遥感图象分类方法综述

遥感图象分类方法综述

李海洋

(东北林业大学)

[摘　要]　论述了目前在遥感领域常用的遥感图象分类方法及其应用,指出了未来遥感图象分类方法的发展趋势。

[关键词]　遥感图象;分类方法;监督分类;非监督分类

Summarization Of Classification Method Of RS Image

Li H aiyang

(N ortheast F orestry University)

Abstract:This paper states the comm on classification methods of RS image and their application,points out the future development tendency of RS classification method.

K ey w ords:RS image;classification method;supervision classification;unsupervision classification

遥感影像主要通过像元亮度值的差异或其空间梯度变化来表示不同地物间的差异。像元间的亮度差异反映了地物的光谱信息的差异,而空间变化的差异则反映了地物的空间信息,这是遥感影像分类的物理依据。

遥感影像分类是遥感技术应用研究中不可避免的问题之一。在目前的遥感分类应用中,用得较多的是传统的模式识别分类方法,诸如最小距离法、平行六面体法、最大似然法、等混合距离法(IS OMIX)、循环集群法(IS ODA2 T A)等监督非监督分类法。其分类结果由于遥感影像本身的空间分辨率以“及同物异谱”“异物同谱”现象的存在,而往往出现较多的错分、漏分情况,导致分类精度不高。并且随着遥感技术的纵深发展,遥感数据的时间、空间和光谱分辨率不断提高,传统的分类方法(如最大似然法、K-均值法等)已经不能满足分类精度的要求,因此需采用新的分类方法来提高遥感图像分类精度。本文对目前常用的遥感图象分类方法做了简单概述。

1　计算机自动分类

111　非监督分类

所谓“非监督”,是仅凭遥感图像地物的光谱特征的分布规律,随其自然地进行分类。其分类的结果,只是对不同类别达到了区分,但(在联机过程中)并不确定类别的属性:其类属是通过事后对各类的光谱响应曲线进行分析,以及与实地调查时间相比较后确定的。非监督分类中,主要算法有混合距离法(IS OMIX)、循环集群法(IS ODAT A)和合成序列积群方法等。

尽管非监督分类较少受人为因素的影响,不需要对地面有许多实际的了解,但由于“同谱异质“、”同质异谱“以及混合像元等现象的存在,许多专家认为非监督分类的结果不如监督分类令人满意,非监督分类不适用于对山区耕地的精确分类,只适用于图像中的类已知且特别规则和做大概的分类。如Jose.A在进行土地覆盖Π土地利用制图时,先采用非监督分类大体确定类别,然后再进行细致分类[13],而Hegarat2MascleS.Letal在利用多时相的ERS图像和雷达数据识别土地覆盖类型时,则强调了非监督分类的优势[14]。ThomH. C.etal则提出了一种多时相比值数据非监督分类法,并强调了该法不仅简单易行,而且精度高。112　监督分类

监督分类又称训练区分类,它的最基本特点是在分类之前人们通过实地的抽样调查,配合人工目视判读,对遥感图像上某些抽样区中影像地物的类别属性已有了先验的知识,计算机便按照这些已知类别的特征去“训练“判决函数,以此完成对整个图像的分类。经典的监督分类法有最大似然法、平行六面体法、Mahaanobis距离法和最小距离法等。

与非监督分类相比,监督分类有一定的优势,但其所产生的分类结果往往也有较多的错分、漏分情况,导致分类精度降低。因此,在提取土地利用信息时,为了提高监督分类精度,总会在图像分类前或分类过程中采取一些措施。图像分类前采取的措施主要是针对训练区的,因为监督分类的精度与训练区的选择是密切相关的。吴健平和杨星卫两人提出了训练样本纯化的理论和方法,并经试验研究表明,训练样本纯化后,各类型间的发散度、样本像元的概率密度函数、高斯分布的拟合度以及分类结果的精度都得到不同程度的提高。BabanS.M.J.和LukerC.两人通过问卷调查选择训练区,在保证训练区选择无误的基础上,提高了分类精度。有的学者还针对传统的手工训练区提取方法的局限性,提出了训练区自动或半自动提取方法,有的则研究了组成训练集的样本之间的距离对分类精度的影响。基于分类过程中的“同质异谱”、“同谱异质”现象。许多专家提出了改善方法,在对青岛市的数据进行监督分类时,平宗良对“同质异谱”现象使用了分别采样的方法,从而得到了令人满意的结果。潘贤章、曾志远在处理长江三峡地区资源遥感图像时,提出了“同质异谱”问题可采用类型细分的方法来解决。“同谱异质”带来的错分类,可引进地理控制系统对其校正,从而提高成图精度。莫源富、周立新在利用T M数据监测土地利用动态变化时,提出并

・

4

・ 林　业　科　技　情　报 2008V ol140N o11

采用了分区分类方法,认为该法可避免大量混分、错分现象。

除了上述光谱分类算法自身的改进之外,人们还采取一些辅助的处理措施,以设法改善分类效果,如上分析法、辅以纹理特征的光谱特征分类法。此外,人们还致力于研究各种辅助数据在遥感影像计算机分类中的应用。辅助数据的来源较为广泛,除地形图、航片判读草图、土壤图、植被图、地质图等各种图件资料外,还包括有关的地面实测数据和统计资料等,如杨凯和陈军两人着重介绍了配合有太阳入射角数据、辐射校正分类法和按高程分层分类法等三种方法。

