CBR方法在高分辨率遙感影像分類中的應用

1、7測繪通報測繪科學前沿技術(shù)論壇論文集CBR方法在高分辨率遙感影像分類中的應用王珊珊，季民，高潔，焦其松（，山東 青島 266510）摘 要：基于案例推理，簡稱CBR方法，是人工智能在不斷發(fā)展過程中的一個新的分支。它用案例來表達知識，并把問題求解和學習相融合完成推理。本文將該方法與面向?qū)ο蠓诸惣夹g(shù)集成應用到高分辨率遙感影像分類中，通過對實驗結(jié)果進行分析，總結(jié)出CBR方法應用于遙感影像分類中的特點和優(yōu)勢，最后提出了自己對該領(lǐng)域研究的展望。關(guān)鍵字：案例推理（CBR）；面向?qū)ο蠓诸?；圖像分割作者1簡介：王珊珊（1985-），女，漢族，山東泰安人，碩士在讀，研究方向為地理信息系統(tǒng)理論及應用。作者2簡介：

2、季民（1970-），男，漢族，山東德州人，博士，副教授，主要研究方向為空間數(shù)據(jù)組織與知識挖掘。工作單位：山東科技大學測繪學院地理系目前衛(wèi)星遙感數(shù)據(jù)空間分辨率的不斷提高成為衛(wèi)星遙感技術(shù)發(fā)展和應用的一大特點。高分辨率遙感影像與中、低分辨率影像相比具有豐富的空間信息，地物的幾何結(jié)構(gòu)、紋理信息更加明顯，更便于認知地物的屬性特征，但通常包含的波段數(shù)較少，光譜特征不如空間特征豐富，這就對高分辨率遙感影像的處理和信息提取提出了新的要求。遙感影像的分類是將遙感影像中的每個像元劃歸到相應的類別中去的過程1。近些年來，越來越多的人開始關(guān)注高分辨率遙感影像的分類技術(shù)，雖然已取得了一些突破，但該領(lǐng)域仍存在特征因子單一

3、，分類方法單一，噪聲影響較大等諸多問題。本文初步探討了利用案例推理方法對高分辨率遙感影像進行分類的理論基礎(chǔ)，同時通過相關(guān)實驗對其進行了驗證和分析。一、基于案例推理（CBR）基于案例推理 (Case_Based Reasoning,簡稱CBR) 技術(shù)最先是由美國耶魯大學Roger Schank教授在其論著Dynamic Memory中提出的。CBR是一種基于經(jīng)驗知識進行推理的人工智能技術(shù)，是用案例來表達知識并把問題求解和學習相融合的一種推理方法，它強調(diào)人在解決新問題時，常?；貞浧疬^去積累下來的類似情況的處理，并通過適當修改對過去類似情況處理的方法來解決新問題。自提出以來該理論逐步推廣到數(shù)學、醫(yī)學

4、、生物工程、機械CAD、企業(yè)管理、法律咨詢、環(huán)境監(jiān)測2和軍事決策等各個領(lǐng)域，并得到了成功的應用。1.1案例的表達案例是對于以往經(jīng)驗的具有一定關(guān)系的知識表達，其中記錄了解決新問題時可能利用到的經(jīng)驗知識，是某一狀態(tài)的特征、處理方法和結(jié)果的集合。案例和案例庫的組織表達，是用CBR方法解決問題的基礎(chǔ)，關(guān)系到推理過程的效率和推理結(jié)果的質(zhì)量。當前國內(nèi)外主要的案例表達模型有4種：傳統(tǒng)表達模型、結(jié)構(gòu)化表達模型 、層次表達模型、基于Tesseral碼的表達模型3。其中傳統(tǒng)表達模型基于案例的特征值及其權(quán)重，適于解決分類問題，即特征1、特征2、特征n對應于特定的分類。其中，特征的選擇根據(jù)所研究的具體問題而定。1.2

