高分辨率遥感影像目标分类与识别研究进展

刘扬1,2,3，付征叶4，郑逢斌2,3*(1.河南大学环境与规划学院，开封475004；2.河南大学空间信息处理实验室，开封475004；3.河南大学计算机与信息工程学院，开封475004；4.河南大学软件学院，开封475004)高分辨率遥感影像的目标分类与识别，是对地观测系统进行图像分析理解，以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先，讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容；其次，深入分析了高分辨率遥感影像目标分类与识别，在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题；最后，结合并行计算、神经计算和认知计算等技术，讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术，并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构；（2）深度学习对于提升目标分类和识别精度的应用前景，以及基于深度神经网络的多层次遥感影像目标识别方法；（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法，并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外，根据媒体神经认知计算的相关研究，探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。目标分类与识别；媒体神经认知计算；并行计算；深度学习；主题模型DOI:10.3724/SP.J.1047.2015.010801引言高分辨率遥感影像的目标分类与识别（TargetsClassificationandRecognition，TCR），是高分辨率对地观测系统（EarthObservingSystem，EOS）和自动目标识别系统（AutomaticTargetRecognition，ATR）的信息提取和处理的重要组成部分。TCR是精确制导、武器防御、海情监控等军事ATR系统的关键，也是提升减灾应急、交通监管、渔业海事，乃至无人车和机器人等民用系统智能化水平的核心技术。随着EOS的光谱和频谱分辨率增加，时间分辨率和空间分辨率的不断提升，可见光、红外、高光谱、雷达等不同种类的传感器，产生大量的多尺度遥感影像。目前，先进的高分辨率遥感影像光学影像分辨率可达分米级，星载SAR已达米级，干涉雷达相对位移精度可到毫米级，高光谱影像的光谱分辨率甚至可达纳米级，卫星重访周期已大幅缩短至天。高分辨率遥感影像具备海量、多源、异构的外部特征和高维、多尺度、非平稳内部特性，是名副其实的大数据。传统的中低分辨率遥感影像解译体系，无法有效地分析高分辨率遥感影像的复杂特征。高分辨率遥感影像作为关系着国计民生的应急和减灾应用的空间大数据[1]，对TCR算法处理的精度、智能化水平[2-3]、实时性和处理效率[4]提出了较高的要求。然而，由于遥感影像背景的复杂性和对象的多样性，目前国内外TCR相关方法大多针对特定时空条件，具有较大的局限性，距工程化应用尚有很大发展空间。因此，探索高效快速的TCR方法和理论，是提高ATR系统功能的重要需求，也是EOS对遥感技术发展提出的科学难题之一。在界定遥感影像TCR问题描述基础上，本文探讨和回顾图像预处理、目标检测、场景分类、目标分Vol.17,No.9Sep.,2015第17卷第9期2015年9月2014-12-12；：2015-02-14.国家自然科学基金项目(61305042、61202098)；国防科技工业民用专项科研技术研究项目(2012A03A0939)；河南省教育厅科学技术研究重点项目(13A520071)。刘扬(1971-)，男，河南信阳人，副教授，博士，主要从事媒体神经认知计算、时空信息高性能计算。