遥感分类范文（精选10篇）
遥感分类 第1篇
关键词：分类方法,遥感影像,监督分类
1 概述
遥感是以电磁波与地球表面物质相互作用为基础, 探测、分析和研究地球资源与环境, 揭示地球表面各要素的空间分布特征与时空变化规律的一门科学技术[1]。遥感影像的分类过程实际上是通过将每一个象元或者区域划分到已经定义的若干个类别中的一类, 其结果是将图像划分为若干子区域, 每个子区域代表一个地物类型, 分类依据在于同类地物在相同条件下具有相同或相似的波谱特征和空间特征。无论是专题信息提取、动态变化监测、专题制图, 还是遥感数据库建设等都离不开遥感影像分类技术。本文在对传统分类方法进行总结的基础上, 对近年来的研究进展进行综述。
2 传统的分类方法
2.1 监督分类。
监督分类是在分析者对图像所在区域有一定认识和了解的基础上, 选择能准确代表任一类别光谱特征的类别区域作为训练样本, 作为图像分类的辨别依据, 并依照一定的准则对所有图像象元进行辨别处理, 即利用确认类别的样本象元去识别其他位置类别象元的过程。监督分类的常用方法有最大似然法, 最小距离法, 马氏距离法, 神经元网络法等。王琳等[2]采用最大似然法进行监督分类, 解译出盐城市不同时期的土地利用图, 较大程度上避免了“混合像元”的不确定因素。
2.2 非监督分类。
非监督分类是以聚类为理论基础, 通过计算机对图像进行聚类和点群统计分析的方法。把各样本的空间分布按其相似性分割或合并成一集群, 每一集群代表的地物类别需经实地调查或与已知类型的地物加以比较才能确定, 是模式识别的一种方法。聚类的方法主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法 (ISODATA) 等。其中, 常用的是K-means和ISODATA算法[3]。毛晓利等[4]利用非监督分类中的迭代自组织的数据分析 (ISODATA) 算法, 对位于毛乌素沙漠南部边缘的定边县的8个乡的不同时期的沙漠化情况进行了分析。
3 基于智能算法的分类方法
3.1 决策树分类。
地表特征都有总体规律及内在联系, 掌握并理顺其主次、因果, 即可已得到一种层次分明的树状结构关系, 决策树分类方法可以表征这种树状结构。决策树的每一个内部结点对应一个非类别属性或属性的集合, 每条边对应该属性的每个可能值。遥感分类中决策树分类方法的显著优点在于:能够利用多源数据进行分类、分类规则易于理解, 具有明显的层次特性、分类过程符合人类的认知过程, 对目标类尝试最佳的分割[5]。Wardlow等[6]在美国中央大平原采用决策树分类方法对多时相的MODIS NDVI数据进行农作物分类, 取得了优于80%的总体分类精度。
3.2 专家系统分类。
专家系统的基本思想是模拟人类组合各种带有因果关系的知识进行推理并得出结论[7]。专家系统包括推理机和知识库两个相互独立的部分。知识库是问题求解所需领域知识的集合。推理机则是根据知识的语义, 对按一定策略找到的知识进行解释执行。张树清等通过分析三江平原湿地植被光谱、景观季相及生境等特点, 找出了不同湿地的遥感影像特征, 建立湿地遥感专家分类决策模型库, 实现湿地信息自动分类提取[8]。Lucas等[9]利用Landsat ETM+时间序列数据对英国伯温山区进行农业用地分类, 取得了优于80%的总体分类精度。
3.3 神经网络分类。
人工神经网络 (ANN) , 是以模拟人脑神经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, 具有对信息的分布式存储, 并行处理、自组织、自学习等特点, 通过许多具有简单处理能力的神经元的复合作用而具有复杂的非线性映射能力[10]。从系统观点上看, 人工神经网络是由大量神经元通过极其丰富和完善的连接而构成的自适应非线性动态系统[11]。近年来, 人工神经网络在土地覆盖和土地利用方面受到了广泛的应用。陈玉敏[12]采用典型的前馈型网络 (BP神经元网络) 模型对遥感影像进行分类处理, 在BP算法分类中正确率达到90.87%。
4 其它分类方法
4.1 模糊数学分类法。
模糊数学产生于20世纪60年代中期, 美国控制论专家查德 (L.A.Zadeh) 首先提出了模糊集概念[13]。模糊数学方法是一种针对不确定性事物的分析方法。它以模糊集合论为基础, 有别于普通集合论中事物归属的绝对化。郑文娟[14]提出一种面向对象的模糊分类方法, 该方法使土地利用标准中可分类别的总体分类精度达到70%以上, 部分类别达到80%以上。模糊分类法的关键在于确定隶属度和隶属函数, 然而这一过程比较复杂, 至今尚无一般的规则可以遵循。因此, 这种方法一直没有得到较好的推广使用。
4.2 面向对象分类法。
面向对象的分类方法是一种面向对象的影像分割技术, 其最重要的特点就是分类的最小单元是由影像分割得到的同质影像对象 (图斑) , 而不再是单个像素, 可以实现较高层次的遥感图像分类和目标地物提取[15]。Paul Aplin等[16]通过将基于像元的分类图与栅格化的地界图叠加获得图斑, 再进行基于图斑的分类, 修正了由于光谱变化 (如农田、城市) 引起的一些误分现象。面向对象分类方法不仅利用地物本身的光谱信息, 而且充分利用地物的空间信息, 包括形状、纹理、面积、大小等要素, 因此可以提高信息提取的准确性和可靠性。此外, 面向对象的分类过程中, 关系到分类结果精度的特征空间的构建也是一个很大的难点。
结束语
遥感分类 第2篇
传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富,地物间光谱差异较为明显的基础上进行的.对于只含有较少波段的高分辨率遥感影像,传统的分类方法,就会造成分类精度降低,空间数据的大量冗余,并且其分类结果常常是椒盐图像,不利于进行空间分析.本文采用面向时象的`影像分类方法,考虑了对象的不同特征值,例如光谱值,形状和纹理,结合上下文关系和语义的信息,这种分类技术不仅能够使用影像属性,而且能够利用不同影像对象之间的空间关系.在时诸多对象进行分类后,再进行精度分析.在此研究提出了一种面向对象的方法结合模糊理论把许多的对象块分成不同的类别.这一过程主要有两个步骤:第一个步骤是分割.图像分割将整个图像分割成若干个对象,在这个过程中,分割尺度的选择会影响到后续的分类结果和精度.第二个步骤是分类.在这个步骤中,特征值的选择和隶属度函数的选择都对分类结果有着至关重要的影响.
