郭曉征， 姚云軍， 賈 坤， 張曉通， 趙 祥

(北京師范大學(xué)地理科學(xué)學(xué)部遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100875)

0 引言

火星風(fēng)成地貌是由于地面氣流對(duì)地表物質(zhì)的搬運(yùn)、侵蝕等作用造成的，風(fēng)成地貌的變化是獲取火星大氣環(huán)流模式信息的重要來源[1]。沙丘是火星表面變化最劇烈的風(fēng)成地貌，對(duì)火星沙丘的研究是理解火星大氣與地表交互機(jī)制的重要前提[2]。美國(guó)在2006年發(fā)射的火星偵察軌道器(Mars reconnaissance orbiter, MRO)搭載了不同空間分辨率的遙感傳感器，如高分辨率成像儀(high resolution imaging experiment, HiRISE)和火星彩色成像儀(Mars color imager, MARCI)等，每年都會(huì)采集海量的不同空間分辨率遙感影像數(shù)據(jù)[3]。然而，如何從大量的火星遙感數(shù)據(jù)中提取沙丘地貌成為了一個(gè)難題。

傳統(tǒng)的火星沙丘識(shí)別是通過人工目視解譯提取遙感影像中的沙丘，Hayward等[4]2007年結(jié)合多種火星遙感數(shù)據(jù)，通過人工目視解譯的方法生產(chǎn)了火星數(shù)字沙丘數(shù)據(jù)庫(kù)(Mars global digital dune database, MGD3)。但這種依靠人工目視解譯的方法對(duì)經(jīng)驗(yàn)依賴性強(qiáng)且費(fèi)時(shí)費(fèi)力。隨著火星遙感數(shù)據(jù)的迅速增加，目視解譯的難度也在逐漸增加。為及時(shí)更新火星沙丘數(shù)據(jù)庫(kù)，就迫切地需要一種快速準(zhǔn)確識(shí)別火星沙丘的方法。

目前，自動(dòng)提取火星沙丘的方法主要是依靠傳統(tǒng)的機(jī)器學(xué)習(xí)方法，如隨機(jī)森林(random forest, RF)、支持向量機(jī)(support vector machines, SVM)、提升方法(boosting)等[5-6]。Bandeira等[5]利用boosting和SVM提取火星軌道相機(jī)(Mars orbiter camera, MOC)影像中的沙丘，結(jié)果表明，boosting和SVM提取火星沙丘的效果較好，且boosting的精度優(yōu)于SVM。但傳統(tǒng)機(jī)器學(xué)習(xí)需要將遙感影像分割為相同大小的瓦片，每個(gè)瓦片的分類結(jié)果為沙丘或非沙丘。然而大量瓦片為沙丘與非沙丘的混合，從而導(dǎo)致沙丘分類結(jié)果分辨率較差、預(yù)測(cè)精度偏低。而在圖像分割領(lǐng)域，近年來卷積神經(jīng)網(wǎng)絡(luò)(convolutional nenural network, CNN)由于可自動(dòng)從圖像中獲取特征，在圖像識(shí)別及分割中的應(yīng)用越來越廣泛[7]。隨著深度學(xué)習(xí)的發(fā)展，不同的圖像分割模型相繼被提出。Long等[8]在2015年提出了全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional network, FCN)，利用反卷積得到輸入影像的語義分割圖，首次實(shí)現(xiàn)了端對(duì)端的像素級(jí)別分類； Badrinarayanan等[9]提出了SegNet模型，利用編碼-解碼的網(wǎng)絡(luò)結(jié)構(gòu)減少了模型中的訓(xùn)練參數(shù)，提高影像分割精度； Ronneberger等[10]在編碼-解碼的網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上連接編碼信息與解碼信息，生成了U-Net模型，進(jìn)一步提高了分割精度。

