CN105550709A - 一种遥感影像输电线路走廊森林区域提取方法 - Google Patents

Abstract

本发明公开了一种遥感影像输电线路走廊森林区域提取方法，包括：步骤1，SVM分类器的训练：从遥感影像训练样本提取场景单元训练样本，采用人工目视方式定义各场景单元训练样本的场景类别并采用标号标记；提取各场景单元训练样本的全局特征；采用场景单元训练样本的场景类别标号和全局特征组合训练SVM分类器；步骤2，采用已训练的SVM分类器对遥感影像测试数据进行分类：从遥感影像测试数据提取场景单元；提取各场景单元的全局特征；基于场景单元的全局特征组合，采用已训练的SVM分类器提取森林区域。本发明可加强对提取目标描述的完备性，从而提高森林区域提取的准确率。

Description

一种遥感影像输电线路走廊森林区域提取方法

技术领域

本发明属于遥感影像智能化分析技术领域，特别涉及一种遥感影像输电线路走廊森林区域提取方法。

背景技术

输电线路是电网运行的命脉，是关系国计民生的“生命线”。随着我国国民经济的快速发展，我国电网的建设事业已步入崭新时代。超高压输电线路已成为我国电网的主网架，特高压输电线路也相继建成投入运营。值得注意的是，当输电线路沿线多经过森林区域时，由于输电线路走廊内林木杂草众多，在久旱无雨、春耕开荒等时候极易引发山火，导致输电线路跳闸。湖北输电线路走廊区域具有气候复杂、地形多变、植被茂盛等特点，尤其是近年来，省内输电线路因山林火灾、烧荒等引起的大范围跳闸停电停运故障越来越多。从2005年至今，湖北省内因山火而引发的输变电线路跳闸事故共有10余次。特别是2013年冬季干燥，湖北境内仅500kV线路附近每天均发生30余起山火，使得电网各运维部门投入大量人力物力进行防范。因此，对输电线路走廊区域，特别是山火多发敏感区域的森林进行有效识别与提取，对指导输电线路走廊植被管理意义重要。

资源三号是我国首颗高精度民用立体测绘卫星，其所配备的三线阵测绘相机和多光谱相机等有效载荷可采用三线阵成像方式，通过正视、前视、后视及多光谱相机获取所观测区域的高分辨率遥感影像。影像中除了含有普通遥感影像的光谱信息外，还包含大量地表物体的形状结构、纹理信息、上下文信息等。相对低分辨率多光谱图像而言，高分辨率遥感图像具有丰富的空间信息和地物几何结构，纹理信息也更加明显，更加便于认知地物的属性特征。因此对“资源三号”卫星影像场景的快速理解和自动标注问题也受到了更多关注。

随着电网建设的不断发展，高压、特高压输电线路将覆盖更多环境复杂区域，尤其以大面积森林区域为高度关注的重点。了解森林覆盖面积和生长特性，能为输电线路走廊的设计和外绝缘配合提供可靠依据；同时，对合理选择输电线路送电路径走向和植被管理具有重要参考价值。由于遥感影像在成像过程中受到环境因素影响，使得同一类别场景在光照、方向、尺度上呈现出较大区别。另一方面，不同类别场景可能包含相同目标类别，只是由于目标类别在空间位置和疏密程度上的不同导致了场景类别的差异^[1]。因此，由于遥感场景的复杂性和多变性，使得从中对输电线路走廊区域的森林地物智能化提取成为了一项具有挑战性且意义重大的工作。

随着计算机技术的普及与发展，智能化、机械化已成为备受关注的热点。机器学习是仿照人类大脑工作方式，让计算机学习类似于大脑的工作方式。人类日常生活中所完成的各种简单动作，如果让计算机完成，则需要利用高度复杂的神经网络^[2]。Hinton等人^[3]提出的深度学习，掀起了神经网络研究的一次浪潮。深度学习是为了得到有助于理解图片、声音、文本等数据所表述意义而进行的多层次表示和抽取学习^[4]。而用简单的机器学习，例如用含2个或3个隐含层的神经网络，无法达到与人类类似的判别决策。这就需要多层的学习器，逐层学习并把学习到的知识传递给下一层，以便下层能够得到更高级别的表述形式，期望可以得到与人类类似的结论^[5]。

文中涉及如下参考文献：

[1]徐侃,杨文,陈丽君等.利用主题模型的遥感图像场景分类[J].武汉大学学报：信息科学版,2011,(5):540-543.

