文档介绍：该【专题资料2021-2022年CBR方法在高分辨率遥感影像分类中的应用 】是由【guwutang】上传分享，文档一共【7】页，该文档可以免费在线阅读，需要了解更多关于【专题资料2021-2022年CBR方法在高分辨率遥感影像分类中的应用 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。1《测绘通报》测绘科学前沿技术论坛论文集CBR方法在高分辨率遥感影像分类中的应用王珊珊,季民,高洁,焦其松( ,山东青岛266510)摘要:基于案例推理,简称CBR方法,是人工智能在不断发展过程中的一个新的分支。它用案例来表达知识,并把问题求解和学习相融合完成推理。本文将该方法与面向对象分类技术集成应用到高分辨率遥感影像分类中,通过对实验结果进行分析,总结出CBR方法应用于遥感影像分类中的特点和优势,最后提出了自己对该领域研究的展望。关键字:案例推理(CBR);面向对象分类;图像分割作者1简介:王珊珊(1985-),女,汉族,山东泰安人,硕士在读,研究方向为地理信息系统理论及应用。作者2简介:季民(1970-),男,汉族,山东德州人,博士,副教授,主要研究方向为空间数据组织与知识挖掘。工作单位:山东科技大学测绘学院地理系目前卫星遥感数据空间分辨率的不断提高成为卫星遥感技术发展和应用的一大特点。高分辨率遥感影像与中、低分辨率影像相比具有丰富的空间信息,地物的几何结构、纹理信息更加明显,更便于认知地物的属性特征,但通常包含的波段数较少,光谱特征不如空间特征丰富,这就对高分辨率遥感影像的处理和信息提取提出了新的要求。遥感影像的分类是将遥感影像中的每个像元划归到相应的类别中去的过程[1]。近些年来,越来越多的人开始关注高分辨率遥感影像的分类技术,虽然已取得了一些突破,但该领域仍存在特征因子单一,分类方法单一,噪声影响较大等诸多问题。本文初步探讨了利用案例推理方法对高分辨率遥感影像进行分类的理论基础,同时通过相关实验对其进行了验证和分析。一、基于案例推理(CBR)基于案例推理(Case_BasedReasoning,简称CBR)技术最先是由美国耶鲁大学RogerSchank教授在其论著《DynamicMemory》中提出的。CBR是一种基于经验知识进行推理的人工智能技术,是用案例来表达知识并把问题求解和学习相融合的一种推理方法,它强调人在解决新问题时,常常回忆起过去积累下来的类似情况的处理,并通过适当修改对过去类似情况处理的方法来解决新问题。自提出以来该理论逐步推广到数学、医学、生物工程、机械CAD、企业管理、法律咨询、环境监测[2]和军事决策等各个领域,并得到了成功的应用。,其中记录了解决新问题时可能利用到的经验知识,是某一状态的特征、处理方法和结果的集合。案例和案例库的组织表达,是用CBR方法解决问题的基础,关系到推理过程的效率和推理结果的质量。当前国内外主要的案例表达模型有4种:传统表达模型、结构化表达模型、层次表达模型、基于Tesseral码的表达模型[3]。其中传统表达模型基于案例的特征值及其权重,适于解决分类问题,即特征1、特征2、……特征n对应于特定的分类。其中,特征的选择根据所研究的具体问题而定。7《测绘通报》,而把记忆中的问题或情况称为源案例。案例推理的过程就是由目标案例的提示获取记忆中的源案例并由源案例来指导目标案例求解的一种策略[4]。一个完整的案例推理就是一个循环过程,其中包括4个阶段,被人们归结为4R,即抽取(Retrieve)、重用(Reuse)、修正(Revise)和保存(Retain)[5]。其一般过程如图1所示:图1CBR的一般过程3《测绘通报》测绘科学前沿技术论坛论文集7《测绘通报》测绘科学前沿技术论坛论文集1)抽取:根据目标案例的有关信息,按一定的相似度算法进行计算,从案例库中找到与之最相似的源案例集2)重用:从检索到的源案例集中获得目标案例的求解方法,如果有源案例完全符合条件则直接应用于目标案例的求解,否则将其按照需求修改后再加以应用,于是得到初始的解决方案。