遙感圖像畢業(yè)設(shè)計(jì)

1、<p>　　本 科 畢 業(yè) 設(shè) 計(jì)（論文） </p><p>　　題目 遙感圖像分類方法研究</p><p>　　院（系部）測(cè)繪與國(guó)土信息工程學(xué)院</p><p>　　專業(yè)名稱 測(cè)繪工程 </p><p><b>　　年級(jí)班級(jí) </b></p><p>

2、<b>　　學(xué)生姓名 </b></p><p><b>　　指導(dǎo)教師 </b></p><p>　　20年 月 日</p><p><b>　　摘 要 </b></p><p>　　遙感圖像分類一直是遙感研究領(lǐng)域的重要內(nèi)容，如何解決多類別的圖像的分

3、類識(shí)別并滿足一定的精度，是遙感圖像研究中的一個(gè)關(guān)鍵問(wèn)題，具有十分重要的意義。</p><p>　　遙感圖像的計(jì)算機(jī)分類是通過(guò)計(jì)算機(jī)對(duì)遙感圖像像素進(jìn)行數(shù)值處理，達(dá)到自動(dòng)分類識(shí)別地物的目的。遙感圖像分類主要有兩類分類方法：一種是非監(jiān)督分類方法，另一種是監(jiān)督分類方法。非監(jiān)督分類方法是一個(gè)聚類過(guò)程，而監(jiān)督分類則是一個(gè)學(xué)習(xí)和訓(xùn)練的過(guò)程，需要一定的先驗(yàn)知識(shí)。非監(jiān)督分類由于不能確定類別屬性，因此直接利用的價(jià)值很小，研究應(yīng)用也越

4、來(lái)越少。而監(jiān)督分類隨著新技術(shù)新方法的不斷發(fā)展，分類方法也是層出不窮。從傳統(tǒng)的基于貝葉斯的最大似然分類方法到現(xiàn)在普遍研究使用的決策樹(shù)分類和人工神經(jīng)網(wǎng)絡(luò)分類方法，雖然這些方法很大程度改善了分類效果，提高了分類精度，增加了遙感的應(yīng)用能力。但是不同的方法有其不同優(yōu)缺點(diǎn)，分類效果也受很多因素的影響。</p><p>　　本文在對(duì)國(guó)內(nèi)外遙感圖像分類方法研究的進(jìn)展進(jìn)行充分分析的基礎(chǔ)上，應(yīng)用最大似然分類法、ISODATA分類法對(duì)

5、鶴壁市Geoeye遙感圖像進(jìn)行了分類研究。在對(duì)分類實(shí)現(xiàn)中，首先對(duì)分類過(guò)程中兩個(gè)必不可少的，并影響分類效果的步驟也進(jìn)行了詳細(xì)地研究，分別是分類樣本和分類特征；然后詳細(xì)介紹這兩種方法的分類實(shí)驗(yàn)；最后分別分析分類結(jié)果圖和采用混淆矩陣和kappa 系數(shù)對(duì)兩種方法的分類結(jié)果進(jìn)行精度評(píng)價(jià)。兩種分類方法的分類總體精度計(jì)算都達(dá)到80％以上，滿足分類要求。通過(guò)綜合分析發(fā)現(xiàn)本次研究ISODATA方法分類精度較低，最大似然法分類精度較高。</p>

6、<p>　　關(guān)鍵詞： 圖像分類，最大似然法，ISODATA分類法，分類精度</p><p><b>　　ABSTRACT</b></p><p>　　Remote sensing（RS）image classification is always a pivotal part of remote sensing study. How to improve

7、 the accuracy of RS interpretation is an urgent problem in RS application.</p><p>　　Classification of remote sensing image using computer is data disposal of remote sensing image pixels by computer. There ar

8、e mainly two methods: non-supervised classification, and supervised classification. Non-supervised classification is a clustering process, while supervised classification is a study and training process, and it needs pre

9、liminary knowledge. Because non-supervised classification can not ascertain attribute of sorts, its value is very little by direct used and applied. While su</p><p>　　Based on world RS image classification m

10、ethods analysis, this paper applied MLC, and ISODATA classification to study classification of the Hebi city’s RS image. Within classification carried out, first classification samples and features have been researched i

11、n detail, which are two absolute necessary steps that affect classification in the process .Afterward this paper concretely introduced experiment of two classification process. Finally this paper evaluated accuracy of di

12、fferent ways accordi</p><p>　　Keywords: Image Classification, Maximum likelihood, ISODATA classification, Classification Accuracy</p><p><b>　　目 錄</b></p><p><b>

13、;　　1 緒論1</b></p><p>　　1.1 研究背景與意義1</p><p>　　1.2 國(guó)內(nèi)外研究現(xiàn)狀2</p><p>　　1.3 研究?jī)?nèi)容與論文組織結(jié)構(gòu)3</p><p>　　2 遙感圖像分類技術(shù)4</p><p>　　2.1 遙感圖像計(jì)算機(jī)分類的一般原理4</p>

14、<p>　　2.1.1 概述4</p><p>　　2.1.2 計(jì)算機(jī)分類的基本原理5</p><p>　　2.1.3 計(jì)算機(jī)分類處理的一般過(guò)程5</p><p>　　2.2 遙感圖像分類方法7</p><p>　　2.2.1 監(jiān)督分類7</p><p>　　2.2.2 非監(jiān)督分類11<

15、;/p><p>　　2.3 遙感圖像分類新方法16</p><p>　　2.3.1 決策樹(shù)分類16</p><p>　　2.3.2 神經(jīng)網(wǎng)絡(luò)分類18</p><p>　　2.3.4 綜合閾值法19</p><p>　　2.3 圖像分類的一般過(guò)程19</p><p>　　3 遙感圖像分類方

16、法的應(yīng)用21</p><p>　　3.1 幾種高分辨率商業(yè)遙感衛(wèi)星介紹21</p><p>　　3.2 研究所使用的軟件介紹22</p><p>　　3.3 影像處理23</p><p>　　3.4 分類后處理27</p><p>　　4實(shí)驗(yàn)精度分析30</p><p>　　4.