[2]HAYKINS.NeuralNetworks:Acomprehensivefoundation[M].2^nded.NewYork:Prentice-Hall,1999.

[3]HINTONGE,MCCLELLANDJL,RUMELHARTDE.DistributedRepresentations[M].Cambridge:MITPress,1986.

[4]BENGIOY.LearningdeeparchitecturesforAI[J].FoundationsandTrendsinMachineLearning,2009,2(1):1-127.

[5]***,李纯果.深度学习结构和算法比较分析[J].河北大学学报(自然科学版),2012,05:538-544.

[6]A.Krizhevsky,I.Sutskever,andG.E.Hinton.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C].InNIPS,2012.

[7]T.-H.Chan*,K.Jia,S.Gao,J.Lu,Z.Zeng,andY.Ma,"PCANet:Asimpledeeplearningbaselineforimageclassification？"[C],CoRR,2014.

发明内容

本发明的目的是提供一种基于深度学习特征组合的遥感影像输电线路走廊森林区域提取方法。

本发明基于“资源三号”高分辨率的遥感影像进行输电线路走廊森林区域提取。首先，对遥感影像分别进行三种深度学习特征提取，即CNN特征、PCANet特征和RandomNet特征；然后将其进行串联组合，得到深度学习特征的组合；最后根据该形式的特征组合，利用支持向量机(SVM)分类器完成对遥感影像输电线路走廊区域的森林的分类。

为达到上述目的，本发明采用如下技术方案：

一种遥感影像输电线路走廊森林区域提取方法，包括：

步骤1，SVM分类器的训练，具体为：

1.1从遥感影像训练样本提取场景单元训练样本，采用人工目视方式定义各场景单元训练样本的场景类别并采用标号标记，所述的场景类别包括森林类和非森林类；

1.2提取各场景单元训练样本的CNN特征、PCANet特征和RandomNet特征，再将提取的三种特征进行串联组合构成场景单元训练样本的全局特征；

1.3采用场景单元训练样本的场景类别标号和全局特征训练SVM分类器；

步骤2，采用已训练的SVM分类器对遥感影像测试数据进行分类，具体为：

2.1从遥感影像测试数据提取场景单元；

2.2提取各场景单元的CNN特征、PCANet特征和RandomNet特征，再将提取的三种特征进行串联组合构成场景单元的全局特征；

2.3基于场景单元的全局特征，采用已训练的SVM分类器对遥感影像测试数据中场景单元进行分类，其中被分为森林类的场景单元构成森林区域。

子步骤1.1和子步骤2.1中提取场景单元，具体为：

采用均匀网格划分遥感影像，一个网格即代表一个场景单元，相邻场景单元间无重叠，所述的遥感影像为遥感影像训练样本或遥感影像测试数据。

和现有技术相比，本发明具有如下优点和有益效果：

与传统基于手工设计(hand-crafted)特征的分类方法相比，本发明利用深度学习特征的非监督学习特点，进行自适应滤波处理；同时，将多种深度学习特征进行组合，融合各深度学习特征的优势。将由多种深度学习特征组合的全局特征引入遥感影像输电线路走廊区域的森林分类，可加强对提取目标描述的完备性，从而提高森林分类准确率。

附图说明

图1为本发明方法的具体流示意图。

具体实施方式

下面将结合附图对本发明的具体实施方式进行详细说明。本发明技术方案可采用计算机软件自动运行。

步骤1，遥感影像预处理。

本步骤包括遥感影像训练样本和遥感影像测试数据的预处理。

对遥感影像训练样本的预处理包括提取场景单元和以人工目视方式定义场景类别。首先，将大幅遥感影像训练样本划分为若干大小相同的图像子块，得场景单元训练样本；然后采用人工目视方式定义各场景单元训练样本的场景类别，并采用标号标注，本发明中场景类别仅包括森林类和非森林类。遥感影像测试数据的预处理为提取其场景单元。

具体实施时，遥感影像为“资源三号”全色影像，采用均匀网格划分遥感影像，网格即就代表一个场景单元，相邻场景单元间无重叠。本发明最终目标是给遥感影像测试数据所有场景单元赋予一个场景类别标号，并采用不同颜色区分。本实施例中，场景单元大小为100像素*100像素。