作 者：郑文娟 ZHENG Wen-juan 作者单位：宝鸡市市政工程管理处,陕西宝鸡,721001 刊 名：北京测绘 英文刊名：BEIJING SURVEYING AND MAPPING 年，卷(期)： “”(3) 分类号：P237 关键词：面向时象 多尺度分割 模糊分类
遥感分类 第3篇
关键词：森林资源；遥感；分类；特征变量
1 引言
目前，各国研究机构广泛发展了基于遥感与抽样技术相结合的森林资源面积监测体系。抽样方法可大范围、快速监测森林资源动态变化，但无法在实际监管中存在有效利用，也就是存在监管不到位的现象。因此，结合实际，深入研究森林资源遥感分类区划方法中的一些关键技术，对促进森林资源调查遥感监测技术的发展具有重要意义。
2 森林资源分类中遥感数据的波谱特征
2.1 光谱特征 多光谱遥感影像能够对不同的森林进行区分，也是森林资源遥感分类应用最广泛和最基本的识别特征。目前基于多光谱特征的森林资源定量分析则是通过计算各个类别的均值、方差、标准偏差和离散度等统计量，作为比较不同类别相似度的量化依据，并在这些统计量的基础上建立判别函数实现森林资源遥感分类。但由于遥感数据空间分辨率、光谱特征值、光谱波段设置等限制，以及遥感影像像元都是地物光谱综合信息的特点，致使单纯依靠多光谱特征的森林资源遥感分类存在诸多分类混淆，“同物异谱、异物同谱”现象广泛存在。
2.2 高光谱数据特征 高光谱数据的光谱分辨率很高，能精确识别不同的树种。但高光谱数据各波段之间存在着高度的相关性，对分类精度有很大的影响。因此，高光谱数据的降维处理是目前高光谱数据处理的必经过程。目前，降维方法可分为两大类：①基于变换的方法，如主成分变换、正交子空间投影、正则分析、离散小波变换等。基于变换的降维方法优点是可以经若干变换直接将高维数据降低到几维甚至一维，信息量高度集中，降维速度快；其缺点是改变数据原始特性；②基于非变换的，主要是波段选择。基于非变换的降维方法保持数据原有特性，但波段选择算法目前均不成熟，难度大。
3 森林资源分类中遥感数据的纹理特征
纹理特征作为遥感影像数据重要的空间特征之一，是对影像像元之间空间分布的一种描述，其空间分辨率决定了纹理结构信息的丰富度。高分辨率遥感影像可大幅度减少了混合像元的比例，能非常直观的展示地面目标地物的空间位置、结构、形状、色彩等信息，有利于辨识目标地物。但高分辨率影像数据量巨大，所含信息量十分丰富，在抑制异物同谱现象的同时增加了同物异谱现象，此外还存在着阴影问题等，这些均有可能引起分類精度的降低。为充分利用高分辨率影像，基于纹理、面向对象或光谱与空间信息结合等分类方法可有效提高分类精度得到迅速发展和应用。然而在图像分类中，特征并不是越丰富越好，对分类结果不利的特征可对分类结果起到干扰作用，导致识别或分类精度的降低。因此，选择合适的纹理特征，制定一个特征选择准则，配合一个好的搜索算法就显得十分必要。
4 森林资源分类中遥感数据的时间特征
单一时相的遥感数据只能反映拍摄时间森林资源的波谱特征，但不同时期植物的生长发育规律可在遥感影像表现出不同的波谱信息。因此，可利用植物的时间效应特征来提高森林资源遥感分类识别能力。
5 研究展望
5.1 森林资源遥感分类特征变量选择存在的问题
5.1.1 森林资源遥感分类特征变量的选择的理论研究还不完善 在现有特征变量选择过程中高度依赖遥感数据的光谱特征，没有充分研究森林资源本身的特征在遥感数据上的机理体现，也就是没有从遥感机理上去分析、构建和选择特征变量。
5.1.2 森林资源遥感分类特征变量的综合应用问题 目前森林资源遥感分类特征变量较多的使用单一类型的特征变量，在利用单一类型的分类特征变量只能体现森林资源的一个方面，不论应用何种算法，对提高遥感分类精度的力度有限。因此，多类型分类特征变量综合应用是提高分类精度的有效途径。5.2 森林资源遥感分类特征变量选择发展方向
5.2.1 新的特征变量的不断挖掘 影响不同植物差异，可从植物本身的主要物理性状，这些因素主要受植物本身基因控制，这些特征变量参数可通过过SAR数据来解决。一些植物生化组分含量特征方面，可利用高光谱数据反演植物内部生化组成含量，探索基于生化组分含量与光谱的相互作用显著的敏感波段，并利用这些波段的影像对森林资源进行分类，使遥感分类更具机理性。
5.2.2 特征变量的综合应用 由于不同区域范围内具有特定的植物种群结构，不同时相植物存在着不同的生长规律，可根据植物生长状态，及其生长周期内生理、外形、结构等变化或季节变化特点，研究出某类植物最佳辨别时相，以及组合分类的特征变量组合。基于不同传感器数据提取不同森林资源遥感分类信息，联合使用多种分类特征的互补信息可有效提高遥感分类精度。开展森林资源遥感分类特征变量和敏感性与不确定性分析，在分类特征变量深入挖掘的基础上，结合主要分类器，建立不同分类特征的精度敏感性分析，进一步建立评估模型，为模型通用性检验及区域推广提供技术基础。
因此，不同区域的森林资源分类可按区域特性，建立区域特征数据库，综合应用适合该区域遥感分类特征变量，提高分类精度，使其更好的服务于森林资源调查分类及遥感监测需求。
参考文献：
遥感影像的分类方法研究 第4篇
一、遥感影像分类方法
根据是否采用训练区, 分类方法可分为监督分类 (Supervised Classification) 和非监督分类 (Unsupervised Classification) 。监督分类又称为训练分类法, 即利用已确认样本的像元特征去识别未知像元的所属类别, 传统的监督分类法主要有最大似然法、马氏距离法、最小距离法等。非监督分类又称聚类分析, 是仅凭遥感图像地物的光谱特征分布规律, “自然地”进行分类。主要算法有K-均值聚类、循环集群法 (ISODATA) 和合成序列集群方法等。非监督分类算法的核心问题是初始类别参数的选定, 以及它的迭代调整问题。
最大似然分类法通过求出每个像元对于各类别的归属概率, 然后把该像元分到归属概率最大的类别中去。最小距离法通过求出训练样本中各类别在各波段的均值, 然后根据各像元与训练样本在各波段的均值之间光谱距离的大小, 按照最小化原则来决定其类别。马氏距离法是以多维光谱特征空间中的马氏距离作为像素分类的依据。
ENVI中有两种方式用于精度验证:一是混淆矩阵, 二是ROC曲线, 比较常用的为混淆矩阵。在分类完成之后, 本文通过误差矩阵和Kappa系数来对分类精度进行评价和比较分析。
二、特征的提取和选择
首先通过对研究区不同年份遥感影像的观察, 并通过不同波段组合变化, 结合地物对各波段的响应规律, 通过目视解译, 进行样本的选取。综合多方面的经验数据, 结合本次研究区情况, 确定其主要的地物类型为6类:水体、草地、林地、耕地、居民地和未利用地。
此次研究的TM影像有7个波段, 不同的波段反映了地物不同侧面的信息, 分别适用于不同地物的分类和解译。本次研究中采取了543波段的组合, 接近自然色, 容易判别。其中水体特征最为明显, 密云水库在图像上集中呈现黑色;由于研究区多为山地, 植被覆盖率高, 林地表现为明显的绿色。居民区集中, 呈块状分布, 容易识别。耕地多呈现格网状, 草地则分布在较平缓地带。未利用地则一般分布在水库周围和森林之间。
三、结论
遥感影像分类一直是遥感应用研究的一个重要课题, 而计算机分类则是应用最广的实现手段。 (1) 对遥感影像进行地物分类时, 需要目视解译和计算机分类的有效结合, 以提高分类精度。在进行监督分类时, 首先需要通过目视解译划分地物类型, 进而确定分类特征, 选择训练样本, 进行分类。 (2) 通过实践和分析, 得出监督分类的三种方法中, 最大似然法法的分类精度最高, 马氏距离分类法次之, 而最小距离法的分类精度最低。利用新方法中支持向量机的分类, 精度则明显高过前三者, 也充分印证了遥感影像分类技术的发展和精度的改进。但是决策树分类效果不很理想, 和自己设置的决策规则有关, 在今后的研究中要继续改进。
参考文献
[1]吴学军.城市TM遥感图像分类方法研究[D].广西:广西师范大学, 2007.
