[论文解读] Land Use and Land Cover Classification using a Human Group based Particle Swarm Optimization Algorithm with a LSTM classifier on hybrid-pre-processing Remote Sensing Images

T. Kowsalya, Maheswari, K. Uma+3 more|arXiv (Cornell University)|Aug 4, 2020

Remote-Sensing Image Classification参考文献 52被引用 9

一句话总结

本文提出了一种新颖的混合特征优化与深度学习框架，用于利用遥感图像进行土地利用和土地覆盖（LULC）分类。该框架将局部Gabor二值模式、HOG和Haralick特征与基于人类群体的粒子群优化（HG-PSO）相结合进行特征选择，随后采用LSTM分类器，相较于GoogleNet和VGG等模型，准确率提升了2.56%。

ABSTRACT

Land use and land cover (LULC) classification using remote sensing imagery plays a vital role in many environment modeling and land use inventories. In this study, a hybrid feature optimization algorithm along with a deep learning classifier is proposed to improve the performance of LULC classification, helping to predict wildlife habitat, deteriorating environmental quality, haphazard, etc. LULC classification is assessed using Sat 4, Sat 6 and Eurosat datasets. After the selection of remote sensing images, normalization and histogram equalization methods are used to improve the quality of the images. Then, a hybrid optimization is accomplished by using the Local Gabor Binary Pattern Histogram Sequence (LGBPHS), the Histogram of Oriented Gradient (HOG) and Haralick texture features, for the feature extraction from the selected images. The benefits of this hybrid optimization are a high discriminative power and invariance to color and grayscale images. Next, a Human Group based Particle Swarm Optimization (PSO) algorithm is applied to select the optimal features, whose benefits are fast convergence rate and easy to implement. After selecting the optimal feature values, a Long Short Term Memory (LSTM) network is utilized to classify the LULC classes. Experimental results showed that the Human Group based PSO algorithm with a LSTM classifier effectively well differentiates the land use and land cover classes in terms of classification accuracy, recall and precision. An improvement of 2.56% in accuracy is achieved compared to the existing models GoogleNet, VGG, AlexNet, ConvNet, when the proposed method is applied.

研究动机与目标

• 提升遥感影像中土地利用和土地覆盖分类的准确性，以支持环境监测与栖息地评估。
• 通过一种有效的混合特征优化策略，解决高维、噪声大且冗余的遥感特征带来的挑战。
• 通过结合多种基于纹理和梯度的特征与先进的元启发式优化技术，提升分类性能。
• 利用长短期记忆（LSTM）网络的序列建模能力，提升对空间与光谱复杂土地覆盖类别的分类效果。
• 在基准数据集（Sat 4、Sat 6、Eurosat）上验证所提方法，并证明其优于现有深度学习模型。

提出的方法

• 通过归一化和直方图均衡化对遥感图像进行预处理，以提升图像质量和对比度。
• 利用局部Gabor二值模式直方图序列（LGBPHS）、方向梯度直方图（HOG）和Haralick纹理特征提取多尺度纹理与梯度特征。
• 应用基于人类群体的粒子群优化（HG-PSO）算法，选择最具判别性的特征子集，利用其快速收敛与鲁棒性优势。
• 将所选最优特征输入长短期记忆（LSTM）网络，实现土地利用与土地覆盖类别的端到端分类。
• 采用混合特征表示方法，结合颜色不变与强度不变特征，提升在多样化图像条件下的泛化能力。
• 通过建模搜索空间为受人类决策动态启发的社会群体行为，优化特征选择过程。

实验结果

研究问题

• RQ1 结合LGBPHS、HOG与Haralick特征的混合特征提取策略，能否提升LULC分类的判别能力？
• RQ2 基于人类群体的粒子群优化（HG-PSO）算法在收敛速度与分类准确率方面，是否优于传统特征选择方法？
• RQ3 将LSTM分类器与优化后的特征结合，相较于标准CNN模型，在复杂土地覆盖类型分类中的性能提升程度如何？
• RQ4 所提框架在标准遥感数据集上与SOTA模型（如GoogleNet、VGG、AlexNet与ConvNet）相比，性能表现如何？
• RQ5 图像预处理技术（归一化与直方图均衡化）对所提流程整体分类准确率的影响是什么？

主要发现

• 所提方法在Sat 4、Sat 6与Eurosat数据集上，相较于GoogleNet、VGG、AlexNet与ConvNet，分类准确率提升了2.56%。
• 基于人类群体的PSO算法表现出快速收敛特性，并能有效选择最优特征子集，减少冗余并增强判别能力。
• LGBPHS、HOG与Haralick特征的融合显著增强了对颜色与灰度变化的鲁棒性，提升了在多样化图像条件下的稳定性。
• LSTM分类器有效捕捉了特征序列中的空间与上下文依赖关系，从而在复杂土地覆盖类别的分类中实现了更高的召回率与精确率。
• 通过归一化与直方图均衡化进行图像预处理显著提升了输入质量，进而促进了更优的特征提取与分类结果。
• 混合预处理与优化的流水线在所有三个基准数据集上均实现了稳定的性能提升，验证了其良好的泛化能力。