遥感影像信息处理技术的研究进展
张良培，黄昕
武汉大学测绘遥感信息工程国家重点实验室，湖北武汉 430079
摘要: 综述了遥感影像信息处理技术的研究进展, 主要包括高分辨率影像信息提取技术、影像超分辨率、高光谱影像处理和目标探测, 以及遥感影像处理与分类的人工智能方法。对于高分辨率影像处理, 从纹理、形状、结构和对象的角度探讨了空间信息提取对于高分辨率影像解译的意义和作用, 分析了小波纹理、空间共生纹理、形状特征提取和面向对象分类技术的进展和存在的问题; 对于超分辨率技术, 文章主要介绍了超分辨率技术的最新进展, 及其在遥感影像(SPOT5 和MODIS)中的应用; 在高光谱数据处理方面, 从纯净像元和混合像元两方面介绍了最新的进展。对于纯净像元方法, 主要分析了植被指数和统计方法, 混合像元方面, 则主要分析了像元分解、端元提取的最新技术方法; 在智能化信息处理方面, 先回顾了神经网络和遗传算法在遥感图像处理中的应用, 然后介绍了人工免疫系统对多、高光谱遥感影像分类研究的最新进展。
关键词: 高分辨率, 超分辨率, 高光谱, 人工智能
最近，高分辨率遥感图像（如快鸟，IKONOS，SPOT5等）和光谱通道（海波，MODIS，MERIS等）已经能够提供大量的信息，从而开辟了遥感应用程序新的途径（例如，城市测绘，环境监测，精细农业，人类 - 环境 - 地球的相互作用，等等）。然而，它们同样使图像处理和分类面临着由于丰富的空间和光谱信息技术高分辨率数据和超维特征带来的挑战。这表明，传统的方法对这些新的传感器是严重不足的。在此背景下，本文旨在回顾这些新的数据类型下图像处理技术发展。本文的结构如下，第一部分讨论了信息提取和
高空间分辨率的图像分类，包括空间特征的提取和基于对象的分析。第二部分的关注超分辨率重建技术。第三部分介绍高光谱数据分析，第四部分讨论人工智能方法的遥感应用。
高空间高分辨率图像的进一步加工。现今，商业上使用非常高的分辨率（VHR）卫星图像（例如，IKONOS，快鸟，和SPOT-5），他们提供了大量的空间信息。然而，它们对图像处理和分类技术带来了挑战。由此产生的高内部类和低班际变异导致的统计可分性的减少在频域中不同土地覆盖类型，传统的光谱分类方法已被证明不足以解释VHR数据（Myint等，2004; Zhang等人，2006）。它是众所周知的的空间和光谱的组合信息可以有效地解决这一问题。近期发展为谱空间分类，可分为（1）空间特征提取（2）基于对象的分析。
1.1空间特征提取
1.1.1小波变换特征
一些研究人员利用小波变换提取在不同的方向和频率的空间信息。Myint（2004）比较了小波特征与分形，空间自相关和空间共生的方法，其结果表明，多频带和多级小波方法可用于大幅增加分类精度。分形技术没有提供令人满意的分类精度，空间自相关和空间共生技术是相对有效分形方法。该实验的结论是，小波变换方法是所有四个办法中最准确的。Zhang 等人（2006）通过分解提取的光谱纹理信息将图像分割成4个子带在不同的频率和分辨率，然后整合低频和高频信息光谱纹理特征。他们的实验利用QuickBird卫星数据集验证了小波特征的实用程序可以有效地提取空间信息，有助于提高纯光谱分类的高分辨率图像。MEHER 等（2007）使用由获得的提取小波变换的特征（WT），而不是原来的多光谱遥感影像土地覆盖分类的功能。WT提供的像素与他相邻像素的空间和光谱特性，因此这可以利用一种改进的分类。原有的性能和小波特征（WF）为基础的方法在实验中进行比较。在基于WF的方法不断取得更好的结果，以及biorthogonal3.3（Bior3.3）小波被发现优于其他小波。
1.1.2 灰度共生矩阵（GLCM）
Puissant 等（2005）研究了频谱的潜在/纹理的方法来提高分类精度城市内的土地覆盖类型。二阶统计数据的灰度共生矩阵被用作额外条带。在实验中，在全色图像从较高到非常高的分辨率进行测试的基础上，创建了四个带有六个窗口尺寸的纹理指标。结果表明，提高全球分类准确率的最佳指数是均一性测度，以7×7的窗口大小。Ouma等人(2008)提出对森林和非森林植被类型的差异化 QuickBird卫星影像的灰度共生矩阵纹理分析的结果。最佳的灰度共生矩阵窗口土地场景内覆盖类别的确定是用半变异函数拟合。这些最佳窗口大小当时适用于8灰度共生矩阵的纹理测度（均值，方差，均匀性，相异，对比度，熵，角二阶矩，和相关性）中的场景分类。实验结果如下：（1）光谱专用频段分类给出了58.69％的整体准确度; （2）在统计学上得出 21 21最佳平均纹理结合的光谱信息的灰度共生矩阵中最佳的窗口，结果最佳是73.70％的准确度。
基于窗口的图像处理技术的一个关键问题（例如，灰度共生矩阵的纹理）是自适应窗口选择方法。虽然这是众所周知的，结合光谱和空间信息可以提高土地利用分类的非常高的分辨率的数据，许多空间措施是指窗口大小的问题，和分类程序的成功使用空间的功能在很大程度上取决于窗口尺寸选择。Huang等人（2007年）提出了一种最优的基于边缘的光谱窗口选择方法适合选择在一个局部区域信息的窗口的大小自适应，以及多尺度信息进行融合，确定选择的最佳的窗口大小。由灰度共生矩阵提取的空间特征（GLCM）用于多光谱IKONOS卫星数据，以便验证窗口选择算法。结果表明该算法对可以选择和融合的多尺度功能有效，并且在同一时间，增加分类精度。
1.1.3结构和形状特征
Benediktsson等人（2003）使用测地线的组合物打开和关闭不同尺寸的操作以建立一个形态分布和神经网络方法为特征的分类。该实验进行通过对IKONOS卫星的用1m的空间全色图像解析，结果表明，该形态特征能创造足够的空间信息和显着改善传统的分类准确率。在Benediktsson等人（2005）和光谱/空间分类器的联合提出了形态特征是延长使用机载图像。基于形态学的方法编制的光谱和空间信息的方法中，分类和主成分分析（PCA）是采用预处理和降维。Epifanio and Soille (2007)利用形态学纹理的自然景观特征的高分辨率图像分割为几个覆盖类型。纹理特征是关注重点，由于高分辨率光谱波段数图像有时是有限的；此外，传统基于像素分类的技术表现不佳。Huang等人（2007b）调查的分类和提取在城市地区的高空间分辨率多光谱空间特征图像。一种结构特征集（SFS）提出了提取方向线直方图的统计特征。降维的一些方法，包括决定边界特征提取和相似性指数特征选择，然后实施减少了SFS信息冗余。评估的方法是两个QuickBird卫星数据集，结果表明，新集减少空间特征具有比传统的方法更好的性能。
1.2基于对象的分析
1.2.1的基于对象的算法开发
基于对象的分类是一个很好的替代传统的基于像素的方法。这种分析方法将减少均匀的区域内的局部谱方差。该方法的基本思想是将群组在空间上相邻的像素分成均匀的光谱段，然后执行分类的对象作为最小处理单位。 Kettig and Landgrebe (1976) 首先提出了基于对象的分析方法，并开发了空间光谱分类，叫做均质物体的提取和分类(ECHO) (Landgrebe, 1980)。Jimenez等人 (2005)开发的ECHO的算法，就是取消非监督的ECHO版本，是无监督增强的方法在局部邻域像素的均匀性。它使用了内容相关多光谱或高光谱数据分类，产生的结果，是让人们能较为清晰的分析其内容。他们对HYDICE和AVIRIS实验表明，该UnECHO分类器尤其适用于具有高空间分辨率的新一代的机载和星载传感器。
近年来，嵌入到的eCognition商业软件的分形网络演化方法（Hay等人，2003）已被广泛地用于基于对象的分析和实验。它利用模糊集理论提取的对象特点，成规模的特点上在两个细和粗尺度上同时进行图像分割。该FNEA是一个自下而上从单个像素开始区域合并的技
术。以迭代的方式，在每一个接下来的步骤，图像对象合并成更大的。区域合并的决定 with local homogeneity criteria and the criteria are defined as: 与本地的同质性标准和准则，定义为：
其中b W 是对于带b 的权重，
