遥感图像目标识别文献综述

谭博彦

摘要：随着科学技术的不断发展，特别是遥感技术的飞速发展，遥感图像的分辨率越来越高，其包含的信息也越来越复杂，因此，迫切需要发展感兴趣目标自动识别技术。精确识别对象对民用导航、环境保护、军事等各个方面意义重大，提高对象的自动识别精度也是不可缺少的。本文通过查阅分析遥感图像识别的文献资料，对目标识别使用的一些基本理论和方法进行了综合归纳。

关键词：遥感图像；目标识别； 综述

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）35-0206-03

A Literature Review on Remote Sensing Image Target Recognition

TAN Bo-yan

（Class 1422 The 1st Middle School of Loudi， Loudi 417000 China）

Abstract：With the continuous development of science and technology， Especially the rapid development of remote sensing technology， The resolution of the remote sensing images is higher and higher， it contains information is becoming more and more complex， therefore， an urgent need to develop interest in automatic target recognition technology. Accurately identify the object is of great significance to civil navigation， environment protection， military and other various aspects， to improve the automatic identification precision of the object is also indispensable. This article through the analysis of remote sensing image recognition of the literature， the target recognition using some of the basic theory and method are summarized.

Key words：remote sensing image； target recognition； literature review

目標识别是计算机视觉、图像处理和机器学习中的重要研究课题之一。目前，目标识别的技术已经广泛应用在各个领域中，近些年来其在遥感图像中的应用也越来越普遍。对遥感图像进行精确地目标识别，一直是计算机图像识别中的一个难题，且随着遥感技术的迅速发展，其也成了该领域一个重要研究方向。精确定位遥感图像中的感兴趣目标，同时提取其状态参数和属性值，是遥感图像目标识别的基本任务。该任务需要经过地学、生物学、物候学等综合性的专家知识指导，运用信息科学和数学等一系列方法来实现简单地电磁辐射特性的记录，到地物时空分布变化的反演，这是一个非常典型的交叉学科问题[1]。

现在，遥感图像目标识别共有两种方法[2]，一种是数据驱动型，表现为由下而上，一种知识驱动型，表现为由上而下。第一种是先对图像进行普通的分割、标记、特征提取等，之后对每个已标记区域的特征向量和目标模型进行匹配。第二种则是根据描述模型，对图像的可能特征提出合理假设，然后根据假设进行分割、标记等。这两种方法，前者通常是结合分类技术来进行，后者则是结合推理技术和先验知识来进行。

1 基于分类技术的识别方法

基于分类技术的遥感图像识别，最常被用于识别点、提取区域以及识别结构目标中的结构基元。此类方法多采用纹理、光谱、形状等特征，通过提取出多种特征的临近窗口，用来获取在不同的尺度上的图像信息[3]。

根据分类器是否需要采用训练样本我们还可以将遥感图像识别方法分为监督分类和非监督分类方法。其中，监督分类的精度是由所选取的训练样本决定的，而非监督分类则常被当做预处理部分，其更多的是用于获取整个图像的上下文信息，同时还可用于新目标的探索和发现。

1.1监督分类的方法

1.1.1 基于神经网络的分类方法

正相对于其他分类方法来说，基于神经网络的分类方法的研究时间较早，代表性成果也较多。其应用范围涉及农作物、森林、土地利用分类以及特定目标的识别，网络模型包括了反向传播（BP）、分层、模糊和混合神经网络等。

梁路宏[4]等把模板匹配和神经网络方法相结合进行人脸识别。严柏军[5]等人为计算火车的车皮数，将图像的直方图特征、投影特征和矩阵特征相结合作为神经网络的输入向量，进行货车车锁识别。李文娟[6]为达到优化网络目的，对现有的黄金分割算法进行了改进，其基于LM算法改进BP网络建立LM-BP水质评价模型，又将遗传算法与BP网络结合，为其寻找最优权值和阈值，从而建立GA-BP模型。结果表明，GA-BP评价模型在网络性能上要优于LM-BP模型。刘丹[7]基于改进了的BP神经网络模型对飞机进行目标识别，结果表明此种方法识别的结果更加准确，识别的过程也更稳定、可靠。

在遥感图像分类形式的目标监测中，基于神经网络监督分类方法有效可行，它具备众多优点，如分类结果稳定、自适应能力强、所需先验知识少等。且实验证明，目前我们所用的诸多使用算法和技术，都是结合了神经网络方法的算法来实现的。

1.1.2基于支持向量机分类方法

支持向量机分类方法，是指经过了非线性变换的核函数通过由低维到高维空间的变换过程中，构造出最小泛化误差线性判别函数来实现低维空间的分类。好的核函数可以赋予向量机好的分类性能，且其可在经验风险和模型的复杂度之间做适当的平衡，目前得到广泛推广。