[2]梅安新.遥感导论[M].北京:高等教育出版社, 2001, 7:193-201.
遥感分类 第5篇
基于遥感影像光谱信息的二叉决策分类树自动生成方法研究
使用决策树方法进行遥感影像分类时需要人工辅助构建决策树,这种方法存在着一旦数据变化就要人工参与重新建立决策树的缺点.针对这一问题,文中提出了依据地物类的样本训练结果,自动构建二叉决策分类树的方法.从阈值的.完整性、有效性以及自动选择满足用户需求最佳的建立决策树标准等方面保证决策树的精度以及合理性等.分类结果表明,与最大似然法相比,文中提出算法分类效果良好.
作 者：闫培洁 于子凡 王勇军 YAN Pei-jie YU Zi-fan WANG Yong-jun 作者单位：武汉大学遥感信息工程学院,武汉,430079刊 名：测绘科学 ISTIC PKU英文刊名：SCIENCE OF SURVEYING AND MAPPING年，卷(期)：200934(6)分类号：P237关键词：遥感影像分类 光谱信息 二叉决策树 自动生成 remote sensing classification spectral information binary decision tree automatically generation
遥感分类 第6篇
关键词：遥感图像,多分类器,监督分类
遥感图像的计算机分类算法通常有两类处理方案, 即监督分类和非监督分类[1]。遥感图像监督分类技术因其识别精度高, 应用领域十分广阔。与传统分类方法进行比较, 多分类器组合方法可以在一定程度上弥补单个分类器的不足, 提高分类性能。
1 遥感图像监督分类
监督分类又称训练场地法, 是以建立统计识别函数为理论基础, 依据典型样本训练方法进行分类的技术。监督分类是在有先验知识的条件下进行的, 先选择训练样区, 根据已知像元数据求出参数, 确定各类判别函数的形式, 然后利用判别函数对未知像元进行分类。
监督分类是对遥感图像进行定量分析的常用手段, 虽然单独的分类处理属于信息提取层, 但是遥感图像监督分类必须以图像校正为基础, 监督学习的结果可以进行分类后处理, 实现知识获取的自动化。遥感图像监督分类的整个处理过程涉及到数字图像处理的三个层次, 包括分类预处理、分类判别和分类后处理三个阶段[2]。
分类预处理是遥感图像监督分类过程中必不可少的阶段, 而且预处理结果的好坏、性能的优劣直接关系到监督分类的精度和处理速度。理想的遥感图像应该正确地反映地物的辐射能量分布和几何特征。分类预处理阶段的工作是对原始的遥感图像进行辐射校正与几何校正, 减少或消除图像失真对分类精度的不利影响。
分类判别阶段是遥感图像监督分类过程的核心部分, 包括属性选择和提取、学习算法设计、监督学习、像元分类四个步骤。在属性选取时, 不同光谱波段的像元灰度信息是遥感图像监督分类的主要依据;利用设计的学习算法对训练样本集中进行学习, 即可获得一个监督分类器:最后利用该监督分类器对未知类别的像元进行分类和识别。
分类后处理阶段主要是为了让专家或用户理解像元输入属性与输出类别之间的关系, 从而将监督分类器的分类行为表示成易于理解的形式。根据这些知识表示, 人们可以获取训练样本隐含的内在规律, 并可进一步指导分类判别阶段的属性选择。
2 遥感图像多分类器联合的监督分类
监督分类中的各分类器本身由于分类机制不同和遥感图像数据的不确定性, 各分类器都有其特定的优势和局限性。最小距离法与最大似然法结合的遥感图像监督分类法, 将分类器的优势结合, 以提高遥感图像计算机分类精度。
2.1 最小距离监督分类法
最小距离判决法建立在有关距离函数的判决规则上, 是图像分类中简单且有效的手段。传统的最小距离分类器的基本思想是根据训练集按照算术平均生成一个代表该类的中心向量, 对于每一个待分类像元, 计算其与中心向量之间的距离, 最后根据它们的最小距离来判定待分类像元所属类别。
2.2 最大似然监督分类法
最大似然分类法是平均误差最小的方法, 在常规的遥感数据分类中得到较为广泛的应用。它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。最大似然分类法的数学基础是基于贝叶斯公式的最小误分概率而来的。在有足够多的训练样本、一定的类别先验概率分布的知识, 且样本接近正态分布的条件下, 最大似然分类被认为是分类精度最高的分类方法。但是当训练样本数量较少时, 均值和协方差参数估计的偏差会影响分类精度, 样本数据有时并不服从正态分布, 这种条件下采用最大似然分类就不合适。
2.3 多分类器联合监督分类法
多分类器组合方法有多种, 常见的有3种分类标准, 分别是根据单个分类器的输出结果进行分类、根据训练样本的选取进行分类以及根据分类器组合的形式进行分类。
在多分类器的联合分类中, 要得到好的分类性能, 要从分类器组合规则进行考虑。分类器给定一个的组合规则, 利用这个组合规则, 使得分类器在该规则作用下能够得到最优的分类性能。多分类器之间组合的方式主要有串联和并联两种。采用串联时, 分类器之间会有影响, 即前一级的分类器的分类结果将影响下一级的分类。对于并联来说, 同一级的分类器之间则是相对独立的、相互竞争的, 通过规则推理确定最后的分类结果[3]。
多分类器组合的分类过程不仅是各子分类器组合的过程, 更是各种多分类器组合算法组合的过程[4]。将各个分类器对各个地物的分类精度组成一个类别精度矩阵, 在进行目标分类提取时, 通过该矩阵选取出分类器的分类作为判别最终输出分类结果的标准。这时可以在两种分类器中按一定规则选择区分度更高的分类器进行分类。联合判决规则如下:记最小距离为D1, 次最小距离为D2;最大概率为P1, 次最大概率为P2,
若TÁ>TÁ, 则采用最大似然分类, 否则进行最小距离分类。
利用多分类器联合监督分类有如下结果:根据分类方法的性能差异和特点, 寻找合适的组合规则和决策方法来获得最优的分类结果;当参与联合分类的各分类器对待判别的像元进行归类都正确时, 联合分类的结果也一定是正确的;有效的分类方法的集合, 能在给定的组合规则下获得最优的分类性能。
3 结论
基于多分类器的遥感图像监督分类方法, 采用最大似然法分类和最小距离法联合的分类器分类技术, 综合各个子分类器的优点, 通过这种多分类器组合方法提高了单一传统分类器的分类精度。这种方法是一种提高分类精度行之有效的方法, 也是遥感信息提取的一种有效途径。
参考文献
[1]梅安新, 彭望碌, 秦其明.遥感概论[M].北京:高等教育出版社, 2008.