Merge N ，1Obj N 和2Obj N 代表合并后的对象内的像素的数量，分别表示对象1和对象2。Merge σ，1Obj σ和2Obj σ分别是标准偏差。当一个合并的一对图像对象进行检查，两个对象之间的融合异质性值H 是计算和比较尺度参数T 。当H 数学形态学中的分水岭变换是一种功能强大的工具，可以进行图像分割，也可以采用 对于基于对象的分析。 Li and Xiao (2007) 提出 分水岭算法用于图像分割的延伸。提出了基于矢量的数学形态学方法计算梯度的大小，随即又投入到分水岭 变换的图像分割。该方法 表现出了可喜的成果，可用于分割 高分辨率多光谱图像和基于对象的分类。 Akcay 和 Aksoy (2008)提出的新方法在高清晰度的图像自动目标检测与光谱信息提取结构信息相结合，对图像进行分割。分割算法利用形态学运算，应用于个别光谱波段增加结构元素尺寸。实验结果表明，该方法能够自动地检测，组和标号分类属于同一个对象类。 1.2.2基于对象分析的改进算法 随着面向对象分类的发展，一些优化的算法已经被提出。 Wang 等人(2004a)提出了一种混合分类，集成了像素和基于对象的分类。分别为对象的像素和利用最大似然分类器得到级别地图以及最近邻分类，(即, MLCNN)。Gamba 等人(2007)提出了一个boundaryoptimized 高分辨率的图像分类方法。边界与非边界像素被区分了，然后分别归类。Bruzzone 和 Carlin (2006)开发的高空间分辨率图像的多层次的方法处理。其基本思想是多尺度同时使用表述作为一个特征提取模块，自适应模型中每个像素的空间范围。在实验中，其有效利用城市和农村的QuickBird 验证图像。 1.2.3基于对象分析的应用 Yu 等人(2006) 从基于对象分析的方法利用多种特征在北加利福尼亚州的 Point Reyes National Seashore 建立了一个全面的植被库。在他们的研究中，对于每个对象，52种特征是计算包括光谱特征，纹理，地形特征和几何特征。Wang 等人(2007a, 2007b)在巴拿马的加勒比海岸的Punta Galeta 研究了基于对象的分析在红树林映射。Waske 和 van der Linden (2008) 融合合成孔径雷达（SAR ）和光学遥感数据，利用多个联合分类水平分割。 2 超分辨率（SR ）重建 技术 高分辨率（HR ）图像在许多应用中是有用处的，如遥感，视频帧冻结，医疗诊断，军事信息收集，等。但是，由于光学系统和图像传感器成本高和高精度物理的限制，在多数情况下获得所需的HR 图像是不容易的。因此，出现了超分辨率（SR ）图像重建技术，其可以重建一个或一组从低分辨率（LR ）图像的序列场景，与HR 图像相同，在最近的二十几年该技术已被广泛研究。 Tsai 和 Huang (1984) 在频率域首先提出来多帧问SR 。他们提出了一个从一组的HR 图像重建公式欠采样，混叠，但无噪音LR 图像。Kim 等人(1990) 扩展的制定考虑观测噪声以及空间模糊的效果。他们解决了扩展制定由加权递推最小二乘方法来提高计算效率。然后 Kim 和 Su (1993) 通过考虑每一个不同的LR 模糊图像扩展了他们的工作。Rhee 和 Kang (1999) 提出了一种基于DCT变换算法以减少计算成本。此外，有出现两篇专注于小波SR 方法的论文(Chan 等, 2003; Lertrattanapanich & Bose, 2002; Ng 等, 2004)。频率域方法的优点是他们的计算复杂度低;然而，这些方法只适用于全局运动，对高分辨率图像先验信息不能利用。 大多数已经出现在文献中的超分辨率技术操作在空间域中。Ur和Gross (1992) 基于Papoulis (1977) 和Yen (1956) 的广义采样定理，提出了一种非均匀插值方法。插值后面是去模糊处理，相对位移被认为是精确已知的。Komatsu 等(1993) 提出了一项计划，通过应用the Landweber algorithm (Landweber, 1951) 从多个图像同时与多台摄像机拍摄，获得一种改进的高分辨率图像算法。他们使用方块对比技术来测量相对移动。Alam等(2000) 开发了一个实时红外成像技术配准和超分辨率重建。他们利用一个基于梯度的配准算法之间的偏移估计获得的框架，提出了一种加权邻插值方法。这种非均匀插值的方法优点是，它需要一个相对少的计算量，使实时应用成为可能。然而，在这种方法中，降解的模型是有限的（他们只适用时的模糊和噪声所有相同特点的LR图像）。此外，由于忽略恢复步骤的错误发生在插补阶段，整个重建算法的最优性是不保证的。 Irani 和Peleg (1991) 提出了一个改编自计算机辅助地形（CAT）的迭代反投影（IBP）方法。在该方法中，高分辨率图像的估计背投影之间的运动误差更新补偿，高分辨率图像的当前估计值和所观察到的低分辨率的图像的模糊和子采样的样本，使用一个适当的背投影算子。IBP的优点是，它能直观且容易地理解。然而，由于反演问题的不适定性，并且在选择背投影算子上存在一些困难，这种方法没有独特的解决方案。另外，对于先验约束的应用也是很难的。 Stark 和Oskoui (1989) 提出了一个值得关注的关于超分辨率图像重建的问题的POCSbased方法，在该方法中，高分辨率图像的空间相交有一组凸形约束集，呈现理想的图像特征，如阳性能量有界，数据可靠，平滑，等。Tekalp等(1992) 扩展了他们的方法，包括观测噪声和运动模糊。Patti et al. (1997) 推广的POCSapproach to account for arbitrary sampling lattices and non-zero 方法考虑到任意抽样网格和非零的孔径时间。POCS的优点在于，它利用了强大的空间域观测模型。它也允许方便包容的先验信息。这些方法有解的不唯一性的缺点，而且收敛慢，计算成本高。 另一个类的超分辨率算法是基于随机方法，包括最大似然法（ML）(Tom & Katsaggelos, 1994) ，和最大后验概率（MAP）方法(Guan & Ward, 1992; Schultz & Stevenson, 1994;Schultz & Stevenson, 1995; Schultz & Stevenson, 1996; Hardie等, 1997)。之前具有Huber Markov随机场图像的保留边缘的MAP估计，是研究了Schultz和Stevenson (1994, 1995, 1996)。基于MAP的超分辨率注册参数的同时估计（帧间运动）已经由Hardie 等(1997) 提出了。建模中噪声特性与解的先验知性的稳定性与灵活性是随机SR方法主要的优点。假设噪声的程序是white Gaussian，凸能量函数MAP估计先验保证解的唯一性。因此，有效的梯度下降方法可用于估计的HR图像。它也能同时估计运动信息和HR图像。 对HR图像的重建，子像素运动的精确配准是非常重要的。然而，在实际应用中这些参数精确的知识不总是能够得到保证的。Lee和Kang (2003) 提出了考虑不准确的子像素登记的规范化自适应HR重建方法。两种规范化估计的方法中提出每个LR帧参数，基于这种近似，噪声模型配准误差与标准的偏差程度成正比的高斯登记是错误的。然而，这些收敛方法并没有严格证明。 稳健的超分辨率技术已经出现在Zomet等(2001), Farsiu 等(2003), Farsiu 等(2004)，并考虑到异常值的存在（数据与模型的拟合不是很好）。在Zomet 等(2001)的研究中，中值 滤波器是在迭代过程中使用，以获得HR图像。该这种方法的稳健性好，在有偏置的程序检测后，异常错误对称分布。然而，阈值是需要决定偏置是否是由于异常值或别名信息。此外，这种方法的数理理由没有被分析。在Farsiu等(2003, 2004)的研究中，提出了一个强大的SR方法，基于使用的L1范数同时在规范化和测量罚函数的条件。强大的正则化在双边的事先提出处理不同的数据和噪声模型。然而，单纯平移假设整个低分辨率图像序列可能不适合一些真实的数据序列。 在遥感领域中，还有几个成功应用SR技术的例子。第一多帧SR的想法是出于提高卫星遥感图像的分辨率。2002年，CENS（国家航天研究中心）成功地推出了SPOT5卫星。使用SR技术，SPOT5可以提供通过两个5米的图像处理2.5米的全色图像，是转移到一半的采样间隔的双CCD线性阵列。Shen 等(2007) 提出了一个SR重建算法，在相同的谱带，应用到实际的MODIS（中分辨率成像光谱辐射计）遥感图像。 3高光谱数据处理 最近，由于丰富的信息提取出来应用于各个领域，高光谱图像已越来越受到注意。许多军事和民用领域涉及等领域的全球环境监测，测绘，地质，林业，农业和水质管理，等等。由于高分辨率的空间和光谱尺寸抽样，这些图像可以很快产生大量的数据。对于大数据量处理的成本可能会很大。大量的研究，旨在寻求更有效的方法来处理这些数据类型，而最近的研究方法可以分为两类：纯和混合像元的方法。 3.1基于纯像素的方法 这些方法是基于在图像中的所有像素都用一种地面目标的假说。纯基于像素的方法可分为两个子组：植被指数和统计方法。 3.1.1植被指数方法 植被指数是从对象中提取的光谱特征参数，包括光谱匹配识别和土地的对象重建（Goetz，1997）。在这些方法中，通过实地调查测得的光谱点与由成像光谱仪提取的相比，来区分不同的类。为了提高成像光谱仪高光谱数据的分析效率和速度，这些光谱的斑点通常编码以提取其光谱特征。Kruse 等(1993) 提出光谱匹配，这是用于分析光谱数据的最广泛使用方法之一。