遥感图像分类方法及研究进展doc

河北农业科学,2009,13(1):143-146JournalofHebeiAgriculturalSciences编辑李布青遥感图像分类方法及研究进展陈姝,居为民(南京大学国际地球系统科学研究所,江苏南京210093)摘要:随着遥感技术的不断发展,仅仅依靠传统的计算机分类方法对遥感影像进行分类,有明显的不足之处。近年来出现了一些新方法,并且越来越广泛的被接受和应用。众多研究表明,将传统的计算机分类方法和新方法加以结合,可以有效减少错分、漏分的情况,使不易识别的地物能够被方便地提取出来,提高了图像分类的精度。关键词:人工神经网络;决策树;特征融合;频谱中图分类号:TP75文献标识码:A文章编号:100821631(2009)0120143204ClassificationMethodsandProgressofRemoteSensingImageCHENShu,JUWeimin(InternationalInstituteofEarthSystemScience,NanjingUniversity,Nanjing210093,China)Abstract:Withthedevelopmentofremotesensingtechnology,therewereobviousshortcomings,whentheremotesensingimagewasclassifiedonlyrelyonthetraditionalclassificationmethodsbycomputerInrecentyears,somenewmethodsappeared,whichweremoreandmoreacceptedandwidelyusedManystudieshadshownthatthetraditionalclassificationmethodsbycomputerwerecombinedwithnewmethods,whichcouldeffectivelyreducewrongandomission,2122111easilyextractthegroundfeatureswhichweredifficulttoidentify,andimprovetheaccuracyofimageclassificationKeywords:Artificialneuralnetworks;Decisiontree;Fusionofmultiscalefeatures;Frequencyspectroscopy1遥感图像的分类2传统分类方法在遥感技术的研究中,通过遥感影像判读识别各种21非监督分类地物是遥感技术发展的1个重要环节。无论是专题信息遥感图像上的同类地物在相同的条件下,一般具有的提取,动态变化的监测,还是专题地图的制作,或是相同或相近的光谱特征,从而表现出某种内在的相似遥感数据库的建立等都离不开遥感图像的分类。图像分性,归属于同一个光谱空间区域。而不同的地物,光谱类的过程,实际上就是将图像中的每个像元点或每一块特征不同,归属于不同的光谱空间区域,这是非监督分区域划分到若干类别中的一类,或若干专题要素中的一类的理论依据。该分类方法主要是通过系统聚类来进行种。分类的结果是将图像空间划分为若干子区域,每个的。聚类就是把一组像素按照相似性分为若干类,目的子区域代表一种实际地物[1]。是使得同一类别的像素之间的距离尽可能小,而不同类遥感影像的计算机分类方法有2种,统计模式方法别的像素之间的距离尽可能大。其算法的核心是初始类和句法模式方法。常见的分类方法一般为统计识别模别参数的确定,以及它的迭代调整问题。主要算法有分式,如最大似然法、K最近判别法等。近年来发展的分()级集群法、ISODATA法迭代自组织数据分析技术类新方法则多采用句法方法,这类方法有人工神经网络和K均值算法等。方法、模糊数学方法、专家系统法和决策树分类法等。