[2]蒋艳凰.遥感图像高精度并行监督分类技术研究[D].北京:国防科学技术大学, 2004.
[3]饶雄, 高振宇.多分类器联合监督分类方法研究[J].四川测绘, 2006.
遥感图像分类技术的发展现状 第7篇
1 遥感图像分类方法现状
谈到遥感图像的分类就不得不提到图像分类的方法, 普遍的, 将图像分类的方法分为监督分类和非监督分类, 其区别主要在于对与遥感图像的目标地区是否有先验知识。
1.1 非监督分类
非监督分类的方法很像GIS技术中提到的基于聚类分析的数据挖掘, 一些基本的数学模型也很相似, 同时, 也有很多图像处理中的图像分割算法可以应用到遥感图像分类中来, 大概分为以下几类:
1.1.1 基于图像分割算法的分类
阈值分割是大部分图像分类方法的基本想法, 而简单的与阈值比较大小的判别方法也是很多决策理论的雏形。在原始图像经过变换选择特征得当的情况下, 这种算法也有比较理想的效果, 并且其运算速度快, 算法结构简单, 因而其应用仍然相当广泛。
分水岭变换, 区域增长法和边缘检测法都可以应用到图像的分类算法中, 一些研究者在这些方法分类中也取得了比较好的结果。
1.1.2 数据聚类算法
K-均值法是一种比较常见, 原理比较容易理解的聚类算法, 这种算法的弊端也很明显, 即在初始确定聚类中心即个数时非常随机, 而分类结果与最初确定的聚类中心位置个数关系非常大, 所以在初始值设定不合理时得不到理想的结果。同时, K-均值聚类对于各类样本的边界是线性不可分以及类分布为非高斯分布或类分布为非椭圆分布时, 其聚类效果较差。ISODATA算法延续了K-均值法的分类判别规则, 但是增加的类别的分裂和合并机制, 从而优化了聚类结果, 但是同时也增加了算法结构的复杂程度。
还有一些研究者为了解决K-均值聚类结果受初始值影响严重的问题提出了一些确定更合理的初始值的方法, 如取相互距离最远的k个处于高密度区域的点作为初始聚类中心。引入核函数代替普通的欧氏距离, 用核空间代替原有的特征空间进行K-均值聚类也是优化K-均值法的一种手段。
基本的模糊聚类想法是基于模糊关系和模糊矩阵的, 模糊数学的基本应用之一:模糊关系是描述两个模糊集中的元素分别对于不同模糊集隶属度的函数, 而将之进行两两组织, 排列成阵即成为模糊矩阵, 按照模糊矩阵的乘法对原始矩阵乘方到一定次数后矩阵数值即保持稳定不变, 这时给出一个截断阈值, 就可以对原始元素进行分类。
一些文献中提到的HCM算法, 与K-均值算法实际上是同一个算法, 但是在HCM算法上发展出的FCM算法可以说是将模糊论引入K-均值算法的一个扩展。但是同时它也成为了模糊聚类的一种常用实现手段。虽然FCM算法的理论完善, 也取得了相关的很多应用成果, 但是它也有很多缺陷, 比如和K-均值法一样受初始值影响严重, 因而很多研究者致力于对其进行改进的工作。
1.2 监督分类
监督分类的基本思想是根据已知样本类别和类别的先验知识, 确定判别函数和对应的判别准则, 其中利用一定数量的已知类别样本的观测值求解待定参数的过程称之为学习或训练, 然后将未知类别的样本的观测值代入判别函数, 再依据判别准则对该样本的所属类别做出判定。
1.2.1 基于统计的监督分类
传统的监督分类在很大一部分程度上是基于数理统计模型的。也就是说, 对于样本的处理一般是求出如中心矩, 原点矩等一定的统计数值特征, 然后通过一定的统计判别规则将待分类点纳入到已采样的类别之中。
最小距离法:即求出各个样本在特征空间中的一阶原点矩, 然后将待分类的点与类别点的欧氏距离 (或者其他方法定义的距离) , 将距离最小的一种划分方式判定为该点所属的类别, 其做法就像已确定聚类中心不需要迭代的K-均值法。
最大似然法:使用贝叶斯判别规则的划分方法, 在统计规则上来讲是错分概率最小的一种分类方法。计算样本的一阶原点矩和二阶中心矩后估计该类别的概率分布, 将待分类点按照后验概率的判别公式纳入到所属概率最大的一个类别中。在模糊论中隶属度提出后也可以认为贝叶斯决策就是一种隶属度函数的选定方式, 并在统计意义上来讲符合正态分布总体的最大似然要求。
1.2.2 基于神经网络的监督分类
人工神经网络是根据模仿生物神经系统信号传输的仿生学成果, 是人工智能的领域的重要算法。现在的人工神经网络已从单层发展到多层, 并具有新的动态特征, 如BP算法, Hopfield算法。人工神经网络算法需要先验知识, 因为将其应用到图像分类时表现为一种监督分类。
另外, 一些研究者使用既有的GIS数据与遥感图像叠合, 通过GIS的矢量多边形的空间位置和其带有的属性信息作为自动选取样本的依据, 采用监督分类的方法对遥感图像进行分类, 即省去了人手工选取样本的工作量, 又使分类结果具有了一定的实际意义。
2 总结
近年来对于遥感图像分类的研究一直是学着重点研究的技术之一, 数字图像处理技术中众多的图像分类算法被应用到遥感影像分类的工作中来, 它的当今的发展方向简单总结为以下几点:
1) 将已有的比较成熟的分类基本方法综合应用, 吸收各种方法的长处, 发展出分类效果更好的分类器, 同时结合纹理, 光谱等分析手段增强原有算法。
2) 积极使用新出现的应用数学, 模式识别, 人工智能专家系统的算法, 结合遥感图像自身的特点实现全新的分类算法, 改进原有算法, 或创造新的分类理论。
3) 随着Quick Bird, IKONOS, Ge o Eye等超高空间分辨率多光谱民用的遥感影像以及超光谱传感器的相继出现, 与其相适应的图像分类方法成为当代学者的一个共同重要问题。
参考文献
[1]杨杰, 陈晓云.图像分类方法比较研究[J].微计算机应用, 2007.
