[论文解读] An automatic water detection approach based on Dempster-Shafer theory for multi spectral images

Na Li, Arnaud Martin+1 more|arXiv (Cornell University)|Aug 9, 2017

Remote-Sensing Image Classification参考文献 22被引用 3

一句话总结

本文提出一种基于Dempster-Shafer理论的多光谱图像无监督水体检测方法，通过融合基于近红外反射率的光谱模型与有监督学习分类器，实现水体自动识别，同时将模糊特征（如半干河床、阴影、云层和建筑区域）标记为“无知”状态，从而提供关键的不确定性感知输出。该方法检测到7.41%的水体、87.92%的非水体和4.67%的‘无知’区域，适用于后续分类任务。

ABSTRACT

Detection of surface water in natural environment via multi-spectral imagery has been widely utilized in many fields, such land cover identification. However, due to the similarity of the spectra of water bodies, built-up areas, approaches based on high-resolution satellites sometimes confuse these features. A popular direction to detect water is spectral index, often requiring the ground truth to find appropriate thresholds manually. As for traditional machine learning methods, they identify water merely via differences of spectra of various land covers, without taking specific properties of spectral reflection into account. In this paper, we propose an automatic approach to detect water bodies based on Dempster-Shafer theory, combining supervised learning with specific property of water in spectral band in a fully unsupervised context. The benefits of our approach are twofold. On the one hand, it performs well in mapping principle water bodies, including little streams and branches. On the other hand, it labels all objects usually confused with water as `ignorance', including half-dry watery areas, built-up areas and semi-transparent clouds and shadows. `Ignorance' indicates not only limitations of the spectral properties of water and supervised learning itself but insufficiency of information from multi-spectral bands as well, providing valuable information for further land cover classification.

研究动机与目标

• 解决多光谱影像中因水体与建筑区、阴影和云层之间光谱相似性而导致的误分类问题。
• 开发一种全自动、完全无监督的方法，避免光谱指数方法中常见的手动阈值选择问题。
• 利用Dempster-Shafer理论将水体的光谱响应特性与有监督学习结果相融合，实现不确定性感知分类。
• 将模糊或难以区分的特征标记为‘无知’，以反映模型局限性，并指导后续分类优化。

提出的方法

• 应用光谱模型基于强近红外（NIR）吸收特性识别水体，阈值由光谱响应特性推导得出。
• 利用光谱模型输出结果训练有监督学习模型（如SVM或类似方法），以优化水体检测结果。
• 采用Dempster-Shafer理论融合光谱模型与有监督分类器的证据，将二者视为具有折扣系数的依赖源。
• 通过有监督模型的输出作为伪真实标签，计算光谱模型的折扣系数，从而实现不确定性量化。
• 生成三分类输出：‘水体’、‘非水体’和‘无知’——其中‘无知’用于捕捉无法以高置信度分类的特征。
• 融合过程使用信任函数表示对各类别的信念，最终决策基于不确定性下的似然度与信任度度量。

实验结果

研究问题

• RQ1 Dempster-Shafer理论能否在完全无监督环境下有效融合光谱模型与有监督分类器，实现水体检测？
• RQ2 如何形式化表示并管理光谱特征中的模糊性，特别是水体与阴影或建筑区域等相似特征之间的模糊性？
• RQ3 与传统光谱指数相比，该方法在检测小型水体（如溪流）方面提升程度如何？
• RQ4 '无知'类别能否作为模型与数据局限性的有意义指标，以支持后续分类优化？

主要发现

• 该方法成功检测出图像中7.41%的区域为‘水体’，包括传统方法常遗漏的小型和狭窄溪流。
• 87.92%的图像被高置信度分类为‘非水体’，表明水体与非水体之间具有良好的分离性。
• 4.67%的图像被标记为‘无知’，涵盖半干河床、薄云、阴影和建筑区域等光谱特性与水体相似的区域。
• 使用ENVI软件进行人工验证确认，该方法能准确识别主要河流及其支流，同时清晰区分模糊特征。
• '无知'类别有效捕捉了光谱模型与有监督分类器的局限性，以及多光谱数据本身的不足，特别是短波红外（SWIR）波段的缺失。
• 该方法优于传统光谱指数，避免了手动阈值调优，并通过提供不确定性感知输出，支持利用额外数据（如中红外MIR波段）进行后续优化。