植被指数的主要问题是，它是很难构建一个通用的植被指数适用于大多数的高光谱数据。Zhang等人（2006，2007）开发了一个通用的模式分解法（UPDM）来构建一个VIUPD。 3.1.2统计方法 统计方法在高光谱数据处理中是非常重要的，尤其是广泛应用于目标检测的高光谱数据分类。在这些方法中，每个频带被视为一个随机变量和概率统计的方法，然后应用提取图像的统计特征。由于超维，降维必须做，首先减少计算时间。统计方法的最重要的应用是异常检测。高光谱数据被认为具有一定分布异常的，是分布不适合的像素。RX及其扩展算法(Yu & Reed,1993; Kwon & Nasrabadi, 2005; Hruschka & Ebecken, 1999) 是有效的异常检测方法。 3.2基于混合像素的方法 由于在该领域与高光谱数据的空间分辨率的限制，复杂的条件下，混合像元广泛存在于高光谱数据(Zhang & Li, 1998)。混合像元模型的提出解决了上述问题。该模型可以归纳为两种类型：线性混合模型和非线性混合模型。线性混合模型是使用最广泛的，因为它非常简单，并且通常具有明确的物理意义。然而，通过使用线性混合模型，被提取的类的数量应比光谱数据的频带的数目少。为了避免线性混合模型的局限性，提出了非线性模型和混合像素，表示为剩余误差的总和与端元的高阶矩。 基于混合像素最重要的应用之一就是在在高光谱数据中检测子像素的目标。近来，子像素的目标检测方法主要侧重于线性混合模型和匹配滤波器，以找到可能发生的目标光谱像素的光谱数据。OSP（正交子空间追踪）(Chang, 2005)，PP（投影追踪）(Chiang 等，2001)和CEM（约束能量法）(Settle, 2002) 是广泛使用的方法。最近，一些新的算法被引入到亚像素目标检测，如内核为基础的方法(Nasrabadi & Kwon, 2005; Kwon & Nasrabadi, 2004; Gu 等，2008; Kwon & Nasrabadi, 2006) 和形态学为基础的方法(Roberts 等, 1998)。此外，影响检测结果的另一因素是光谱的变化。为解决该问题，提出了一些模型，如子空间的方法(Kwon & Nasrabadi, 2006)。 基于混合像素的方法的另一个重要应用是端元提取和混合像素分解。端元提取可以以两种方式进行：（1）直接从图像中提取（图像端元）；（2）从现场或实验室光谱已知的资料（库端元）；可以看到Roberts 等人(1998)就两个方面进行了比较。在使用库端元的风险是，相同条件下很少能够获得这些光谱的机载数据下。图像端元具有被收集在同一刻度作为数据的优点，因此，可以用功能更容易相关联的场景。一种图像端元（IE）是由定位在场景中的像素与物理端元代表的最大丰度获得的，但也有可能的情况下，在一个场景中不可能为一定的算法找到这样纯的像素。在过去的十年中，已经提出了几种算法的自主/目的监督的端元选择的高光谱场景，包括手动端元选择工具（MEST）(Bateson & Curtiss, 1996)，像素纯度指数（PPI）(Bowles 等, 1995)，N-FINDR，顶点成分分析（VCA）(Nascimento & Dias, 2005)，迭代误差分析（IEA）(Neville 等, 1999)，迭代约束端元（ICE）算法（Berman等，2004），光学实时自适应光谱识别系统（ORASIS）（Boardman等，1995），以及自动化形态学端元提取（AMEE）（Plaza等，2004）。 PPI，N-FINDR，CCA和VCA可能被表征为经典的方法实例，以端元的选择的基础上，搜索光谱凸面。而PPI是部分自动化，N-FINDR，CCA和VCA是完全自动化。IEA是基于一个迭代的过程中，这些像素，减小约束的混合像元分解运算得到的误差作为端元。ICE算法执行基于凸几何模型的最小二乘最小化残差平方和（RSS）。另一方面，ORASIS利用LVQ 概念进行端元的选择。与上述方法相反，AMEE采用形态学方法，即空间和光谱信息也同样采用派生端元。 除了线性混合模型，在混合物像素分解用一些其它非线性分解模型已经在过去的十年中实施，包括神经网络，回归、决策树和内核最小二乘分析。非线性模型，尤其是基于神经网络模型，优于传统的线性分解模型。多层感知器（MLP）是对非线性分解使用最广泛的神经网络模型之一。Atkinson等（1997）应用了MLP模型分解A VHRR图像。这是优于线性分解模型的。另一种流行的神经网络模型，ARTMAP，首次推出是识别植物混合物的生命形式组成部分（Carpenter等人，1996）。Landsat TM遥感影像被用来估计亚像素信息生命形式的组件。ARTMAP为基础的混合模型能够捕获的非线性效应，从而执行比传统的线性分解模型更好。Liu 等, (2006) 应用于MODIS影像与两个传感器具有不同分辨率的子像素分类的信息融合的一个类似的ARTMAP模型。 4计算智能技术遥感图像分类 随着高空间分辨率，高光谱分辨率，高时间分辨率，多传感器，多平台，多角度的发展趋势，遥感对地观测技术为地球资源环境研究提供越来越多的遥感数据。然而，传统的处理技术难以适应当前遥感信息处理，因为它需要事先假设或具有较低的加工精度和智能化。因此，到现在为止，庞大而宝贵的遥感数据集没有得到充分和有效的利用。智能遥感图像处理技术对上述问题是一个有效的解决方案，因为它不需要先验的假设，可以自动提取图像信息。因此，在遥感领域研究智能化的遥感图像处理技术一直是热门研究课题。神经网络（NNS）和遗传算法（GAS）是智能计算（CI）的主要组成部分（Stathakis＆Vasilakos，2006年）。此 外，灵感来自免疫系统的人工免疫系统（AIS）被确认为计算智能化的新分支。这些组件中的每一个被单独应用进行遥感图像分类的任务。 4.1人工神经网络（NNS） 神经网络模型是模仿人类大脑结构建立的，其中智能存储在神经通路也就是在存储器中。在人工神经网络中，知识以权重的形式存储于结点上，也就是说，作为乘法值被施加到输入端（Miller等，1995）。而不是算法来确定值，有监督网络呈现的输入和相应的正确的输出重复的例子，并且允许―学习‖本身。人类从经验中学习；神经网络设置 weights that will produce a specified output. When the net finally 权重，将产生一个指定的输出。当最终网提出了新的数据，它适用的权重和输出结果是与以往的经验相一致（米勒等，1995）。 在一些遥感文献中，一些神经网络可应用在远程。NNs经常报道，产生类似的或更高的精度水平相比较统计分类(Bischof et al., 1992; Bischof & Leonardis, 1998)。他们 have also proven to be a suitable paradigm for multisource 也被证明是一个合适的范式多源利用辅助信息归并分类，如地形和背景信息等（Benediktsson 等人，1990）。 4.2遗传算法（GA） 遗传算法（GAs）(Goldberg, 1989; Davis, 1991)，灵感来自于自然进化，都能够通过进化和自然遗传学原理进行空间解的随机全局搜索。它们是有效的，自适应的和强大的搜索过程，产生接近最优的解决方案，并有大量的隐含并行性。GAs处理个体称为染色体（通常是二进制字符串），编码参数空间问题代表潜在的解决方案。字符串的一个目标函数提供了从染色体空间到空间解的映射。修复功能也与每个字符串相关，这表明由它代表了解决方案的'优良'的程度。一组染色体构成一个群体，这是最初随机生成的。受生物启发的操作员的选择交叉和变异应用于超过了许多代人的种群，直到终止条件的实现。在这点上得到的（或迄今获得的）最好字符串代表该问题的解决方案（Pal等人，2001）。 高效的搜索模式的过程中有很多任务，在模式识别中有参与分析/识别模式，需要为复杂空间的高效搜索最优解的过程中选择适当的参数。因此，GAs解决模式识别问题的应用（这需要计算的要求，优化，稳健性，快速和近似解）似乎是适当的和自然的（gelsema，1995；PAL和Wang，1996）。它们也被用于情景参数信息估计(Tso & Mather, 1999)。 4.3人工免疫系统（AIS） 人工免疫系统（AIS），灵感来自于免疫系统，被称为一种新的计算智能化分支。他们利用以免疫学特性，开发自适应系统来完成各种任务的研究(Dasgupta, 1999; de Castro & Timmis, 2002)，包括模式识别，入侵检测，聚类，优化和智能控制。作为一种新的计算智能化方法，AIS在遥感图像智能处理上有很大潜在的应用。基于这些情况，一些研究人员正在研究理论模型和目前AIS的方法，提出新的免疫模型和算法，并为AIS及其应用遥感图像处理的问题建立了理论，如非监督分类，非监督分类和特征选择。 