火星沙丘在光譜空間中的差異較小，在提取沙丘的過程中主要依賴沙丘的紋理信息即空間信息。在之前利用機(jī)器學(xué)習(xí)自動(dòng)提取沙丘的研究中，雖然使用了火星影像中的空間信息，但是提取結(jié)果混合現(xiàn)象比較嚴(yán)重，尤其在沙丘邊緣地區(qū)，分類結(jié)果較差。而CNN相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)能夠充分利用影像的空間信息，對(duì)影像的分割更為精細(xì)，能夠?qū)崿F(xiàn)基于像元的影像分割。因此，本文基于上述研究提出一種高精度的火星沙丘自動(dòng)提取方法。針對(duì)火星沙丘復(fù)雜的光譜信息，利用局部二值模式獲取火星影像紋理信息，結(jié)合U-Net模型對(duì)火星沙丘進(jìn)行提取，并與傳統(tǒng)的RF方法進(jìn)行對(duì)比分析。

1 數(shù)據(jù)源

HiRISE是搭載在MRO衛(wèi)星上的遙感傳感器之一，具有較高的空間分辨率，像元分辨率一般在0.25～0.5 m之間，有400～600 nm，550～850 nm和800～1 000 nm 3個(gè)成像波段[11]。該傳感器是目前為止空間分辨率最高的火星遙感傳感器，且具有立體像對(duì)，可以制作高精度的數(shù)字高程數(shù)據(jù)。本文所采用的HiRISE影像來自HiRISE管理中心(www.uahirise.org)，數(shù)據(jù)已經(jīng)過輻射校正與幾何糾正。本次研究共使用6景HiRISE影像，其中5景影像用于訓(xùn)練樣本的生成，1景影像用于模型精度驗(yàn)證。影像覆蓋區(qū)域均含有沙丘地貌，且絕大多數(shù)為格狀沙丘。格狀沙丘是火星分布最廣的沙丘類型之一[6]，其是多種風(fēng)向相互作用，導(dǎo)致沙丘之間相互交錯(cuò)。格狀沙丘因形態(tài)較為復(fù)雜，自動(dòng)化提取也更困難，利用模型提取格網(wǎng)沙丘可以驗(yàn)證模型的魯棒性。本研究使用HiRISE影像的詳細(xì)信息如表1所示。

表1 影像數(shù)據(jù)Tab.1 Image data

2 實(shí)驗(yàn)方法與過程

2.1 紋理特征提取方法

局部二值模式(local binary pattern，LBP)是一種提取圖像紋理信息的算法，具有旋轉(zhuǎn)、平移不變的特性，為了提取HiRISE影像的紋理信息，需要對(duì)影像進(jìn)行LBP變換。將圖像的每一個(gè)像元(x0,y0)與其8鄰域像元進(jìn)行比較，若鄰域像元值大于像元(x0,y0)值，則標(biāo)記為1，反之標(biāo)記為0，比較得到8位有序的二值序列。將得到的8位二值數(shù)組轉(zhuǎn)為十進(jìn)制，即為經(jīng)過LBP變換后的像元(x0,y0)的值[12]。LBP變換的數(shù)學(xué)公式為：

(1)

(2)

式中：in為8鄰域像元的灰度值；i0為像元(x0,y0)的灰度值。

圖1為L(zhǎng)BP的計(jì)算示例，圖1(a)為原始影像的像元值及其8鄰域像元值，圖1(b)為8鄰域像元與中心像元比較所得到的8位二值序列(01111010)，將二值序列轉(zhuǎn)換為十進(jìn)制數(shù)字122，即為圖1(c)LBP變換后的像元值。