[2]方圣辉等.基于边缘特征的变化检测方法研究[J].武汉大学学报.信息科学版, 2005.
遥感分类 第8篇
遥感技术因其各方面的优势已成为养殖水面调查和监测的一种重要手段, 但是传统基于像元的图像处理技术容易产生噪声现象[1,2]。面向对象的分类方法综合考虑了地物的形状、纹理、结构等空间信息, 能更好的解决特定地物的提取[3]。文章在实验中将验证和解答以下问题:面向对象方法相对于传统基于像元分类方法的优越性及其表现;面向对象方法中的最优尺度分割问题;面向对象方法提取养殖水面的规则。
1 实验区数据源及预处理
1.1 实验区及数据源
研究中主要采用了两种不同分辨率的数据源, 即高分辨率数据SPOT-5影像和中等分辨率的Landsat TM影像, 实验区选择了珠江口东岸的一块矩形区域, 纬度、经度范围分别为北纬22°45′3″~22°34′3″和东经113°45′7″~113°55′13″。该区域内的水体类型丰富, 含有近海、河流、水库、养殖水面等多种类型, 适宜作为实验区。
1.2 数据预处理
由于TM影像已经经过了几何校正, 故不再做处理, 而是以该图像为基准对SPOT影像进行几何精校正, 以满足实验需要。应用三次多项式对该影像进行几何精校正, 均方根误差小于0.5个像元, 采用双向线性插值法进行重采样, 并进行了线性拉伸和影像信息增强处理。
1.3 实验区水体分类系统
实验目的是为了提取养殖水面, 但由于养殖水面的特征与其他水体较为接近, 因此实验中也相应的对所有水体类型进行了分类, 也便于后期的分别类精度评价。通过对各类型水体进行进行详细观察和描述, 建立了实验区的水体类型识别标志, 以便有利于各种水体类型的特征识别和提取。 (表1)
2 SPOT-5影像提取实验
2.1 最优尺度分割实验
通过对比, 实验采用了2个尺度对影像进行分割, 形成多层次的网状对象架构, 对不同类别层次的地物采取不同的分割尺度, 以提高分类精度。 (图1) 实验中多尺度分割的具体参数因子设置见表2。
2.2 实验区水体属性特征提取
对于SPOT-5影像, 其不同的波段各自反映了地物不同方面的特征, B4短波红外波段主要反映植物和土壤含水量;B3近红外波段和B2红光波段对植被的覆盖、生长、病害等变化较敏感;B1绿光波段对植被的叶绿素较敏感。对于水体的提取方法, 主要有单波段阈值法、水体指数法、谱间关系法、改进的归一化水体指数法、植被指数法、特征波段PRWI法[4,5,6,7,8,9,10]等。实验中选取的特征包括波段均值、亮度值、面积、长宽比、矩形拟合度等单一特征或特征组合。
2.3 实验区养殖水面提取
提取的步骤和规则见表3。
2.4 精度检验 (表4)
通过对比可以发现, 面向对象的方法在很大程度上克服了“同物异谱”、“异物同谱”、“边界过渡”等现象对分类结果的影响, 多尺度的分割更好的利用了各地类的差异, 生成的地物对象较为完整, 充分利用形状、纹理、与相邻对象的关系等空间特征来综合提取, 精度得到了较大的提高, 分类的总体精度为89.34%, Kappa系数为0.8528, 养殖水面的生产者精度提高到78.63%, 用户精度达85.24%。面向对象方法也存在一定的错分误分, 对于混在水库、近海中的一些不规整的养殖水面, 未能有效的提取出来。从总体上看, 面向对象的分类方法在SPOT-5影像中进行水体的分类和养殖水面的提取方面, 其实用性和优越性要高于基于像元的方法。
参考文献
[1]申晋利.吉林省莫莫格地区面向对象湿地遥感分类方法研究[D].北京:中国地质大学, 2006:19-21.
[2]李俊杰, 何隆华.基于遥感影像纹理信息的湖泊围网养殖区提取[J].湖泊科学, 2006, 18 (4) :337-342.
[3]戴昌达, 姜小光, 唐伶俐著.遥感图像处理应用与分析[M].北京:清华大学出版社, 2004.
[4]McFeeters S K.The Use of Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features[J].International Journal of Remote Sensing, 1996, 17 (7) :1425-1432.
[5]陆家驹, 李士鸿.TM资料水体识别技术的改进[J].环境遥感, 1992, 7 (1) :17-23.
[6]孙晓宇, 苏振奋, 周成虎等.基于RS和GIS的珠江口养殖用地时空变化分析[J].资源科学, 2010, 32 (1) :71-77.
[7]王海君, 乐成峰.应用基于纹理的面向对象分类模糊方法提取水田信息[J].地理与地理信息科学, 2008, 24 (5) :40-43.
[8]徐涵秋.利用改进的归一化差异水体指数 (MNDWI) 提取水体信息的研究[J].遥感学报, 2005 (5) :589-595.
[9]杨存建, 徐美.遥感信息机理的水体提取方法的探讨[J].地理研究, 1998, 17 (增刊) :86-89.