步骤2，场景单元的深度学习特征提取。

基于深度学习的特征表达可以自动完成由低层特征至高层特征的逐步传递，相对于手工特征而言，深度学习特征更符合人类视觉特性。本发明基于场景单元，分别提取场景单元的CNN、PCANet和RandomNet三种深度学习特征描述场景单元，并将提取的三种深度学习特征组合后用于分类。

本发明需要提取场景单元训练样本和的遥感影像测试数据场景单元的深度学习特征，下面将对深度学习特征提取过程进行详细说明。

(1)CNN特征(卷积神经网络特征)提取。

卷积神经网络包含卷积层、池化层(poolinglayer)和全连接层。完整的深度卷积神经网络由多个卷积、池化和全连接层串联组合构成。卷积层中，输入图像或输入特征图与若干滤波器组(也称为卷积核)进行卷积滤波得到特征图；然后对其非线性化处理后送入池化层，上述处理基于非线性函数进行计算，常用的非线性函数有Sigmoid函数、Tanh函数、ReLU(RectifiedLinearUnit)函数等。

池化层中对输入的特征图进行池化操作。池化操作即将特征图划分成大小相同的方形区域，对各区域计算统计量，如特征图中固定大小窗口内所有像素响应值的平均值或最大值。通过池化层，相当于对特征图进行下采样，获得了一个尺寸较小的特征图。池化层的输出可以再连接一个卷积层，该卷积层的输出再连接另一池化层，在合理的网络层数前提下，按照卷积层-池化层的顺序迭代。最后一层池化层输出的统计量送入全连接层中。

全连接层由若干全连接隐层以及SoftmaxRegression决策层构成。卷积神经网络的训练利用反向传播算法(BackPropagation)完成。训练完成得到每一层的网络参数后，对任意一幅输入图像可通过前馈(Feed-forward)方式计算得该输入图像的特征，即CNN特征。CNN特征具有良好的平移和尺度不变性。

(2)PCANet特征(PCA网络特征)提取。

PCANet特征与CNN特征最大的区别在于，PCANet特征的卷积核是通过无监督的PCA训练得到，而非采用反向传播算法。本实施例中，采用现有的PCANet特征工具包提取场景单元的PCANet特征，主要步骤如下：

(a)在场景单元训练样本中随机采样小图像块，对采样的小图像块进行PCA变换，提取前L1个主成分向量作为卷积核，卷积核与训练图像做卷积得第一层的共L1个特征图。

(b)对特征图采样并利用PCA进行训练得L2个卷积核，与第一层的L1个特征图卷积后得第二层的共L1组特征图，每组包括L2个特征图。

(c)对第二层的各组特征图分别进行哈希编码，编码长度为2^L2，共得到L1个编码图。

(d)对各编码图进行分块处理，获取各子块出现频率的统计直方图，将L1个编码图所有子块的直方图串联，即输入图像的特征。

(3)RandomNet特征提取。

RandomNet特征与PCANet特征的不同之处在于，其第一层和第二层的卷积核不通过非监督PCA训练得到，而是随机产生一组服从高斯分布的随机数。本实施例中，采用现有的RandomNet特征工具包提取场景单元的RandomNet特征。

步骤3，深度学习特征组合。

将步骤2提取的场景单元的三种特征向量以串联形式依次连接，得场景单元的深度学习特征组合，即场景单元的全局特征。采用场景单元训练样本的全局特征对SVM分类器进行训练，采用已训练的SVM分类器对遥感影像测试数据场景单元进行分类。

步骤4，利用SVM分类器对遥感影像测试数据进行分类。

通过以上步骤，可获得所有场景单元训练样本和遥感影像测试数据场景单元的全局特征。基于此，本发明采用SVM分类器完成输电线路走廊区域的森林分类，该分类过程主要包括训练SVM分类器和遥感影像测试数据场景单元分类。

(1)采用场景单元训练样本的场景类别标号和全局特征训练SVM分类器，得SVM分类器的模型参数。

所使用的SVM分类器以最大分类间隔为准则，通过寻找最优分类超平面对训练样本进行空间划分。SVM分类器的训练过程最终转化成解决如下的优化问题：

$min\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i$

s.t,y_i(w^Tφ(x_i)+b)≥1-ξ_i,i＝1,2,...n(1)