17、1 遙感圖像分類的評(píng)價(jià)30</p><p><b>　　5總結(jié)與展望34</b></p><p><b>　　致 謝36</b></p><p><b>　　參考文獻(xiàn)37</b></p><p><b>　　1 緒論</b></p>

18、<p>　　1.1 研究背景與意義</p><p>　　遙感（Remote Sensing，簡(jiǎn)稱 RS）是一種遠(yuǎn)離目標(biāo)，通過(guò)非直接接觸而判定、測(cè)量并分析目標(biāo)性質(zhì)的技術(shù)，它實(shí)現(xiàn)了空間（或地表）圖像信息的采集與處理。遙感技術(shù)作為一種信息時(shí)代的產(chǎn)物和工具，具有周期動(dòng)態(tài)性、信息量豐富、獲取效率高等顯著優(yōu)勢(shì)[1]。近年來(lái)，隨著傳感器技術(shù)、航空和航天平合技術(shù)、數(shù)據(jù)通訊技術(shù)的飛速發(fā)展，現(xiàn)代遙感技術(shù)已經(jīng)進(jìn)入了一個(gè)動(dòng)態(tài)

19、、快速、準(zhǔn)確、及時(shí)、多手段地提供多種對(duì)地觀測(cè)數(shù)據(jù)的新階段。新型傳感器不斷出現(xiàn)，能在不同的航天、航空遙感平臺(tái)上獲得不同空間分辨率、時(shí)間分辨率和光譜分辨率的遙感圖像，并與全球定位系統(tǒng)（Global Position System，簡(jiǎn)稱 GPS）、地理信息系統(tǒng)（Geographical Information System，簡(jiǎn)稱 GIS）等相結(jié)合。由于遙感向人類提供了一種全新的認(rèn)識(shí)地球的方式而在眾多的學(xué)科和領(lǐng)域得到應(yīng)用，并逐漸發(fā)展成占優(yōu)勢(shì)的技

20、術(shù)手段，向外延伸、滲透和與其它技術(shù)的集成[2]。遙感圖像分析是遙感圖像處理的高級(jí)階段，是對(duì)地球表面及其環(huán)境在遙感圖像上的信息進(jìn)行特征提取，利用獲取的特征進(jìn)行分類，從而達(dá)到識(shí)別圖像信息所對(duì)應(yīng)的實(shí)際地物，提取所需地物</p><p>　　隨著21世紀(jì)的到來(lái)，光譜遙感正朝著三高（搞空間分辨率、高光譜分辨率、高時(shí)間分辨率）和三多（多傳感器、多平臺(tái)、多角度）的方向迅猛發(fā)展。面對(duì)如此海量的信息源，如何充分有效利用它們是亟待解

21、決的問(wèn)題。</p><p>　　1.2 國(guó)內(nèi)外研究現(xiàn)狀 </p><p>　　遙感圖像的計(jì)算機(jī)分類，與遙感圖像的目視解譯判讀技術(shù)相比，兩者的目的一致，但手段不同，前者是利用計(jì)算機(jī)模擬人類的識(shí)別能力，后者把地學(xué)工作人員的專業(yè)知識(shí)介入到圖像分析中去，是遙感解譯的基本方法。而在實(shí)際工作中，常常是二者有機(jī)結(jié)合起來(lái)，互相取長(zhǎng)補(bǔ)短。計(jì)算機(jī)自動(dòng)分類可以利用各波段、各像元的灰度值最小差異，探測(cè)目標(biāo)的微小變

22、化，精度較高，適于定量分析，速度快，可重復(fù)性好，因而越來(lái)越得到廣泛的應(yīng)用，尤其是與地理信息系統(tǒng)相結(jié)合更是顯出其強(qiáng)大優(yōu)勢(shì)。計(jì)算機(jī)分類的快速處理數(shù)據(jù)的能力也是與遙感大量信息相適應(yīng)的，目前已成為遙感理論和應(yīng)用研究領(lǐng)域主流之一。</p><p>　　遙感圖像分類的理論依據(jù)是：遙感圖像中同類地物在相同條件下(紋理、地</p><p>　　形、光照以及植被覆蓋等)應(yīng)具有相同或相似的光譜信息特征和空間信

23、息特征，</p><p>　　因此同類地物像元的特征向量將集群在統(tǒng)一特征空間區(qū)域，而不同的地物由于光譜信息特征或空間信息特征的不同，將集群在不同的特征空間區(qū)域。同類地物的各像元特征向量雖然不是完全集中在幾個(gè)點(diǎn)上，但也不是雜亂無(wú)章分布的，而是相對(duì)密集的分布在一起形成集群，當(dāng)像元數(shù)目較大時(shí)，近似呈多維正態(tài)分布。一個(gè)集群相當(dāng)于一個(gè)類別，而每類的像元值向量可以看作隨機(jī)向量，因而遙感圖像 分類方法一般是建立在隨機(jī)變量統(tǒng)計(jì)分

24、析的基礎(chǔ)上的。</p><p>　　依據(jù)是否使用類別的先驗(yàn)知識(shí)，可分為監(jiān)督分類(supervised classification)和非監(jiān)督分類(Unsupervised classification)。監(jiān)督和非監(jiān)督分類法相比，監(jiān)督分類的精度高些，準(zhǔn)確性要好一些，但是需要采樣，工作量要大得多。監(jiān)督分類要選好訓(xùn)練樣本，要求樣本有一定的代表性，而且有足夠的數(shù)量。常用的分類方法有最大似然法，神經(jīng)網(wǎng)絡(luò)法和基于知識(shí)的決策樹(shù)

25、法等，下一章詳細(xì)介紹。</p><p>　　在國(guó)外，在遙感圖像處理領(lǐng)域卓有成效的有美國(guó)ERDAS公司推出的ERDAS</p><p>　　imagine、加拿大ERM公司研制的ER Maper、新加坡3一link公司的ENVI等。這</p><p>　　些商用軟件通常提供基礎(chǔ)級(jí)(Essentials)、高級(jí)(Advantage)和專用級(jí)(Professional)

26、三級(jí)模塊軟件[5]。在專業(yè)級(jí)遙感圖像處理模塊是在其他兩級(jí)的基礎(chǔ)上，增加用于遙感與地理分析專業(yè)的綜合工具，如分類技術(shù)、雷達(dá)分析、可視化空間建模工具等。特別是ERDAS, Imagine不僅具有常用的監(jiān)督和非監(jiān)督分類技術(shù)，而且具有予像元分類器(Subpixel Classifier)及結(jié)合專家系統(tǒng)的專家分類器(Expert Classfier)。子像元分類模塊是功能強(qiáng)大的多光譜圖像研究工具，具有較高水平的光譜區(qū)分能力和分類精度。專家分類器通

