基于最大似然法的遥感图像分类技术研究
遥感图像分类技术研究
遥感图像分类技术研究一、遥感图像分类的基本概念及背景遥感图像分类是指利用计算机方法将遥感图像进行自动分类，将像元或像素点归类为不同的地物或地物类型。
遥感图像是指通过遥感传感器获取的地球表面信息的图像，主要包括航空遥感、卫星遥感等。
遥感图像分类技术可以广泛应用于国土资源调查、环境遥感监测、农业与林业等许多领域。
二、遥感图像分类技术因素1. 数据预处理数据预处理是遥感图像分类技术中非常重要的一步，主要是对遥感图像进行初步去噪、辐射校正等操作，以提高其质量和可用性。
常用的预处理方法包括滤波、辐射定标、大气校正等。
2. 特征提取遥感图像的特征提取是将遥感图像中的自然结构转换为计算机可识别的数字特征向量的过程。
常用的特征提取方法包括基于纹理的方法、基于谱特征的方法以及形状特征提取方法等。
3. 分类算法常见的遥感图像分类算法包括最大似然法、支持向量机、神经网络等。
其中，最大似然法和支持向量机算法是应用最广泛的两种算法，具有较高的分类准确性和泛化性能。
三、常见的遥感图像分类方法1. 基于纹理分析的方法纹理是指由几何形状、大小、密度、亮度等因素共同作用形成的某种规则的表现形式。
其基本特点是在局部区域内具有规则和可重复性。
利用遥感图像的纹理数据，可以利用基于灰度共生矩阵、滤波器和小波等方法进行纹理分析。
基于纹理分析的方法适用于研究土地利用类型、森林类型等需要区分细致的地物类型。
2. 基于谱信息的方法基于谱信息的遥感图像分类方法利用遥感图像数据的光谱特征进行分类。
这种方法主要基于多光谱数据分类和高光谱数据分类。
多光谱数据是指每个像元采集了数个波段的数据，而高光谱数据则包含了更多的波段数据。
采用基于谱信息的方法可以对土地覆盖类型、植被类型等大尺度空间范围的遥感图像进行分类。
3. 基于空间信息的方法基于空间信息的遥感图像分类方法是指利用遥感图像像素的空间位置信息，结合图像的特征提取和分类方法进行分析。
这种方法主要通过分析像素到邻域像素之间的距离、方向和大小等因素来提取空间信息。
遥感ENVI实验报告
遥感ENVI实验报告一、实验目的本实验的目的是学习和掌握ENVI（Environment for Visualizing Images）软件在遥感图像处理方面的应用。
通过本次实验，我们将了解遥感图像的基本概念和原理，并学习使用ENVI软件进行图像预处理、分类和地物提取。
二、实验要求1.学习ENVI软件的基本操作和功能；2.能够对遥感图像进行预处理，如辐射校正和大气校正；3.能够对遥感图像进行分类，如最大似然分类和支持向量机分类；4.能够进行地物提取，如植被指数计算和特征提取。
三、实验步骤和结果1.图像预处理首先，我们导入了一幅Landsat 8卫星遥感图像，并进行了辐射校正和大气校正。
辐射校正是将图像中的DN（数字化值）转换为辐射度值，以便进行后续的大气校正和分类。
大气校正是根据大气传输模型对图像进行校正，以消除大气影响。
经过预处理后，我们得到了一幅处理后的图像。
2.图像分类接下来，我们使用ENVI软件进行了图像分类。
我们采用了最大似然分类和支持向量机分类两种方法进行分类。
最大似然分类是一种统计分类方法，通过最大化每类像素的似然度来划分不同类别，得到分类结果。
支持向量机分类是一种基于机器学习的分类方法，通过训练样本来构建分类模型，并用于对图像中的未分类像素进行分类。
3.地物提取最后，我们对图像进行了地物提取。
我们计算了该图像的植被指数，并使用阈值法将植被像素提取出来。
植被指数是通过计算不同波段之间的光谱差异来反映植被覆盖程度的指标。
我们还对植被像素进行了形状和纹理特征的提取，以获取更具有区分度的特征。
实验结果显示，经过图像预处理和分类，我们得到了一幅分类结果图。
通过该图像，我们可以清楚地看到不同地物类别的分布情况。
同时，通过地物提取，我们成功提取出了图像中的植被像素，并获得了植被的形状和纹理特征。
四、实验总结通过本次实验，我们学习和掌握了ENVI软件在遥感图像处理方面的应用。
我们了解了遥感图像的基本概念和原理，并学会了使用ENVI软件进行图像预处理、分类和地物提取。
遥感图像处理与分析算法综述
遥感图像处理与分析算法综述随着遥感技术的发展，遥感图像处理与分析算法在各个领域中得到了广泛的应用。
遥感图像处理与分析算法是指通过对遥感图像进行数字处理和分析，来提取和解释图像中的信息。
本文将综述一些常见的遥感图像处理与分析算法，包括图像增强、分类与分割等。
一、图像增强图像增强是指通过一系列的操作，提高图像的质量和可视化效果。
常见的图像增强算法包括直方图均衡化、滤波和增强函数等。
直方图均衡化是一种常用的图像增强方法，它通过对图像的直方图进行变换，来增加图像的对比度。
该方法通过将图像的像素值映射到一个新的分布上，从而改变图像的亮度分布。
滤波是另一种常见的图像增强方法，通过在图像的空域或频域中对像素进行处理，来减少噪声和增强图像细节。
常见的滤波算法包括高通滤波和低通滤波等。
高通滤波可以增强图像的边缘和细节，而低通滤波则能够平滑图像并去除噪声。
增强函数是一种通过对图像的像素值进行非线性映射，来增强图像的方法。
常见的增强函数包括对数变换、幂次变换和伽马变换等。
对数变换可以扩展暗部像素的动态范围，而幂次变换则能够增强图像的对比度。
二、分类与分割分类与分割是遥感图像处理与分析的重要内容，它们能够将图像中的不同对象进行区分和提取。
常见的分类与分割算法包括聚类分析、最大似然分类和支持向量机等。
聚类分析是一种通过将像素划分到不同的类别中，来实现图像分类和分割的方法。
常见的聚类分析算法包括K均值聚类和自适应聚类等。
K均值聚类将图像像素划分为K个簇，每个簇代表一个类别，而自适应聚类则能够根据像素的分布进行不同权重的划分。
最大似然分类是一种基于概率统计的图像分类方法，它通过计算像素在每个类别中的概率，并选择概率最大的类别作为最终的分类结果。
最大似然分类算法能够准确地对图像中的不同对象进行分类，并且具有较强的鲁棒性。
支持向量机是一种通过构建一个最优决策边界，来实现图像分类和分割的方法。
支持向量机利用训练样本，通过最大化分类边界与样本之间的距离，来找到一个最优的分类超平面。
遥感图像分类方法及应用示例
遥感图像分类方法及应用示例遥感技术是通过卫星、飞机等远距离传感器获取地表信息的一种技术手段。
遥感图像分类是遥感技术中的一项重要任务，它可以将遥感图像中的像素按照其特征进行分类，并生成分类结果。
本文将介绍遥感图像分类的方法，并给出一些应用示例。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点看作一个样本进行分类，通过像素点的光谱特征来确定其所属类别。