基于遥感图像特征的分类方法研究 第9篇
1 光谱特征分类技术
光谱特征是遥感图像最基本的特征,传统的遥感图像分类算法都是基于光谱特征进行的。遥感图像计算机分类算法通常有两类处理方案,即监督分类(Supervised)和非监督分类(Unsupervised)[1]。这两类方法得到的结果只是对不同类别达到了区分,不确定类别的属性,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数据比较后确定类别。
监督分类是在有先验知识的条件下进行的,先选择训练样区,根据已知像元数据求出参数,确定各类判别函数的形式,然后利用判别函数对未知像元进行分类,经典的监督分类法有最大似然法、最小距离法、光谱角分类法等。非监督分类按照特征矢量在特征空间中类别集群的特点进行分类,分类结果只是对不同类别达到了区分,而类别属性则是通过事后对各类的光谱响应曲线进行分析,或通过实地调查后确定的,常见的非监督分类法有K-均值、迭代自组织数据分析等。
2 纹理特征提取技术
纹理反映的是像素灰度的空间变化特征,是分布在整个图像或图像中某一区域内具有规律性排列的图形。Haralick等提出的灰度共生矩阵计算方法被公认为当今的一种重要的纹理分析方法[2]。灰度共生矩阵的分析方法,从遥感图像的灰度共生矩阵出发分析地物的空间分布特性,从多个侧面描述图像纹理的特征。
图像灰度表面都可以看成三维空间中的一个曲面,在三维空间中,相隔某一距离的两个像素灰度级的联合分布的统计形式,对纹理分析很有意义。灰度共生矩阵计算图像灰度级之间联合条件概率密度P(i,j/d,θ)来表示纹理。P(i,j/d,θ)表示在给定空间距离d和方向θ时,灰度为i为始点,出现灰度级为j的像素(x+△x,y十△y)同时出现的概率,如图1[3],P(i,j/d,θ)常用矩阵形式表示,称为灰度共生矩阵。
用数学公式表示则为:
式中,i,j=0,1,2,…,L-l;L为图像的灰度级数;x,y是图像中的像素坐标。
图像的灰度级数一般是256级,在求灰度共生矩阵之前常压缩为8级,对于遥感图像来说以下四种统计量效果最好[4]。
(1)对比度(Contrast)
对比度是灰度共生矩阵主对角线附近的惯性矩,它度量矩阵的值是如何分布和图像中局部变化的多少,反映了图像的清晰度和纹理的沟纹深浅。
(2)熵(Entropy)
熵度量图像纹理的随机性。当空间共生矩阵中所有值均相等时,它取得最大值;相反,如果共生矩阵中的值非常不均匀时,其值较小。
(3)角二阶矩(Angular second moment)
角二阶矩是灰度共生矩阵各元素的平方和,又称能量。它是图像纹理灰度变化均的度量,反映了图像灰度分布均匀程度和纹理粗细度。
(4)相关(Correlation)
它度量空间灰度共生矩阵元素在行或列方向上的相似程度,因此,相关值大小反映了图像中局部灰度相关性。
在ENVI4.2软件下(d和θ均取ENVI软件默认值,d为1个像元距离,θ方向为135°)以不同窗口大小生成灰度共生矩阵,基于灰度共生矩阵提取纹理特征图像。
3 基于光谱及纹理特征分类
基于特征的分类方法,采用将纹理特征参与到光谱特征中,利用光谱特征图像分别加入一个纹理特征图像共同分类。纹理单元的分形维特征较传统的方差特征在细分地物和表现边界特征方面效果要好[5]。基本处理思路就是提取待分类图像的光谱信息和纹理信息,采用监督或非监督方法进行图像分类,处理步骤如图2所示。
采用的是纹理特征图像是5×5窗口的纹理特征图像。利用纹理特征图像辅助分类,得到了监督分类的图像,与单独使用光谱图像的分类结果相比较可以看出:通过利用纹理特征辅助分类的手段对图像分类仍然有些错分和漏分的现象,但在分类的清晰度和分离度有了一定的提高,如图3、4、5所示。
引入纹理信息进行图像分类,利用光谱信息、最佳窗口(5×5)下的纹理信息,利用了ENVI软件实现了纹理特征图像的提取和分类方法的选择,基于灰度共生矩阵提取的纹理特征图像参与分类,比基于光谱单源信息分类的精度有一定提高。将非光谱信息参与到分类中能够提高分类精度,解决了光谱特征不能很好区分“同物异谱、同谱异物”的现象,利用非光谱信息建立相应的提取模型,是遥感图像分类方法研究过程中的发展趋势。
摘要：基于光谱特征的遥感图像信息提取方法存在分类精度和效率低的不足,在ENVI软件下采用基于灰度共生矩阵提取纹理特征的方法,将纹理特征参与到光谱特征中进行分类,并与基于光谱单源数据分类进行分析和比较。实验结果表明,纹理特征参与分类在一定程度上提高了遥感图像的分类精度。
关键词：光谱特征,纹理特征,灰度共生矩阵,图像分类
参考文献
[1]梅安新,彭望碌,秦其明,等.遥感导论[M].北京:高等教育出版社,2008.
[2]Saber E,Tekalp A M.Region-based image an-notation using color and texture cues[J].Italy,Procof EUSIPCO'1,996,96.
[3]Bradley AJ,ackway P,Lovell B.Classification inscale-space:applications to texture analysis[J].Proc.Of DICTA-95,Austral ia1,995.
[4]郭德军,宋蛰存.基于灰度共生矩阵的纹理影像分类研究[J].林业机械与木工设备,2005,7.
遥感分类 第10篇
关键词：商空间,面向对象分类,自适应区域增长,云模型,模糊支持向量机
0 引言
随着高分辨率遥感影像的普及,针对高分辨率影像的信息解译技术已经成为一个研究热点。影像分类技术是实现影像解译的一个基本方法。传统的分类技术如最大似然法[1]、最小距离法[2]、K-means法[3]以及ISODATA[4]等,都是基于像素光谱特征的分类或聚类方法。与低分辨率遥感影像相比,高分辨率遥感影像能提供更多的利于分类的特征,如纹理特征、形状特征、空间相关特征等,这些特征的应用无疑将大大提高目标识别的能力。另一方面,由于地物细节丰富、空间相关性强而产生相互影响和干扰,以及同物异谱、同谱异物的广泛存在等,将降低目标识别的可靠性。因此,仅基于像素光谱特征的传统分类方法并不适合于高分辨率遥感影像。面向对象的多特征分类技术以对象为处理单元,充分利用对象的多维特征,将单个特征无法区分的地物用多维特征加以区分,因而具有更高的可靠性,适用于高分辨率遥感影像分类。
面向对象的影像分类过程可以描述为以下三个方面:影像分割与对象生成、特征选择与计算,分类算法执行。因此,分类效果取决于三个因素:分割质量、特征选择、分类算法性能。影像分割是面向对象分类的基础,影像分割将影像分成数量相对较少、具有多维特征、内部同质的区域,后续的分类就是以这些同质区域为基础开展的。由于遥感影像的复杂性以及影像分割技术的限制,获得一个令人满意的分割结果常常是比较困难的。为尽可能准确地获得内部较为同质、又相对完整而不破碎的区域,本文提出了一种自适应的基于云模型的区域增长分割方法。