(a) 原始影像(b) 二值序列(c) 轉(zhuǎn)換后的像元圖1 LBP變換示例Fig.1 Example of LBP transform

2.2 U-Net深度學(xué)習(xí)方法

U-Net方法是由Ronneberger等[10]在2015年針對(duì)醫(yī)學(xué)影像所提出的一種圖像分割的方法。U-Net方法具有編碼-解碼的結(jié)構(gòu)： 其網(wǎng)絡(luò)左側(cè)為編碼，利用卷積與池化提取圖像特征，右側(cè)為解碼，通過卷積與上采樣從提取的特征中恢復(fù)特征圖。在編碼的過程中，隨著感受野的不斷增加，U-Net方法可以提取到更為復(fù)雜抽象的特征。而在解碼的過程中，U-Net方法不僅利用提取好的特征，還整合不同網(wǎng)絡(luò)層的信息進(jìn)而增加預(yù)測(cè)的精度。U-Net方法網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)潔、模型訓(xùn)練收斂速度比較快，既可用于大型訓(xùn)練數(shù)據(jù)上，在少量的訓(xùn)練樣本中的表現(xiàn)也相當(dāng)好[13-14]。正是由于U-Net方法網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，運(yùn)行速度快，適用于沙丘的快速識(shí)別，因此本文使用U-Net深度學(xué)習(xí)方法進(jìn)行火星沙丘的提取。

2.3 RF機(jī)器學(xué)習(xí)方法

Breiman[15]在2001年提出了一種將多個(gè)決策樹集成到一起的機(jī)器學(xué)習(xí)方法，稱為RF。RF方法是一種簡(jiǎn)單實(shí)用的機(jī)器學(xué)習(xí)方法，且在回歸和分類中的效果都較好。RF方法的具體實(shí)現(xiàn)步驟為： 對(duì)M個(gè)訓(xùn)練樣本進(jìn)行有放回的抽樣，抽取M次，得到樣本數(shù)為M的樣本集進(jìn)行訓(xùn)練得到一個(gè)決策樹； 將上述過程重復(fù)N次，得到N個(gè)決策樹，將這N個(gè)決策樹集成起來即為RF。在RF機(jī)器學(xué)習(xí)方法分類的過程中，多個(gè)決策樹進(jìn)行投票，得票最多的類別為模型最終輸出類別[16-18]。

2.4 實(shí)驗(yàn)過程

由于HiRISE影像中不同區(qū)域及不同成像時(shí)間內(nèi)的沙丘光譜差異較大，且沙丘與其背景的光譜差異較小，利用遙感圖像的光譜信息難以提取沙丘。沙丘與背景在紋理特征上差異較大，沙丘面為波紋狀或者平滑光面，而非沙丘則是不規(guī)則的紋理。紋理信息是提取火星沙丘地貌非常重要的信息。因此，首先需要利用LBP變換得到影像的紋理信息。

本文選擇RF機(jī)器學(xué)習(xí)與U-Net深度學(xué)習(xí)的提取方法進(jìn)行比較，來研究深度學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)方法提取結(jié)果的差異。在訓(xùn)練U-Net模型時(shí)，需要在提取紋理特征的基礎(chǔ)之上利用Labelme軟件對(duì)影像進(jìn)行標(biāo)注，再對(duì)影像進(jìn)行分割、數(shù)據(jù)增強(qiáng)。RF方法是將影像分割為瓦片，采用人工目視解譯的方法將瓦片標(biāo)記為沙丘與非沙丘。U-Net方法是端對(duì)端的像元級(jí)別分類，而RF方法是基于瓦片對(duì)影像進(jìn)行分類。在模型訓(xùn)練完成之后，本文使用獨(dú)立的HiRISE影像對(duì)2種分類模型進(jìn)行驗(yàn)證。實(shí)驗(yàn)具體步驟如圖2所示。

圖2 HiRISE沙丘提取實(shí)驗(yàn)流程Fig.2 Flowchart of HiRISE sand dune extraction experiment

訓(xùn)練RF模型時(shí)，首先將遙感影像分割成大小為100像元×100像元的瓦片，并對(duì)每個(gè)瓦片進(jìn)行LBP變換。若直接將瓦片作為特征輸入到RF模型會(huì)導(dǎo)致特征數(shù)過多、分類精度差，而瓦片的統(tǒng)計(jì)直方圖也可準(zhǔn)確地描述瓦片的紋理特征。因此將樣本瓦片進(jìn)行直方圖統(tǒng)計(jì)，將統(tǒng)計(jì)結(jié)果作為特征輸入RF模型進(jìn)行訓(xùn)練。圖3為分割為100像元×100像元的沙丘與非沙丘的樣本，可以看出沙丘樣本具有規(guī)則的紋理，而非沙丘樣本的紋理比較雜亂。本次實(shí)驗(yàn)中共從5張HiRISE影像中選取了816個(gè)瓦片樣本，其中沙丘的樣本為410個(gè)，非沙丘樣本為406個(gè)。

