光學遙感影像中的對象檢測方法

1.導讀

光學遙感影像中的對象檢測是航空和衛星圖像分析領域的一個基本而又具有挑戰性的問題。它是遙感領域的一大研究熱點，對於多個領域的研究起著重要的作用，其理論與方法也為基於DEM的地形信息提取提供了參考。遙感影像中的對象檢測具體有哪些方法？各種方法有哪些具體步驟？程塨副研究員*對通用對象檢測的文獻進行了深入的研究，他將270篇文獻的方法分為了四類，通過整理提煉，構建了一個系統、有效的對象檢測方法框架。

2.背景

光學遙感影像中的對象檢測是分析給定的航空或衛星影像中是否包含一個或多個對象，並標定出圖像中每個預測對象的位置，對環境監測，地質災害檢測，土地利用和土地覆蓋（LULC）製圖，地理信息系統（GIS）更新、精準農業和城市規劃等領域起著重要的作用。但遙感影像中的對象檢測往往面臨著不斷增加的挑戰，包括視點變化，遮擋，背景雜波，照明，陰影等引起的物體視覺外觀的巨大變化，遙感影像在數量和質量上的爆炸性增長等。目前，雖然在這方面已有大量的研究，但仍然缺乏對現有的通用對象檢測的理論與方法的深入研究。

3.內容概述

文章對光學遙感影像中的通用對象檢測方法進行了研究，將對象檢測方法分為了四類，介紹了五種公開可用的數據集，還討論了當前研究中存在的問題和挑戰，並為今後的研究提出了兩個有希望的研究方向，以構建更加系統、有效的對象檢測框架。

3.1 對象檢測方法

圖1顯示了地理空間對象檢測研究的分類，利用遙感影像進行對象檢測的方法可以分為四大類：基於模板匹配的方法，基於先驗知識的方法，基於面向對象影像分析（OBIA）的方法和基於機器學習的方法。

圖1 光學遙感影像中對象檢測方法的分類

基於模板匹配的對象檢測框架主要有兩個步驟：模板生成和相似性度量。最常見的相似性度量是像素灰度差的絕對值和(SAD)、像素灰度差平方和(SSD)、歸一化互相關(NCC)和歐氏距離(ED)。根據用戶選擇的模板類型，基於模板匹配的對象檢測方法還可進一步分為剛性模板匹配（Rigid template matching）和可變形模板匹配（Deformable template matching）兩類。基於先驗知識的對象檢測方法通常通過建立各種知識和規則將對象檢測問題轉化為假設檢驗問題，再進行後處理 (Post-processing)，最終得到檢測結果。對於目標對象的兩種最廣泛使用的先驗知識是幾何知識和背景知識。基於OBIA的對象檢測方法包括兩個步驟：圖像分割和對象分類。首先根據選擇的尺度、形狀和緊湊性標準 (Compactness criteria)，將圖像分割成具有相對均勻像素組的對象。第二步，對這些對象進行分類。在基於機器學習的方法中，特徵提取，特徵融合和降維、分類器訓練是最為關鍵的三個步驟，在對象檢測中起著最重要的作用。特徵提取中主要研究五類典型特徵，包括梯度方向直方圖（HOG）特徵、詞袋（BoW）特徵、紋理特徵、稀疏表示（SR-based）特徵和Haar-like特徵，分類器訓練主要包括對支持向量機（SVM）、AdaBoost、最近鄰演算法（NN）、條件隨機場（CRF）、基於稀疏表示的分類（SRC）和人工神經網路（ANN）6種機器學習演算法。

3.2 五個公開可用的數據集

1)NWPU VHR-10 dataset：10級地理空間物體檢測數據集，可用於單類和多類物體檢測。

2)SZTAKI-INRIA building detection dataset：用於基準建築物提取演算法，包含了665個建築物的矩形輪廓，以及手動標註的地面實況數據。

3)TAS aerial car detection dataset：包含1319個手動標記的汽車。

4)Overhead imagery research dataset (OIRDS) ：為車輛檢測演算法設計的數據集，是一個大約900張航拍圖像的大集合。

5)IITM road extraction dataset：該數據集由200幅多幅衛星圖像組成，其中100幅圖像為發達國家，100幅圖像為新興國家，基於視覺觀測和地理定位，被分為四類，每類50個圖像。

3.3 未來的研究方向

3.3.1基於深度學習的特徵表示

一方面，可以通過深層次的神經網路以自動化方式直接從數據中提取深度學習特徵；另一方面，與用於特徵表示（如稀疏編碼）的傳統淺層學習技術相比，神經網路的深層架構可以提取更強大的特徵表示。

3.3.2基於弱監督學習的地理空間對象檢測

目前，基於監督學習的對象檢測方法需要大量的訓練樣本和精確的手動標註來訓練有效的檢測器，弱監督學習（WSL）可以大大減少人為手動標註的工作量，其訓練集只需要二進位標籤來指示圖像是否包含目標對象。

4.總結

在過去的幾十年中，專家與學者們已經做出了相當大的努力來檢測不同類型物體。 在這篇論文中，作者帶領我們回顧了該領域的發展和最新進展，將這些方法大致分為四類，分別進行了詳盡的闡述，並總結了五個公開可用的數據集。 此外，還討論了當前研究所面臨的挑戰，並提出了兩個未來的研究方向。基於DEM的信息提取是數字地形分析中的一個重要研究方向，本文闡述的理論與方法對在DEM中進行信息提取也有非常重要的意義。

參考文獻

[1]Cheng, G., Han, J., 2016. A survey on object detection in optical remote sensing images. ISPRS J. Photogramm. Remote Sens. 117, 11-28.

[2]*程塨副研究員致力於計算機視覺、模式識別、深度學習、遙感圖像處理與分析等方面的研究，發表國際期刊論文和國際會議論文30餘篇，其中：SCI收錄20餘篇，ESI高被引論文9篇，ESI熱點論文5篇。本期文獻發表於ISPRS Journal of Photogrammetry and Remote Sensing期刊

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！