3)修正:将初始方案应用到现实世界中,检验该方案正确与否,并根据方案有效性对其进行修正,得到目标案例的最终方案。4)保存:将带有最终方案的案例及其解释根据其在案例库中的地位按照一定原则存入到案例库中,以备以后案例推理的应用。CBR是一种类比推理方法,其核心是利用经验解决问题[6],与人对自然问题的求解习惯相一致。该方法既不受知识获取瓶颈的局限,又可以通过学习不断地增强,具有信息表达完全、增量式学习、形象思维的准确模拟,知识获取较为容易、求解效率和质量高等优点。基于案例推理的问题求解方法比较适用于没有很强理论模型、知识不明确而同时又具有丰富经验的决策领域。从发展的角度来看,我们所面临问题的状态处于不断变化中,这些事物的客观规律和结构也不可能一成不变,而相应的知识调整在速度和内容上都不可能完全反映深层的因果机制。这也就是CBR方法能够有效地解决许多问题的关键。7《测绘通报》测绘科学前沿技术论坛论文集利用CBR方法解决问题时,所要满足的前提条件是:相同或相似的现象可以导致相似结果的产生,而相似的现象可以重复出现。这就需要我们在应用过程中要考虑案例的规律性、典型性、相容性。二、利用CBR方法进行高分遥感影像分类遥感影像分类的基础是认为同类地物在遥感影像中具有相同或相似的光谱特征或空间特征,而不同类地物具有不同的光谱特征或空间特征,这恰恰符合CBR方法的假设前提条件。在我国,黎夏等研究人员利用该方法对遥感图像分类进行了一定程度的研究[7][8]。基于以上理论基础,作者利用CBR方法对山东科技大学及周边地区的QuickBird遥感影像开展了分类实验。,对于该影像的分类应注意多种分类方法的融合,单单利用CBR方法尚不能取得满意结果。因此在实验中,作者将该方法与面向对象分类技术相结合,对遥感影像进行分类。面向对象的信息提取技术是一种基于目标的信息提取方法。该方法在分类时,一方面依靠地物的光谱信息特征,另一方面在地物光谱信息比较接近时,更多地是利用其几何信息(形状、大小)、结构信息(如纹理信息)、上下文的语义信息,以达到比较好的分类效果。面向对象技术在遥感应用中有着无可比拟的优势,是当前高分辨率信息提取技术的发展趋势[9]。面向对象图像分类首先通过一定的分割方法对遥感图像进行分割,继而提取分割单元(即影像分割后得到的内部属性相对一致或均质程度较高的影像区域)的各种特征,并在特征空间中进行对象识别和标识,从而最终完成分类。其技术流程见图2。图2面向对象的遥感分类技术流程图6《测绘通报》,作者把具体的CBR方法作为模糊分类的一种嵌入到面向对象分类中,对遥感影像进行分类。实验过程中使用的软件有:、。其中,;,很好地表达了面向对象图像分类的思想[10],在本实验中的主要作用是将遥感图像进行分割,以获得CBR分类时应用到的遥感案例。8《测绘通报》测绘科学前沿技术论坛论文集具体实验过程如下:1)图像分割利用eCognition将图像按一定的参数分割为若干图斑单元,在分割中既要关注影像的纹理细节,又要注意影像的宏观特征,避免众多琐碎区域的产生。经多次测试,根据自己对选区内土地利用情况的了解,发现当分割参数设置是尺度参数为30,,,,,获得的总体分割效果比较好,分割后的结果见图3。),形成一些特征向量因子。在案例的表达中,采用传统表达模型。根据经验选择出的参与推理过程的特征向量包括:光谱信息(图斑内各像素在三个波段的平均灰度值,亮度),空间信息(紧致度,形状参数,密度),位置信息(中心点的相对X、Y坐标)。一个图斑的信息提取如图4所示。在分割图像上随机均匀地分层选取经验图斑作为源案例,每一案例被记录为:x=(ID,Band1,Band2,Band3,pactness,Shape,Density,X,Y,Type,type)其中:Type为土地利用的大类,type为土地利用的小类,分类结构见图5。由此完成源案例库的建设,同时按相同的方法,组织目标案例库。图4某一分割单元特征属性的显示8《测绘通报》测绘科学前沿技术论坛论文集图5土地利用类型设置3)目标遥感案例的土地利用类型推理。