根据地物的光谱特征进行分类,受人为因素的影响遥感图像的统计分类又分为2种:非监督分类和监较少,不需要对地面信息有详细的了解,而且算法成督分类。非监督分类是对于遥感图像地物的属性不具有熟,操作简单,所以被广泛应用。在初步分析图像时,先验知识,仅仅依靠不同的光谱数据组合在统计上的差用非监督分类的方法来研究数据的自然集群分布情况是别来进行分类,然后再对已经分出的各类地物的属性进很有价值的。221行确认的过程;监督分类是基于对遥感图像上样本区内22监督分类的地物的类别已有一定的先验知识,即已经知道它所对与非监督分类不同,监督分类最显著的特点是在分应的地物类别,因而可以利用这些样本的类别特征作为类前人们对遥感图像上某些样区中影像地物的类别属性依据,从而判断非样本数据的类别。已有了先验知识,也就是先要从图像中选取所有要区分的各类地物的样本,用于训练分类器(建立判别函数)。一般是在图像中选取具有代表性的区域作为训练收稿日期:200811042区,由训练区得到各个类别的统计数据,进而对整个图作者简介:陈姝(1984-),女,江苏盐城人,硕士在读,主要从像进行分类。主要方法有线性判别法、最大似然法、最事遥感和GIS技术在土地利用变化及其生态效应评价中的小距离法和平行多面体法等。应用研究。·144·河北农业科学2009年监督分类的关键是训练样本和训练场地的选择,其决策树分类方法重点突出了植被的空间分布,尤其选择的质量关系到分类能否取得良好的效果。在选择训是稀疏植被的空间分布,植被和非植被区域可以用阈值练样本时要充分考虑研究区地物的光谱特征和分布区域分开,提高了分类精度。特征并结合大量的野外调查,才能保证所选取的训练样32综合阈值法本具有较好的代表性。同时,训练样本的数目至少能够周兴东等[2]通过对徐州地区各类地物的光谱特征的满足建立分类所用判别函数的要求,以克服各种偶然因综合研究,以及对不同波段的组合分析,归纳出各种地素的影响[2]。物类型信息获取的方法与途径,提出采用综合阈值法进监督分类相对于非监督分类来说,具有一定的优行图像分类处理。经研究表明,该方法能够很好地区分势。但也不可避免的存在误分、漏分的情况。该方法在城镇用地和裸地等不容易区分的地类,有效降低混合象分类前要配合人工目视解译,而且对地物属性的先验知元带来的影响,提高土地利用分类的可靠性和准确性。识有较强的依赖性。陈定贵等[6]选取洪河保护区作为研究区,应用多期3分类新方法研究进展LandsatTM影像,采取基于专家经验的监督分类方法进行群落尺度的分类。另外,归一化植被指数()NDVI无论是监督分类还是非监督分类,都是依据地物的具有识别植被盖度与土壤、水体背景关系能力,以及比光谱特性的点独立原则来进行分类的,且都是采用的统值植被指数()RVI在中、高盖度植被中与面积指数和计方法。该方法只是根据各波段灰度数据的统计特征进叶绿素浓度具有良好相关性,它们也被用来作为分类初行的,加上卫星遥感数据的分辨率的限制,一般图像的检验评价的参考。在此基础上,运用基于GIS规则的分像元很多是混合像元,带有混合光谱信息的特点,致使类改进,主要进行了GIS叠加分析,并通过GIS空间相计算机分类面临着诸多模糊对象[1],不能确定其究竟属邻关系特征设置查询选项,执行对该区域的误分斑块筛于哪一类地物。而且,同物异谱和异物同谱的现象普遍选,取得了较好的分类效果。存在,也会导致误分、漏分,因此人们不断尝试新方法针对监督分类结果中存在的误差,马振刚等[7]以洋来加以改善。河流域为研究区,分别进行了非监督分类和监督分类,新方法主要有决策树分类法、综合阈值法、专家系对水域、植被、城镇与工矿用地的提取分别选择综合阈统分类法、多特征融合法、神经网络分类法以及基于频值法、植被指数法、DEM数据辅助分析法进行了改进。谱特征的分类法等。结果表明,改进后的提取结果较监督分类的结果有很大近年来的研究大多将传统方法与新方法加以结合。的改善。即在非监督分类和监督分类的基础上,运用新方法来改33专家系统分类进,减少错分和漏分情况,不同程度地提高了分类精度。