(a) 沙丘示例樣本1(b) 沙丘示例樣本2(c) 沙丘示例樣本3(d) 沙丘示例樣本4

(e) 非沙丘示例樣本1(f) 非沙丘示例樣本2(g) 非沙丘示例樣本3(h) 非沙丘示例樣本4圖3 RF訓(xùn)練樣本示例Fig.3 Train examples of samples of RF

為了生成U-Net的訓(xùn)練數(shù)據(jù)，本研究借助Labelme軟件對(duì)遙感影像進(jìn)行標(biāo)注，生成掩模文件，標(biāo)注中像元值為0代表非沙丘，像元值為1代表沙丘。為了適應(yīng)U-Net的網(wǎng)絡(luò)結(jié)構(gòu)，LBP變換后影像與標(biāo)簽數(shù)據(jù)需要分割為512像元×512像元的瓦片，之后將數(shù)據(jù)輸入U(xiǎn)-Net網(wǎng)絡(luò)進(jìn)行訓(xùn)練。圖4為U-Net訓(xùn)練樣本示例。由圖4可以看出經(jīng)LBP變換之后，沙丘與背景的差異得到了明顯增強(qiáng)。在深度學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)越多，模型的預(yù)測(cè)精度越高。為增加模型精度，本研究對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行翻轉(zhuǎn)和旋轉(zhuǎn)等增強(qiáng)，有效擴(kuò)充訓(xùn)練數(shù)據(jù)，提升網(wǎng)絡(luò)預(yù)測(cè)精度，以防止過擬合。本次實(shí)驗(yàn)中共選取了5張HiRISE影像，經(jīng)過影像分割與數(shù)據(jù)增強(qiáng)，共得到1 026個(gè)訓(xùn)練樣本。本文中采用的平臺(tái)為Keras，計(jì)算機(jī)配置為Intel i7-6700HQ中央處理器，NVIDIA GTX1060顯卡，6 G顯存。

(a) 原始影像(b) LBP變換后影像 (c) 標(biāo)簽數(shù)據(jù)圖4 U-Net訓(xùn)練樣本示例Fig.4 Train example of sample of U-Net

為了定量評(píng)價(jià)U-Net模型的精度，本文選擇獨(dú)立的測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行精度評(píng)價(jià)，并對(duì)比U-Net方法與RF方法之間的差異。利用Labelme軟件對(duì)獨(dú)立驗(yàn)證影像進(jìn)行標(biāo)注，生成標(biāo)簽數(shù)據(jù)，并使用該數(shù)據(jù)對(duì)U-Net方法與RF方法的提取結(jié)果進(jìn)行精度驗(yàn)證和對(duì)比分析。模型的評(píng)價(jià)指標(biāo)主要包括假負(fù)率(false negative rate,FNR)、假正率(false positive rate, FPR)和準(zhǔn)確率(accuracy rate, AR)。評(píng)價(jià)指標(biāo)的計(jì)算方法分別為：

FNR=FN/(FN+TP)

(3)

FPR=FP/(FP+TN)

(4)

AR=(TP+TN)/(TP+FP+TN+FN) ，

(5)

式中：TP為模型預(yù)測(cè)為正的正樣本；FP為模型預(yù)測(cè)為正的負(fù)樣本；FN為模型預(yù)測(cè)為負(fù)的正樣本；TN為模型預(yù)測(cè)為負(fù)的負(fù)樣本。