ξ_i≥0,i＝1,2,...n

式(1)中，w和b为定义分类超平面w^Tφ(x_i)+b＝0的参数向量；C是用来控制目标函数中两项权重的常量；ξ_i表示松弛变量；φ(x_i)表示训练样本x_i的非线性映射；y_i表示训练样本x_i的类别标号；n为训练样本数。

采用拉格朗日乘子法，将式(1)所示带约束的优化问题转化成无约束优化问题，其代价函数L为：

$L=\frac{1}{2}\left|\right|w|{|}^2+C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i\left(y_i\right(w^T\mathrm{\φ}\left(x_i\right)+b)-1+{\mathrm{\ξ}}_i)-\underset{i=1}{\overset{n}{\Σ}}{r}_i{\mathrm{\ξ}}_i---\left(2\right)$

式(2)中，α_i、r_i均为训练样本x_i的待优化变量。

在满足Karush-Kuhn-Tucker(KKT)条件的基础上，可将式(2)所示的无约束问题转化成如下优化问题：

$max\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}\left({\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K\right(x_i,x_j\left)\right)$

s.t.,0≤α_i≤C,i＝1,...,n(3)

$\underset{i=1}{\overset{n}{\Σ}}\left({\mathrm{\α}}_i{y}_i\right)=0$

式(3)中，w和α之间满足

K(x,x_i)为预先已定义的核函数，用来将训练样本在特征空间中的内积操作转化成训练样本在原始空间中的核函数映射。本实施例采用径向基函数作为核函数如下：

$K(x,x_i)=\exp \{-\frac{|x-x_i{|}^2}{256{\mathrm{\σ}}^2}\}---\left(4\right)$

其中，x为支持向量，x_i为训练样本，σ为训练样本的方差。

通过解优化问题(3)得变量{α_i}_i＝1,...,n的最优值，完成SVM分类器模型参数的训练过程。

(2)利用已训练的SVM分类器对遥感影像测试数据中所有场景单元进行分类，即对各场景单元进行场景类别标号预测，通过预测的场景类别标号即可获得各场景单元的类别，采用不同颜色区分不同的场景类别。

利用已训练的SVM分类器进行场景分类时，只需要将遥感影像测试数据场景单元的特征向量输入SVM分类器的分类函数曲面，即可获取相应的场景类别标号，分类函数f(H^(t))如下：

$f\left(H^{\left(t\right)}\right)=\underset{i=1}{\overset{n}{\Σ}}\left({\mathrm{\α}}_i{y}_{i}K\right(H_i,H^{\left(t\right)}\left)\right)+b---\left(5\right)$

式(5)中，H_i为训练样本x_i的全局特征，H^(t)表示待分类场景单元的全局特征。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种遥感影像输电线路走廊森林区域提取方法，其特征是，包括：

步骤1，SVM分类器的训练，具体为：

1.1从遥感影像训练样本提取场景单元训练样本，采用人工目视方式定义各场景单元训练样本的场景类别并采用标号标记，所述的场景类别包括森林类和非森林类；

1.2提取各场景单元训练样本的CNN特征、PCANet特征和RandomNet特征，再将提取的三种特征进行串联组合构成场景单元训练样本的全局特征；

1.3采用场景单元训练样本的场景类别标号和全局特征训练SVM分类器；

步骤2，采用已训练的SVM分类器对遥感影像测试数据进行分类，具体为：

2.1从遥感影像测试数据提取场景单元；

2.2提取各场景单元的CNN特征、PCANet特征和RandomNet特征，再将提取的三种特征进行串联组合构成场景单元的全局特征；

2.3基于场景单元的全局特征，采用已训练的SVM分类器对遥感影像测试数据中场景单元进行分类，其中被分为森林类的场景单元构成森林区域。

2.如权利要求1所述的遥感影像输电线路走廊森林区域提取方法，其特征是：

子步骤1.1和子步骤2.1中提取场景单元，具体为：

采用均匀网格划分遥感影像，一个网格即代表一个场景单元，相邻场景单元间无重叠，所述的遥感影像为遥感影像训练样本或遥感影像测试数据。