人工智能在遥感影像分类中的应用
摘 要随着空间科学的发展,遥感技术得到越来越广泛的应用,而遥感图像具有信息量大、数据维数多的特点,因此怎样充分利用这些数据已成为亟待解决的问题。人工智能的机器学习方法具有从海量数据中发掘知识信息、自动学习、处理速度快等特点,因此将机器学习的各项方法应用于遥感领域,处理遥感影像中的海量数据已成为遥感发展的一个主要趋势。
关键词人工智能;机器学习;遥感;图像分类
中图分类号TP文献标识码A文章编号1673-9671-(2010)101-0133-01
随着空间科学技术的飞速发展,遥感技术在科学研究中取得了相当丰富的成果,这些成果已日益应用到日常的生产生活中,并得到了很好的推广,遥感图像数据具有多传感器、多光谱、多时相、多平台与多分辨率等特点。而遥感图像具有信息量大,数据维数多的特点,因此如何从遥感图像中提取感兴趣的信息,进行信息的分类、提取,已经成为目前遥感科学领域面临的一个主要问题。人工智能中的机器学习方法,可以让人们充分利用计算机资源,在有人参与或无人参与的情况下,进行学习,从海量数据中挖掘出知识,因此,将机器学习方法应用与遥感图像处理领域,必将极大的提高信息处理能力。目前,机器学习的各种方法在遥感影像处理领域得到了广泛的应用。
1人工智能和机器学习的关系
人工智能科学是一门新型交叉性学科。简单地说.它是研究如何建造一种人造系统来模仿人脑思维功能的一门科学。在人工智能领域,有几类主要的问题,机器学习就是其中之一。机器学习的目标并不完全是寻找意识那么简单,不过从某些方面说,它更有可能接近达到传统人工智能研究的目标。机器学习的目的是:设计一种算法,可以让计算机进行学习。学习并不一定是指意识学习。它更像是从数据中寻找统计规律,或者发现一些模式。因此,在接到一个学习任务时,很多机器学习算法很难像用你那种方式去工作。然而,学习算法却可以在那些难以学习的环境中赋予其洞察力。学习算法分为几个不同的类别。一类是预期的结果来自算法。例如一些分类问题。一个通常的分类问题的例子是让计算机学习怎样识别笔迹。事实上,现在的笔迹识别方法非常完善,一些特定解决方案的识别率可以达到百分之九十九以上。其中最常用的算法是决策树、神经网络、遗传算法。
2决策树
决策树是一类相对比较简单的分类技术,它的决策依赖于一个由问题和答案构成的树:如果对于问题的答案是“yes”,则算法执行下一个分枝;如果回答为“no”,则算法转向其他的分枝。最终,算法抵达的叶子节点就是最终分类。与神经网络相比,学习决策树不需要频繁的调试工作参数,并且相当简单明确。另外一些常见的学习类型不是被设计用于为输入创建分类,而是作出决定;它们统称决策问题。通常来说,决策问题需要根据世界的状态作出一些假设,并使它们易于处理。决策程序可能是一次性的,在这种情况下仅仅需要作出单一的决定,也可能是重复的,在这种情况下计算机可能需要做出多重决定。如果今后需要作出多重决策的话,决策程序将变得更加棘手,因为它不但需要考虑到行为的直接后果,而且要兼顾通过某种渠道获取信息的可能行为。决策树算法是一种较为先进算法,决策树是遥感图像分类中的一种类似树状的分层处理结果。当遥感影像数据特征的空间分布很复杂,或者源数据各维具有不同的统计分布和尺度时,用决策树分类法能获得理想的分类结果。
3神经网络
人工神经网络是由大量简单的信息处理单元广泛连接而成的复杂网络,用来模拟人脑神经系统的结构和功能,是一种简化的人脑数学模型。它被发现能很好的应用于图像模式识别系统是在20世纪80年代,并在此期间获得了重要发展。有许多不同类型的神经网络分别适合解决不同类型的问题,总体上由能被用来分类的单个处理元素的互连网络组成。随着神经网络理论的发展,许多学者开展了神经网络模型在遥感图像分类中的应用研究,并且取得了很大的进展。网络模型从单一的反向传播网络发展到自组织网络、分层网络、模糊神经网络和混合网络等多种模型,应用范围也从土地覆盖、森林、农作物分类发展到目标识别等。
4遗传算法
遗传算法抽象于生物体的进化过程,通过全面模拟自然选择和遗传机制,形成一种具有“生成+检验”特征的搜索算法。遗传算法以编码空间代替问题的参数空间,以适应度函数为评价依据,以编码群体为进化基础,以对群体中个体位串的遗传操作实现选择和遗传机制,建立起一个迭代过程。在这一过程中,通过随机重组编码位串中重要的基因,使新一代的位串集合优于老一代的位串集合,群体的个体不断进化,逐渐接近最优解,最终达到求解问题的目的。卫星遥感数据具有多时间分辨率、多空间分辨率及多光谱波段的特点,其数据量庞大。由于地表和大气传输过程中的复杂性,数据具有不确定性。由于遥感图像具有多波段和数据量大的特点,所以遗传算法比较难于直接针对数据进行处理,一般是建立一个可以使用遗传算法进化的模型。在遥感数据分类处理领域,PAL等[6]提出使用遗传算法来确定超平面的空间组合位置,从而使得遗传算法得以开始应用于遥感图像分类中。在使用遗传-超平面算法进行分类的过程中,除了要考虑遗传算法本身的特点以外,建立遥感适合遗传进化的超平面组合模型具有非常重要的意义。
参考文献
[1]何德平,肖勇,肖兴国.支持向量机在遥感影像处理中的应用.城市勘测,2006,03.
[2]虽盘彪.人工神经网络在地球科学中的应用综述.地质科技情报,1996,15(3):
94-98.
[3]张宝光.人工神经网络在遥感图像分类处理中的应用.国土资源遥感,1998,1:21-27.
[4]骆成风,王长耀,牛铮.用模糊ARTMAP算法对CBERS-2数据进行分类.武汉大学学报·信息科学版,2006,31(4):325-328.
作者简介
赵重庆(1978—),男,江苏徐州人,中国矿业大学文法学院2008级科学技术哲学硕士研究生,研究方向:科学技术与社会。
陈军(1978—),男,江苏徐州人,中国矿业大学环测学院2009级摄影测量与遥感博士研究生。
赵晓庆(1981—),男,江苏徐州人,中国矿业大学环测学院2010级土地资源管理博士研究生。