常见的方法有最大似然法、支持向量机等。
最大似然法是一种基于统计学原理的分类方法，它通过求解样本的概率密度函数来确定像素点的类别。
支持向量机是一种基于样本间距离的分类方法，它通过构建超平面将不同类别的样本分开。
2. 基于对象的分类方法基于对象的分类方法是将遥感图像中的像素组成的对象进行分类，通过对象的形状、纹理等特征来确定其所属类别。
常见的方法有基于区域的分割和基于对象的分类。
基于区域的分割将遥感图像中的像素按照相似性进行分组，形成具有相同特征的区域。
基于对象的分类是在分割得到的区域基础上，通过提取区域的特征来确定其所属类别。
3. 基于深度学习的分类方法随着深度学习技术的发展，基于深度学习的分类方法在遥感图像分类中得到了广泛应用。
深度学习通过构建深层神经网络模型，可以自动学习遥感图像中的特征表示。
常见的方法有卷积神经网络（CNN）、循环神经网络（RNN）等。
卷积神经网络可以有效地提取图像的空间特征，循环神经网络可以捕捉图像序列的时序特征。
二、遥感图像分类的应用示例1. 农作物类型分类农作物类型分类是农业生产中的重要任务，可以帮助农民了解农田的分布情况和种植结构，指导农作物管理和精细化农业。
通过遥感图像分类方法，可以将农田遥感图像中的不同农作物进行分类，比如小麦、玉米、水稻等。
这样可以帮助农民进行农作物识别和农田监测，提高农业效益。
2. 土地利用分类土地利用分类是城市规划和土地资源管理中的重要任务，可以帮助决策者了解土地利用的分布情况和变化趋势，指导城市规划和土地资源开发。
遥感影像监督分类
４ 结束语
编制好上述计算程序（ 表格） ， 不同的测设曲 线对象， 仅需更改相应的已知参数即可； 若增加放 样点， 则只需在相应的位置内插行， 再复制相应的 公式即可完成计算。总之， 在测量计算中使用 ＥＸＣＥＬ 软件， 我们会发现它具有编程简便， 计算 过程直观， 计算结果表格化等优点， 加之该软件普 及程度高， 具有非常大的应用和开发潜力。
国 人 民 大 学 出 版 社 ，２００６．
最大似然分类是图像处理中最常用的一种 监督分类方法， 它利用了遥感数据的统计特征， 假定各类的分布函数为正态分布， 在多变量空间 中形成椭圆或椭球分布， 按正态分布规律用最大 似然判别规则进行判决， 得到较高准确率的分类 结果。
２ 监督分类方法
监督分类是自顶向下的知识驱动法， 先进行 训练再进行分类， 即先学习再分类法。最大似然 估计分类法是一种基于概率判别函数和贝叶斯 判别规则， 在这种方法中首先要正确地选择训练 样区， 当建立好训练样区后， 通过对训练样本进 行统计， 得到各个类别样本的统计参数， 有了这 些参数也就是确定了各个类别的概率密度函数， 然后根据先验知识和实地（ 或历史） 统计资料， 确 定各个类别的先验概率， 最后就可以按照贝叶斯 判别准则进行分类。在用最大似然分类方法分类 的过程中， 由于统计参数是由训练样本得来的， 因此训练样区的选择好坏极大地影响了分类的 精确度。
参考文献： ［１］ 史 宗 海 等．ＥＸＣＥＬ２００２ 从 入 门 到 精 通［Ｍ］．北 京 ： 电 子 工
业 出 版 社 ，２００２． ［２］ 李清岳等．工程测量学［Ｍ］．北京：测绘出版社，１９９５． ［３］ 龚乐群等．ＣＡＳＳ 软件在工程测 量 中 的 使 用［Ｊ］．测 绘 与 空
间 地 理 信 息 ．２００６，（６）． ［４］ 朱世武译．基于 Ｅｘｃｅｌ 和 ＶＢＡ 的 高 级 金 融 建 模．北 京：中
遥感影像处理技术的研究与应用
遥感影像处理技术的研究与应用随着技术的不断发展，遥感影像处理技术在许多领域中得到了广泛应用。
遥感是利用卫星、飞机等远距离传感器和图像处理技术，获取地球表面及其大气圈上的物理、化学和生态信息，以获得关于地球自然地理、人文地理、社会经济等多方面信息的科学技术。
本文将就遥感影像处理技术的研究与应用进行探讨。
一、遥感影像处理技术的研究遥感影像处理技术是将遥感图像数字化、处理、分析和应用的技术，是遥感技术的重要组成部分。
目前，遥感影像处理技术主要包括以下几个方面：1. 遥感数据的获取与处理遥感技术是通过遥感卫星或飞机等探测器获取遥感数据，然后在计算机中对数据进行处理。
数据的处理包括数据的几何纠正、大气校正、检验、拼接、归一化等，以获得质量更高、更准确的数据。
2. 遥感图像分类将遥感图像进行分类，即将不同区域的像元分为不同的类别，是遥感图像处理的重要步骤。
遥感图像分类的方法有许多，如最大似然分类、支持向量机分类、神经网络分类、回归分类等。
3. 遥感变化检测遥感变化检测是通过对不同时间的遥感图像进行比较和分析，以确定不同时间点的地形、土地利用和覆盖状况等发生的变化。
这种技术在城市规划、资源管理、环境保护和自然灾害监测等领域中得到广泛应用。
4. 遥感摄影测量遥感摄影测量是遥感技术的一项重要应用。
它通过对遥感图像中的特征点进行测量和定位，以获得遥感图像中各种地物的几何信息。
这项技术在测绘、城市规划、交通运输等领域中也得到了广泛应用。
二、遥感影像处理技术的应用遥感影像处理技术在许多领域中都得到了广泛应用。
以下是几个应用领域的介绍：1. 土地利用和土地覆盖监测通过对遥感图像进行分类和遥感变化检测，可以了解土地利用和土地覆盖的变化情况，可用于城市规划、生态环境保护等领域。
2. 农业生产智能化利用遥感图像进行快速调查、实地查勘和农田分类，可以实现农业的精准管理和农业智能化的实现。
例如，可以在种植季节内，通过对农田遥感图像的监控和变化检测，及时发现作物生长变化，实现对农田生产的实时监控。
超谱遥感图像的模糊最大似然分类研究
ａ ｓ ｄｅｄｉｆｃ ｔｂｅ ａ ｅ ｏ ｎｓ ｅ ｖ ｓ ｄ ｃｕｓ ｅ ｉ ｎｄ ｓ ｅ ｖ ｓ ｄ ｃ ａ ｓｆｃ ｔｏ ｌｏ ｍａ ｆ ｉｕｌ ｃ ｕｓ ｆｕ ｕｐ ｒ ｉ ｅ ｌ ｔ ｒｎｇ ａ ｕｐ ｒ ｉｅ ｌ ｓ ｉｉａ ｉ ｎ．Ｉ ｄ ｒｔ ｍｐｒ ｖｅｔ ｎ ｏｒ ｅ ｏ ｉ ｏ ｈｅ ｃａ ｓｆｃ ｔｏ ｃ ｕｒ ｃ ｆ ｈｙ ｅ ｓ ｅ ｔａ ｍａ ｓ，ａ ｆ ｚ ｙ ｍ ａ ｉ ｕ ｌｓ ｉｉａ ｉ ｎ ａ ｃ ａ ｙ ｏ ｐ ｒ ｐ ｃ ｒ ｌｉ ｇｅ ｕ ｚ ｘ ｍ ｍ ｌｋ ｌｈ ｏｄ ｌ ｓ ｉｉａ ｉ ｎ ｍｅ ｈｏ ｉ ｏ ｉ ｅ ｉ ｏ ｃａ ｓ ｆｃ ｔｏ ｔ ｄ ｓ ｐｒ — ｐｏ ｅ ｓ ｄ．Ｆｉｓ ，ｃ ｕ ｔ ｒｎｇ ｏｆ ａ ｈｙ ｒ ｐ ｃ ｒ ｌ ｍ ａ ｓ ｄｏ ｂｙ ｆ ｚ ｙ Ｃ— ｅ ｎ ｌ ｒｔ ｍ ． Ｔｒ ｉ ａ ｐ ｅ ｒ ｔ ｌ ｓ ｅ ｉ ｐｅ ｓ ｅ ｔ ａ ｉ ｇｅ ｗａ ｎｅ ｕ ｚ ｍ ａ ｓ ａ ｇｏ ｉｈ ａｎ ｓ ｍ ｌｓ ｗｅ ｅ ｓ ｌ ｃ ｅ ｂ ｒ ｅ ｒ ｎｄ ｍ ａ ｄ ｈｅ ｌ ｓ ｅ ｉ ｇ ｅ ｕ ｔ ． Ｆｉ ａ ｌ ｒ ｅ ｅ ｔ ｄ ｙ ｔ ｕ ｇ ｏｕ ｐ ａｎ ｔ ｃ ｕ ｔ ｒｎ ｒ ｓ ｌｓ ｎ ｌｙ，ｃ ａ ｓｆ ｉ ｉ ａ ｅ ｌ ｓ ｉｙ ｎｇ ｍ ｇ ｗａ ｕ ｒ ｉｅ ｓ ｓ ｐｅ ｖ ｓ ｄ ｍ ａ ｍｕ ｌｋｅ ｉ ｏ ｌ ｏｒｔ ｘｉ ｍ ｉ ｌｈ ｏｄ ａ ｇ ｉｈｍ．Ｔｈｅｒ ｓ ｌｓｓ ｏｗ ｈａ ｈｅｐｒ ｐｏ ｅ ｅ ｈｏ ｔ ｉ ｏ ｅｅ ａ ｔｉ ｏｒ ｔｏｎ ｅ ｕ ｔ ｈ ｔ ｔｔ ｏ ｓ ｄ ｍ ｔ ｄ ｏｂ ａ ｎｓｍ ｒ ｘ ｃ ｎｆ ｍａ ｉ