27、過(guò)建立專家系統(tǒng)，既充分利用光譜信息，又將空間關(guān)系信息(紋理特征)引入，并且需要建立并運(yùn)行復(fù)雜的推理機(jī)制，從而生成土地覆蓋圖和其他信息類別。因而除了該軟件具有相當(dāng)高的價(jià)格外，對(duì)軟件使用者的地學(xué)知識(shí)和經(jīng)驗(yàn)以及建模能力又相當(dāng)高的要求[6]。 </p><p>　　國(guó)內(nèi)在GIS和遙感圖像處理領(lǐng)域的發(fā)展較晚，加之產(chǎn)品功能單一，因而在市場(chǎng)上的份額較小。進(jìn)入90年代以來(lái)，隨著國(guó)際上微機(jī)平臺(tái)的遙感圖像處理系統(tǒng)的興起和國(guó)內(nèi)地理信息

28、系統(tǒng)等相關(guān)領(lǐng)域的迅速發(fā)展，我國(guó)遙感圖像處理系統(tǒng)的研制有了新的發(fā)展[8]。武漢大學(xué)開(kāi)發(fā)的MAPGIS等國(guó)內(nèi)先進(jìn)的基于微機(jī)Windows平臺(tái)上的GIS軟件已包含了遙感圖像處理模塊。但其相對(duì)功能較弱。另外像Teullx Imager是北京諾瓦信息技術(shù)有限公司推出的獨(dú)立架構(gòu)的遙感圖像處理軟件。但遙感分類技術(shù)單一僅能提供最大似然法分類，因而分類效果相對(duì)較差。

29、 </p><p>　　1.3 研究?jī)?nèi)容與論文組織結(jié)構(gòu)</p><p><b>　　本文分為六部分。</b></p><p>　　為緒論，主要介紹本次研究背景、意義以及遙感圖像識(shí)別與分類技術(shù)發(fā)展和研究現(xiàn)狀，并提出本研究的主要內(nèi)容和研究方法；</p><p>　　第二章為遙感圖像分類技術(shù)的基本理論，介紹遙感圖像

30、分類的整個(gè)過(guò)程的基本原理，傳統(tǒng)的監(jiān)督、非監(jiān)督分類的基本算法，分類精度評(píng)價(jià)方法，為本研究提供理論基礎(chǔ)；</p><p>　　第三章介紹本次分類研究區(qū)典型地物類型樣本的確定原則和方法，并提出了本次分類實(shí)驗(yàn)樣本的選取方案；</p><p>　　第四章為本次分類實(shí)驗(yàn)的具體方法和結(jié)果，展示了遙感圖像分類的全過(guò)程，并分析不同分類方法的分類效果；</p><p>　　第五章為總結(jié)

31、和展望，總結(jié)本次的研究工作和不足，對(duì)未來(lái)的研究展開(kāi)思路打下鋪墊。</p><p>　　2 遙感圖像分類技術(shù)</p><p>　　在遙感技術(shù)的研究中，通過(guò)遙感影像判讀識(shí)別各種目標(biāo)是遙感技術(shù)發(fā)展的一種重要環(huán)節(jié)，無(wú)論是專業(yè)信息提取，動(dòng)態(tài)變化預(yù)測(cè)，還是專題制圖和遙感數(shù)據(jù)庫(kù)的建立等都離不開(kāi)分類。近年來(lái)隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，計(jì)算機(jī)分類識(shí)別成了遙感應(yīng)用的一個(gè)重要組成部分。</p>&l

32、t;p>　　2．1 遙感圖像計(jì)算機(jī)分類的一般原理</p><p><b>　　2.1.1 概述</b></p><p><b>　　1.遙感圖像解譯</b></p><p>　　遙感所得的圖像數(shù)據(jù)的應(yīng)用常常是將遙感數(shù)據(jù)進(jìn)行解譯，即是根據(jù)各專業(yè)的要求，借助各種技術(shù)手段和方法對(duì)遙感圖像進(jìn)行綜合分析、比較、推理和判斷，識(shí)別

33、出所需要的地物或測(cè)算某種數(shù)量指標(biāo)的過(guò)程。這種解譯有兩種方法：一種是目視解譯的方法，即是憑借光譜規(guī)律、地學(xué)規(guī)律和解譯者的經(jīng)驗(yàn)從圖像的亮度、色調(diào)、位置、時(shí)間、紋理、結(jié)構(gòu)等各種特征推出地面的景物類型；另一種是計(jì)算機(jī)的方法，就是對(duì)遙感圖像上的信息進(jìn)行屬性的識(shí)別和分類，從而達(dá)到識(shí)別圖像上信息所對(duì)應(yīng)的實(shí)際地物，提取所需要的地物信息的目的。它實(shí)際上是計(jì)算機(jī)模式識(shí)別技術(shù)在遙感技術(shù)領(lǐng)域的具體應(yīng)用。與遙感圖像的目視判別技術(shù)相比較，目的一樣但是手段不同，目視

34、的方法是直接利用人類的自然識(shí)別智能，而計(jì)算機(jī)分類是利用計(jì)算機(jī)技術(shù)來(lái)模擬人類的識(shí)別智能。</p><p><b>　　2．光譜特征</b></p><p>　　為了將各個(gè)波段圖像中的像元的亮度值與地面地物特征聯(lián)系起來(lái)，必須發(fā)現(xiàn)其中的規(guī)律性。由地物反射率曲線可知，在不同的波段各種地物的反射率有差異。如任意選擇TM遙感圖像的兩個(gè)波段或兩個(gè)以上的波段，以每一個(gè)波段的亮度值為軸

35、做多光譜空間，可以看到，對(duì)應(yīng)于同一地物的像元點(diǎn)在多光譜空間位置很接近，有集聚的傾向。這種同類集聚的特性說(shuō)明，如果按照地物類別集聚的規(guī)律把多光譜空間劃分為若干個(gè)子空間，每個(gè)子空間包含有一個(gè)類別，這樣就把圖像中未知的像元進(jìn)行分類，把他們分配到各自的子空間中去。這種完全按照光譜特征都在多光譜空間集聚的類別，稱為光譜類別；而與地面實(shí)際地物對(duì)應(yīng)的類別稱為信息類別。</p><p>　　由于自然界的情況是復(fù)雜的，反映在圖像上

36、像元亮度值的信息常常是多種影響的綜合，而同一種地物也有許多差別。在實(shí)際處理時(shí)，植被、地形、含水量等都會(huì)引起同種信息類別的亮度變化，這種現(xiàn)象常常稱為“同物異譜” 。還有在同一種光譜類別中有不同的信息類別，這種現(xiàn)象稱為“異物同譜” 。因此，當(dāng)利用光譜特性分類得到的光譜類別后，還要找到光譜類別與信息類別的關(guān)系，把每一種光譜類別與信息類別對(duì)應(yīng)，或?qū)⒐庾V類別進(jìn)一步區(qū)分為信息類別，才能得到正確的分類結(jié)果。</p><p>　