高恒振等[8]在将K-means聚类算法加入到最小二乘支撑向量机（LS-SVW），对没有标签的样本集进行多次聚类，与分到同一类样本点的次数相结合构造出包袋核函数，并将包袋核函数与RBF核函数运算后组合构造出组合和函数，将两者对比发现，改进后的最小二乘向量机比之前的性能更佳。郭春燕等[9]通过研究多类支持向量机分类方法的局限性，在一对一SVW中引入模糊的隶属度函数，对比实验后发现，一对一的模糊支持向量机要比一对多模糊支持向量机和其他三种方法的效果更好，但其对阵元和子带的选择要求较高。谭琨等[10]研究出了一种小波核函数的支持向量机，它是基于再生核Hilbert空间的，对比实验后发现此种方法的分类精度较高，参数的选择也较容易。樊继伟等[11]提出一种主动支持向量机算法，其基于改进的概率选择方法，该算法在实验中是根据置信因子来挑选最佳的样本组并计算其概率，该算法的优点是弥补了其他算法的一些不足之处，也提高了遥感图像的分类精度，但是算法的终止条件有待进一步研究完善。

虽然支持向量机分类方法在遥感图像分类中应用广泛，许多基于此改进的算法也提高了分类的精度，但是图像地物的复杂性，“同谱异物”、“同物异谱”等复杂现象导致错分和漏分现象普遍存在，目前亟待更好的解决方法。

1.1.3基于随机场模型分类方法

条件随机场CRF以及马尔可夫随机场MRF被广泛地用于遥感图像的标注问题，这是因为其能够融合和利用多种特征和图像信息。因为遥感图像的分类过程中的目标检测其实也是对遥感图像的标注，因此，目前涌现出了一批基于随机场模型的解决方法。

郑玮[12]建立了模糊马尔可夫随机场模型（Fuzzy MRF， FMRF），用以解决遥感图像分类中某些像素分类的不确定问题，此模型更合理地获取图像先验知识，更好地符合了遥感图像的特点，从而在图像分割中使用更为准确的先验知识。张晓峰[13]提出了一种自然场景文字提取方法，该方法基于全局特征CRF，利用边缘滤波和开关映射相结合的方法提取出候选的文字区域。他使用当前和邻域内的节点的相似性作为全局特征，通过CRF将这些全局特征联系起来，有效地提取出了文字区域。

因为遥感图像的上下文信息之间关系复杂，很难用单一的随机场模型来获得准确的结果。因此，将随机场模型和各种概率模型相结合的方法就显现出了巨大的发展潜能，这种方法或许可以将复杂遥感图像的目标检测变得简单精确。

1.2非监督分类方法

因为不需要选定提前标注好的训练样本，非监督分类方法操作简单快速，在遥感图像分类中具有明显的优势，但其分类的精度却没有监督分类高。在实际的研究中，对遥感图像分类常采用非监督分类的方法作为发现知识、确定参数和特征预分析等步骤。

K-means聚类 ，K- means方法等非监督分类方法中最常见的各种聚类算法，误差平方和最小是它们聚类评判准则，它们可以通过最小得空间距离来达到平衡状态，但是它们无法自己确定聚类数目。陈华和陈书海[14]等在进行遥感分类的时候便采用了K- means算法， 取得了良好的效果。非监督分类的实现方式多种多样，如神经网络、随机场模型等。于瑛英[15]基于聚类分类结合二叉树思想，提出了一种新的聚类算法。此方法为避免以往聚类方法中同一类点在聚类中变成不同类的问题，充分利用二叉树中分两类的特征将多类聚类简化为点聚类，将原有问题简化处理。

2 基于知识的识别方法

在遥感图像目标识别中对某些同类地物，如水体中的河流、水库、湖泊和坑塘等，仅基于局部光谱、纹理等信息，很难对其做深度区分，对一些如公路、细小的河流等信息的提取，因此此类地物“混合像元”的现象比较严重，很难对他们做出精确地识别。要实现上述识别，要综合利用到地物学、生物学、GIS 信息等知识。

根据遥感信息在识别过程中的应用形式，又可以将其分为基于知识表示、推理和参数模型的方法。学者们常将目标与目标之间以及和环境之间的关系表示成知识的形式来推理，用这种方式来实现遥感目标的间接识别。同时目标中的特殊结构常用基于参数模型的方法进行提取，这种方法经常被用作目标的直接识别。

2.1基于参数模型的方法

目标中有一些特殊的结构，如公路的平行线、细长结构，机场中的平行跑道等，它们不能直接輸入分类器中，这是因为要采用特征向量的形式对他们进行分析描述几乎是不可能的。在我们识别目标时，常用比如能量函数形式的参数化模型来进行目标的识别。有时为了完整提取目标，人们可通过设置能量函数的阈值来实现此类结构的识别。

王永刚等[16]提取出了机场跑道对应的平行线对，并且对机场遥感图像进行了边缘检测结果的运算，采取的就是改进的Hough变换方法。何勇[17]等提取了机场的跑道边界直线，其依据是，他发现在机载SAR的图像中，跑道直线的灰度特征相当明显。徐刚峰、王平等[18]经过处理原始遥感图像，得到原始图像骨架图，随后对骨架的分支基元进行显著性计算建立其相互之间的临近相接关系，最后借助先验知识来检测条状区域脊柱基元，获得机场跑道区域的结构骨架多尺表示，最终获得更加完备的特征。