2　遥感图像计算机分类新方法

常规的遥感统计分类方法主要是根据地物光谱的反射特征,基于单个像元进行操作,但由于遥感数据一般带有综合光谱信息的特点(即一个像元有时是地面各类地物光谱的总和),致使计算机分类面临着诸多模糊对象,导致精度降低。为此,人们不断研究尝试新的分类方法。

211　多时相、多源遥感数据复合分类方法

充分利用遥感数据多平台、多传感器、多波段、多分辨率、多时相等众多优势,可使各种遥感数据相互补充,提高地物识别率。多源数据复合已被证明是提高遥感分类精度的有效途径,而且它是解决充分利用已有遥感信息资源的有效手段。如Fulleretal制作英国土地利用图时,使用了冬夏两个时相的数据和最大似然法分类,从而提高了分类精度。Curtisk.Munechika等人提出在多光谱数据与高空间分辨率数据融合时若保证光谱辐射的整体性,可提高分类精度。近10年来,对雷达和光学数据多光谱和高空间分辨率数据的融合用于土地利用/土地覆盖的研究逐渐增多,如S AR和MSS图像、S AR和T M图像、T M和SPOT数据、SPOT全色与其多光谱数据的融合等。

212　GIS支持下的遥感分类方法

遥感和GIS的研究对象都是自然界中的空间实体,GIS 作为空间数据处理和分析的有效工具,可为遥感应用提供良好环境,使得遥感图像在GIS支持下可得到较高的分类精度。PaulM.etal研究了在GIS支持下对SPOT分类结果作矩阵叠加分析,以使分类图像与土地利用分区信息结合起来,精度提高到78%。PaulV.Bolstad利用土壤质地、地形等空间专题信息,提高了T M数据的土地利用分类精度。刘行华在利用T M数据进行分类及辅助制图研究时,指出GIS辅助分类,不仅能提高分类精度,而且能提高可靠性。黎夏在他的研究中也提出了利用GIS技术来提取形状信息和改善分类精度的新方法,从而使一些容易混淆的分类得到纠正。

213　人工神经网络分类方法

人工神经网络,是以模拟人体神经系统的结构和功能为基础而建立的一种信息处理系统,是一种人工智能。它的研究已有近35年的历史。目前这种技术在遥感图像分类处理中应用的较为广泛和深入,从单一的BP(Back Propa2 gation,反向传播)网络发展到模糊神经网络、多层感知机、K ohonen自组织特征分类器等多种分类器。除了神经网络自身分类器的改进之外,专家们还研究了神经网络与其它处理技术相结合的方法,以更好地提高分类精度,如章杨清和刘政凯两人在使用神经网络方法的同时,引入分维向量来强化输入模式在纹理特征上的信息表达,使总体识别精度更上一层楼[27];熊桢等人将神经网络技术与分层处理技术相结合提出并设计了分层神经网络分类方法[28]。许多研究实验表明,神经网络在数据处理速度和地物分类精度上均优于最大似然分类法的处理速度和分类精度,容错能力强,对不规则分布的复杂数据具有很强的处理能力,而且它能够促进目视解泽与计算机自动分类的相结合。214　专家系统分类方法

专家系统也是人工智能的一个分支,它是采用人工智能语言如:C、LESP、PRO LOG语言,将某一领域的专家分析方法或经验,对地物的多种属性进行分析、判断,从而确定各地物的归属。匡霞等人对待分类图像首先利用现有的统计分类技术进行预分类,并检测出不确定像元,然后综合光谱、地理、土壤类型、早期判别结果、目视判读经验等各种知识和信息,充分发挥专家系统的推理判断能力,对不确定像元的类别作进一步判别,使得整幅图像的分类精度得到改善。在利用DT M和T M数据进行林区分类时, Andrewk Skidm ore的实验证明由专家系统分类器得到的结果要比常规分类法的精度高。专家系统方法由于总结了某一领域内专家分析方法,可容纳更多信息按某种可信度进行不确定性推理,因而具有较强大的功能。

3　模糊数学分类方法

模糊数学分类方法是一种针对不确定性事物的分析方法,它是以模糊集合论作为基础。Wang在研究遥感图像分类方法时,给出了模糊分类方法的详细步骤,其中主要包括地理信息的模糊集表达、模糊参数的估计和光谱空间的模糊划分等。在运用黄土丘陵区数字地貌模型对影像的分层分类结果进行修正和细化时,张兵引入了模糊数学理论,分别建立起地貌、植被与土地利用之间的从属度关系。尤淑撑等人将模糊分类技术用于多时相的ScanS AR的作物识别中,认为比传统的最大似然分类法有较高的识别精度。使用模糊分类方法,必须首先确定训练样本中像元各类别的隶属度,过程比较麻烦,因而研究不多,也影响了该方法的推广应用。

4　小结

近年来遥感技术不断发展,遥感分辨率已有很大提高,但遥感图像的分类技术远远跟不上遥感技术本身的发展。尽管不同学者从不同角度出发提出了很多分类方法,但没有那一种是普适的高效的。另外遥感在大面积土地覆盖和土地利用的分类方法方面目前还没有重大突破。除传统的统计聚类方法外,分类树的改进以及神经元网络方法的应用在许多小范围的研究中取得了进展,而应用于大面积的工作还要经过一段试验。今后利用这方面的研究成果将很有可能建成运行操作系统并用于土地覆盖及其变化产品的开发。除此之外,随着计算机理论技术的发展,新的分类方法可能将逐步运用到大面积土地覆盖研究中,包括智能计算机方法,专家系统分类以及在传统统计方法基础上发展起来的多元数据采掘分析等新方法。

来稿日期:2007-12-01

责任编辑:于爱民

・

5

・

2008V ol140N o11 林　业　科　技　情　报