37、　2.1.2 計(jì)算機(jī)分類的基本原理</p><p>　　遙感圖像分類就是把圖像中的每一個(gè)像元或區(qū)域劃歸為若干類別中的一種，即是通過(guò)對(duì)各類別地物的光譜特征分析來(lái)選擇特征參數(shù)，將特征空間劃分為互不重疊的子空間，然后將圖像內(nèi)的各個(gè)像元?jiǎng)澐值礁鱾€(gè)子空間中去，從而實(shí)現(xiàn)分類。</p><p>　　假設(shè)多光譜圖像有n 個(gè)波段，則（i，j）位置上的像元在每個(gè)波段上額灰度值可以構(gòu)成一個(gè)矢量X＝（），T ，

38、X 稱作該像元的特征值，包含X 的n 維空間稱為特征空間。這樣n 個(gè)波段的多光譜圖像便可以用n 維特征空間中的一系列點(diǎn)來(lái)表示。在遙感圖像分類問(wèn)題中，常常把圖像中的某一類目標(biāo)稱為模式，而把屬于該類中的像素稱為樣本，多光譜矢量X 稱為樣本的觀測(cè)值，下面以多光譜圖像的兩個(gè)波段為例說(shuō)明遙感圖像分類的基本原理。</p><p>　　如果將多光譜圖像上的每個(gè)像素用特征空間中的一個(gè)點(diǎn)來(lái)表示，這樣多光譜圖像和特征空間中的點(diǎn)就具有

39、等價(jià)關(guān)系。通常情況下，同一類地面目標(biāo)的光譜特征比較接近，因此在特征空間中的點(diǎn)就聚集在該類的中心附近，多類目標(biāo)在特征空間中形成多個(gè)聚集中心。假設(shè)圖像上只包含兩類目標(biāo)，記為、，則在特征空間中形成A、B 兩個(gè)相互分開(kāi)的點(diǎn)集，這樣將圖像中的兩類目標(biāo)區(qū)分開(kāi)來(lái)就等于在特征空間上找到一條曲線（多光譜圖像就要找若干個(gè)曲面）將A、B 兩個(gè)點(diǎn)集分割開(kāi)。假如分割A(yù)、B 兩個(gè)點(diǎn)集的曲線表達(dá)式為，則方程＝0 就稱為A、B 兩類的判別界面。如果> 0，X 屬

40、于，如果< 0，X 屬于。遙感圖像分類算法的核心就是確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，但是在多光譜遙感圖像分類中，情況要復(fù)雜的多。</p><p>　　2.1.3 計(jì)算機(jī)分類處理的一般過(guò)程</p><p>　　遙感圖像計(jì)算機(jī)分類處理的基本過(guò)程，如下圖2-1 所示，包括原始圖像的預(yù)處理、訓(xùn)練樣本的選擇、特征的選擇和特征提取、分類器設(shè)計(jì)、圖像分類、結(jié)果輸出以及結(jié)果檢驗(yàn)等。</p>

41、<p>　　圖2-1 遙感圖像自動(dòng)分類處理的一般過(guò)程</p><p>　　1．原始圖像的預(yù)處理</p><p>　　原始圖像的預(yù)處理就是指對(duì)圖像進(jìn)行幾何校正、輻射校正、量化、采樣、濾波、增強(qiáng)、去噪等處理，以便獲得比較清晰、對(duì)比度強(qiáng)、位置準(zhǔn)確的圖像以提高分類的準(zhǔn)確性。</p><p><b>　　2．訓(xùn)練樣本的選擇</b><

42、/p><p>　　從待處理的圖像數(shù)據(jù)中抽取具有普遍性、代表性的數(shù)據(jù)作為樣本。訓(xùn)練區(qū)域選擇準(zhǔn)確與否，訓(xùn)練樣本數(shù)量是否足夠，關(guān)系到分類的精度的高低。在監(jiān)督分類中，訓(xùn)練樣本選擇最好的方法是選擇幾個(gè)典型區(qū)域，包含各類地物，進(jìn)行實(shí)地考察，對(duì)照實(shí)地將被分類的遙感圖像一一識(shí)別，并在圖上標(biāo)好，在到計(jì)算機(jī)上將這些數(shù)據(jù)提出。如果受客觀條件的限制，可以借助地圖、航片或其他專題資料進(jìn)行選擇等。如果在上述資料都沒(méi)有的情況下也可以先做非監(jiān)督分類

43、，在非監(jiān)督分類結(jié)果中選擇訓(xùn)練樣本。</p><p>　　3．特征選擇和特征提取</p><p>　　特征選擇是從眾多特征中挑選出可以參加分類運(yùn)算的若干個(gè)特征，如TM 圖像波段的選擇等。特征提取是在特征選擇后，利用特征提取算法從原始特征中求出最能反映其類別特性的一組新特征，完成樣本空間到特征空間的轉(zhuǎn)換。通過(guò)特征提取既可以達(dá)到數(shù)據(jù)的壓縮目的，又能提高不同類別特征之間的可區(qū)分性。</p&g

44、t;<p><b>　　4．圖像分類運(yùn)算</b></p><p>　　圖像分類運(yùn)算就是根據(jù)圖像的特點(diǎn)和分類目的而設(shè)計(jì)或選擇恰當(dāng)?shù)姆诸惼骷捌渑袆e準(zhǔn)則，對(duì)特征向量集進(jìn)行劃分、完成分類識(shí)別工作。分類階段是計(jì)算機(jī)處理的核心階段。</p><p><b>　　5．結(jié)果檢驗(yàn)</b></p><p>　　主要是對(duì)分類的精度

45、進(jìn)行評(píng)價(jià)。進(jìn)入傳感器的遙感信息由于受傳感器空間分辨率和光譜分辨率的限制，常常得到混合的信息。有時(shí)地物本身就是混合在一起的，例如植被覆蓋下的土壤。因此不存在理想的分類器，加上“同物異譜”、“異物同譜“現(xiàn)象的存在，錯(cuò)分的情況普遍存在，所以分類后必須進(jìn)行檢驗(yàn)，錯(cuò)分像素所占的比例越小，則分類效果越好。</p><p><b>　　6．結(jié)果輸出</b></p><p>　　包括

46、分類結(jié)果圖像的輸出，以及分類結(jié)果的統(tǒng)計(jì)，例如各類地物占地面積等。 </p><p>　　2.2 遙感圖像分類方法</p><p>　　遙感圖像分類過(guò)程實(shí)際上是將圖像中的每一個(gè)像元點(diǎn)或區(qū)域歸屬若干個(gè)類別中的一類，分類的結(jié)果是將圖像空間劃分為若干個(gè)子區(qū)域，每個(gè)子區(qū)域代表一種地物類型。</p><p>　　依據(jù)是否使用類別的先驗(yàn)知識(shí)，可