5、案例推理的一般過程CBR把當前所面臨的問題或情況定義為目標案例，而把記憶中的問題或情況稱為源案例。案例推理的過程就是由目標案例的提示獲取記憶中的源案例并由源案例來指導目標案例求解的一種策略4。一個完整的案例推理就是一個循環(huán)過程，其中包括4個階段，被人們歸結(jié)為4R，即抽?。≧etrieve）、重用（Reuse）、修正（Revise）和保存（Retain）5。其一般過程如圖1所示：圖1 CBR的一般過程1）抽?。焊鶕?jù)目標案例的有關(guān)信息，按一定的相似度算法進行計算，從案例庫中找到與之最相似的源案例集2）重用：從檢索到的源案例集中獲得目標案例的求解方法，如果有源案例完全符合條件則直接應用于目標案例的求

6、解，否則將其按照需求修改后再加以應用，于是得到初始的解決方案。3）修正：將初始方案應用到現(xiàn)實世界中，檢驗該方案正確與否，并根據(jù)方案有效性對其進行修正，得到目標案例的最終方案。4）保存：將帶有最終方案的案例及其解釋根據(jù)其在案例庫中的地位按照一定原則存入到案例庫中，以備以后案例推理的應用。CBR是一種類比推理方法，其核心是利用經(jīng)驗解決問題6，與人對自然問題的求解習慣相一致。該方法既不受知識獲取瓶頸的局限，又可以通過學習不斷地增強,具有信息表達完全、增量式學習、形象思維的準確模擬，知識獲取較為容易、求解效率和質(zhì)量高等優(yōu)點?；诎咐评淼膯栴}求解方法比較適用于沒有很強理論模型、知識不明確而同時又具有豐

7、富經(jīng)驗的決策領(lǐng)域。從發(fā)展的角度來看，我們所面臨問題的狀態(tài)處于不斷變化中，這些事物的客觀規(guī)律和結(jié)構(gòu)也不可能一成不變，而相應的知識調(diào)整在速度和內(nèi)容上都不可能完全反映深層的因果機制。這也就是CBR方法能夠有效地解決許多問題的關(guān)鍵。利用CBR方法解決問題時，所要滿足的前提條件是：相同或相似的現(xiàn)象可以導致相似結(jié)果的產(chǎn)生，而相似的現(xiàn)象可以重復出現(xiàn)。這就需要我們在應用過程中要考慮案例的規(guī)律性、典型性、相容性。二、利用CBR方法進行高分遙感影像分類遙感影像分類的基礎(chǔ)是認為同類地物在遙感影像中具有相同或相似的光譜特征或空間特征，而不同類地物具有不同的光譜特征或空間特征，這恰恰符合CBR方法的假設(shè)前提條件。在我國

8、，黎夏等研究人員利用該方法對遙感圖像分類進行了一定程度的研究78?；谝陨侠碚摶A(chǔ)，作者利用CBR方法對山東科技大學及周邊地區(qū)的QuickBird遙感影像開展了分類實驗。2.1面向?qū)ο蠓诸惣夹g(shù) QuickBird遙感影像屬于高分辨率遙感影像，對于該影像的分類應注意多種分類方法的融合，單單利用CBR方法尚不能取得滿意結(jié)果。因此在實驗中，作者將該方法與面向?qū)ο蠓诸惣夹g(shù)相結(jié)合，對遙感影像進行分類。面向?qū)ο蟮男畔⑻崛〖夹g(shù)是一種基于目標的信息提取方法。該方法在分類時，一方面依靠地物的光譜信息特征，另一方面在地物光譜信息比較接近時，更多地是利用其幾何信息（形狀、大小）、結(jié)構(gòu)信息（如紋理信息）、上下文的語義