E-mail:[e-mail]*：郑逢斌(1963-)，男，教授，博士生导师，研究方向为空间信息处理、自然语言处理。E-mail:[e-mail]9期刘扬等：高分辨率遥感影像目标分类与识别研究进展类和目标识别等相关研究的现状，分析和总结TCR研究存在的主要问题，并从解决遥感分类与识别的角度，结合神经计算、认知计算和并行计算相关技术，对TCR的应用与发展进行了综合分析。2遥感影像TCR问题描述目前，TCR系统研究的地物目标对象主要集中在舰船、飞机、战车、油库、桥梁、机场、港口等典型的重要战略目标。根据探测感知的手段不同，ATR系统的信息源可来自微波、可见光、红外、毫米波、超声波等传感器。其中，红外图像、可见光图像、合成孔径雷达（SyntheticApertureRadar，SAR）图像，是实现TCR的主要信息源。此外，还有水声图像，如合成孔径声纳（SyntheticApertureSonar，SAS）等。SAR图像具备全天时、全天候、可侧视成像等特点，具备一定的穿透性和形态探测能力，但对目标方位角、姿态角的变化很敏感。由于水声信号的多径传播，以及声波具备的透射特性，混响噪声干扰等原因，容易造成SAS影像的形状模糊。SAR和SAS的相干斑噪声会严重降低图像的可解译度，对其进行TCR处理前，必须抑制相干斑造成的图像质量下降问题。光学图像空间分辨率一般较高，内容丰富，目标结构明显，直观易于理解。但可见光图像易受光照、云雾等因素影响。红外传感器能捕获目标的热辐射特征，且无背景多径干扰问题。但红外图像的信噪比往往较低、对比度差，目标往往缺乏形状和纹理信息。如图1所示，高分辨率遥感影像TCR问题根据系统研究层次，一般可分为滤波降噪、图像分割（segmentation）、特征提取、潜在目标检测（detection）、虚警目标判别（discrimination）、目标类型分类（classification）、目标场景分类、目标识别（recognition）、目标身份鉴别（identification）、目标敌我确认（confirmation）、目标时空跟踪（track-ing）和目标显示（indication）等若干步骤和层次。3遥感影像TCR研究进展由于浓厚的军事背景等原因，在遥感影像的ATR研究中，关于SAR、SAS和红外TCR的成果文献总体较少。随着民用潜力的发掘和科技成果转化，相关研究也带来了巨大生机和活力，但相关设备成本、算法精度、复杂度、时效性、软件的重用性等所带来的研发问题也逐步显现。3.1图像预处理遥感影像预处理是实现图像特征提取、目标检测、分类和识别等后处理的基础。广义的遥感影像预处理包括图像的滤波、降噪、增强、定位、校正、配准、融合及特征的提取和降维等过程。狭义的预处理一般指降噪、增强、特征提取和降维等处理过程。遥感影像滤波降噪一般利用噪声和有用信息之间的特征差异，选择性地保留有用信息，提升图像的信噪比。图像噪声一般分为加性噪声和乘性噪声，降噪是图像处理领域研究的最基础性问题。由于传感器的特性不同，遥感影像的滤波降噪算法有较大的区别，这是由于噪声源和成像机理不同造成的。遥感影像特征提取是TCR研究的重要前提，表1总结了遥感影像的典型噪声与滤波降噪方法。遥感影像特征提取是TCR研究的重要内容。目标特征提取的本质是把信息冗余的高维度原始图像信息投影到有利于分类和识别的低维特征空间中。特征提取的结果会严重影响分类和识别算法的可行性、有效性，以及识别精度。表2总结了遥感场景和典型目标的特征类型。目前，无论是统计特征、纹理和边缘特征普遍存在计算量大，特征分布稀疏，特征维度偏高等特点。而变换和滤波特征又存在表示能力不强，语义图1高分辨率遥感影像TCR问题的研究层次Fig.1TheresearchlevelsofhighresolutionremotesensingimageofTCR1081地球信息科学学报2015年不明确等问题。如何从遥感影像中提取具有描述能力强、易于分类识别的图像特征，是智能图像处理需迫切解决的课题。