47、分為監(jiān)督分類（Supervised Classification）和非監(jiān)督分類（Unsupervised Classification）.</p><p>　　2.2.1 監(jiān)督分類</p><p>　　監(jiān)督分類就是先用某些已知類別訓(xùn)練樣本讓分類識(shí)別系統(tǒng)進(jìn)行學(xué)習(xí)，待其掌握了各個(gè)類別的特征之后，按照分類的決策規(guī)則進(jìn)行分類下去的過(guò)程。目前比較成熟的分類方法，一般是概率統(tǒng)計(jì)分類方法。除此之外，

48、尚有模擬自然語(yǔ)言的句法結(jié)構(gòu)識(shí)別分類方法和模糊數(shù)學(xué)分類方法等。就統(tǒng)計(jì)分類方法而論，通過(guò)計(jì)算各個(gè)類別的均值、方差、協(xié)方差、標(biāo)準(zhǔn)偏差和離散度等統(tǒng)計(jì)量，作為進(jìn)行比較不同類別的相似程度的依據(jù)和標(biāo)準(zhǔn)，也即在這些統(tǒng)計(jì)量的基礎(chǔ)上建立各個(gè)組類的類識(shí)別特征來(lái)進(jìn)行分類。</p><p>　　監(jiān)督分類方法主要有：最小距離分類法、平行多面體分類法、最大似然分類法等.</p><p>　　2.2.1.2 最小距離分

49、類法</p><p>　　最小距離分類法是以特征空間中的距離作為像素分類的依據(jù)。最小距離分類包括最小距離判別法和最近鄰域分類法。最小距離判別法要求對(duì)遙感圖像中每一個(gè)類別選一個(gè)具有代表意義的統(tǒng)計(jì)特征量（均值），首先計(jì)算待分像元與已知類別之間的距離，然后將其歸屬于距離最小的一類。最近鄰域分類法是上述方法在多波段遙感圖像分類的推廣。在多波段遙感圖像分類中，每一類別具有多個(gè)統(tǒng)計(jì)特征量。最近鄰域分類法首先計(jì)算待分像元到每一

50、類中每一個(gè)統(tǒng)計(jì)特征量間的距離，這樣，該像元到每一類都有幾個(gè)距離值，取其中最小的一個(gè)距離作為該像元到該類別的距離，最后比較該像元到所有類別間的距離，將其歸屬于距離最小的一類。最小距離分類法原理簡(jiǎn)單，分類精度不高，但計(jì)算速度快，它可以在快速瀏覽分類概況中使用。</p><p>　　最小距離分類法中通常使用以下三種距離判決函數(shù)。</p><p>　　（1）歐幾里德(Euclidean)距離<

51、;/p><p>　　歐幾里德 （歐氏）距離判決函數(shù)為：</p><p><b>　?。?-1）</b></p><p>　　式中 n----波段數(shù)；</p><p>　　------像元x在j波段的像元值。</p><p>　　分類的原則就是把x歸入最小的哪一類。</p><

52、p><b>　　絕對(duì)值距離</b></p><p>　　絕對(duì)值距離（或稱等混合距離）是歐氏距離的進(jìn)一步簡(jiǎn)化。其目的是為了避免平法計(jì)算，從而用X到類均值在多維空間中距離的絕對(duì)值之總和來(lái)表示，即： （i=1,2,...m） （2-2）</p><p>　　直接應(yīng)用以上兩種距離進(jìn)行分類是有明顯缺陷的。首先

53、，不同類別的亮度值得變化范圍，其方差的大小是不同的，不能簡(jiǎn)單地用到壘中心的距離來(lái)劃分像元的歸屬。其次，自然地物類別的點(diǎn)群分布不一定是圓形或球形，即不同方向上半徑是不等的，因而距離的量度在不同方向上也應(yīng)有所差異?？紤]到這些因素，在距離的算法上做一些改進(jìn)，如 </p><p><b>　?。?-3）</b></p><p>　　式中 ----第i類在第j波段的標(biāo)準(zhǔn)差。&

54、lt;/p><p>　　馬氏（Mahalanobis)距離</p><p>　　馬氏距離既考慮離散度，也考慮到訓(xùn)練組數(shù)據(jù)的均值向量和協(xié)方差矩陣，是一種加權(quán)的歐氏距離：</p><p>　?。╥=1,2,...m） （2-4）</p><p>　　式中 ------協(xié)方差矩陣；。</p>

55、<p>　　當(dāng)（單位矩陣）時(shí)，歐氏距離的平方即為馬氏距離。</p><p>　　馬氏距離對(duì)不同特征（波段）是敏感的，需要進(jìn)行行加權(quán)，通過(guò)協(xié)方差矩陣來(lái)考慮變量相關(guān)性，加權(quán)的辦法就是考慮不同特征中像元值得離散程度，離散程度大的波段在距離中相應(yīng)地消弱它的影響程度。</p><p>　　2.2..1.3 平行多面體分類法</p><p>　　平行多面體分類法

56、是根據(jù)設(shè)定在各軸上的值域，在多維數(shù)據(jù)特征空間中劃分出若干個(gè)互不重疊的平行多面體塊段。應(yīng)用這種方法進(jìn)行分類需要由訓(xùn)練組數(shù)據(jù)學(xué)習(xí)產(chǎn)生基本統(tǒng)計(jì)量信息，包括每個(gè)類別的均值向量和標(biāo)準(zhǔn)差向量。若有n個(gè)波段，m個(gè)類別，用代表第i類第j波段的均值，為對(duì)應(yīng)的標(biāo)準(zhǔn)差，為像元x在j波段的像元值。</p><p>　　對(duì)于某一個(gè)類別i（i=1,2,3,...m）,當(dāng)像元x滿足：</p><p><b>

57、　?。?-5）</b></p><p>　　即該像元在所有波段的灰度值都符合上述條件，就把像元x歸入第i類，即class（x）=i;否則不能歸入已知類別，即class（x）=0。式中T為人為規(guī)定的一個(gè)閾值，相當(dāng)于由概率分布出發(fā)，采用幾個(gè)標(biāo)準(zhǔn)作為可信的分類邊界，T越大則一個(gè)類的范圍越大。</p><p>　　這種方法比較簡(jiǎn)單，計(jì)算速度比較快。主要問(wèn)題是按照各個(gè)波段的均值為標(biāo)準(zhǔn)差劃