的 聚 类 或 者 监 督 分 类 都 不 能 取 得 好 的 效 果 ． 了 提 高 超 谱 图像 分 类 的 精 度 ， 出 了 模 糊 最 大 似 然 分 类 算 法 ． 用 模 为 提 先
基于最大似然法的遥感图像分类技术研究
Ｂｅ ｉ ｇｎ
１ 图 像进 行预 处 理 ： ） 对 ３ 计 算 参 数 ， 据 选 出 的 各 类 训 练 区 的 图 像 数 据， 算 和 确 ） 根 计 ２ 初 始 化 分类 个 数 。 及 训 练 参 数 ， 定 数 据 分 块 和 线 程 １ 以 确 定先验概率 ： ４ １分类 ， 训 练 区 以外 的 图 像 像 元 逐 个 逐 类 代 入 公 式 ， 于 数 ： 将 对 ３建 立 并 初 始化 网格 线 程 及 每 个线 程所 要计 算 的 数据 量 ； ） 每 个 像 元 ， 类 就 计 算 几 次 ， 后 比较 大 小 ， 择 最 大 值 得 出 类 分几 最 选 ４检 测 网 络 及 网格 节 点 连 通 性 ． 网 格 添 加 网 格 计 算 线 程 １ 向 别： ５ 产 生 分 类 图 。 每 一 类 别 规定 一 个 值 。 果 分 １ １ 给 如 Ｏ类 ， 定 模 型 ： 就
图 １ 最 大 似 然 分 类 器 功 能模 缺 图 境 中以分布式 、 线程并行 计算 ． 现对大遥感 图像 的分类 ． 多 实 减 遥 感 图 像 预处 理 中 的 几 何 纠 正 和 辐 射 校 正 主 要 是 为 了 消 除 少 了分 类 的 时 间 ， 复杂 分 类 算 法 的应 用 提 供 了便 利 。 为 ２ 最 大 似 然 法 分 类 技 术 、 遥 感 图像 获 取 过 程 中产 生 的 图像 真 实 度 问 题 ．提 供 给用 户 的 是 幅 和真 实 地 物 地 貌 的 形 状 、空 问位 置 以 及 色 调 吻 合 度 较 高 的 最 大似然分 类法 ｆ Ｍ￣ｉ ｕ ｅｉｏ ｄＣ ａ ｓ ｅ ｔ ｎ 简 称 ｍ ｍ Ｌｋ ｌ ｏ ｌ ｉ ａｉ ． ｈ ｓｆ ｏ ｉ
一
ＭＬ ） 严 密 的 理 论 基 础 ． 于呈 正 态 分 布 的类 别 判 别 函数 易 于 图像 ．格 式 转 换 是 将 多 种 格 式 的遥 感 图 像 转 换 成 分 类 所 需 的格 Ｃ有 对 建 立 ． 合应 用 了每 个 类 别 在 各 波 段 中 的均 值 ． 差 以及 各 波 段 式 初 始 化 模 块 确 定 分 类 的 类 别 个 数 以 及 网 格 环 境 的初 始 化 和 综 方 之 间 的 协 方 差 。 较 好 的 统 计 特 性 ． 直 被 认 为 是 较 先 进 的 分 类 对 数 据 的 分 块 。感 兴 区 域 选 择 模 块 是 用 户 根 据 自身 需 求 以及 经 有 一 验知 识 ， 不同的地物进 行划 分 ， 且统 计其 中的像元个数 ， 对 并 计 方 法 捌。 在 传 统 的遥 感 图 像 分 类 中 ． 大似 然 法 的应 用 比较 广 泛 算 均 值 和 方 差 等 参 数 。 数 据 传 输 模 块 是用 户将 分 块 数 据 传 输 到 最 该 需 然 方 法 通 过 对 感 兴 区域 的统 计 和计 算 ．得 到 各 个 类 别 的均 值 和 方 各 个 网格 节 点 的 过 程 ． 要 建 立 连 接 ， 后 进 行 传 输 。分 类 计 算 差 等 参 数 ． 而 确 定 一 个 分 类 函数 ． 后 将 待 分 类 图像 中 的 每 一 模 块 是 网格 站 点 对 分 块 数 据 进 行 分类 计 算 ．最 后 将 计 算 结 果 返 从 然
遥感图像分类---监督分类
实验遥感图像分类---监督分类一、实验目的与要求掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。
二、实验内容ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。
三、实验原理监督分类则需要在分类前人们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知识，即先建立训练区从图像中选取各类地物样本训练分类器。
常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。
最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。
其前提是假定训练区地物的光谱特征近似服从正态分布。
训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。
四、实验步骤1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框分类模板编辑器第三步：获取分类模板信息(1)删除对分类意义不大的字段Signature Editor对话框菜单条,单击View|Columns命令，打开View signature columns对话框，点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。
按住shift 键的同时分别点击Red、Green、B1ue 三个字段,Red、Green、Blue三个字段将分别从选择集中被清除。
点击Apply按钮，点击Close按钮。
从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。
(2)获取分类模板信息应用AOI绘图工具在原始图像中获取分类模板信息。
在待分类图像视窗上选择Raster菜单项→选择Tools菜单，打开Raster工具面板→点击Raster 工具面板的图标→在视窗中选择一类地物，绘制一个多边形AOI。
（论文）基于不同分辨率遥感影像的...
