关系。换而言之，概率主题模型不仅可以描述地物光谱等特征的统计分布，还可以描述图像分析单元内部的地物共生关系。

 然而，概率主题模型的以下假设使其在描述高分遥感图像“像元—结构—地物—场景”等多层次空间关系上存在严重不足。

 1）文档内的词是无序的：模型本身不考虑图像分析单元内部邻近像元间的局部空间结构，从而导致图像分类结果中易出现“椒盐现象”。

 2）文档集是事先给定的：模型不考虑图像分析单元所涵盖内容的变化对地物共生关系建模结果的影响，从而导致建模质量依赖图像分析单元的产生方式。

 3）文档间是相互独立的：模型不考虑相同场景下遥感图像分析单元存在相似的地物聚集关系，如城区图像通常由建筑物、道路等共同组成。

 下面以上述假设所涉及的三个不同层次空间关系建模方法为索引梳理现有的研究及其存在的问题。

 1）邻近像元间的空间相关性。如何利用邻近视觉词的空间相关性是基于概率主题模型进行图像分