遥感图像解译专家系统是模式识别与人工智能技术1相结合的产物。应用人工智能技术,运用解译专家的经31决策树分类决策树分类器(Decisiontreeclassificationframe)是验和方法,模拟遥感图像目视解译的具体思维过程,进以分层分类的思想作为指导原则的。分层分类的思想是行图像解译。专家系统分类的关键是知识的发现和推理针对各类地物不同的信息特点,将其按照一定的原则进技术的运用。目前在知识发现方面,主要是基于图像的行层层分解。在每一层的分解过程中,研究者可以根据光谱知识、辅助数据和上下文信息等。孙秀邦等[8]认为不同的子区特征及经验知识,选择不同的波段或波段组基于专家系统的土地覆被分类可以以专家的能力去解决合来进行分类[3]。分类过程中的复杂问题,然而在实际应用过程中,知识决策树分类根据影像的不同特征,以树型结构表示的发现和定义往往很难做到与实际情况一一对应。分类或决策集合,产生规则和发现规律。首先利用训练134特征融合空间实体集生成判别函数,其次根据不同取值建立树的仅仅依靠光谱特征或纹理特征或形状特征来进行图分支,在每个分支子集中重复建立下层结点和分支,最像分类,都不能很好地将不同类别的地物目标提取出后形成决策树[3]。该方法具有灵活、直观、清晰、健壮来。因此,多特征融合的方法越来越多地被用于图像分及运算效率高等特点。类。其优势是很明显的:对同一模式所抽取的不同特征刘礼等[4]在综合分析了分层分类和监督分类各自特矢量总是反应模式的不同特性,对它们的优化组合,既点和优势的基础上,将两者相结合,建立了复合分类模保留了参与融合的多特征的有效鉴别信息,又在一定程型,并在SPOT影像上进行试验,证明了该方法比单一度上消除了由于主客观因素带来的冗余信息,对分类识使用监督分类法得到的结果精度要高。王莉雯等[5]使用别无疑具有重要的意义。主要有光谱特征和纹理特征,1km分辨率的MODIS数据,采用决策树分类、监督分光谱特征和形状特征等。1类和非监督分类相结合的综合分类方法,将青海省土地遥感图像的纹理特征与其光谱特征一样,对图像模覆盖类型划分为14个类别。式的识别起着关键作用。在影像中,纹理信息表现为图1第1期陈姝等:遥感图像分类方法及研究进展·145·像灰度在空间上的变化和重复,或图像中反复出现的局能的模拟,建立一种简化的人脑数学模型[12]。它不需()及其排列规则。它代表着地物目要任何关于统计分布的先验知识,不需要预定义分类中部模式纹理单元标分布在波谱空间中的表现形式,这种特征在图像识别各个数据源的先验权值,可以处理不规则的复杂数据,中相互关联、相互补充,在单纯利用光谱特征对地物类且易与辅助信息结合。通过对MODIS数据的分析和研别难以区分或出现混类现象时,纹理特征的引入,便有究,杜灵通[13]认为,与传统分类方法相比,ANN方法可能对它们加以区分。尤其是高分辨率的影像,其纹理一般可获得更高精度的分类结果,特别是对于复杂类型特征包含着丰富的地物信息,是地物识别的主要依据。的土地覆盖分类,该方法显示了其优越性。但某些地物通过提取影像的纹理信息,可以提高用地类型分类的精的光谱数据的集群性较差,使得网络对大多数易区分的度。对纹理特征进行提取的方法有自相关函数法、数学地类识别率高,而对少数不易分的地类识别率低。变换法、灰度共生矩阵法等,在此基础上进行纹理特征36基于频谱的分类方法的辅助分类。由于这种分类是不完全分类,即分类结果传统的光谱分类方法基本上采用的都是统计分类只能表示在某种局部纹理特征制约下的等纹理特征区的法,大多使用均值与方差,只考虑了图像的光谱信息,划分,它达不到实际地物完全分类的目的,所以只能作没有顾及图像的纹理信息,因此分类精度较低。基于频为辅助数据来帮助光谱特征法提高分类精度[1]。谱分析的分类方法是一种结合了地表信息的有效的分类李金莲等[9]以太湖流域安吉地区为试验区,首先采方法。作为描述地物纹理特征的常用方法之一,频谱分用主成分分析对SPOT5影像进