第３８卷第３期２０１５年３月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ．３８，Ｎｏ．３Ｍａｒ．，２０１５收稿日期：２０１４－０９－０３，修订日期：２０１５－０１－１２基金项目：国家自然科学基金（５１２１３８１１）资助作者简介：孔令婷（１９９１－），女，江苏南京人，摄影测量与遥感专业硕士研究生，主要研究方向为遥感图像处理与应用。
基于不同分辨率遥感影像的分类方法对比研究孔令婷，杨英宝，章 勇（河海大学地球科学与工程学院，江苏南京２１００９８）摘要：基于４种不同分辨率的遥感影像数据，分别为３０ｍ分辨率的Ｌａｎｄｓａｔ－８数据，融合Ｌａｎｄｓａｔ－８多光谱波段和全色波段的１５ｍ分辨率数据，５．８ｍ分辨率的资源３号卫星数据以及融合后２．１ｍ分辨率的资源３号卫星数据。
采用ＩＳＯ－ＤＡＴＡ、最大似然分类法和面向对象分类法对影像进行分类，对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。
结果显示在低分辨率影像中，面向对象方法受到限制，分类效果相比传统方法没有太大改善；而在高分辨率影像中，面向对象方法分类效果很好，并且随着分辨率提高分类精度也相应的提高。
关键词：高分辨率影像；分类；面向对象中图分类号：Ｐ２３７ 文献标识码：Ａ 文章编号：１６７２－５８６７（２０１５）０３－００４０－０４ＳｔｕｄｙｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＭｅｔｈｏｄｓＢａｓｅｄｏｎＤｉｆｆｅｒｅｎｔＲｅｓｏｌｕｔｉｏｎＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＫＯＮＧＬｉｎｇ－ｔｉｎｇ，ＹＡＮＧＹｉｎｇ－ｂａｏ，ＺＨＡＮＧＹｏｎｇ（ＳｃｈｏｏｌｏｆＥａｒｔｈＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｓｂａｓｅｄｏｎｆｏｕｒｄｉｆｆｅｒｅｎｔｒｅｓｏｌｕｔｉｏｎｓｒｅｍｏｔｅ－ｓｅｎｓｉｎｇｉｍａｇｅｓ．３０ｍｒｅｓｏｌｕｔｉｏｎＬａｎｄｓａｔ－８ｉｍａｇｅｄａｔａ，１５ｍｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｆｕｓｅｄｂｙｍｕｌｔｉｓｐｅｃｔｒａｌｂａｎｄｓａｎｄｐａｎｃｈｒｏｍａｔｉｃｂａｎｄｏｆｌａｎｄｓａｔ－８ｄａｔａ，５．８ｍｒｅｓｏｌｕｔｉｏｎＺＹ－３ｉｍａｇｅｄａｔａａｎｄ１５ｍｒｅｓｏｌｕｔｉｏｎｆｕｓｉｏｎｉｍａｇｅ．ＩＳＯ－ＤＡＴＡ，ｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗｅｒｅｕｓｅｄ．Ｔｈｅｅｆｆｅｃｔｓｏｆｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓａｎｄｉｍｐａｃｔｏｆｒｅｓｏｌｕｔｉｏｎｃｈａｎｇｅｓｏｎｔｈｅａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｗｅｒｅａｎａｌｙｚｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈｉｓｌｉｍｉｔｅｄｉｎｌｏｗｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｉｓｎｏｔｍｕｃｈｉｍ－ｐｒｏｖｅｄｃｏｍｐａｒｅｄｔｏｔｈｅｔｒａｄｉｔｉｏｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ．Ｗｈｉｌｅｉｎｔｈｅｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗｏｒｋｓｗｅｌｌ，ａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｓｉｍｐｒｏｖｅｄａｌｏｎｇｗｉｔｈｒｅｓｏｌｕｔｉｏｎｉｎｃｒｅａｓｅ．Ｋｅｙｗｏｒｄｓ：ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ；ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ０ 引 言在传统的遥感影像分类中，基于像元的分类较多，包括监督和非监督分类法。
遥感图像分类方法与精度评价
遥感图像分类方法与精度评价遥感图像分类是指利用遥感图像数据进行地物类型区分的过程，是遥感技术在地学研究和应用中的重要环节之一。
遥感图像分类方法的选择和精度评价是决定分类结果质量和可靠性的关键因素。
本文将探讨遥感图像分类的常用方法及精度评价指标。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将每个像素点作为分类的基本单位，根据像素的数值或特征属性进行分类。
这种方法简单直观，适用于像素空间分布均匀、地物类型单一的情况。
常用的基于像元的分类方法有最大似然分类法、支持向量机分类法等。
最大似然分类法是一种常见的统计分类方法，通过对已知类别的样本数据进行统计分析，确定多类别高斯模型参数，然后利用似然函数计算每个像素点属于各个类别的概率，最终选择概率最大的类别作为分类结果。
支持向量机分类法是一种常用的机器学习方法，基于通过分隔超平面来尽可能精确地划分样本数据。
该方法通过寻找最优分类超平面来实现分类，可以处理非线性分类问题，并具有较好的泛化性能。
2. 基于对象的分类方法基于对象的分类方法是将图像中的像素按照一定标准进行分割，形成不同的地物对象，然后根据对象的形状、纹理、光谱等特征进行分类。
这种方法考虑了地物的空间关系，适用于地物类型复杂、光谱混杂的情况。
常用的基于对象的分类方法有基于规则的分类法、基于特征的分类法等。
基于规则的分类法是基于人工设定的分类规则来对遥感图像中的对象进行分类，需要根据实际需求和专业知识进行规则的制定。
这种方法对专业知识的要求较高，但可以得到较为精确的分类结果。
基于特征的分类法是通过对对象的形状、纹理、光谱等特征进行提取和分析，根据特征的差异来实现分类。
这种方法相对较为自动化，适用于大规模图像处理。
二、遥感图像分类精度评价遥感图像分类精度评价是对分类结果进行可靠性和精度的评估，常用的评价指标包括分类准确性、Kappa系数、用户精度、制图精度等。
分类准确性是指分类结果中正确分类的像素数占总像素数的比例。
测绘技术中的遥感图像分类与监督分类方法
测绘技术中的遥感图像分类与监督分类方法引言遥感图像分类是测绘技术中常用的图像处理方法之一，它通过对遥感图像进行分类和分割，为地理信息系统（GIS）和地球观测提供了重要的数据支持。
本文将介绍遥感图像分类的基本概念，以及常用的监督分类方法。
一、遥感图像分类的基本概念遥感图像分类是指将遥感图像中的像素根据其反射率或辐射率等特征划分为不同地物类别，并赋予其相应的分类标签。
遥感图像分类可以帮助人们了解地物分布、变化趋势以及环境状况等，对于农业、城市规划、环境保护等领域具有重要的应用价值。
二、监督分类方法1. 最大似然法最大似然法是一种常用的监督分类方法，它基于贝叶斯决策理论，通过计算每个像素属于不同类别的概率，从而确定其分类标签。
最大似然法假设像素的灰度值服从高斯分布，并通过最大化像素灰度值在每个类别中的概率来进行分类。
虽然最大似然法在某些情况下效果较好，但它对于复杂的遥感图像分类问题可能存在一定的局限性。
2. 支持向量机（SVM）支持向量机是一种基于统计学习理论的监督分类方法，它通过构建一个最优的超平面，将不同类别的像素分隔开。
支持向量机不仅可以处理线性可分的数据，还可以通过核函数将数据映射到高维空间，从而处理线性不可分的数据。
