CBR方法在高分辨率遥感影像分类中的应用.doc

CBR方法在高分辨率遥感影像分类中的应用 王珊珊，季民，高洁，焦其松 （ ，山东 青岛 266510） 摘 要：基于案例推理CBR方法，是用案例来表达知识并把问题求解和学习相融合目前卫星遥感数据空间分辨率的不断提高成为卫星遥感技术发展和应用的一大特点。高分辨率遥感影像与中、低分辨率影像相比具有丰富的空间信息，地物的几何结构、纹理信息更加明显，更便于认知地物的属性特征，但通常包含的波段数较少，光谱特征不如空间特征丰富，这就对高分辨率遥感影像的处理和信息提取提出了新的要求。遥感影像的分类是将遥感影像中的每个像元划归到相应的类别中去的过程[1]。近些年来，越来越多的人开始关注高分辨率遥感影像的分类技术，虽然已取得了一些突破，但该领域仍存在特征因子单一，分类方法单一，噪声影响较大等诸多问题。本文初步探讨了利用案例推理方法对高分辨率遥感影像进行分类的理论基础，同时通过相关实验对其进行了验证和分析。 一、基于案例推理（CBR） 基于案例推理CBR) 技术最先是由美国耶鲁大学Roger Schank教授在论著《Dynamic Memory》中提出的CBR是一种基于经验知识进行推理的人工智能技术，是用案例来表达知识并把问题求解和学习相融合的一种推理方法，它强调人在解决新问题时，常常回忆起过去积累下来的类似情况的处理，并通过适当修改过去类似情况处理的方法来解决新问题。推广到机械CAD、企业管理、并得到了成功的应用。CBR方法解决问题的基础，关系到推理过程的效率和推理结果的质量。当前国内外主要的案例表达模型有4种：传统表达模型、结构化表达模型 、层次表达模型、基于Tesseral码的表达模型[3]。其中传统表达模型基于案例的特征值及其权重，适于解决分类问题，即特征1、特征2、……特征n对应于特定的分类。其中，特征的选择根据所研究的具体问题而定。 1.2案例推理的一般过程 CBR把当前所面临的问题或情况定义为目标案例，而把记忆中的问题或情况称为源案例。案例推理的过程就是由目标案例的提示获取记忆中的源案例并由源案例来指导目标案例求解的一种策略[4]。 一个完整的案例推理就是一个循环过程，其中包括4个阶段，被人们归结为4R，即抽取（Retrieve）、重用（Reuse）、修正（Revise）和保存（Retain）[5]。其一般过程如图1所示： 图1 CBR的一般过程1）抽取：根据目标案例的有关信息，按一定的相似度算法进行计算，从案例库中找到与之最相似的源案例集 2）重用：从检索到的源案例集中获得目标案例的求解方法，如果有源案例完全符合条件则直接应用于目标案例的求解，否则将其按照需求修改后再加以应用，于是得到初始的解决方案。 3）修正：将初始方案应用到现实世界中，检验该方案正确与否，并根据方案有效性对其进行修正，得到目标案例的最终方案。 4）保存：将带有最终方案的案例及其解释根据其在案例库中的地位按照一定原则存入到案例库中，以备以后案例推理的应用。 CBR是一种类比推理方法，其核心是利用经验解决问题[6]，与人对自然问题的求解习惯相一致。该方法既不受知识获取瓶颈的局限，又可以通过学习不断地增强,具有信息表达完全、增量式学习、形象思维的准确模拟，知识获取较为容易、求解效率和质量高等优点。 基于案例推理的问题求解方法比较适用于没有很强理论模型、知识不明确而同时又具有丰富经验的决策领域。从发展的角度来看，我们所面临问题的状态处于不断变化中，这些事物的客观规律和结构也不可能一成不变，而相应的知识调整在速度和内容上都不可能完全反映深层的因果机制。这也就是CBR方法能够有效地解决许多问题的关键。 利用CBR方法解决问题时，所要满足的前提条件是：相同或相似的现象可以导致相似结果的产生，而相似的现象可以重复出现。这就需要我们在应用过程中要考虑案例的规律性、典型性、相容性。 二、利用CBR方法进行高分遥感影像分类 遥感影像分类的基础是认为同类地物在遥感影像中具有相同或相似的光谱特征或空间特征，而不同类地物具有不同的光谱特征或空间特征，这恰恰符合CBR方法的假设前提条件。在我国，黎夏等研究人员利用该方法对遥感图像分类进行了一定程度的研究[7][8]。基于以上理论基础，作者利用CBR方法对山东科技大学及周边地区的QuickBird遥感影像开展了分类实验。 2.1面向对象分类技术 QuickBird遥感影像属于高分辨率遥感影像，对于该影像的分类应注意多种分类方法的融合，单单利用CBR方法尚不能取得满意结果。因此在实验中，作者将该方法与面向对象分类技术相结合，对遥感影像进行分类。 面向对象的信息提取技术是一种基于目标的信息提取方法。该方法在分类时，一方面依靠地物的光谱信息特征，另一方面在地物光谱信息比较接近时，更多地是利用其几何信息（形状、大小）、结构信息（如纹理