3.2目标检测类似于人脸检测，目标检测要对场景内目标是否存在进行检测，是雷达区分目标和杂波的重要功能，在目标探测和显示中有广泛应用。作为预警雷达和声纳的重要功能，目标检测是静止和运动目标显示（StationaryandMovingTargetIndication，SMTI）（如GMTI、AMTI、MMTI，以及水下运动目标显示）等应用的核心技术。根据高分辨率遥感影像中目标的形态特点，表3总结了遥感影像的典型地物目标检测方法。在基于分布模型（如K分布模型、联合分布模型等）的团块目标检测算法中，CFAR检测方法[5]及其变种（如CA-CFAR、SO-CFAR、GO-CFAR、OS-CFAR、双参数CFAR、K分布CFAR算法等），是雷达信号检测领域最常用和最有效的检测算法。其中，SAR图像目标检测研究开展较早，SAR舰船目标检测可利用舰船目标与水体的电磁散射差异，针对近岸SAR图像船舶检测，文献[6]用MRF方法来实现海陆分割，利用CFAR检测器实现近岸船舶检测任务。光学遥感影像的舰船目标检测起步稍晚，技术相对滞后。近期，主题模型[7]、分层自适应部分模型[8]、上下文分析[9]和多核学习算法[10]取得较好目标检测效果。视觉显著性[11]和流形学习[12]中目标检测中也有较好的应用。目前，遥感影像目标检测研究存在的主要问题是目标检测针对性较强，缺乏通用和鲁棒性目标检测模型和算法。在复杂环境中，基于恒虚警率的目标检测方法虚警率过高不利于实时的应用。利用图像分割剔除干扰，是目标检测急需解决的问题，如舰船检测的海陆分割精度低会严重引起漏检。此外，目标的运动特性（如舰船的尾迹、潜艇的航迹）、SAR和SAS目标的阴影的利用、可见光的云层遮挡，以及红外的背景干扰需要有针对性的改进检测模型。建立适用性强的检测模型和多源融合的并行快速处理算法，才能实现目标检测和识别的实用化。3.3场景分类和目标分类遥感影像的目标分类和图像分类内涵不同。一般而言，遥感的图像分类是像元级的地物属性分表1遥感影像的典型噪声与降噪方法Tab.1Typicalnoiseandreductionmethodofremotesensingimages影像类型光学高光谱SAR和SAS红外典型噪声高斯加性白噪声、椒盐噪声条带噪声相干斑乘性噪声热噪声、散粒噪声、1/f噪声降噪滤波方法形态学滤波、中值滤波、加权滤波空域自适应滤波、离散剪切波、块匹配滤波PPB、SAR-BM3D、FANS、多视处理、空域滤波、局部统计特性的自适应滤波、变换域滤波中值滤波、均值滤波、非线性各向异性滤波、选择性低通滤波表2遥感影像场景和典型目标的特征Tab.2Thefeaturesofsceneandtypicaltargetsofremotesensingimages特征类型几何特征灰度统计特征变换特征代数特征常见的特征边缘、大小、纹理、灰度、BoVW矩特征、不变矩、直方图、灰度共生矩阵、HOG等FFT、DCT、Hough变换、Radon变换、KL变换、小波变换PCA、ICA、CCA、MDS、LDA、流形学习低维子空间特征特点边缘具备不确定性，特征维数高、计算量大具备方向不变性，与空间无关，计算量大表示能力强、特征维度低、语义不直观、计算复杂度高能反映图像的内在属性，维度低、稳定，部分特征具备旋转和平移不变性表3遥感影像目标检测方法Tab.3Methodsoftargetdetectionofremotesensingimages目标类型线状目标团块目标复合目标典型目标示例道路、机场跑道、河流等飞机、舰船、车辆、坦克等机场、车站、港口、油库、桥梁、建筑物目标特征边缘、大小、纹理、灰度纹理与形状特征、空间区域特性、视觉显著性点、线和纹理结构特征，目标多特征组合主要检测算法边缘提取、结构分析检测图像分割、结构分析检测，统计分析检测，分布模型（如CFAR）检测，变换域检测、多核学习、流形学习任务驱动和数据驱动综合策略10829期刘扬等：高分辨率遥感影像目标分类与识别研究进展类，在图像处理领域里实质是图像分割。目标分类任务类似语音识别和字符识别任务