4.3.1无监督的人工免疫分类 人工免疫系统（AIS），灵感来自于免疫系统，被称为一种新的计算智能化分支。他们利用以免疫学特性，开发自适应系统来完成研究各个领域的一系列任务(Dasgupta, 1999; de Castro & Timmis, 2002)，包括模式识别，入侵检测，聚类，优化和智能控制。作为一种新的计算智能方法化，AIS在遥感图像智能处理有一个很大的应用潜力。基于这种情况，一些研 究人员正在研究的理论模型和方法，对当前AIS提出新的免疫模型与算法，并为AIS及其应用的遥感图像处理理论问题建立了理论，如非监督分类，非监督分类特征选择。 4.3.1无监督的人工免疫分类 提出的进行遥感图像非监督分类（Zhong等，2006）是一种新的无监督的机器学习算法，基于自然免疫系统，即无监督的人工免疫分类器（UAIC）。除了其非线性分类属性，UAIC 具有生物学性质如免疫识别和免疫记忆。因此，UAIC能够通过生成一组存储单元进行分类的代表执行的数据聚类。为了模拟在免疫系统中的抗体，在UAIC中提出了抗体群（AB）模型。AB是用于遥感图像处理，其中包含同一类的许多抗体和记忆细胞的新免疫模型。在遥感图像分类中，存储单元决定着整个AB的识别能力。UAIC利用AB模型来识别一些抗原（分类遥感图像）。实验结果一致表明，该UAIC具有较高的分类精度，因此提供了智能化的遥感图像非监督分类的一种有效的选择。 4.3.2监督人工免疫分类 一系列基于人工免疫系统的新颖的监督人工免疫分类器已经被提出来进行遥感分类。该监督人工免疫分类器是基于人工免疫系统的免疫识别和免疫记忆基本原理。当非自身抗原侵入免疫系统，免疫系统可以通过自适应的抗体识别抗原。当系统针对抗原完成维护本身之后，记忆细胞针对抗原产生并留在免疫系统。当相同或非常相似的抗原再次侵入免疫系统，系统通过使用这些存储单元的反应将会更加快速和强大。通过模拟免疫识别的过程，受监督人工免疫分类器进化使用感兴趣区域的样品的免疫模型或免疫网络，将获得的存储单元或纪念免疫网络的遥感图像分类。基于上述原则，本文提出三个监督的人工免疫分类器。（1）资源的遥感图像分类算法（RLCRSI）（Zhang等，2007），一个新的智能分类方法，使用资源有限的方法来降低分类的计算成本，并能获得最佳分类中心。因此，RLCRSI可以提高分类精度与合理的计算时间。（2）在Pal (2008) 的研究中，一个人工免疫为基础的监督分类算法的土地覆盖分类。这个分类是由人体免疫系统启发，并拥有类似的非线性分类属性，自我/非自我识别以及负面选择。Landsat ETM +，在英格兰东部附近Littleport城镇区域的数据被用来研究人工免疫为基础的分类器的性能。单变量决策树和最大似然法被用来在分类精度和计算成本方面比较其性能。结果表明，在与最大似然法和决策树分类器的分类准确率方面的比较，人工免疫为基础的分类器运作良好。使用基于人工免疫分类器的计算成本高于决策树，但小于最大似然分类器。另一个西班牙的区域数据也被用来比较基于人工免疫系统的有监督分类器与决策树和最大似然法的性能。结果表明这组数据用免疫为基础的分类器的分类精度方面有所改善。最后，比较采用反向传播神经网络分类器进行比较，在这两个数据集中神经网络分类器提供了较高的分类精度，但结果并不显著。（3）基于多值免疫网络一种新的监督分类算法，这是一种新型的人工免疫网络模型，即多值免疫网络分类器（MVINC）进行遥感影像分类（Zhong等人，2007年）。多值免疫网络模型不同于传统的模式，类似于免疫系统中B细胞与T细胞之间的相互作用。因此，该模型具有相当不错的类似免疫反应的属性。MVINC继承多值逻辑计算能力和多值免疫网络的记忆特性，并且可以在不同的时间迅速地识别相同或相似的抗原。因此，MVINC具有较高的分类精度。 鸣谢：作者要感谢Zhang Hong-yan先生，Du Bo先生以及Zhong Yan-fei博士对本文的重要贡献。 参考文献： Akcay H G and Aksoy S. 2008. Automatic detection of geospatial objects using multiple hierarchical segmentations. IEEE Transactions on Geoscience and Remote Sensing, 46: 2097—2111 Alam M S, Bognar J G, Hardie R C and Yasuda B J. 2000. Infrared image registration and high-resolution reconstruction using multiple translationally shifted aliased video frames. IEEE Trans. Instrum. Meas., 49: 915—923 Atkinson P, Cutler M and Lewis H. 1997. Mapping sub-pixel proportional land cover with A VHRR imagery. International Journal of Remote Sensing, 18(4), 917—935 Bateson C A and Curtiss B. 1996. A method for manual endmember selection and spectral unmixing. Remote Sensing of Environment, 55: 229—243 Benediktsson J A, Palmason J A and Sveinsson J R. 2005. Classification of hyperspectral data from urban areas based on extended morphological profiles. IEEE Transactions on Geoscience and Remote Sensing, 43(3): 480—491 Benediktsson J A, Pesaresi M and Arnason K. 2003. Classification and feature extraction for remote sensing images from urban areas based on morphological transformations. IEEE Transactions on Geoscience and Remote Sensing, 41(9), 1940—1949 Benediktsson J A, Swain P H and Ersoy O K. 1990. Neural network approaches versus statistical methods in classification of multisource remote sensing data. IEEE Trans. Geosci. Remote Sens.28(4): 540—552 Berman M, Kiiveri H, Lagerstrom R, Ernst A, Dunne R and Huntington J F. 2004. ICE: a statistical approach to identifying endmembers in hyperspectral images. IEEE transactions on Geoscience and Remote Sensing, 42(10): 2085—2095 Bischof H and Leonardis A. 1998. Finding optimal neural networks for land use classification. IEEE transactions on Geoscience and Remote Sensing, 36(1): 337–341 Bischof H, Schneider W and Pinz A J. 1992. Multispectral classification of landsat-images using neural networks. IEEE transactions on Geoscience and Remote Sensing, 30(3): 482—490 Boardman J W, Kruse F A and Green R O. 1995. Mapping target signatures via partial unmixing of A VIRIS data. Summaries