2.2基于知识表示和推理的方法

在对复杂的遥感图像进行目标识别时，所需要的先验知识总是来自不同的知识领域，为使信息的传递和分析推理能够进行顺利，我们必须采取合理地方法去表示它们，而且方法的核心和基础是知识表示。知识表示是决定知识获取、更新和推理的形式和策略的关键。目前我们所有的来代表知识表示的方法主要包含了神经网络、框架、语义网等等。其中对神经网络的知识获取是采用的是监督分类方法常用的设置样本训练区方法，而其他的方法的知识获取更新方式则是通过该领域的专家来完成。

陈韶斌等[19]研究得出建立一个机场目标的知识库，确定机场各组成部分时要充分运用知识推理方法，并且采用合理方法来验证各部分组成机场的各种可能性，最终实现对机场目标的识别。最终结果显示：该方法在识别机场的同时确定了机场各组成部分的地理位置，获得了更加准确可靠的机场识别结果。同时，该方法还可以更新知识库来获取更多的图像特征，也适用于其他类型目标的识别，具有很强灵活性。

孔繁健[20]在1m高分辨率卫星图像中对电厂的冷凝塔、蓄水池、烟囱、煤栈桥和厂房等分别识别，是基于识别目标的显著特征来建立起知识库，并采用自上而下的知识驱动策略将各个目标逐个提取出来。

合适的知识表示和推理方法，在遥感图像的专题应用中尤为重要。采用合理地方法表示该领域的丰富知识，并及时获取、更新、推理知识，便能够使复杂遥感图像的解译水平得到更大的提升，获取更多的有用信息更好地为服务人类。

3 结论

现如今，对遥感图像目标识别的方法较片面，大多只是针对某一个场景或者是某一个问题来进行研究，并提出解决方法，这样就极大地限制了多种方法的综合使用，减少了解决问题的方法的实用价值。同时，此种做法还极大地增加了分析数据人员的工作量，不利于遥感图像自主分析处理问题的解决。因此，随着科学技术的发展，亟待出现能够实现遥感图像自主识别复杂场景和目标的方法，这也是目前非常值得学者们研究的问题，它的实现与否将大大影响我们人类生活的各个领域。

参考文献：

[1] 张国敏.复杂场景遥感图像目标检测方法研究[D].长沙：国防科学技术大学，2010.

[2] 舒海燕.图像目标识别技术的研究与应用[D].西安：西北工业大学，2002.

[3] J.A.Richards. Analysis of Remotely Sensed Data：The Formative Decades and the Future[J].IEEE Transactions on Geoscience and Remote Sensing，2005，43（3）：422-432.

[4] 梁路宏，艾海舟，徐光佑， 等.基于模板匹配与人工神经网确认的人脸检测[J].电子学报，2001，29（6）：744-747.

[5] 严柏军，宋承天，王克勇，等.BP 神经网络和遗传算法在货车车锁检测中的应用[J].计算机辅助设计与图形学报，2002，14（12）：1179-1183.

[6] 李文娟.改进BP神经网络在水质评价中的应用研究[D].重庆：重庆理工大学，2011.

[7] 刘丹.基于一种改进的BP神经网络的飞机目标识别[J].中国高新技术企业，2011，16（2）：12-13.

[8]高恒振，万建伟，许可，等.基于聚类核函数的最小二乘支持向量机图像半监督分类[J].信号处理，2011（2）.

[9] 郭春燕，赵春晖.基于模糊支持向量机的超光谱遥感图像分类[J].应用科技，2007（3）.

[10] 谭琨，杜培军.基于再生核Hilbert空间小波核函数支持向量机的高光谱遥感影像分类[J].测绘学报，2011（2）.

[11] 樊继伟，李朝锋，吴小俊.改进的概率选择主动支持向量机算法[J].计算机工程与应用，2010（35）.

[12] 郑玮.基于模糊Markov随机场的无监督遥感图像分割算法[J].遥感学报，2008，12（2）：246-251.

[13] 张晓峰.基于条件随机场的目标提取[D].上海：华东师范大学，2012.

[14] 陳华， 陈书海，张平，等.K - m ean s算法在遥感分类中的应用[J].红外与激光工程. 2000.29（2）： 26-30.

[15] 于瑛英/支持向量机多分类问题中聚类分类方法研究[J].理论新探，2009，3（3）：32-34.

[16] 王永刚.姜挺.龚辉.一种基于跑道检测的机场识别方法[J].测绘工程，2009，18（5）：69-72.

[17] 何勇，徐新，孙洪，等.机载SAR 图像中机场跑道的检测[J]. 武汉大学学报：理学版，2004，50（3）：393-396.

[18] 徐刚峰，王平，沈振康.基于骨架特征的机场识别[J].红外与激光工程，2006，35（6）：717-721.

[19] 陈韶斌，蔡超，丁明跃，等.基于知识推理的机场目标识别[J].红外与激光工程，2011（03）：448-552.

[20] 孔繁健.基于高分辨率卫星图像的电厂目标的识别[D].南京：南京理工大学，2006.