利用AIAI软件在推理中,根据经验为每个特征向量选取不同的权重,设定推理过程中用于案例抽取的阈值和案例重用修改的具体算法。这些参数的设置是根据经验和实验结果而不断改正的,因此每一个参数的改变,就会形成一个新的推理模板。在实验中就需要用这些不同的模板参与案例推理,诊断出各目标案例的土地利用类型,并将诊断结果与实际结果进行比较,查看使用不同模板的准确率,推理过程见图6。urve方法进行案例推理从图中可以看出,在诊断中对某一分割单元地物类型的划分是模糊的,即只是根据检索出的一组相似遥感案例与目标案例的相近程度利用一定算法,计算出这些相似案例对确定目标案例土地利用类型的贡献程度,最后对该结果做出一个大致的推测,而不是一个绝对的答案。由此可见,利用CBR方法对遥感影像进行分类是一个模糊分类的过程。三、实验结果与分析经过设置不同的分类参数对遥感影像进行分类,将实验结果进行对比发现当把权重设置为(6,6,6,5,3,4,3,4,4),阈值设置为85%,urve时获得的系统诊断准确率比较高,大类诊断准确率为90%,小类诊断准确率为80%。表1就是对该实验结果进行统计后完成的统计表。从表1中看出除林地以外各类地物的分类准确率都是比较高的,而林地分类准确率为0主要是由于该影像的拍摄时间为冬季,林地内树木大量落叶导致草皮暴露,在影像上特征与草地相似;同时在实验涉及地域林地所占比重很小,造成源案例及目标案例数量少,大大降低了案例推理的精度。10《测绘通报》测绘科学前沿技术论坛论文集通过实验过程的实施及结果分析,可以得出利用CBR方法进行遥感影像分类的优点有:1)传统的遥感影像分类工作的规则复杂而难以表达,CBR的核心思想是用经验解决问题,只需要根据经验选取足够的单元组织案例,简单易行,不需要操作者具有大量的专业知识。2)组建好的案例库可以重复使用,不需要重复进行训练区选择。3)CBR是机器学习的重要方法,诊断的结果被存储到案例库中以备下一次的分类,这样可以递进地提高系统推理的准确性。4)很好的解决了遥感影像分类中的“同物异谱”问题。另外,利用CBR方法进行遥感影像分类虽然与传统的监督分类有一定相似之处,但两者在应用外延、信息提取、案例选取、学习方式、实施过程及拓展性等方面存在很大的区别。10《测绘通报》、结束语7《测绘通报》测绘科学前沿技术论坛论文集本文首先对案例推理(CBR)方法的相关知识进行了简单介绍,指出其应用于遥感图像分类具有可行性的理论依据,然后通过将CBR方法与面向对象图像分类技术相结合,对高分辨率遥感影像进行分类实验并取得较好的效果。同时对实验过程及结果进行分析,总结了CBR方法应用于遥感影像分类中的特点和优势。同时作者注意到利用CBR方法对遥感影像进行分类,也具有一些缺点和不足,需要从理论上进行完善;而在应用方面,其技术标准、流程也尚未形成完整的体系,所以该领域的有关问题仍具有深入讨论的价值。7《测绘通报》测绘科学前沿技术论坛论文集参考文献:[1]明冬萍,骆剑承,沈占锋,汪闽,[J],2005,30(3):18~20.[2]FlorentinoFdez-,CBRbasedsystemforforecastingredtides,[J].Knowledge-BasedSystems16(2003)321~328.[3]杜云艳,周成虎,邵全琴,苏奋振,史忠植,[J],3(1):98~103.[4][M].北京:科学出版社,1998.[5]杜云艳,周成虎,邵全琴,[J].地理学报,2002,57(2):151~158.[6][D],2001:98~103.[7]黎夏,叶嘉安,(CBR)方法对雷达图像进行土地利用分类[J],遥感学报,2004,8(3):246~253.[8]钱峻屏,黎夏,艾彬,叶嘉安,陈晓越,刘凯,[J].自然资源学报,(5)735~746.[9][D],2006.[10]牛春盈,江万寿,黄先锋,[J].遥感应用,:66~《测绘通报》测绘科学前沿技术论坛论文集7《测绘通报》测绘科学前沿技术论坛论文集7《测绘通报》测绘科学前沿技术论坛论文集9《测绘通报》测绘科学前沿技术研讨会论文集