of the Fifth Annual JPL Airborne Geoscience Workshop. Pasadena, CA Bowles J, Palmadesso P J, Antoniades J A, Baumback M M and Rickard L J. 1995. Use of filter vectors in hyperspectral data analysis. Proc.SPIE. San Diego, CA, USA: SPIE Bruzzone L and Carlin L. 2006. A multilevel context-based system for classification of very high spatial resolution images. IEEE Transactions on Geoscience and Remote Sensing, 44: 2587—2600 Carpenter G, Gopal S, Macomber S, Martens S and Woodcock C. 1999. A neural network method for mixture estimation for vegetation mapping. Remote Sensing of Environment, 70: 138—152 Chan R, Chan T, Shen L and Shen Z. 2003. Wavelet algorithms for high-resolution image reconstruction. SIAM Journal on Scientific Computing, 24: 1408—1432 Chang C I. 2005. Orthogonal subspace projection (OSP) revisited: a comprehensive study and analysis. IEEE Transactions on Geoscience and Remote Sensing, 43(3): 502—518 Chiang S S, Chang C I and Ginsberg I W. 2001. Unsupervised target detection in hyperspectral images using projection pursuit. IEEE Transactions on Geoscience and Remote Sensing, 39(7): 1380—1391 Dasgupta D. 1999. Artificial Immune Systems and Their Applications. Germany: Springer Davis L. (Ed.) 1991. Handbook of Genetic Algorithms. New York: Van Nostrand Reinhold De Castro L N and Timmis J. 2002. Artificial Immune systems: A New Computational Intelligence Approach. London, UK: Springer-Verlag Epifanio I and Soille P. 2007. Morphological texture features for unsupervised and supervised segmentations of natural landscapes. IEEE Transactions on Geoscience and Remote Sensing, 45(4): 1074—1083 Farsiu S, Robinson D, Elad M and Milanfar P. 2003. Robust Shift and Add Approach to Super-Resolution. Proceedings of SPIE-The International Society for Optical Engineering. San Diego, CA, United States: SPIE Farsiu S, Robinson M D, Elad M and Milanfar P. 2004. Fast and robust multiframe super resolution. IEEE Transactions on Image Processing, 13: 1327—1344 Gamba P, Dell’Acqua F, Lisini G and Trianni G. 2007. Improved VHR urban area mapping exploiting object boundaries. IEEE Transactions on Geoscience and Remote Sensing, 45(8): 2676—2682 Gelsema E S. 1995. Special Issue on Genetic Algorithms. Pattern Recognition Letters. Amsterdam: Elsevier Goetz S J. 1997. Multi-sensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site. International Journal of Remote Sensing, 18: 71—94 Goldberg D E. 1989. Genetic Algorithms in Search, Optimisation and Machine Learning. New York: Addison-Wesley Gu Y, Liu Y and Zhang Y. 2008. A selective KPCA algorithm based on high-order statistics for anomaly detection in hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 5(1): 43—47 Guan L and Ward R K. 1992. Restoration of randomly blurred images via the maximum a posterior criterion. IEEE Transactions on Image Processing, 1: 252—262 Hardie R C, Tuinstra T R, Bognar J, Barnard K J and Armstrong E. 1997. High resolution image reconstruction from digital video with global and non-global scene motion. Proceedings of the IEEE International Conference on Image Processing. Santa Barbara, CA, USA: IEEE Hay G J, Blaschke T, Marceau D J and Bouchard A. 2003. A comparison of three image-object methods for the multiscale analysis of landscape structure. ISPRS Journal of Photogrammetry and Remote Sensing, 57: 327—345 Heesung K and Nasrabadi N M. 2006. Kernel adaptive subspace detector for hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 3(2): 271—275 Heesung K and Nasrabadi N M. 2004. Kernel-based subpixel target detection in hyperspectral images. Proceedings of International Joint Conference on Neural Networks. Budapest, Hungary: IEEE Hruschka E R and Ebecken N F F. 1999. Rule extraction from neural networks: modified RX algorithm. Proceedings of International Joint Conference on Neural Networks. Washington, DC, USA: IEEE Huang X, Zhang L and Li P. 2007a. Classification and extraction of spatial features in urban areas using high resolution multispectral imagery. IEEE Geoscience and Remote Sensing Letters, 4(2): 260–264 Huang X, Zhang L and Li P. 2007b. An adaptive multiscale information fusion approach for feature extraction and classification of IKONOS multispectral imagery over urban areas. IEEE Geoscience and Remote Sensing Letters, 4(4): 654—658 Irani M and Peleg S. 1991. Improving resolution by image registration. CVGIP: Graphical Models and Image Processing, 53: 231—239 Jimenez L O, Rivera-Medina J L, Rodriguez-Diaz E, Arzuaga-Cruz E and Ramirez-Velez M. 2005. Integration of spatial and spectral information by means of unsupervised extraction and classification for homogenous objects applied to multispectral and hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 43(4): 844—851 Kettig R L and Landgrebe D A. 1976. Classification of multispectral image data by extraction and classification of homogeneous objects. IEEE Transactions on Geoscience Electronics, GE-14(1): 19—26 Kim S P and Su W Y. 1993. Recursive high-resolution reconstruction of blurred multiframe images. IEEE Transactions of Image Processing, 2: 534—539 Kim S P, Bose N K and Valenzuela H M. 1990. Recursive reconstruction of high resolution image from noisy undersampled multiframes. IEEE Transactions on Acoustics, Speech, and Signal Processing, 38: 1013—1027 Komatsu T, Aizawa K, Igarashi T and Saito T. 1993. Signal-processing based method for acquiring very high resolution image with multiple cameras and its theoretical analysis. Proc. Inst. Elec. Eng., 140: 19—25 Kruse F A, Lefkoff A B and Boardman J W. 1993. The Spectral image processing system (SIPS) — Interactive visualization and analysis of imaging spectrometer data. Remote Sensing of Environment, 51: 375—384 Kwon H and Nasrabadi N M. 2005. Kernel RX-algorithm: a nonlinear anomaly detector for hyperspectral imagery. IEEE Transaction on Geoscience and Remote Sensing, 43(2): 1309—1320 Landgrebe D A. 1980. The development of a spectral-spatial classifier for earth observational data. Pattern Recognition, 12: 165—175 Landweber, L. 1951. An iteration formula for Fredholm integral equations of the first kind. Amer. J. Math. 73: 615—624 Lee E and Kang M G. 2003. Regularized adaptive high-resolution image reconstruction considering inaccurate subpixel registration. IEEE Transactions on Image Processing, 12: 826—837 Lertrattanapanich S and Bose N K. 2002. High resolution image formation from low resolution frames using Delaunay triangulation. IEEE Transactions on Image Processing, 11: 1427—1441 Li P and Xiao X. 2007. Multispectral image segmentation by a multichannel watershed-based approach. International Journal of Remote Sensing, 19(10): 4429—4452 Liu W, Seto K, Wu E, Gopal S and Woodcock C. 2004. ART-MMAP. A neural network approach to subpixel classification. IEEE Transactions on Geoscience and Remote Sensing, 42(9): 1976—1983 Meher S K, Shankar B U and Ghosh A. 2007. Wavelet-feature-based classifiers for multispectral remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 45(7): 1881—1886 Miller D M, Kaminsky E J and Rana S. 1995. Neural network classification of remote-sensing data. Computers & Geosciences, 21(3): 377—386 Myint S W, Lam N S N and Tyler J. 2004. Wavelets for urban spatial feature discrimination: comparisons with fractal, spatial autocorrelation, and spatial co-occurrence approaches. Photogrammetric Engineering and Remote Sensing, 70(7): 803—812 Nascimento J M P and Dias J M B. 2005. Vertex component analysis: A fast algorithm to unmix hyperspectral