3 結(jié)果與分析

HiRISE原始影像、人工標(biāo)注數(shù)據(jù)、U-Net提取結(jié)果和RF提取結(jié)果分別如圖5(a)—(d)所示。由圖5可以看出，本文使用的U-Net深度學(xué)習(xí)方法的提取效果優(yōu)于RF方法，沙丘邊緣清晰且破碎斑塊較少，與目視解譯結(jié)果更吻合。圖5(c)與標(biāo)簽數(shù)據(jù)的沙丘空間分布基本一致，并且噪聲較少，說明U-Net方法對(duì)火星沙丘的提取效果更好； 圖5(d)為RF提取結(jié)果，沙丘邊緣存在明顯的鋸齒，同時(shí)RF提取結(jié)果中存在較多的噪聲點(diǎn)。從沙丘分類結(jié)果的空間分布和整體效果2方面來講，U-Net方法的結(jié)果均優(yōu)于RF方法。

(a) 原始影像(b) 標(biāo)簽數(shù)據(jù)(c) U-Net方法提取結(jié)果(d) RF方法提取結(jié)果

圖5 沙丘提取結(jié)果Fig.5 Sand dune extraction results

U-Net與RF這2種方法精度評(píng)價(jià)結(jié)果如表2所示。U-Net方法的FNR與FPR相較于RF方法都偏低，其中RF方法的FNR與FPR分別為3%和12.1%，而U-Net方法僅為0.3%和3.7%。U-Net方法在AR的表現(xiàn)上也要優(yōu)于RF方法，U-Net方法的AR為96.7%，比RF方法高了3.2個(gè)百分點(diǎn)。雖然受算法復(fù)雜度的影響，U-Net方法的提取耗時(shí)較長(zhǎng)，但其相比RF方法精度得到了大幅度提升，且僅需要RF方法耗時(shí)的1.74倍，故U-Net方法是優(yōu)于RF方法的沙丘提取方法。這也說明了深度學(xué)習(xí)在火星沙丘地貌提取中有較大的應(yīng)用前景。

表2 沙丘提取模型精度評(píng)價(jià)對(duì)比Tab.2 Comparison of accuracy evaluation of sand dune extraction models

4 結(jié)論

本文通過對(duì)HiRISE影像進(jìn)行紋理變換，獲取紋理特征作為模型的分類特征，將其處理為規(guī)則大小的瓦片并利用Labelme軟件添加標(biāo)簽，作為訓(xùn)練樣本。同時(shí)，利用U-Net方法在提取空間信息方面的優(yōu)勢(shì)，通過構(gòu)建參數(shù)合理的深度學(xué)習(xí)模型實(shí)現(xiàn)火星沙丘的自動(dòng)化提取。

1)由于沙丘與背景在光譜空間中難以區(qū)分，本文研究采用HiRISE影像的紋理信息，在一定程度上能夠提高模型在沙丘與背景混雜區(qū)域的分類精度。沙丘本身的光譜差異較大，在太陽入射角不同的區(qū)域，沙丘在光譜空間的位置也相差甚遠(yuǎn)。在紋理信息的基礎(chǔ)上進(jìn)行分類，能夠有效提高模型普適性，實(shí)現(xiàn)對(duì)大尺度影像的沙丘提取。

2)本文利用U-Net模型對(duì)火星沙丘進(jìn)行提取，提供了一種新的火星沙丘自動(dòng)提取方法。同時(shí)，該方法對(duì)其他火星遙感影像(如MARCI等)的沙丘提取具有一定的借鑒意義。

3)本文的研究結(jié)果表明，U-Net模型相較于傳統(tǒng)的RF模型具有明顯優(yōu)勢(shì)，實(shí)現(xiàn)了端對(duì)端的像素級(jí)分類，對(duì)火星沙丘的提取效果更好，沙丘提取的AR為96.7%，比傳統(tǒng)的RF方法提高了3.2個(gè)百分點(diǎn)，F(xiàn)NR與FPR分別只有0.3%和3.7%，沙丘的輪廓相較于RF方法更為清晰，對(duì)破碎沙丘的提取精度也更高。

但是，本研究在模型精度方面還有待提高，模型訓(xùn)練樣本不足，模型難以在火星全球進(jìn)行應(yīng)用。在之后的研究中，應(yīng)選取更為系統(tǒng)、數(shù)據(jù)量更大的訓(xùn)練集，對(duì)模型進(jìn)行優(yōu)化。