遥感图像分类方法综述

遥感图像分类方法综述

王一达,沈熙玲,谢炯

(杭州市电力局调度所,浙江杭州310028)

摘要:从遥感图像分类方法的基本原理入手,介绍了传统遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的新方向作了一些介绍,并对发展趋势作了展望。

关键词:遥感图像;图像分类;模式识别。

中图分类号:P237.9 文献标识码:A 文章编号:1000-3177(2006)87-0067-05

收稿日期:2006-03-01

基金项目:国家自然科学基金40271087时态GIS 的基态修正时空数据模型扩展及其应用;浙江省自然科学基金401006GIS 时空数据库中

的基态修正模型扩展及其应用.

作者简介:沈熙玲(1980~)、女、浙江大学硕士研究生、主要从事遥感应用研究、GIS 理论及应用研究.

1 引 言

遥感图像是按一定的比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式。所以遥感技术的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征[2]。在遥感图像技术的研究中,无论是专业信息提取,运动变化预测,还是专题地图制作和遥感数据库的建立等都离不开分类,对照地面地物类型,便可以从图像上地物的识别。随着近年来计算机技术的飞速发展,计算机识别分类成了遥感技术应用的一个重要组成部分。遥感图像数据类别多,合混度大,如何解决多类别分类识别并满足一定的分类精度,是当前遥感图像研究中的一个关键问题,也是人们关注的焦点[1]。

2 遥感图像分类原理

通常我们所指的遥感图像是指卫星探测到的地物亮度特征,它们构成了光谱空间。每种地物有其固有的光谱特征,它们位于光谱空间中的某一点。但由于干扰的存在,环境条件的不同,例如:阴影,地形上的变化,扫描仪视角,干湿条件,不同时间拍摄及测量误差等,使得测得的每类物质的光谱特征不尽相同,同一类物质的各个样本在光谱空间是围绕某一点呈概率分布,而不是集中到一点,但这仍使我们可以划分边界来区分各类。因此,我们就要对图像进行分类。图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数,将特征空间划分为不相重叠的子空间,进而把影像内诸像元划分到各子空间去,从而实现分类。分类方法可以分为统计决策法(判别理论识别法)模式识别和句法模式识别。

统计决策法模式识别指的是:对研究对象进行大量的统计分析,抽出反映模式的本质特点、特征而进行识别。主要

的有监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇准则法和非监督分类中的按批修改的逐步聚类法、等混合距离法。此外还可以将两者结合起来,互相补充以获得较好的效果。句法模式识别则需要了解图像结构信息,

从而对其进行分类。

图1 统计决策法模式识别原理框图

图2句法模式识别原理框图

3 遥感图像分类研究现状

在目前的遥感图像分类应用中,用的较多的是传统的模式识别分类方法:诸如最小距离法,最大似然法等监督分类法。其分类结果由于遥感图像本身的空间分辨率以及/同物异谱0,/同谱异物0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。但目前也提出了一些改进算法,使其分类精度有了大幅的提高。随着遥感技术的发展,近年来出现了一些新的倾向于句法模式的分类方法,如人工神经网络方法,模糊数学方法,决策树方法,专家系统方法等。

3.1 传统的遥感图像分类方法

在遥感图像数据的分类中,人们最常用的是最大似然分类法和最小距离分类法。最大似然分类法一般是基于贝叶斯(Bayes)准则构建起来的,而基于各种判决距离函数的多种分类方法都称为最小距离分类法。

3.1.1 最大似然分类法

67

按贝叶斯准则建立起来的贝叶斯判决准则称为贝叶斯分类器,其构建原理如下:地物影像可以以其光谱特征向量作为量度,在光谱特征空间中找到一个相应的特征点,而来自于同类地物的特征点在特征空间中将形成一个从属于某种概率分布的集群,判别某一特征点类属的合理途径是对其落进不同类别集群中的条件概率进行比较,相应于条件概率大的那个类别将是该特征点的归宿。为此可以把某特征点X 落入某类集群(W i )的条件概率P (W i /X )当成分类判决函数,称为概率(或似然)判决函数。由于概率是建立在统计意义上的,因而当使用概率判决函数进行分类判别时,不可避免的出现错分现象。我们希望以错分概率或风险最小为准则来建立所需要的判决规则,这就用到贝叶斯判决规则,其判决函数d i (X)如下:

d i (X)=ln P(W i )-12ln |

E i |-

12

[(x -

M i )

T

(

E i )-1(x -

M i )]