data. IEEE transactions on Geoscience and Remote Sensing, 43(4): 898—910 Nasrabadi N M and Heesung K. 2005. Kernel spectral matched filter for hyperspectral target detection. Proceedings (ICASSP '05) IEEE International Conference on Acoustics, Speech, and Signal Processing. IEEE Neville R A, Staenz K, Szeredi T, Lefebvre J and Hauff P. 1999. Automatic endmember extraction from hyperspectral data for mineral exploration. Proc. 21st Can. Symp. Remote Sensing. Ottawa, Canada Ng M K, Sze C K and Yung S P. 2004. Wavelet algorithms for deblurring models. International Journal of Imaging Systems and Technology, 14: 113—121 Ouma Y O, Tetuko J and Tateishi R. 2008. Analysis of co-occurrence and discrete wavelet transform textures for differentiation of forest and non-forest vegetation in very-high-resolution optical-sensor imagery. International Journal of Remote Sensing, 29(12): 3417—3456 Pal M. 2008. Artificial immune-based supervised classifier for landcover classification. International Journal of Remote Sensing, 29: 2273—2291 Pal S K and Wang P P. 1996. Genetic Algorithms for Pattern Recognition. Boca Raton: CRC Press Pal S K, Bandyopadhyay S and Murthy C A. 2001. Genetic classifiers for remotely sensed images: comparison with standard methods. International Journal of Remote Sensing, 22(13): 2545—2569 Papoulis A. 1977. Generalized sampling theorem. IEEE Trans. Circuits Syst., CAS-24: 652—654 Patti A J, Sezan M I and Tekalp A M. 1994. High-resolution image reconstruction from a low-resolution image sequence in the presence of time-varying motion blur. Proceedings ICIP-94., IEEE International Conference. Los Alamitos, CA, USA: IEEE Patti A J, Sezan M I and Tekalp A M. 1997. Superresolution video reconstruction with arbitrary sampling lattices and nonzero aperture time. IEEE Transactions on Image Processing, 6(8): 1064—1076 Plaza A, Martinez P, Perez R and Plaza J. 2002. Spatial/spectral endmember extraction by multidimensional morphological operations. IEEE Trans. Geosci. Remote Sensing, 40: 2025—2041 Puissant A, Hirsch J and Weber C. 2005. The utility of texture analysis to improve per-pixel classification for high to very high spatial resolution imagery. International Journal of Remote Sensing, 26(4): 733—745 Rhee S and Kang M G. 1999. Discrete cosine transform based regularized high-resolution image reconstruction algorithm. Optical Engineering, 38: 1348—1356 Roberts D A, Batista G T, Pereira J L G, Waller E K and Nelson BW. 1998. Change identification using multitemporal spectral mixture analysis: Applications in eastern Amazonia In: Remote Sensing Change Detection: Environmental Monitoring Applications and Methods. Ann Arbor, MI: Ann Arbor Press Schultz R R and Stevenson R L. 1994. A Bayesian approach to image expansion for improved definition. IEEE Transactions on Image Processing, 3: 233—242 Schultz R R and Stevenson R L. 1995. Improved definition video frame enhancement. IEEE Int. Conf. Acoustics, Speech, Signal Processing. Detroit, MI, USA: IEEE Schultz R R and Stevenson R L. 1996. Extraction of high-resolution frames from video sequences. IEEE Transactions on Image Processing,5: 996—1011 Settle J. 2002. On constrained energy minimization and the partial unmixing of multispectral images. IEEE Transactions on Geoscience and Remote Sensing, 40(3): 718—721 Shen H F, Ng M K, Li P X and Zhang L P. 2007. Super-resolution reconstruction algorithm to MODIS remote sensing images. The Computer Journal, doi:10.1093/comjnl/bxm028 Stark H and Oskoui P. 1989. High-resolution image recovery from image plane arrays, using convex projections. J. Opt. Soc. Amer. A,6: 1715—1726 Stathakis D and Vasilakos A. 2006. Comparison of computational intelligence based classification techniques for