58、分的平行多面體與實(shí)際地物類別數(shù)據(jù)點(diǎn)分布的點(diǎn)群形態(tài)不一致，也就造成兩類互相重疊，混淆不清的情況。</p><p>　　2.2.1.4 最大似然法</p><p>　　最大似然法因有嚴(yán)密的理論基礎(chǔ)，對(duì)于呈正態(tài)分布的類別判別函數(shù)易于建立，綜合應(yīng)用了每個(gè)類別在各波段中的均值，方差以及各波段之間的協(xié)方差，有較好的統(tǒng)計(jì)特性，一直被認(rèn)為是最先進(jìn)的分類方法。</p><p><

59、;b>　　1 基本原理</b></p><p>　　最大似然比判決分類方法是建立在貝葉斯準(zhǔn)則基礎(chǔ)上的，其分類錯(cuò)誤概率最小，是風(fēng)險(xiǎn)最小的判決分析。在進(jìn)行圖像統(tǒng)計(jì)分類中，如果有一個(gè)N波段的待分像元的隨機(jī)模式：。</p><p>　　應(yīng)把它判歸于那一個(gè)類別呢?事實(shí)上，隨機(jī)模式x肯定是某地物在遙感圖像</p><p>　　上的反映，就是說(shuō)它可以找到一個(gè)類別

60、；，把待判模式x歸屬進(jìn)去。假定遙感圖像有4個(gè)波段，對(duì)一個(gè)像元點(diǎn)來(lái)說(shuō)，每一個(gè)波段值都為0～255，即有256種可能性，4個(gè)波段就為種組合可能性，也就是說(shuō)對(duì)于一個(gè)類別就有種波譜分布的可能性。假如要分成m個(gè)類，就要有m×種波譜分布。這樣多的波譜分布的直方圖都要貯存在計(jì)算機(jī)內(nèi)，以便分類過(guò)程中進(jìn)行匹配和識(shí)別時(shí)選用，這實(shí)際上是行不通的。但是，在自然界中大部分事物的規(guī)律都是服從正態(tài)分布的，地物的波譜輻射和其對(duì)應(yīng)的遙感圖像灰度值也都近似地遵循

61、正態(tài)函數(shù)的分布。 </p><p>　　最大似然分類法是基于Bayes準(zhǔn)則的應(yīng)用最為廣泛的監(jiān)督分類方法。這種方法主要根據(jù)光譜性質(zhì)的相似性和屬于某類的概率最大的假設(shè)來(lái)指定每個(gè)像元的類別。有時(shí)也可以設(shè)定一個(gè)可能性閾值，那么最大的概率還小于這個(gè)閾值的像元將不會(huì)被分類。假定訓(xùn)練樣本數(shù)據(jù)在特征空間的分布是服從高斯正態(tài)分布的，把特征點(diǎn)x歸于某類集群G．的條件概率P(G／x)作為判別函數(shù)，稱為概

62、率判別函數(shù)。由于概率是建立在統(tǒng)計(jì)意義上的，所以當(dāng)使用概率判決函數(shù)來(lái)進(jìn)行分類時(shí)，錯(cuò)分現(xiàn)象是不可避免的，我們希望以“錯(cuò)分損失最小”來(lái)建立需要的判別規(guī)則，這就是Bayes準(zhǔn)則。</p><p>　　最大似然分類法的基本前提是認(rèn)為每一類得概率密度分布是正態(tài)的，由每一類的均值向量和協(xié)方差矩陣可以得到它再多維空間的多維正態(tài)分布密度函數(shù)，該密度函數(shù)的自變量就是一個(gè)多維向量。將未知類別的像元灰度值向量代入各類別的概率密度函數(shù)中，

63、通過(guò)計(jì)算像元屬于各類別的歸屬概率，將像元?dú)w屬于歸屬概率最大的那一類別中。</p><p>　　設(shè)待分類遙感圖像中每個(gè)像元取n個(gè)變量，則像元值可以用向量表示：</p><p><b>　?。?-6）</b></p><p>　　其中，是指X的轉(zhuǎn)置。</p><p>　　若研究地區(qū)可分為G類，則任意像元必來(lái)自其中的某一類。當(dāng)

64、各類總體為多元正態(tài)總體時(shí)，像元特征向量X在第g類得概率分布密度為：</p><p><b>　?。?-7）</b></p><p>　　式中 ---------第g類總體的均值向量和協(xié)方差陣；</p><p>　　-------矩陣的行列式值；</p><p>　　------的逆陣。</p>&l

65、t;p>　　根據(jù)Bayes公式，在X出現(xiàn)的條件下，其歸屬第g類得歸屬概率為：</p><p><b>　　（2-8）</b></p><p>　　式中 ---------第i類出現(xiàn)的先驗(yàn)概率。</p><p>　　顯然，越大，像元X來(lái)自g類得概率就越大，所以表示X歸屬于g類得概率，稱為像元X的歸屬概率。

66、 </p><p>　　2 存在的問(wèn)題 </p><p>　　隨著遙感數(shù)據(jù)時(shí)空維數(shù)的不斷擴(kuò)展，基于Bayes統(tǒng)計(jì)理論的最大似然分類方</p><p>　　法開(kāi)始暴露出一些弱點(diǎn)：</p><p>　　1)多源、多維的遙感數(shù)據(jù)，可能不具備正態(tài)分布特征：</p><p>　　2)離散的類別數(shù)據(jù)（如地面

67、實(shí)測(cè)數(shù)據(jù))，在很多情況下不具備統(tǒng)計(jì)意義； </p><p>　　3)對(duì)于高維空間數(shù)據(jù)，Bayes準(zhǔn)則所要求的協(xié)方差矩陣將難以得到。 </p><p>　　2.2.2 非監(jiān)督分類</p><p>　　非監(jiān)督分類是按照灰度值向量或波段樣式在特征空間聚類的情況劃分點(diǎn)群或類別的，再根據(jù)相似性把圖像中的像素歸成若干類別。它的目的是使得屬于同一類別

68、的像素之間的距離盡可能小而不同類別上的像素間的距離盡可能地大。</p><p>　　2.2.2.1 聚類分析技術(shù)</p><p>　　聚類（Clustering）分析又稱群分析，它是研究樣品或指標(biāo)分類問(wèn)題的一種多元統(tǒng)計(jì)方法。非監(jiān)督分類主要采用聚類分析技術(shù)，用于在沒(méi)有已知類別的訓(xùn)練數(shù)據(jù)的情況下，是一種邊學(xué)習(xí)邊分類的方法。分類時(shí)不必對(duì)圖像地物獲取先驗(yàn)知識(shí)，僅依靠圖像上對(duì)不同類地物的光譜信息進(jìn)