近年来,人们提出了一些新的分类技术,如人工神经网络技术[5]、模糊分类技术[6]、决策树分类技术[7]等。这些分类技术目前仍主要针对中低分辨率遥感影像,虽然已经取得了大量的进展,但仍多应用于基于像素光谱的分类,将它们直接应用于高分辨率遥感影像分类仍然不太理想。
Vapnik等根据统计学习理论,提出了支持向量机的技术(SVM)[8]。SVM在求解小数量样本、非线性、高维特征的模式识别问题上具有良好的性能。由于影像分割产生的区域具有数量相对较少、特征维数相对较高的特点,因此SVM技术更适合于面向对象的分类。SVM算法属于监督法分类技术,需要人工指定训练样本,而且分类结果的精度取决于训练样本的质量。为减少低质量训练样本对分类精度的影响,以及提高算法抗噪声能力,Lin提出了一种模糊支持向量机的技术(FSVM)[9]。在FSVM中,不同的训练样本对分类超平面的贡献程度不同,赋予不同的加权惩罚系数,以不同的隶属度表示。然而,对于模糊支持向量机来说,隶属度函数的确定又成为了关乎算法效能的一个关键问题。目前,尚未出现一个成熟的、广泛适用的隶属度确定方法。
本文对FSVM分类算法做出了改进,设计了一个新的隶属度计算方法,综合考虑了样本尺度、样本点到类中心的距离、以及样本点、类中心、最优超平面三者相对位置,以准确计算样本点的模糊隶属度。由于FSVM分类是一个两类分类技术,而对于遥感影像,地物的种类往往多于两类。目前研究人员采取的方案是将两类分类器扩展到多类分类器,提出SVM多类分类技术[10]。本文并没有采取这种多类扩展方案,而是借鉴决策树思想,并结合对象的多维特征,提出一种FSVM和决策树结合的分层分类策略。
目前的分类方法,无论是基于像素的还是面向对象的,大多局限在一个单一粒度空间对影像进行分类。由于高分辨率遥感影像的复杂性,单一粒度空间的分类结果往往存在着一定程度的错误,而且这种错误在单一粒度空间内是很难纠正的。张钹院士和张铃教授提出的基于商空间(Quotient space)的粒度计算模型及其理论认为,人类智能的公认特点,能使人们从极不相同的粒度上观察和分析同一问题,不仅能在不同的粒度世界上进行问题求解,而且能够很快地从一个粒度世界跳到另一个粒度世界[11]。
文本将商空间理论应用于高分辨率遥感影像分类,提出一种新的基于商空间理论,结合模糊支持向量机和决策树的分层合成分类技术。首先,在不同粒度下,构建基于模糊支持向量机和决策树的分层分类模型,形成不同粒度商空间下的分类结果。然后,运用商空间粒度合成原理,比较不同粒度商空间的分类结果,综合形成完整的合成分类结果。
1 自适应的基于云模型的区域增长
影像分割是面向对象分类的一个基本环节。分割质量对后续的分类效果有很大的影响。针对不同的应用,人们提出了很多不同的分割方法,总体上分为四类:阈值分割法、基于边界的方法、基于区域的方法以及二者结合的方法。这些方法很少考虑影像分割过程中像素聚类的不确定性,硬性地将其划归为某个类别,而忽视了像素属于其他类别的概率。影像分割过程并不是朝着一个“必然和确定”的方向进行,而是存在着随机性和不确定性,致使影像分割显得非常复杂,获得一个令人满意的分割结果常常是比较困难的。例如Mehnert和Jackway[12]指出,影像分割过程中存在着像素次序依赖,不同的像素次序可能引起不同的分割结果,这种像素次序依赖反映了影像分割的随机性。另外,在像素聚集形成区域的过程中,像素隶属某个区域的可靠程度不同,并不适合于用“完全隶属”或“完全不隶属”来描述,靠近区域中心的像素,隶属区域的可靠程度较大,远离区域中心的像素,隶属区域的可靠程度较小。这种可靠程度反映了影像分割的不确定性。
云模型是一个关于形式表达和概念分析的新理论[13],它能反映客观世界与人类认知科学领域概念的随机性和模糊性,以及表示随机性和模糊性之间的关联性,建立定性概念和定量数值之间的映射。云模型使用三个数值特征以表达概念特征,分别是期望值Ex、熵En以及超熵He。期望值Ex是云模型表达概念的中心值,它最能有效描述这个定性概念,表达云滴组概念的中心。熵En综合反映概念的模糊性和概率,表达云滴组的离散程度。超熵He度量熵的不确定性,也就是说,它是熵的熵,表达云滴组的偏离程度。
影像分割是将空间相邻、光谱相似的像素聚集形成同质区域的过程。如果我们把区域视作定性概念,我们就能使用云模型来表达区域概念,区域增长实际上就是云综合的过程,这个过程可以描述如下。
首先,利用后向云发生器实现从定量数值到定性概念的转换,定性概念实际上表达一个区域。后向云发生器是一个从定量数值特征到定性概念的转换模型,按下式计算期望值Ex和熵En:
根据期望值Ex和熵En,定义云期望曲线方程如下
其次,执行云综合处理使区域概念的数值尺度变大。随着概念的扩张,概念表达的区域也相应增长。本文将云期望方程作为区域增长和合并的判断准则,并且在增长过程中自适应调整这个准则。因此,任意像素对于每个邻近云模型的隶属度就可以用该方程计算得到。其过程描述如下。
1)通过正向云发生器,计算每一个未处理像素对于其邻近云模型的的隶属度;
2)比较像素对不同云模型的隶属度,像素合并到隶属度最大的云模型中;
3)重新计算云模型概念的定性特征,使云模型在扩张过程中实现自适应调整。
4)继续执行上述过程,直到所有像素都已处理。
为避免区域增长对像素次序、区域次序的依赖,保证所有区域能够以均衡的方式增长,我们采取了两个策略:
1)当一个像素相对几个不同的邻近云模型具有相同的隶属度时,我们采取的策略是,该像素分配到尺度最大的云模型。
2)当一个云模型增长后,下一次增长从与上一次特征差异显著的云模型开始,避免一些云模型过度增长,而另一些受到抑制。
2 商空间理论下的分层合成分类
本文认为,人眼在识别目标时遵循三个阶段,分别是分层识别阶段、对比识别阶段和合成识别阶段。其中,分层识别阶段,可以模拟为一种层次模型。在每一层次,根据一种或几种主要特征,将上一层次识别结果进一步区分。对比识别阶段,主要借助于上下文关系,进行推理判断。合成识别阶段,对不同角度的分层识别结果进行归纳、合成,得到最终的识别结果。商空间理论提供了问题的商空间描述,建立了问题求解的分层、推理、合成的理论框架,可以用于构建目标识别的统一模型。本文首先用模糊支持向量机和决策树建立层次分类模型;然后在商空间分解、合成理论指导下,建立合成分类模型,对不同层次分类结果合成,获得最终分类结果。
2.1 商空间粒度理论
商空间理论将一个问题描述为三元组(X,f,T),其中:X表示问题的论域,f表示论域属性,T表示论域拓扑结构。商空间理论认为同一个问题在粒度不同时,对应不同的等价关系,有不同层次的商空间描述。给定一个等价关系R,可以得到论域X对应于R的商集,记为[X],对应的三元组([X],[f],[T])称为对应于R的商空间。问题求解就是在某一粒度下对商空间中论域X及其相关结构T和属性f进行分析和研究,并在不同粒度下,研究各商空间相互之间的关系、合成、分解以及推理等。商空间的分解、合成、推理原理在文献[11]中有详细叙述。
2.2 基于改进模糊支持向量机和决策树的分层分类