支持向量机在处理遥感图像分类问题时具有较好的性能，但其计算复杂度较高，需要大量的训练样本和运算时间。
3. 随机森林随机森林是一种集成学习方法，它通过组合多个决策树，从而提高分类准确性。
随机森林不仅可以处理多类别的分类问题，还可以处理高维数据，并且具有较好的鲁棒性和抗噪性。
在遥感图像分类中，随机森林通常能够取得较好的分类效果，并且对于特征的选择和处理具有一定的鲁棒性。
4. 卷积神经网络（CNN）卷积神经网络是一种基于深度学习的监督分类方法，它通过多层卷积层和池化层进行特征提取和降维，最后通过全连接层进行分类。
卷积神经网络在图像分类领域取得了显著的成就，对于遥感图像分类问题也有较好的应用效果。
遥感影像的监督分类研究
遥感影像的监督分类研究导言：遥感影像的监督分类是一种基于机器学习方法对遥感影像进行自动分类和分类精度评估的研究。
随着遥感技术的发展，遥感影像在土地利用、资源监测、环境保护等领域的应用越来越广泛，而遥感影像的分类是遥感应用的关键步骤之一一、监督分类方法：监督分类是一种利用已有的样本数据训练出分类器，再将分类器应用于遥感影像中进行像元分类的方法。
常用的监督分类方法包括最大似然分类、支持向量机分类、随机森林分类等。
这些方法的应用基本上可以分为两个步骤：第一步是样本训练，即以已知类别的样本数据训练分类器；第二步是分类预测，即将训练好的分类器应用于待分类的遥感影像之中。
二、监督分类研究进展：1.特征提取方法的研究：监督分类的关键是选择合适的特征进行分类，传统的特征提取方法主要是基于像素的特征，例如颜色、纹理、形状等。
近年来，基于深度学习的特征提取方法逐渐兴起，通过深度神经网络自动学习图像的特征表示，大大提高了分类的准确性。
2.遥感影像时序信息的利用：遥感影像的时序信息对于监督分类具有重要的作用。
传统的监督分类方法主要利用单张影像进行分类，忽略了影像的时序变化。
近年来，一些研究开始关注时间序列遥感影像的监督分类，通过将多个时期的遥感影像堆叠起来，利用时序信息提取更具有区分性的特征，提高分类的准确性。
3.遥感影像分类的自动化：遥感影像分类通常需要人工标注训练样本，而标注过程比较繁琐，且人工标注的结果具有主观性。
因此，研究者们开始探索自动化的遥感影像分类方法，通过利用未标注的影像数据进行自动分类器的训练，减少了人工标注的工作量和主观性对分类结果的影响。
4.监督分类的性能评估：监督分类的性能评估是监督分类研究中的关键问题，有助于评估分类方法的准确性和可行性。
传统的性能评估指标包括精度、召回率、F-值等。
近年来，一些研究开始关注面向对象的分类评估方法，以更准确地评估分类结果的空间一致性。
三、研究挑战与展望：监督分类研究面临一些挑战，如：1.遥感影像的多样性：不同地区、不同传感器的遥感影像具有很大的多样性，如何处理不同数据源的遥感影像，提取更具有区分性的特征，仍然是一个挑战。
深度学习方法在松山湖地区地物分类中的应用
DOI：10.16660/ki.1674-098X.2008-5640-6334深度学习方法在松山湖地区地物分类中的应用①贺丹* 张静(东莞理工学院城市学院计算机与信息学院 广东东莞 523000)摘 要：高分一号（GF-1）遥感影像具有分辨率高、光谱信息丰富、纹理清晰等特征，利用GF-1影像研究地物识别具有重要的现实意义。
本文以东莞市松山湖地区为研究区域，基于GF-1遥感影像数据，分别采用最大似然法、支持向量机、深度学习（随机森林）等方法对研究区的地物进行识别。
实验结果表明：采用深度学习方法对地物分类的总精度为92.24%，Kappa系数为0.91，与最大似然法和支持向量机相比，基于深度学习方法的分类精度更高，分类结果更能体现土地实际利用情况。
关键词：深度学习 松山湖 地物分类 遥感 高分一号中图分类号：TN957.52;TP391.41 文献标识码：A 文章编号：1674-098X(2020)11(c)-0021-05The Application of Deep Learning Method in the FeatureClassification of Songshan Lake AreaHE Dan * ZHANG Jing(School of Computer and Information, City College of DongGuan University of Technology, Dongguan,Guangdong Province, 523000 China)Abstract: GF-1 remote sensing image is characterized by high resolution, rich spectral information and clear texture, etc. Therefore, it is of great practical significance to use GF-1 image to study ground object recognition. Based on GF-1 remote sensing image data, this paper takes Songshan Lake area of Dongguan city as the research area, and adopts maximum likelihood method, support vector machine, deep learning(Random Forest, RF) and other methods to identify ground objects in the research area. The experimental results show that the total accuracy of ground objects classification using deep learning method is 90.24%, and the Kappa coefficient is 0.91. Compared with the maximum likelihood method and support vector machine, the classification based on deep learning method has a higher accuracy, and the classification results can better ref lect the actual land use.Key Words: Deep learning; Songshan lake; Feature classification; Remote sensing; GF-1①基金项目：2020年东莞市社会科技发展(一般)项目（项目名称：基于深度学习的松山湖地区遥感地物识别研究；项目编号：2020507151803），2019年广东大学生科技培育专项资金（“攀登计划”专项资金） （项目名称：基于深度学习的高分遥感影像城市绿地提取研究；项目编号：pdjh2019b0623）。
基于ENVI的高分辨率遥感图像应用试验研究_黄海军
2007年6月第5卷第3期地理空间信息ＧＥＯＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＪｕｎｅ，２００７Ｖｏｌ．５，Ｎｏ．３基于ENVI的高分辨率遥感图像应用试验研究黄海军1，程新文1，李柏鹏1，刘云2（1.中国地质大学工程学院，湖北武汉430074；2.中铁十八局集团第一工程有限公司，河北涿州072750)摘要：介绍了高分辨率遥感图像用于城市土地利用信息提取的主要过程，应用ENVI软件作为试验研究平台对试验区进行了遥感图像分类处理。
