摄影测量与深度学习之间会产生怎样的”火花“

发布日期：2019-07-04 00:00 浏览量：10595

摄影测量学的诞生与深度学习的起源

摄影测量学是一门“利用光学像片研究被摄物体的形状、位置、大小、特性及相互位置关系”的学科。摄影测量诞生于19世纪早期。1838年，物理学家惠斯顿发明了实体镜，第一次发现和定义了立体视觉。1839年，法国画家达盖尔发明了银版摄影法，并制作了世界上第一台真正的照相机。在此基础上，法国测量学家Fourcade首先发现了用立体照片可重建立体视觉，从而促成了摄影测量学的诞生。摄影测量的第一个也是最重要的分支是航空摄影测量。

深度学习起源于２０世纪中叶的人工智能。人工智能的两个主要流派分别是符号主义（symbolism）和联结主义（connectionism）。其中，符号主义者在1956年首次提出“人工智能”的概念，并统治了该领域近半个世纪；基于统计学习的思想被广泛应用于机器学习、计算机视觉，以及摄影测量与遥感。

摄影测量与深度学习及计算机视觉的联系

深度学习的最重要应用是在视觉图像上，如手写字体识别、自然图像分类和检索等。而摄影测量的研究对象就是视觉图像，因此深度学习的成功和蓬勃发展，使得摄影测量也成为最受益的学科之一。

在语义上，摄影测量中的研究内容就是采用智能方法为各行业提供专题图。摄影测量的应用特性使得它并不关心诸如特征描述、上下文关系等中间结果。这种端到端的模式（end-to-end ）特别适用深度学习方法。目前，深度学习已经被广泛用于遥感图像的分类、识别、检索和提取。与在几何方面的欠佳表现不同，在语义上基本全面碾压了传统的方法。

1982年，Marr发表《视觉：从计算的视角研究人的视觉信息表达与处理》，是计算机视觉的开山之作。计算机视觉的最初研究：用计算机代替人眼，从图片中重建3D世界。与摄影测量在几何方面具有很高的重叠度。20世纪90年代，在语义方面计算机视觉开始蓬勃开展。其中运用了大量的机器学习知识。有学者分析指出机器学习与计算机视觉重叠度约在60％～70％，因此是非常紧密的两门学科。

随着深度学习成为机器学习的主流，深度学习在计算机视觉中得到广泛应用。将深度学习引入到摄影测量中，特别是提高摄影测量后期语义处理的智能水平，是科学研究发展的必然途径。

深度学习在摄影测量语义方面的应用

深度学习在遥感图像语义提取方面的应用刚刚起步并逐渐普及。以下将从各类地物语义专题图出发，回顾深度学习的具体应用。

遥感图像建筑、道路网等地物的提取一直是数十年来的热门课题。虽然经典方法取得一定的效果，但距离实用、市场、商业软件尚有一定的距离。ＣＮＮ目前正成为道路网提取的主流方法。通过级联式端到端ＣＮＮ同时实现了道路网提取及道路中心线提取，与其他方法比较，达到了更高的分类精度。通过ＣＮＮ结合线积分卷积克服了树木遮蔽、房屋阴影所造成的道路网残缺问题。通过非监督学习预处理和空间相关性的应用，利用深度学习极大地提高了复杂城市场景的道路提取精度。均为使用深度学习的方法进行道路提取并取得了良好的效果。

建筑物、农作物、水体等专题的提取相对道路而言较少，但预期会有许多相关文献近期发表。采用ＣＮＮ实现高分辨率多光谱卫星影像的建筑物提取。

首先采用AlexNet提取特征，最后的全连接层用于训练SVM分类器并采用MRF模型精化。作物精细分类是摄影测量与遥感在农业中的重要应用。在影像平面上进行2D卷积，在光谱方向上进行1D卷积，分别提取出影像空间特征和光谱特征，取得了比随机森林和全连接MLP更好的作物分类精度。

为了从本质上解决该问题，需要考虑两点。

第一点是恰当的迁移学习方法。目前ImageNet等庞大的数据库来自大众摄影图像，并不包括鸟瞰航摄图像和卫星遥感图像。照片的标注诸如人、大象或椅子；遥感图像中的标注诸如耕地、建筑、森林等。若直接将这些数据库训练得到的模型，用来进行遥感图像直接分类，就要考虑迁移学习。迁移学习是将Ａ数据集中训练好的模型，应用在Ｂ数据集上。Ａ与Ｂ可能是同源的，也可能存在巨大差异。这就要进一步发掘完善的迁移学习机制。

第二点是建立针对遥感图像的开源的、完备的标签数据库。涵盖足够多的地物类别，每个类别包括足够多的样本。这样的数据库是摄影测量与遥感走向“自动化专题制图”的必经之路。然而，实现难度要比千万图像级别的ImageNet更大。首先，由于远距成像的特性，图像受到更多电磁辐射传输的影响。经过大气传播的电磁辐射与地物间的相互作用机理更加复杂，同一标签的样本往往呈现明显的差异。这种差异不但对样本的选取造成不便，而且对深度学习模型的可区分性提出更大的挑战。

第二，众包模式并不能完全起作用。普通人可能很好地辨认出的区别，因此通过互联网众包能够快速构建一个巨大的标注数据库；但是，小麦和水稻在遥感图像上的差异，则需要专业人员的目视判读。若影像分辨率较低，甚至可能需要实地调查。

第三，摄影测量与遥感界的科研模式尚需向开源发展。目前，遥感学界已经开始走向开源模式，希望由公司、政府或科研机构能够在短期内建立的针对遥感图像分类的标签数据库，并实现完全开源。有了足够的数据标签库或恰当的迁移学习方法，并借助深度学习的泛化能力，可以预期未来摄影测量与遥感专题制图的精度将比传统的特征分类方法得到明显的改进。

文章来源于网络，由飞燕遥感www.feiyantech.com编辑。登载此文出于传递更多信息之目的，版权归原作者及刊载媒体所有，如本文中图片或文字侵犯您的权益，请联系我们。