69、行特征提取的統(tǒng)計(jì)特征的差別來(lái)達(dá)到分類的目的，最后對(duì)已分出的各個(gè)類別的實(shí)地屬性進(jìn)行確認(rèn)。</p><p>　　非監(jiān)督分類的前提就是假定遙感圖像上不同類地物在同樣條件下具有相同的光譜信息特征。遙感圖像上的同類地物在相同的表面結(jié)構(gòu)特征、植被覆蓋、光照條件下，應(yīng)當(dāng)具有相同或相近的光譜特征，從而表現(xiàn)出來(lái)某種內(nèi)在的相似性，歸屬于同一個(gè)光譜空間區(qū)域；不同的地物，光譜信息特征不同，歸屬于不同的 光譜空間區(qū)域。從幾何角度看，一個(gè)點(diǎn)

70、群或類別是在N維特征空間里在某個(gè)眾數(shù)的周圍數(shù)據(jù)點(diǎn)（像元）相對(duì)密集的區(qū)域，亮度值向量之間具有很大的相似性。</p><p>　　相似度是兩類別之間的相似程度。在遙感圖像分類過(guò)程中，常使用距離和相關(guān)系數(shù)衡量相似度。采用距離衡量相似度時(shí)，距離越小相似度越大；反之，距離越大，相似度越小。相關(guān)系數(shù)是指像素間的關(guān)聯(lián)程度，采用相關(guān)系數(shù)衡量相似度時(shí)，相關(guān)程度越大，相似度越大；相關(guān)程度越小，相似度越小。兩個(gè)像素之間的相關(guān)系數(shù)可以定

71、義為：</p><p><b>　　（2-9）</b></p><p>　　其中，為像元i和j的第k個(gè)分量；和表示均值。</p><p>　　聚類分析的過(guò)程是動(dòng)態(tài)的，非監(jiān)督分類算法的核心問(wèn)題是初始類別參數(shù)的選定以及它的迭代調(diào)整問(wèn)題。根據(jù)分類過(guò)程中的差異，常用的方法有K-均值聚類法和ISODATA分類法。

72、 </p><p>　　2.2.2.2 K-均值聚類法</p><p>　　K-均值聚類法是一種較為典型的逐點(diǎn)修改迭代的動(dòng)態(tài)聚類算法，也是一種普遍采用的方法。K-均值聚類的準(zhǔn)則是使每一聚類中多模式點(diǎn)到該類別的中心的距離的平方和最小。一般先按某些原則選擇一些代表點(diǎn)作為聚類的核心，然后把其余的待分點(diǎn)按某種方法分到各類中去，完成初始分類。初始分類完成后，重新計(jì)算

73、各聚類中心m,完成第一次迭代。然后修改聚類中心，以便進(jìn)行下一次迭代。這種修改有兩種方案，即逐點(diǎn)修改和逐批修改。逐點(diǎn)修改聚類中心就是一個(gè)像元樣本按某一原則歸屬于某一組類后，重新計(jì)算這個(gè)組類的均值，并且以新的均值聚類中心點(diǎn)進(jìn)行下一次像元聚類。逐批修改類中心就是在全部像元樣本按某一組的類中心分類之后，再計(jì)算修改各類的均值，作為下一次分類的聚類中心點(diǎn)。</p><p>　　K-mean分類方法簡(jiǎn)單易行，其基本思想是：通過(guò)

74、迭代，逐次移動(dòng)各類的中心，直到得到最好的聚類結(jié)果為止。具體算法步驟：</p><p>　　任意選擇K個(gè)初始聚類中心，一般選擇給定樣本集的前k個(gè)樣本作為初始聚類中心。</p><p>　　第k次迭代，是若，式中i=1,2,....k, ,則，為聚類中心是的樣本集。于是分配各樣本x到k個(gè)聚類域。</p><p>　　（3）由（2）的結(jié)果，計(jì)算新的聚類中心</p&g

75、t;<p>　　，； （2-10）</p><p>　　這樣使中的所有點(diǎn)到新的聚類中心的距離平方和最小。</p><p>　　（4）若，j=1,2,...k,算法收斂，程序結(jié)束。否則轉(zhuǎn)入第二步。</p><p>　　聚類中心數(shù)K、初始聚類中心的選擇、樣本輸入的次序，以及樣本的幾何特性等均影響k平均算法的進(jìn)行過(guò)

76、程。對(duì)這種算法雖然無(wú)法證明其收斂性，當(dāng)模式類之間彼此遠(yuǎn)離時(shí)這個(gè)算法所得的結(jié)果是令人滿意的。</p><p>　　2.2.2.3 ISODATA 分類法</p><p>　　ISODATA 是Iterative Self-Organizing Data analysis Techniques A的縮寫(xiě)，A是為發(fā)音的方便而加入的，ISODATA 算法是利用合并和分開(kāi)的一種著名的聚類方法。它從

77、樣本平均迭代來(lái)確定聚類的中心，在每一次迭代時(shí)，首先在不改變類別數(shù)目的前提下改變分類。然后將樣本平均矢量之差小于某一指定閾值的每一類別對(duì)合并起來(lái)，或根據(jù)樣本協(xié)方差矩陣來(lái)決定其分裂與否。主要環(huán)節(jié)是聚類、集群分裂和集群合并等處理。</p><p><b>　　算法原理：</b></p><p>　　1 指定和輸入；有關(guān)的迭代限制參數(shù)</p><p>

78、;　　K----要求的聚類中心數(shù)；</p><p>　　-----一個(gè)聚類中心域中至少具有樣本個(gè)數(shù)的閾值；</p><p>　　-------標(biāo)準(zhǔn)差的閾值；</p><p>　　-------歸并系數(shù)，聚類中心間距離的閾值；</p><p>　　L------能歸并的聚類中心對(duì)的最大數(shù)；</p><p>　　I----

79、---允許迭代次數(shù)。</p><p>　　另再執(zhí)行算法前，應(yīng)先指定C個(gè)初始聚類中心，表示為；C不一定等于所要求的聚類中心數(shù)K；可為給定模式中的任意樣本。</p><p><b>　　2 具體步驟</b></p><p>　?。?）定算法的參數(shù)K、、、L、I；</p><p>　　（2）配N個(gè)樣本到C個(gè)聚類中心。若，則其中

