基于人工智能的高分卫星影像信息提取前沿进展

肖振强¹张静依¹

1 北京航天析木科技有限公司，北京 100101

1 引 言

目前，全球卫星遥感产业正处于快速发展的鼎盛时期，新兴技术不断出现、有竞争力的商业航天企业蓬勃发展高分卫星遥感数据已经呈现出大数据的数据量大、类型繁多、速度快、时效性强、潜在价值大等典型特征。

遥感大数据的价值不在其海量，而在其对地表多粒度、多时相、多方位、多层次的全面反映，在于隐藏在遥感大数据背后的各种知识。因此，有必要研究适用于高分卫星影像的自动处理和数据挖掘方法，显著提高高分数据的利用效率，加强高分卫星数据在环境遥感、城市规划、地形图更新、精准农业、智慧城市等方面的应用效力。

传统基于像元光谱统计特征的无监督机器学习分类识别技术对于高分遥感影像效果不好，利用单一的方法已经不能满足高分、高光谱、高准确率的要求。基于机器学习理论，研究集成学习、半监督学习和主动学习的集成，充分挖掘遥感图像分类中大量未标记样本的有用信息，用以扩充少量已标记样本，增强分类器的能力，提高分类的精度。

2 人工智能技术的优势

2.1 优于遥感影像传统解译方法

基于卫星遥感影像的人工智能机器学习算法，能够改变传统遥感数据处理耗时长、效率低等弊端，自动提取全国范围的遥感信息，以变化监测信息产品、专题信息产品等形式，向信息服务商、互联网平台商以及政府信息部门提供高时效、低成本、更便捷基础空间信息，最终为政府应用、商业情报、互联网运营等提供定制服务。

2.2 适用于卫星遥感大数据挖掘

与传统的时空数据挖掘相比，遥感大数据挖掘具有一定的复杂性：首先，遥感大数据海量、高维性的特点使得数据挖掘的搜索空间异常巨大，对传统的时空数据挖掘理论与方法提出巨大的挑战；其次，遥感大数据仅仅只有小部分维度与时空模式密切相关，其余的不相关或相关性很小的维度会产生大量的噪声，从而掩盖真实的时空模式；最后，遥感大数据所涉及的数据类型复杂多样，结构化、半结构化数据并存，对时空数据挖掘所依赖的数据库提出很高的要求。

因此，面对数据量越来越大，数据类型越来越丰富的遥感大数据，传统的目标检测识别方法难以为继，需要寻求能够自动从海量影像数据中学习最有效特征的方法，而人工智能算法开源崛起为海量遥感数据的有效特征提取提供了可能。

3 基于人工智能的信息提取方法

针对高分卫星产生的海量高分辨率遥感影像数据，本文提出一种深度学习模型，用以实现高分卫星影像信息智能提取。总体思路如下：

图 1 基于深度学习进行卫星影像信息提取的总体思路

（1）辅助文件准备

将监测区域高分遥感影像、典型区域AOI、典型地类描述文件输入，获取训练样区文件。

（2）规则库建设

将大量的遥感影像样本数据集输入，通过样本提取、模型训练完成模型库自动构建，建立图像的深度学习网络，通过逐层学习得到图像的表达规则，并通过目标标记、目标上下文、场景上下文对深度网络权值进行调整，提高深度网络判别能力，提高信息提取性能。

（3）遥感影像自动处理

规则库深度学习模型建设完成并完成校正后，可通过模型进行遥感影像自动处理并获取地类信息提取结果，该结果可用于地物分类、特定目标识别及变化监测等。

4. 
   

5. 模型输出信息

基于遥感影像自动处理的结果和规则库的对比，形成不同地物分类和目标识别的具体模型，并以此作为同类操作的依据。

深度学习的概念来源于人工智能神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

4 应用成果

本文提出的深度学习模型主要用于对高分卫星影像进行信息提取工作，为验证模型的有效性，已将模型应用于特定对象识别（水体、耕地、居民地、道路、在建道路）、土地利用分类（耕地、林地、草地、水域、工矿用地等）、变化检测（道路变化、在建道路变化、建筑物变化）、目标检测（飞机）等领域。

4.1 基于地物特征的对象识别

以指定区域为基本单位，基于地物空间特征集，研究不同地物的分类方法，对特定对象进行类型识别。采用面向对象分析方法，将分类像素扩展为对象，综合考虑了对象的颜色、纹理及空间特征和光谱特征等影像信息等，能更全面、准确地把握对象的特征，因而得到较高的分类精度。

目前，利用深度学习方法和高分卫星遥感数据进行湖北省水体提取，面积18.59万平方公里，用时约5小时；深圳市水体提取，面积1996平方公里，用时约6分钟；肥东县水产养殖场提取，面积2216平方公里，约12分钟；河南省耕地提取，面积17.70万平方公里，单机用时5-7小时。

4.2 土地利用分类

本文根据土地利用分类标准利用机器学习进行地物分类，包括6大类25小类，类别包括耕地、林地、草地、水域、居民地、道路、裸地等其他。

图 2 分类成果

4.3 变化检测

将不同时间节点的同一地区的影像输入模型，就能够自动获取土地利用/土地覆盖变化的区域。本文主要采用面基元的变化检测采用相似度比较的方法，首先对两时相的数据进行差值，以获得反映两时相差异特征的数据，然后在差值数据上进行分割，以获得面基元。再计算各个相应面基元灰度特征的结构相似度，最终得到相似度图。设置适当的阈值，就可得到变化区域。

4.4 目标检测

本文利用深度学习方法自动、快速、准确地检测飞机对象并提供统计数据。

综合以上应用成果，表明本文采用的深度学习方法强有力的泛化能力保证了检测知识库的推广，基于高分卫星影像的深度学习方法的信息提取成果与标记库之间达到95%的一致性。此方法，节省人力的投入，大大降低了遥感信息应用成本。

5 结论与展望

借助人工智能深度学习自动处理卫星影像，可充分挖掘高分卫星遥感图像中大量的有用信息，增强分类器的能力，有效提高卫星影像自动分类的精度和速度，使高精度动态监测全自动处理成为可能。

未来，随着高时空分辨率的遥感数据获取能力的不断提高，数据量和空间计算复杂性将骤增，基于深度学习的卫星影像信息提取算法需要不断更新与优化，更多地考虑图像的结构、形态、分布等空间特征信息，从而提高数据提取和目标识别的精度与效率。