本文对模糊支持向量机分类算法做出了两个改进。首先,设计了一个计算样本模糊隶属度的新算法,综合考虑了样本尺度、样本点到类中心的距离,以及样本点、类中心和最优分类面之间的相对位置。第二,提出了一个FSVM和ISODATA结合的分类方法,不仅提高了训练样本的质量,而且也使分类过程自动化。
2.2.1 改进的模糊支持向量机
给定一个模糊训练数据集(xi,yi,μi),i=1,2,...,n,其中:xi是d维特征点,yi代表xi的类标记,μi是样本xi的模糊隶属度。最优分类面不仅能使两类能正确区分开,而且还要使两类能最大距离分离,必须满足以下目标约束条件
式中:C是一个惩罚参数,控制着训练样本分类错误的惩罚程度;ξi是松弛因子。根据KKT理论(KarushKuhn-Tucker),FSVM把上述问题转化为求解以下最优化问题:
这是一个二次规划(QP)最优求解问题,拉格朗日乘子αi可以用二次规划方法计算。仅一部分训练样本有非0的αi,这些样本称为支持向量,因为只有这些非0的αi决定着分类超平面的位置。
这里K(xi,x)称为核函数,对于线性分类情况,线性核函数公式是
对于非线性分类情况,核函数的公式是
在FSVM的训练过程中,不同训练样本与分类面的相对位置以及距离不同,在求解分类面过程中所起作用也不同,因而在FSVM算法中具有不同重要程度,样本的隶属度正是反映这种重要程度。刘提出了一个隶属度计算方法,考虑了样本点到类中心的距离[14]。但这个方法没有考虑样本点、类中心以及最优分类面三者之间的相对位置,因此难以有效反映样本的重要程度。本文设计了一种新算法,综合考虑了样本尺度、样本点到类中心的距离、样本点与类中心以及最优分类面之间相对位置,以准确计算样本模糊隶属度。
假设正类的样本集为{(x1i,y1i,μ1i),i=,1,2N1},负类的样本集为{(x2j,y2j,μ2j),j=,1,2,N2},令1x表示正类样本的中心点,x2表示负类样本的中心点,每类样本的模糊隶属度μ1i,μ2j按下式计算
这里C1i,C2j表示每类样本调节系数:
FSVM是一个监督分类技术,需要提供一定数量的训练样本,且算法性能很大程度上取决于训练样本的质量。ISODATA是一个非监督聚类技术,通过设置初始聚类中心、定义相似性准则函数,对所有样本聚类,并在每次迭代过程中,动态调整聚类中心、合并和分裂,获得最终聚类结果[4]。为获得高质量训练样本,并使分类过程自动化,本文将FSVM算法和ISODATA结合,由ISODATA算法对所有对象进行聚类,从中选择一些样本作为训练样本。
2.2.2 模糊支持向量机和二叉决策树结合的分层分类
决策树算法是1986年由Quilan提出的[15],是一种重要的数据分类技术。本文采用的是二叉决策树算法,它是一种从无次序、无规则的样本数据集中,按照从上到下、分而治之的归纳过程,在二叉树的内部节点进行属性值的比较,做出一系列二者必居其一的选择,根据不同的属性值判断从该节点向下的分支,最终在决策树的叶节点得到分类结果。由于二叉决策树从上层节点到下层节点的归纳过程实际上是一个两类分类过程,可以用FSVM算法实现。因此,二叉决策树算法和模糊支持向量机算法结合,并考虑区域对象的多维特征,可以实现遥感影像的分层分类,其主要过程描述如下。
1)首先将所有区域样本视为一类作为第一层根节点;
2)对于第一层的根节点,选择某种特征,例如光谱特征,采用FSVM算法,将所有区域样本分为两组,形成第二层的两个节点;
3)针对第二层的每个节点,以某种特征,例如纹理特征,采用FSVM算法,将该节点的区域样本再分成两类,形成第三层的4个节点。
4)针对第三层的每个节点,以某种特征,例如几何特征,采用FSVM算法,将该节点的区域样本再分成两类,形成第四层的8个节点。
5)以上过程递归用,直到形成最后的叶节点,对应最终的分类结果。整个过程如图1所示。
2.3 基于商空间的分层合成分类
2.3.1 商空间粒度合成原理
影像(X,f,T)在粒度1商空间中的分类结果为(X1={a1},T1,f1),在粒度2商空间中的分类结果为(X2={a2},T2,f2),假设其合成的商空间分类结果为(X3={ci},T3,f3),商空间合成分别包括论域合成、拓扑结构合成以及属性函数合成,其中论域合成表示为
拓扑结构合成表示为T3={t 3|t3=t1∩t2,t1∈T1,t2∈T2}(11)
属性函数合成表示为
其中:D(f,f1,f2)是某一给定的判别准则,且对于投影Pi:(X3,T3,f3)→(Xi,Ti,fi),i=,12满足2,Pif3==fi，i=1,2。
2.3.2 基于商空间的分层合成分类
1)运用本文提出的模糊支持向量机和二叉决策树结合的分层分类方法,依次按光谱特征、纹理特征、几何特征对影像进行分层分类,获得粒度1商空间的分类结果(X1={a1},T1,f1)。
2)运用分层分类方法,依次按几何特征、光谱特征和纹理特征对影像进行分层分类。获得粒度2商空间的分类结果(X2={a2},T2,f2)。
3)根据商空间粒度合成原理,将粒度1商空间的分类结果(X1={a1},T1,f1)和粒度2商空间的分类结果(X2={a2},T2,f2)按式(10)进行合成。比较粒度1的分类结果和粒度2分类结果中每个对象的类别值,如果某个区域在2个粒度空间中的分类结果一致,则有理由认为该区域分类正确,存储到论域X3中。如果某个区域在2个粒度空间中分类结果不一致,则该区域分类错误。
4)将所有区域的光谱特征、几何特征、纹理特征组建特征向量。
5)对每类分类正确的区域进行ISODATA聚类,选择一定数量的聚类中心作为该类的训练样本,调用本文改进的FSVM算法构造分类器,对分类错误的区域重新进行分类,并将分类结果合并到论域X3中。
3 实验结果和分析
实验数据为SPOT影像,分辨率为2.5 m,大小为512像素×470像素,如图2所示。传统的分水岭分割结果如图3所示。从图3可以看出存在严重的过分割现象。用本文提出的基于云模型自适应区域增长的分割结果如图4所示,用本文的分层合成分类方法,其分类结果如图5所示。图6是用传统的基于像素光谱特征法的分类结果。对比图5和图6,本文的分类方法具有较好的分类效果,其中,道路、绿地、湖泊基本上被完整提取出来,且整个分类过程完全自动进行,无需人工选择训练样本,适合于高分辨率遥感影像分类。而图6传统方法(ISODATA)的分类结果则存在着较大的绿地和湖泊的混分,以及居民地和道路的混分情况。
图7是另一幅城区的遥感影像图,地物类型较为复杂,即使是目视解译,有些地物还无法直接从影像上判读,特别是两条道路其灰度差异较大。图8是本文的分层合成法分类结果,图9是传统的基于像素光谱特征分类结果。从本文方法分类结果来看,原图亮色和暗色两条道路被提取出来,因为其灰度差异过大分别作为2个类别。原图黑色或亮色且具有规则或不规则形状的地物,在分类图中也分别作为黄色、棕色、绿色、红色地类提取出来。而图9传统方法的分类结果很显然存在着较大的道路错分情况。由于本文研究在只有全色影像情况下分类,没有充分的多光谱数据,在这种情况下,即便是人工目视解译尚且有难度,自动解译只有在充分挖掘分类算法本身的性能和影像上提供的丰富的纹理特征、形状特征等才能提高目标的识别率。
4 结论