结合主动学习和词袋模型的高分二号遥感影像自动化分类

doi:10.13474/j.cnki.11-2246.2019.0053

测绘通报 ›› 2019, Vol. 0 ›› Issue (2): 103-107.doi: 10.13474/j.cnki.11-2246.2019.0053

结合主动学习和词袋模型的高分二号遥感影像自动化分类

张金盈¹, 姚光虎², 林琳³, 郭怀轩²

1. 山东省国土测绘院遥感技术部, 山东济南 250013;
2. 神舟航天软件(济南)有限公司卫星应用中心, 山东济南 250013;
3. 山东省水利科学研究院水资源与水环境省重点实验室, 山东济南 250013

收稿日期:2018-04-03 出版日期:2019-02-25 发布日期:2019-03-05
作者简介:张金盈(1980-),男,硕士,高级工程师,主要研究方向为遥感影像处理、解译的理论和应用。E-mail:591248670@qq.com
基金资助:
山东省自然科学基金（ZR2015EM007）

Automatic classification of GF-2 remote sensing imagery based on active learning and bag of visual words model

ZHANG Jinying¹, YAO Guanghu², LIN Lin³, GUO Huaixuan²

1. Shandong Geological Surveying and Mapping Institute, Jinan 250013, China;
2. Center of Satellite Application, Shenzhou Aerospace Software(Jinan) Co., Ltd., Jinan 250013, China;
3. Water Research Institute of Shandong Province, Shandong Provincial Key Laboratory of Water Resources and Environment, Jinan 250013, China

Received:2018-04-03 Online:2019-02-25 Published:2019-03-05

摘要/Abstract

摘要：

高分卫星遥感影像空间分辨率的提高，使得地物的光谱和纹理变得更加丰富和复杂，这给遥感影像的自动化分类带来严重挑战。因此，本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先，对研究区域进行多尺度分割，建立影像分割对象集；然后，采用词袋模型构建影像对象的语义特征向量；最后，充分考虑位于分类边界的不确定性样本分布，迭代选择最优样本用于训练支持向量机，用于分类遥感影像。为了验证本文方法的有效性和稳健性，以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明，本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类，正确率达到90.6%以上。

关键词: 遥感影像, 机器学习, 分类, 主动学习

Abstract:

The improvement of high-resolution satellite images makes the spectrum and texture more rich and complex, which poses challenges for the automatic classification. Therefore, this paper combines active learning and bag of word model for image classifications. First, a multi-scale segmentation is implemented to generate image objects. Second, bag of word model is used to establish the semantic feature of image object. Finally, the uncertainty sample distribution is well considered, and the optimal samples are selected iteratively for training SVM to classify image. To verify the effectiveness and robustness, the high-resolution image in Shandong province was used as experimental data. The results show that the proposed method can effectively classified the study area into four types:water, ground, vegetation, and building, with the overall accuracy of over 90.6%.

Key words: remote sensing imagery, machine learning, classification, active learning

中图分类号:

P237

张金盈, 姚光虎, 林琳, 郭怀轩. 结合主动学习和词袋模型的高分二号遥感影像自动化分类[J]. 测绘通报, 2019, 0(2): 103-107.

ZHANG Jinying, YAO Guanghu, LIN Lin, GUO Huaixuan. Automatic classification of GF-2 remote sensing imagery based on active learning and bag of visual words model[J]. 测绘通报, 2019, 0(2): 103-107.

参考文献

[1] 刘大伟, 韩玲, 韩晓勇. 基于深度学习的高分辨率遥感影像分类研究[J]. 光学学报, 2016, 36(4):298-306.
[2] LUO B, ZHANG L. Robust autodual morphological profiles for the classification of high-resolution satellite images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(2):1451-1462.
[3] HUANG X, ZHANG L. An SVM ensemble approach combining spectral, structural, and semantic features for the classifica-tion of high-resolution remotely sensed imagery[J]. IEEE Transactions on Geoscience & Remote Sensing, 2012, 51(1):257-272.
[4] 王耀, 杨化超, 王光辉,等. 利用多分类器自适应级联模型的高分二号影像分类[J]. 测绘通报, 2017(11):32-36.
[5] 张飞飞, 杨光, 田亦陈. 基于国产GF-2遥感影像的大麻地块提取方法研究——以安徽省六安市苏埠镇为例[J]. 安徽农业大学学报, 2016, 43(4):582-586.
[6] 汪红, 马云强, 石雷. 基于高分二号的云南松林遥感影像提取方法研究[J]. 云南地理环境研究, 2017, 29(2):57-63.
[7] 陈苏婷, 王慧. 多尺度多特征融合的高分辨率遥感影像分类[J]. 量子电子学报, 2016, 33(4):420-426.
[8] 张超, 李智晓, 李鹏山,等. 基于高分辨率遥感影像分类的城镇土地利用规划监测[J]. 农业机械学报, 2015, 46(11):323-329.
[9] 刘纯, 洪亮, 陈杰,等. 融合像素-多尺度区域特征的高分辨率遥感影像分类算法[J]. 遥感学报, 2015, 19(2):228-239.
[10] CAO Y, WEI H, ZHAO H, et al. An effective approach for land-cover classification from airborne lidar fused with co-registered data[J]. International Journal of Remote Sensing, 2012, 33(18):5927-5953.
[11] 王志华, 孟樊, 杨晓梅,等. 高空间分辨率遥感影像分割尺度参数自动选择研究[J]. 地球信息科学学报, 2016, 18(5):639-648.
[12] 黄昕, 张良培, 李平湘. 基于多尺度特征融合和支持向量机的高分辨率遥感影像分类[J]. 遥感学报, 2007, 11(1):48-54.
[13] 曾文华. 基于灰度共生法和小波变换的遥感影像纹理信息提取[D]. 长春:东北师范大学, 2006.
[14] HEARST M A, DUMAIS S T, OSUNA E, et al. Support vector machines[J]. IEEE Intelligent Systems & Their Applications, 1998, 13(4):18-28.
[15] HSU C W, LIN C J. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks, 2002, 13(4):1026.
[16] SCHOHN G, COHN D. Less is more:active learning with support vector machines[C]//Seventeenth International Conference on Machine Learning.[S.l.]:Morgan Kaufmann Publishers Inc., 2000:839-846.
[17] TUIA D, MUNOZ-MARI J. Learning user's confidence for active learning[J]. IEEE Transactions on Geoscience & Remote Sensing, 2013, 51(2):872-880.

结合主动学习和词袋模型的高分二号遥感影像自动化分类

Automatic classification of GF-2 remote sensing imagery based on active learning and bag of visual words model

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	孔瑞瑶, 谢涛, 马明, 孔瑞林. CatBoost模型在水深反演中的应用[J]. 测绘通报, 2022, 0(7): 33-37.
[2]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[3]	杨俊, 刘灵辉. 加权全极化SAR图像分类下的功能区土地时空变化特征提取[J]. 测绘通报, 2022, 0(7): 138-142,153.
[4]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[5]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[6]	谭玉慧, 刘欣怡, 张永军. 超体素约束下的主动再学习LiDAR点云分类框架[J]. 测绘通报, 2022, 0(5): 79-83,100.
[7]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[8]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[9]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[10]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[11]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[12]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[13]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[14]	王刚, 丁华祥. Sentinel-2A数据支持下的雷州半岛植被类型识别[J]. 测绘通报, 2022, 0(3): 76-82.
[15]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.