试验表明，遥感技术是进行城市土地利用信息提取的有效手段之一，针对遥感图像中出现的水体和建筑混杂的现象，提出了应用监督分类与矢量操作相结合的处理方法，可得到较好的分类结果。
关键词：ENVI；高分辨率；遥感；信息提取；图像分类Application of High-Resolution Remote Sensing Image Using ENVIHUANG Haijun1，CHENG Xinwen1，LI Baipeng1，LIU Yun2（１．ＥｎｇｉｎｅｅｒｉｎｇＦａｃｕｌｔｙｏｆＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＧｅｏｓｃｉｅｎｃｅｓ，Ｗｕｈａｎ４３００７４，Ｃｈｉｎａ；２．Ｔｈｅ１ｓｔＥｎｇｉｎｅｅｒｉｎｇＣｏ．，Ｌｔｄ．ｏｆｔｈｅ１８ｔｈＣｈｉｎａＲａｉｌｗａｙＣｏｎｓｔｒｕｃｔｉｏｎＢｕｒｅａｕ，Ｚｈｕｏｚｈｏｕ０７２７５０，Ｃｈｉｎａ）Abstract：ＴｈｉｓｐａｐｅｒＩｎｔｒｏｄｕｃｅｄｔｈｅｍａｉｎｐｒｏｃｅｓｓｏｆｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎｈｉｇｈｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｉｎｔｈｅｃｉｔｙｌａｎｄｕｔｉｌｉｚａｔｉｏｎ．ＥＮＶＩｓｏｆｔｗａｒｅｗａｓｕｓｅｄａｓａｎｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｐｌａｔｆｏｒｍｗｈｉｃｈｃｌａｓｓｉｆｉｅｄｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｏｆｔｈｅｐｉｌｏｔａｒｅａｉｍａｇｅ．Ｔｈｉｓｅｘｐｅｒｉｍｅｎｔｉｎｄｉｃａｔｅｄｔｈａｔｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｏｎｅｏｆｅｆｆｅｃｔｉｖｅｔｅｃｈｎｉｑｕｅｓｏｆｃｉｔｙｌａｎｄｕｔｉｌｉｚａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎａｎｄｆｏｒｔｈｅｐｒｏｍｉｓ－ｃｕｏｕｓｐｈｅｎｏｍｅｎｏｎｏｆｔｈｅｗａｔｅｒｂｏｄｙａｎｄｔｈｅｂｕｉｌｄｉｎｇｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅ，ｂｅｔｔｅｒｃｌａｃｉｆｉｃａｔｉｏｎｒｅ－ｓｕｌｔｔｃａｎｂｅａｃｈｉｅｖｅｄｔｈｒｏｕｇｈｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｓｕｒｖｅｉｌｌａｎｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｖｅｃｔｏｒｏｐｅｒａｔｉｏｎ．Key words：ＥＮＶＩ；ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ；ｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎ遥感技术正得到越来越广泛的应用。
遥感影像分类方法
遥感影像分类方法一、引言随着遥感技术的发展和应用范围的扩大，遥感影像分类成为了遥感图像处理的重要任务之一。
遥感影像分类是指根据遥感图像中各个像元的光谱信息和空间分布特征，将图像中的像元分配到不同的类别中。
准确的遥感影像分类可以为资源调查、环境监测、农业生产等领域提供重要的信息支持。
二、传统分类方法1. 基于统计的分类方法基于统计的分类方法是一种常用的遥感影像分类方法，它通过对遥感图像中的像元进行统计分析，从而确定像元所属的类别。
常用的统计方法包括最大似然法、最小距离法、贝叶斯分类法等。
这些方法能够利用图像中的统计特征，对不同类别进行判别分析，但对于复杂的地物类型、光谱混合和空间分布不均匀的情况，效果有限。
2. 基于规则的分类方法基于规则的分类方法是一种根据已知的规则和知识来进行分类的方法。
该方法通过将遥感图像中的像元与已知规则进行匹配，从而确定像元所属的类别。
常用的规则包括专家规则、决策树规则等。
这些规则能够利用专家知识和经验，对不同类别进行判断，但对于复杂的地物类型和大规模的遥感图像，需要大量的规则和专家知识，且易受限于规则的准确性和完备性。
三、基于机器学习的分类方法随着机器学习算法的发展和应用，基于机器学习的遥感影像分类方法成为了研究热点。
机器学习可以通过训练样本来学习遥感图像中不同类别的特征，并通过对新样本的分类，实现遥感影像的自动分类。
常用的机器学习算法包括支持向量机、随机森林、深度学习等。
1. 支持向量机（Support Vector Machine，SVM）支持向量机是一种常用的分类算法，它通过将样本映射到高维空间中，构建最优的分类超平面，从而实现对遥感影像的分类。
支持向量机可以处理高维数据和非线性问题，并具有较好的泛化能力。
2. 随机森林（Random Forest）随机森林是一种基于决策树的集成学习算法，它通过构建多个决策树，并对其结果进行集成，从而实现对遥感影像的分类。
随机森林能够处理大规模数据和高维特征，并具有较好的鲁棒性和准确性。
测绘技术中的遥感影像分类算法介绍
測繪技術中的遙感影像分類算法介绍遥感影像分析作为一种重要的测绘技术，广泛应用于地质勘探、环境监测、农业发展等领域。
而遥感影像的分类算法则是遥感影像处理中的核心环节之一。
本文将介绍几种常见的遥感影像分类算法，并探讨其在实际应用中的优缺点。
一、最大似然法最大似然法是遥感影像分类中最常用的一种算法。
其原理是通过分析影像中像素值的分布特征，将图像分割为不同的类别。
这种方法主要依赖于对样本的统计分析，通过计算每个像素属于每个类别的概率值，再根据最大似然的原理进行判别。
最大似然法的优点在于简单易用，适用于不同类型的遥感影像。
然而，由于该方法忽略了像素之间的空间关系，容易将相似的地物分类为不同的类别。
此外，样本的选取和像元的纹理信息对结果也有较大影响。
二、支持向量机支持向量机是一种基于统计学习理论的分类方法。
其主要思想是通过寻找一个最优的超平面，将不同类别的样本向量分隔开。
该方法通过将高维特征空间映射到一个更高维的空间中，从而找到最优分类面。
支持向量机的优点在于可以有效地解决高维特征空间的分类问题，且对样本分布的情况要求相对较低。
然而，该方法对参数的选择较为敏感，需要合理的调参才能取得较好的分类效果。
三、人工神经网络人工神经网络是一种模拟人脑神经元结构和信号传递机制的计算模型。
在遥感影像分类中，人工神经网络通过训练样本来调整网络的权值和阈值，从而实现图像的自动分类。
人工神经网络的优点在于可以进行非线性分类，对于复杂的地物分类问题具有较好的适应性。
然而，该方法的训练过程相对较慢，且对初始参数的选取要求较高。
四、决策树决策树是一种利用树形结构进行分类的方法。
其通过选择合适的特征进行划分，并构建一个由节点和分支组成的树状结构来实现分类。
决策树的优点在于计算简单，结果易于解释。
同时，决策树可以适应多种类型的数据，并且对特征的缺失值具有较好的容忍度。
然而，决策树容易过拟合和欠拟合，需要进行剪枝等操作来提高分类的准确性。
遥感图像分类方法的原理与实践指南
遥感图像分类方法的原理与实践指南遥感图像分类是将遥感图像中的像素分为不同的类别，以便更好地理解和利用遥感数据。
随着遥感技术的发展，图像分类方法也在不断更新和演进。
本文将介绍遥感图像分类方法的原理和实践指南，帮助读者更好地理解和应用这一技术。