9、信息，以達到比較好的分類效果。面向?qū)ο蠹夹g(shù)在遙感應用中有著無可比擬的優(yōu)勢，是當前高分辨率信息提取技術(shù)的發(fā)展趨勢9。面向?qū)ο髨D像分類首先通過一定的分割方法對遙感圖像進行分割，繼而提取分割單元（即影像分割后得到的內(nèi)部屬性相對一致或均質(zhì)程度較高的影像區(qū)域）的各種特征，并在特征空間中進行對象識別和標識，從而最終完成分類。其技術(shù)流程見圖2。圖2面向?qū)ο蟮倪b感分類技術(shù)流程圖2.2土地利用分類實驗過程在實驗中，作者把具體的CBR方法作為模糊分類的一種嵌入到面向?qū)ο蠓诸愔校瑢b感影像進行分類。實驗過程中使用的軟件有：AIAI CBR Shell v2.4、Envi4.2和eCognition4.0。其中，AI

10、AI CBR Shell v2.42是英國愛丁堡大學開發(fā)的案例推理軟件；eCognition4.0是一個可獨立運行的遙感圖像分析軟件，很好地表達了面向?qū)ο髨D像分類的思想10，在本實驗中的主要作用是將遙感圖像進行分割，以獲得CBR分類時應用到的遙感案例。具體實驗過程如下：1）圖像分割利用eCognition將圖像按一定的參數(shù)分割為若干圖斑單元，在分割中既要關(guān)注影像的紋理細節(jié),又要注意影像的宏觀特征,避免眾多瑣碎區(qū)域的產(chǎn)生。經(jīng)多次測試，根據(jù)自己對選區(qū)內(nèi)土地利用情況的了解，發(fā)現(xiàn)當分割參數(shù)設(shè)置是尺度參數(shù)為30，緊密度為0.2，色調(diào)為0.8，形狀為0.7，平滑度為0.3時，獲得的總體分割效果比較好，分割

11、后的結(jié)果見圖3。圖3利用eCognition4.0對圖像進行分割后的結(jié)果2）建立案例庫eCognition4.0中對分割單元中地物的光譜特征和形狀特征進行了定量化描述，形成一些特征向量因子。在案例的表達中，采用傳統(tǒng)表達模型。根據(jù)經(jīng)驗選擇出的參與推理過程的特征向量包括：光譜信息（圖斑內(nèi)各像素在三個波段的平均灰度值，亮度），空間信息（緊致度，形狀參數(shù)，密度），位置信息（中心點的相對X、Y坐標）。一個圖斑的信息提取如圖4所示。在分割圖像上隨機均勻地分層選取經(jīng)驗圖斑作為源案例，每一案例被記錄為：x=(ID,Band1,Band2,Band3,Brightness,Compactness,Shape,D

12、ensity,X,Y,Type,type)其中：Type為土地利用的大類，type為土地利用的小類，分類結(jié)構(gòu)見圖5。由此完成源案例庫的建設(shè)，同時按相同的方法，組織目標案例庫。圖4 某一分割單元特征屬性的顯示圖5土地利用類型設(shè)置3）目標遙感案例的土地利用類型推理。利用AIAI軟件在推理中，根據(jù)經(jīng)驗為每個特征向量選取不同的權(quán)重，設(shè)定推理過程中用于案例抽取的閾值和案例重用修改的具體算法。這些參數(shù)的設(shè)置是根據(jù)經(jīng)驗和實驗結(jié)果而不斷改正的，因此每一個參數(shù)的改變，就會形成一個新的推理模板。在實驗中就需要用這些不同的模板參與案例推理，診斷出各目標案例的土地利用類型，并將診斷結(jié)果與實際結(jié)果進行比較，查看使用不同

13、模板的準確率，推理過程見圖6。圖6利用probabilistic curve方法進行案例推理從圖中可以看出，在診斷中對某一分割單元地物類型的劃分是模糊的，即只是根據(jù)檢索出的一組相似遙感案例與目標案例的相近程度利用一定算法，計算出這些相似案例對確定目標案例土地利用類型的貢獻程度，最后對該結(jié)果做出一個大致的推測，而不是一個絕對的答案。由此可見，利用CBR方法對遙感影像進行分類是一個模糊分類的過程。三、實驗結(jié)果與分析經(jīng)過設(shè)置不同的分類參數(shù)對遙感影像進行分類，將實驗結(jié)果進行對比發(fā)現(xiàn)當把權(quán)重設(shè)置為（6，6，6，5，3，4，3，4，4），閾值設(shè)置為85%，診斷方法采用probabilistic curve