相应的判决规则有:若对于所有可能的j =1,2,...,m,j X i 有d i (X )>d j (X),则X 属于W j 类。

近年来,出现了一种新的数据处理技术数据融合。数据融合是多源信息综合处理的一项技术,它将来自各数据源的信息通过某种方式处理,产生比单一数据更精确,更可靠,更安全,更有效的信息。数据融合的基本要点是:(1)采用何种方式融合,这是数据融合的基本方法问题。(2)融合后信息的有效性,这是数据融合的最优性问题。

有人将此与Bayes 方法结合起来,提出了顾及各数据源成像模型,上下文关系模型和可靠性的基于Bayes 融合分类方法

[3]

。并采用该方法对Landsat TM 和航空SAR 图像进

行分类试验,结果表明:同单独图像分类结果相比,融合分类方法将分类精度提高了20%。

3.1.2 最小距离分类法

最小距离分类法的判决函数是建立在地物光谱特征在特征空间中是按集群方式分布为前提的。它的基本思路是设法计算某随机特征点X 到有关类别(W i ,i =1,2...,m )集群之间的距离,哪类距离它最近,它就归属于那类。距离判别函数不像贝叶斯判决函数那样偏重于集群分布的统计特性,而是偏重于几何位置,其通用判决形式如下:

若对于所有可能的j =1,2,...,m,j X i 有d i (X)>d j

(X ),则X 属于W j 类。

在实践中三种距离判别函数:(1)马氏(Mahalanobis)距离:d Mi (X)=(X -M i )T (E i )-1

(X -M i )

(2)欧氏(Euchidena)距离:

d Ei (X )=(X -M i )T (X -M i )=+(X -M i )+2

(3)计程(T axi)距离:d Ti (X )=E m

j =1|X -M i |

为了提高遥感图像的分类精度,综合利用多波段卫星图像,图像融合无疑是切实可行的方案。但由于所考察的地物在遥感图像上图斑零散,灰度值范围宽,因此目标之间,目标和背景之间往往属于线性不可分或非线性分类问题,这也是影响分类精度的一个重要原因[4]。为此出现了一种称为自

适应最小距离的算法以及在它基础上的用核空间理论改进的自适应最小距离算法

[4]

。

自适应最小距离算法的基本原理:首先,通过样本集合的分解,得到样本分布估计;然后,根据分解结果求出实际分类中待分类点到每一类的距离,并作为分类依据。

用核空间理论改进的自适应最小距离算法则是通过引入核空间理论,将在输入空间中不能线性分类问题映射到一个可以进行线性分类的高维空间,并利用核函数避免了在高维空间中运算的复杂度,较好的解决了非线性分类问题。其原理:首先,要将自适应最小距离分类算法公式中的输入空间变量改写为输入空间变量内积形式;然后,使用核函数替代该内积,即计算特征空间中变量的内积,完成特征空间中的分类。

3.2 遥感图像分类算法研究新方向

传统的遥感图像分类方法是根据遥感图像数据的统计特征与训练样本数据之间的统计关系来进行分类的,其分类精度往往不甚理想。同时因为地物类型分布方式的本身的复杂性,也造成了传统分类方法不理想的原因。为此人们不断的研究和尝试新的方法,以图改善。近年来在采用神经网络,模糊数学,决策树和人工智能的方法进行研究的过程中,取得了很大的进展。

3.2.1 人工神经元网络方法

人工神经元网络,简称神经网络,是以模拟人脑神经网络系统的结构和功能为基础而建立的一种数据分析处理系统。一个神经元有多路输入,接收来自其它神经元的信息,并将反馈信息经由一条路线传递给另一神经元。一个神经元与多个神经元以突触相连,进入突触的信号作为输入(激励),通过突触而被/加权0,所有输入的加权之和即为所有权重输入的总效果。若该值等于或大于阈值,则该神经元被激活(给出输入),否则即不被激活。人工神经网络可以视为简化了的人脑神经系统的数学模型[6]。

90年代以来,人工神经网络大量的应用于遥感图像的分类。现在应用较为广泛的是多层反前馈网络的反向传播网络和自组织网络,反向传播网络需大量的学习时间,容易陷入局部极小、振荡而导致难以收敛以及网络结构难以确定等缺陷。自组织网络结构简单,学习速度快,隐层结点的权向量所表示的意义明确,可以用来获取输入数据的统计特征,

但存在隐层结点的数目较难确定和泛化能力差等问题。

图3 重复传播网络结构

随着各种技术的发展,人们对神经网络的结构进行改

68