一、遥感图像分类的原理遥感图像分类的原理基于对遥感数据中不同目标或地物的光谱特征进行分析和识别。
常用的遥感图像分类方法包括监督分类和非监督分类。
监督分类方法是基于已知类别样本进行训练和分类。
它需要提前准备好一些标记有类别信息的样本，然后通过对这些样本进行特征提取和分类器训练，来对整个图像进行分类。
常用的监督分类方法包括最大似然法、支持向量机和人工神经网络等。
非监督分类方法是在不了解样本的类别信息的情况下，通过对图像数据的统计分析和聚类来进行分类。
它可以自动发现图像中的潜在类别，并将像素分到这些类别中。
常用的非监督分类方法包括K-means聚类和直方图分析等。
二、遥感图像分类的实践指南1. 数据准备：在进行遥感图像分类之前，需要准备好待分类的遥感图像数据。
这些数据应包括多光谱、高光谱或合成孔径雷达等不同传感器获取的数据。
此外，还需要进行数据的预处理，例如辐射校正、大气校正和几何校正等。
2. 特征提取：在进行遥感图像分类之前，需要从图像中提取出能够反映目标或地物特性的特征。
常用的特征包括光谱特征、纹理特征和形状特征等。
通过合适的特征提取方法，可以提高分类的准确性。
3. 分类器选择：选择合适的分类器是进行遥感图像分类的关键。
根据具体应用需求和数据特点，可以选择不同的分类器进行分类。
常用的分类器包括最大似然分类器、支持向量机、随机森林和神经网络等。
在选择分类器时，应考虑分类器的准确性、效率和适应能力等因素。
4. 效果评价：在进行遥感图像分类之后，需要对分类结果进行评价和分析。
常用的评价指标包括精确度、召回率和F1值等。
通过对分类结果的评价，可以了解分类方法的优劣和改进方向。
基于ENVI的遥感图像分类方法比较研究
基于ENVI的遥感图像分类方法研究比较（聊城大学环境与规划学院GIS专业2010级4班学号:2010203***）摘要基于监督分类方法在遥感图像分类中已经普遍应用，本文将介绍了几种ENVI 提供的常用的监督分类方法和ENVI EX提供的面向对象的分类方法。
对同一遥感图像运用这几种方法进行分类，并对分类结果进行对比，从而分析这几种方法分类精度之间的差异。
关键词遥感图像分类平行六面体最小距离法最大似然法面向对象第一章绪论1.1、研究的背景和意义随着遥感技术的发展，遥感已逐步成为采集地球数据及其变化信息的重要技术手段和重要的信息来源，并在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用。
由于不同领域遥感图像的应用对遥感图像处理提出了不同的要求，所以图像处理中重要的环节——图像分类也就显得尤为重要。
遥感图像通过亮度值或像元值的高低差异( 反映地物的光谱信息) 及空间变化( 反映地物的空间信息) 来表示不同地物的差异。
这是区分不同图像地物的物理基础。
遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感图像中与实际地物的对应信息，从而实现遥感图像的分类。
目前随着各种新理论新方法的相继涌现，遥感图像存在多种分类方法，所以本文主要是选取几种常用的监督分类方法和ENVI EX提供的面向对象分类方法用实验结果表明它们之间存在的差异。
1.2、研究方法(1)、本文从遥感图像解译的基本原理出发，阐述了ENVI软件在遥感图像解译中使用的原理，并对其提供的方法进行了详细的解读。
(2)、详细叙述了ENVI EX提供的Feature Extraction工具即面向对象分类方法的使用。
(3)、根据得到的分类结果，采用混淆矩阵和kappa系数对分类结果进行精度评价。
从中得出一些结论，并对ENVI软件在遥感图像分类方法中提出可行性建议。
地理信息系统中的图像分类与分割算法研究
地理信息系统中的图像分类与分割算法研究地理信息系统（Geographic Information System，简称GIS）在地理学、城市规划、环境科学等领域有着广泛的应用。
图像分类与分割算法是GIS中的重要研究课题，其目的是通过对遥感图像的分析与处理，将地表特征进行分类与分割，为地理空间数据的获取、管理和分析提供支持。
一、图像分类算法图像分类算法是将遥感图像像素进行分类，识别出不同类别的地表特征。
常见的图像分类算法包括最大似然分类法、支持向量机、人工神经网络等。
最大似然分类法是一种常用的参数统计分类方法，其基本思想是将图像像素的灰度值视为概率密度函数的样本，通过最大化像素点所属类别的似然度来进行分类。
支持向量机是一种基于机器学习的分类方法，通过寻找一个最优的超平面，将不同类别的样本点分开。
人工神经网络则模拟了人脑神经系统的工作原理，通过构建神经元之间的连接关系，实现对图像的分类。
二、图像分割算法图像分割算法是将遥感图像中的像素点进行分割，划分为不同的区域或对象。
图像分割的目的是将图像中具有相似特征的像素点聚合在一起，以提取出地物的空间形态。
常见的图像分割算法包括阈值分割法、区域生长算法和基于图论的分割方法。
阈值分割法是一种简单而常用的方法，通过设定一个阈值，将图像中高于该阈值的像素点划分为一类，低于该阈值的像素点划分为另一类。
区域生长算法是一种基于像素相似度的分割方法，它从种子点开始，递归地将与当前种子点像素值相似的像素点加入到同一区域中。
基于图论的分割方法则利用图的优化算法，将图像分割问题转化为寻找图中最小割的问题。
三、图像分类与分割的应用图像分类与分割在GIS中有着广泛的应用。
在土地利用与土地覆盖研究中，通过对遥感图像的分类与分割，可以获取不同土地类型的空间分布信息，为土地规划和资源管理提供依据。
在城市规划中，通过对遥感图像的分类与分割，可以提取出建筑物、道路、绿地等不同的地物，评估城市空间结构，为城市规划和交通规划提供支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
【关键词】： 网格；最大似然法；遥感图像；分类
1、引言 分类是遥感研究的一个重要领域，常见的分类主要包括 K 近
邻 法 、最 小 距 离 法 、平 行 六 面 体 法 、支 持 向 量 机[1]、神 经 网 络[2]等 。 当前遥感图像分类主要是在单机上实现，对多波段、宽视场、高 空间分辨率的遥感数据存在着效率低、速度慢等缺点，不利用复 杂算法的应用，限制了准确率的提高。 网格技术可以方便的进行 网络资源管理、有效的支持广域分布的、多领域的科学与工程问 题的解决。 论文研究了利用网格技术结合最大似然法完成大遥 感图像的分类方法。 使大遥感图像的分类速度加快， 准确率提 高。
HashMap<String,Object>()),ScriptContext.GLOBAL_SCOPE); //绑定脚本引擎的上下文环境的引擎域 hashmap engine.getContext ().setBindings (new EngineScopeBinding (new HashMap<String, Object>()),ScriptContext.ENGINE_SCOPE); } 其中类 ScriptNotBinding 与 EngineScopeBinding 的作用均是 定义绑定范围，只是范围的作用域不同。 5. 小结 本 文 简 单 介 绍 了 NMR 谱 仪 软 件 系 统 及 脚 本 语 言 的 基 本 概 念 ， 并 以 提 高 脚 本 语 言 在 NMR 谱 仪 软 件 系 统 的 应 用 为 研 究 目 标，通过定义通用命令行模块，以简单的实例描述了脚本语言在 软件系统中的具体运用。 本文重点描述了通用命令行模块中脚本语言的各种具体应 用及软件系统的独特运用，并进行了详细的说明。 各种运用提高 了软件系统的可操作性、人机交互性，并为人性化设计做了初步 的探讨。 最后， 本文结合图例和代码对通用命令行模块的设计与实 现进行了详细说明。