14、時獲得的系統(tǒng)診斷準確率比較高，大類診斷準確率為90%，小類診斷準確率為80%。表1就是對該實驗結(jié)果進行統(tǒng)計后完成的統(tǒng)計表。從表1中看出除林地以外各類地物的分類準確率都是比較高的，而林地分類準確率為0主要是由于該影像的拍攝時間為冬季，林地內(nèi)樹木大量落葉導致草皮暴露，在影像上特征與草地相似；同時在實驗涉及地域林地所占比重很小，造成源案例及目標案例數(shù)量少，大大降低了案例推理的精度。通過實驗過程的實施及結(jié)果分析，可以得出利用CBR方法進行遙感影像分類的優(yōu)點有：1)傳統(tǒng)的遙感影像分類工作的規(guī)則復雜而難以表達，CBR的核心思想是用經(jīng)驗解決問題，只需要根據(jù)經(jīng)驗選取足夠的單元組織案例，簡單易行，不需要操作者具

15、有大量的專業(yè)知識。2)組建好的案例庫可以重復使用，不需要重復進行訓練區(qū)選擇。3)CBR是機器學習的重要方法，診斷的結(jié)果被存儲到案例庫中以備下一次的分類，這樣可以遞進地提高系統(tǒng)推理的準確性。4)很好的解決了遙感影像分類中的“同物異譜”問題。另外，利用CBR方法進行遙感影像分類雖然與傳統(tǒng)的監(jiān)督分類有一定相似之處，但兩者在應用外延、信息提取、案例選取、學習方式、實施過程及拓展性等方面存在很大的區(qū)別。表1利用CBR方法對遙感影像進行分類的統(tǒng)計結(jié)果 實際總數(shù)建筑物道路未利用草地林地水域分類建筑物362000038道路240000042未利用011400015草地001143018林地0001012水域0

16、000044 總數(shù)3843151535119 精度0.950.930.930.9300.80.90四、結(jié)束語本文首先對案例推理(CBR)方法的相關(guān)知識進行了簡單介紹，指出其應用于遙感圖像分類具有可行性的理論依據(jù)，然后通過將CBR方法與面向?qū)ο髨D像分類技術(shù)相結(jié)合，對高分辨率遙感影像進行分類實驗并取得較好的效果。同時對實驗過程及結(jié)果進行分析，總結(jié)了CBR方法應用于遙感影像分類中的特點和優(yōu)勢。同時作者注意到利用CBR方法對遙感影像進行分類，也具有一些缺點和不足，需要從理論上進行完善；而在應用方面，其技術(shù)標準、流程也尚未形成完整的體系，所以該領(lǐng)域的有關(guān)問題仍具有深入討論的價值。參考文獻：1 明冬萍,駱

17、劍承,沈占鋒,汪 閩,盛 昊. 高分辨率遙感影像信息提取與目標識別技術(shù)研究J,2005,30(3):1820.2 Florentino Fdez-Riverola and Juan M. Corchado, CBR based system for forecasting red tides, J. Knowledge-Based Systems 16 (2003) 321328.3 杜云艷,周成虎,邵全琴,蘇奮振,史忠植,葉施仁.案例推理的地學應用背景和方法J 地球信息科學.2002,3(1):98103.4 史忠植.高級人工智能M.北京:科學出版社,1998.5 杜云艷,周成虎,邵全琴,等.地理案例推理及其應用J.地理學報,2002,57(2):151158.6杜云艷.地理案例推理及其應用.中國科學院地理科學與資源研究所博士畢業(yè)論文D，2001:98103. 7黎夏,葉嘉安,廖其芳