remotely sensed optical image classification. IEEE Transactions on Geoscience and Remote Sensing, 44(8): 2305—2318 Tekalp A M, Ozkan M K and Sezan M I. 1992. High-resolution image reconstruction from lower-resolution image sequences and space-varying image restoration. Proceedings of IEEE International Conference of Acoustics, Speech and Signal Processing, San Francisco, California, USA Tom B C and Katsaggelos A K. 1994. Reconstruction of a high- resolution image from multiple-degraded misregistered low-resolution images. Proceedings of SPIE-The International Society for Optical Engineering. Chicago, USA: SPIE Tsai R Y and Huang T S. 1984. Multi-frame image restoration and registration. Advances in Computer Vision and Image Processing. Greenwich: JAI Press Inc Tso B C K and Mather P M. 1999. Classification of multisource remote sensing imagery using a genetic algorithm and Markov random fields. IEEE Trans. Geosci. Remote Sens., 37(3): 1255—1260 Ur H and Gross D. 1992. Improved resolution from sub-pixel shifted pictures. CVGIP: Graph. Models Image Process, 54: 181—186 Wang L, Sousa W P and Gong P. 2004a. Integration of object-based and pixle-based classification for mapping mangroves with IKONOS imagery. International Journal of Remote Sensing, 25(24): 5655—5668 Wang L, Sousa W P, Gong P and Biging G S. 2004b. Comparison of IKONOS and QuickBird images for mapping mangrove species on the Caribbean coast of Panama. Remote Sensing of Environment,91: 432—440 Waske B and van der Linden S. 2008. Classifying multilevel imagery from SAR and optical sensors by decision fusion. IEEE Transactions on Geoscience and Remote Sensing, 46: 1457—1466 Yen L J. 1956. On nonuniform sampling of bandwidth limited signals. IEEE Trans. Circuits Theory, 3: 251—257 Yu Q, Gong P, Clinton N, Biging G and Schirokauer D. 2006. Object- based detailed vegetation classification with airborne high spatial resolution remote sensing imagery. Photogrammetric Engineering and Remote Sensing, 72(7): 799—811 Yu X and Reed I S. 1993. Comparative performance analysis of adaptive multispectral detectors. IEEE Transaction on Signal Process,41(8): 2639—2656 Zhang L P and Li D R. 1998. Study of the spectral mixture model of soil and vegetation in Poyang Lake area, China. International Journal of Remote Sensing, 9(11): 2077—2084 Zhang L, Furumi S, Murumatsu K, Fujiwara N, Daigo M and Zhang L. 2006. Sensor-independent analysis method for hyper-multi spectral data based on the pattern decomposition method. International Journal of Remote Sensing, 27(21): 4899—4910 Zhang L, Furumi S, Murumatsu K, Fujiwara N, Daigo M and Zhang L. 2007. A new vegetation index based on the universal pattern decomposition method. International Journal of Remote Sensing, 28:107—124 Zhang L, Huang X, Huang B and Li P. 2006. A pixel shape index coupled with spectral information for classification of high spatial resolution remotely sensed imagery. IEEE Transactions on Geoscience and Remote Sensing, 44(10): 2950—2961 Zhang L, Zhong Y, Huang B and Li P. 2007. A resource limited artificial immune algorithm for supervised classification of multi/hyper-spectral remote sensing image. International Journal of Remote Sensing, 28(7): 1665—1686 Zhong Y, Zhang L, Gong J and Li P. 2007. A supervised artificial immune classifier for remote sensing imagery. IEEE Transactions on Geoscience and Remote Sensing, 45(12): 3957—3966 Zhong Y, Zhang L, Huang B and Li P. 2006. An unsupervised artificial immune classifier for multi/hyper-spectral remote sensing image. IEEE Transactions on Geoscience and Remote Sensing, 44(2):420—431 Zomet A, Rav-Acha A and Peleg S. 2001. Robust super-resolution. Proc. of the Int. Conf. on Computer Vision and Pattern Recognition. Hawaii: CVPR
相关主题
文本预览