基于知识迁移的多时相高分辨率遥感影像分类方法研究

High spatial resolution satellite (HSRS) images are important source data for extracting information of land-cover/use. The classification knowledge shares rate is low for multi-temporal images by classifying repeatedly single-phase image acquired on the same area, and does not take full advantage of image information in time and space dimension. This project takes HSRS images acquired on the same area at different times as the research object, and introduces the transfer learning methods of machine learning firstly, focusing on the methods of the knowledge transfer of training samples and features for multi-temporal HSRS images supervised classification, achieving a method that can transfer training samples and features of a single-phase image to another phase image; Secondly, for the spectral differences of the same class in multi-temporal HSRS images, based on Conditional Random Fields and Gaussian Mixture Models, mainly researches on multi-temporal images space-time characteristics expression methods and the mining of invariant image features of typically classes; Finally, researches the typically classes classification supported by knowledge transfer, and transfer learning of multi-features and classification rules based on the knowledge rule reasoning control strategy. From our research, establishes multi-temporal HSRS images classification framework based on knowledge transfer, improves the efficiency and accuracy of multi-temporal images classification and promotes high spatial resolution remote sensing further research and application in information extraction of the land-cover/use.

高分辨率遥感影像是获取土地覆被/利用现状和变化信息的重要数据源。基于不同时期单时相影像的重复分类方法知识共享率低，且没有充分利用多时相影像中蕴含的时间维和空间维信息。本项目以同一地区、不同时间获取的多时相高分辨率遥感影像为研究对象，引入机器学习中的迁移学习方法，重点研究多时相高分辨率遥感影像分类训练样本和特征的知识迁移方法，实现单一时相影像中的训练样本和分类特征向另一时相影像迁移；针对多时相高分辨率遥感影像同一地类存在光谱差异的特点，研究基于条件随机场和高斯混合模型的多时相影像时空特征表达方法，挖掘识别多时相影像典型地类的不变特征；最后研究知识迁移支撑的典型地类分类方法，以及基于知识规则推理控制策略的多特征及分类规则迁移学习方法。通过本项目的研究，确立基于知识迁移的多时相高分辨率影像分类技术体系，提高多时相影像分类效率和精度，促进高分辨率遥感在土地覆被/利用信息提取的深入应用与发展。

基于不同时期单时相影像的重复分类方法知识共享率低，且没有充分利用多时相影像中蕴含的时间维和空间维信息。本项目以同一地区、不同时间获取的多时相高分辨率遥感影像为研究对象，研究协同无监督变化检测的训练样本迁移方法，实现了不同时相遥感影像间训练样本的共享，并结合AdaBoost算法，提升了训练样本的可靠度；研究对比了典型地类多时相高分辨率遥感影像时空特征表达方法：经验模态分解、傅里叶变换和小波包变换，对比结果表明地类在卫星多时相数据中具有显著的周期性、季节性变化特点，上述模型可应用于量化描述地类沿时间变化的特征，以达到基于时间维特征区分不同地类。基于隐马尔科夫模型和高斯混合模型，研究了典型地类时相变化特征，主要分析了典型地类中具有植被生长特性的物候变化趋势，实现多时相高分辨率遥感影像时空特征表达。此外，针对时间序列数据，研究了基于动态时间规划的多时相遥感影像时序特征构建与聚类方法；在无监督聚类结果基础上，引入机器学习中的迁移学习方法，研究了特征优选与CART结合的特征迁移方法，挖掘可同时应用于不同时相影像分类的不变特征，实现了单一时相影像中的分类特征向另一时相影像的迁移；最后研究了知识迁移支撑的典型地类分类方法，在北京市昌平区开展了多时相高分辨率遥感影像分层分类识别实验，获得了实验区主要土地覆被类型的分类结果，并对区域主要地类识别结果进行了评价，并在分析精度评价结果基础上，进一步对分层模糊规则进行了改进和优化，形成了基于知识迁移的多时相高分辨率遥感影像土地覆被类型提取技术方法。实验结果表明，本项目提出的方法可利用历史时相分类结果和先验知识，快速完成下一时相遥感影像的地物提取，在实验区中，耕地、建设用地、林地、水域等典型地类分类总体精度优于85%，满足一般业务的技术指标要求。项目研究成果在促进多时相高分辨率遥感在土地覆被/利用信息提取的深入应用与发展方面具有重要意义。