基金项目：山东科技大学研究生创新基金
8
福建电脑
2010 年第 1 期
第一部分为图像的行数，第二部分为图像的列数，第三部分为图 像的波段数。在计算过程中，将图像分成 5 类。通过对比来看，单 机分类和网格环境下分类有一定差距， 原因是分类当中感兴区 域选择的时候有一定的不同，但是结果总体较好。 运行时间和节点个数图如图 2 所示。
图 1 最大似然分类器功能模块图 遥感图像预处理中的几何纠正和辐射校正主要是为了消除 遥感图像获取过程中产生的图像真实度问题， 提供给用户的是 一幅和真实地物地貌的形状、 空间位置以及色调吻合度较高的 图像， 格式转换是将多种格式的遥感图像转换成分类所需的格 式。 初始化模块确定分类的类别个数以及网格环境的初始化和 对数据的分块。 感兴区域选择模块是用户根据自身需求以及经 验知识，对不同的地物进行划分，并且统计其中的像元个数，计 算均值和方差等参数。 数据传输模块是用户将分块数据传输到 各个网格节点的过程，需要建立连接，然后进行传输。 分类计算 模块是网格站点对分块数据进行分类计算， 最后将计算结果返 回给主机。 4、最大似然分类流程 基于网格技术的最大似然分类器模型的建立是在监督分类 中最大似然法的基础上建立的。 在分类之前，需要部署好网格环 境，并且测试好网格环境间的通讯是否正常，然后再进行分类， 其主要流程如下： Begin 1)对 图 像 进 行 预 处 理 ； 2)初 始 化 分 类 个 数 ，以 及 训 练 参 数 ，确 定 数 据 分 块 和 线 程 数； 3)建 立 并 初 始 化 网 格 线 程 及 每 个 线 程 所 要 计 算 的 数 据 量 ； 4)检 测 网 络 及 网 格 节 点 连 通 性 ，向 网 格 添 加 网 格 计 算 线 程 模型； 5) 每一线程根据样本子集数据分别进行循环网格计算 ，将 网格单元中的所有数据通过计算得到所属类别，存储至本节点； 6)将 各 个 网 格 站 点 中 计 算 的 结 果 传 输 至 主 机 ，合 并 网 格 计 算结果； 7)释 放 网 格 资 源 ，将 分 类 结 果 输 出 至 文 件 。 End 5、实验结果及分析 试验是在 Intel P4 ,512M 内存, Microsoft Visual Studio2005， Alchemi 1.06 局 域 网 环 境 下 进 行 的 。 所 用 实 验 数 据 为 2000*2000*7，4000*4000*7，6000*6000*7，8000*8000*7， 其 中 ，
参考文献： [1] 曾联明,吴湘滨,刘鹏. 网格环境下分布式 SVM 遥感图像分类 器 模 型 研究[J]. 计算机工程与应用,2009,45(5)：195-206. [2] 邓 松 ,王 汝 传.基 于 网 格 服 务 的 分 布 式 BP 分 类 算 法 研 究 [J]. 计 算 机 应 用 研 究 ,2009,5:40-45. [3] 吴 学 军 ， 王 修 信 . 城 市 TM 遥 感 图 像 分 类 方 法 研 究 [D]. 地 方 ： 大 学 , 2007. [4] 钱巧静,谢瑞.面向对象的土地覆盖信息提取方法研究[J].遥 感 技 术 与 应用,2005,20(3) :338 - 342. [5] 邰晓亮，苏铁明.基于网格的协同设计平台关键技术 研 究[D].大 连:大 连 理 工 大 学 ,2008. [6] 曾联明,吴湘滨,刘鹏. 新的分布式遥感图 像 分 类 器 系 统 开 发[J]. 计 算 机应用研究,2009,5: 1944-1954.
2010 年第 1 期
福建电脑
7
基于最大似然法的遥感图像分类技术研究
刘 涛 1， 孙忠林 1， 2， 孙 林 2
（1、山东科技大学 信息科学与工程学院 山东 青岛 266510 2、山东科技大学 测绘科学与工程学院 山东 青岛 266510 ）
【摘 要】： 针对大遥感图像在单机分类方法中存在分类效率低、准确度差的问题，本文研究了网格环境下的最大似然 分类技术在大遥感图像分类的应用。 文中提出的方法充分利用了网格技术的分布式计算和协同共享等能力，采用最大似然 法，给出了网格环境下大遥感图像的分类方法，并实验验证了该方法的有效性。
论文通过对较大遥感图像的分析和分块， 设计出在网格环 境中以分布式、多线程并行计算，实现对大遥感图像的分类，减 少了分类的时间，为复杂分类算法的应用提供了便利。 2、最大似然法分类技术
最大似然 分 类 法 (Maximum Likelihood Classification， 简 称 MLC)有严密的理论基础 ，对 于 呈 正 态 分 布 的 类 别 判 别 函 数 易 于 建立，综合应用了每个类别在各波段中的均值，方差以及各波段 之间的协方差，有较好的统计特性，一直被认为是较先进的分类 方 法[3]。
Hale Waihona Puke !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
（上接第 4 页）
NmrJsContext 类 实 现 了 包 括 对 脚 本 命 令 执 行 范 围 的 定 义 、 脚 本 变量的作用范围、各种参数的绑定等功能。 对参数及参数范围的 绑定是通过 NmrJsBinding 类完成的。 4.2 命令行模块的实现
图 2 时间节点图 CPU 使用率和网格节点关系图如图 3 所示。
图 3 效率节点图 通过结果来看，当数据量较大时，节省时间较为明显。 当数
据量较小时，减少时间不明显。 这是因为数据在传输过程中需要 建立连接，传输数据，消耗了一定的时间。 对于网格节点的个数 来说，网格节点个数越少，效果越明显，网格节点数越多，结果越 不明显，而且随着节点个数的增多，时间差越来越小。 因为，网格 节点数量增多， 建立连接以及传数据， 分析数据所用时间就越 多。 从效率节点图来看，随着网格节点的增多，单台计算机计算 平均所消耗 CPU 越来越少，减少量随着节点数量 的 增 多 越 来 越 少，最后大致持平。 最后结果如图 3 所示。 6、结束语
通过对实验结果的分析来看， 将网格技术应用于遥感图像 分 类 ，大 大 的 减 少 了 计 算 所 用 时 间 以 及 CPU 使 用 率 ，提 高 了 分 类的精度。 由于计算过程受到网络带宽以及连接时间的限制，对 于不同大小的图像得到的结果也不尽相同。 因此，网格技术可以 在最大似然分类法中得到良好的应用。
其主要过程如下： 1) 确定需要分类的地区和使用的波段和特征分类数, 检查 所用各波段或特征分量是否相互已经位置配准； 2) 根据已掌握的典型地区的地面情况, 在图像上选择训练 区； 3) 计算参数,根 据 选 出 的 各 类 训 练 区 的 图 像 数 据,计 算 和 确 定先验概率； 4) 分类,将 训 练 区 以 外 的 图 像 像 元 逐 个 逐 类 代 入 公 式,对 于 每个像元,分几类就计算几次,最后比较大小,选择最大值得出类 别； 5) 产 生 分 类 图,给 每 一 类 别 规 定 一 个 值,如 果 分 10 类,就 定 每一类分别为 1 ,2 ……10 ,分类后的像元值使用类别值代替,最 后得到的分类图像就是专题图像. 由于最大灰阶值等于类别数, 在监视器上显示时需要给各类加上不同的彩色； 6) 检验结果,如果分类中错误较多,需要重新选择训练区再 作以上各步,直到结果满意为止。 3、遥感图像分类器模型设计 基 于 网 格 技 术 [5]的 分 类 模 型 的 设 计 ，就 是 要 将 在 单 机 上 的 分 类工作分散到各个空闲的网络资源中进行[6]。 最大似然分类器包 括五个主要模块：遥感图像预处理；分类参数初始化；感兴区域 选择；数据传输；分类计算。 如图 1 所示。