80、表示分到聚類中心的樣本子集，為的樣本數(shù)；</p><p>　?。?）對(duì)任意的j，，則去除，并使C=C-1，即將樣本數(shù)比少的樣本子集去除；</p><p><b>　　（4）新聚類中心</b></p><p><b>　?。?-11）</b></p><p>　　(5)計(jì)算聚類域中的樣本與它們相應(yīng)的聚

81、類中心的平均距離</p><p><b>　　（2-12）</b></p><p>　　(6)計(jì)算總的平均距離</p><p><b>　?。?-13）</b></p><p>　　其中N為樣本集中的樣本數(shù)；</p><p><b>　　判別</b>&l

82、t;/p><p>　　a）若這是最后一次迭代，置且轉(zhuǎn)到第十一步；</p><p>　　b）若，則轉(zhuǎn)入下一步；</p><p>　　c）若, 或這是偶次迭代，則轉(zhuǎn)第十一步；否則繼續(xù)；</p><p><b>　　標(biāo)準(zhǔn)差 </b></p><p><b>　?。?-14）</b>&l

83、t;/p><p>　　其中n是樣本模式的維數(shù)，是第k個(gè)樣本的第i分量，是的第i個(gè)分量。的每個(gè)分量表示中樣本沿主要坐標(biāo)軸的標(biāo)準(zhǔn)差；</p><p>　　找中的最大分量，j=1,2,...,C,用表示；</p><p>　　如果對(duì)任意的，j=1,2,...C,存在有</p><p><b>　　和</b></p>

84、<p><b>　　或</b></p><p><b>　　b)</b></p><p>　　則和，刪去，并使C=C+1,對(duì)應(yīng)于的的分量上減去，而的其它分量保持不變來(lái)構(gòu)成。對(duì)應(yīng)于的的分量上減去，而的其他分量保持不變來(lái)構(gòu)成。規(guī)定是的一部分，，。選擇的基本要求是，使任意樣本到兩個(gè)新的聚類中心和之間有一個(gè)足夠可檢測(cè)的距離差別，但又不能太大，以

85、致使原來(lái)的聚類域的排列全部改變。如果發(fā)生分裂則轉(zhuǎn)第二步，否則繼續(xù)。</p><p>　　計(jì)算所有聚類中心的兩兩距離。</p><p><b>　?。?-15）</b></p><p>　　比較距離與參數(shù)，取出L個(gè)；</p><p>　　從著手，開(kāi)始一對(duì)對(duì)歸并，算出新的聚類中心</p><p>　　

86、（2-16） （15）刪去和，并使C=C-1。注意：僅允許一對(duì)對(duì)歸并，并且一個(gè)聚類中心只能歸并一次。經(jīng)試驗(yàn)得出，更復(fù)雜的歸并有時(shí)反而產(chǎn)生不良的后果。</p><p>　?。?4）如果是最后一次迭代則算法結(jié)束，否則</p><p>　　a）如果用戶根據(jù)判斷要求更改算法中的參數(shù)，則轉(zhuǎn)第一步；</p><p>　　b）如果對(duì)下次迭代參數(shù)不需要修改，則

87、轉(zhuǎn)第二步.</p><p>　　每次回到算法的第一步或第二步就計(jì)為一次迭代，I=I+1.</p><p>　　ISODATA法的實(shí)質(zhì)是以初始類別為“種子”施行自動(dòng)迭代聚類的過(guò)程，迭代結(jié)束標(biāo)志著分類所依據(jù)的基準(zhǔn)類別已經(jīng)確定，它們的分布參數(shù)也在不斷的</p><p>　　“聚類訓(xùn)練”中逐漸確定，并最終用于構(gòu)建所需要的判決函數(shù)& 從這個(gè)意義上講，基準(zhǔn)類別參數(shù)的確定

88、過(guò)程，也是對(duì)判決函數(shù)的不斷調(diào)整和“訓(xùn)練”過(guò)程。</p><p>　　這種方法的優(yōu)點(diǎn)是聚類過(guò)程不會(huì)在空間上偏向數(shù)據(jù)文件的最頂或最底下的象素，因?yàn)樗且粋€(gè)多次重復(fù)過(guò)程。該算法對(duì)蘊(yùn)含于數(shù)據(jù)中的光譜聚類組的識(shí)別非常有效，只要讓其重復(fù)足夠的次數(shù)，其任意給定的初始聚類組平均值對(duì)分類結(jié)果無(wú)關(guān)緊要。缺點(diǎn)是比較費(fèi)時(shí)，因?yàn)榭赡芤貜?fù)許多次，沒(méi)有解釋象素的空間同質(zhì)性。</p><p>　　2.3 遙感圖像分類新

89、方法</p><p>　　無(wú)論是監(jiān)督分類還是非監(jiān)督分類，都是依據(jù)地物的光譜特性的點(diǎn)獨(dú)立原則來(lái)進(jìn)行分類的，且都是采用的統(tǒng)計(jì)方法。該方法只是根據(jù)各波段灰度數(shù)據(jù)的統(tǒng)計(jì)特征進(jìn)行的，加上衛(wèi)星遙感數(shù)據(jù)的分辨率的限制，一般圖像的像元很多是混合像元，帶有混合光譜信息的特點(diǎn)，致使計(jì)算機(jī)分類面臨著諸多模糊對(duì)象?，不能確定其究竟屬于哪一類地物。而且，同物異譜和異物同譜的現(xiàn)象普遍存在，也會(huì)導(dǎo)致誤分、漏分，因此人們不斷嘗試新方法來(lái)加以改善

90、。新方法主要有決策樹(shù)分類法、綜合閾值法、專家系統(tǒng)分類法、多特征融合法、神經(jīng)網(wǎng)絡(luò)分類法以及基于頻譜特征的分類法等。近年來(lái)的研究大多將傳統(tǒng)方法與新方法加以結(jié)合。即在非監(jiān)督分類和監(jiān)督分類的基礎(chǔ)上，運(yùn)用新方法來(lái)改進(jìn)，減少錯(cuò)分和漏分睛況，不同程度地提高了分類精度。</p><p>　　2.3.1 決策樹(shù)分類</p><p>　　決策樹(shù)分類法也就是基于知識(shí)表達(dá)的分類方法，它采用產(chǎn)生式規(guī)則表示知識(shí)，形式

91、為： IF(條件)</p><p><b>　　THEN(結(jié)論)</b></p><p>　　在這個(gè)條件和結(jié)論的二元組，通過(guò)推理的結(jié)論是二值的，非此即彼。以后引入了不確定的推理，由條件推出的結(jié)論有一個(gè)確定性程度，規(guī)則的形式為：</p><p><b>　　IF(條件)</b></p><p><

92、;b>　　THEN(結(jié)論)</b></p><p><b>　　CF(確定性因子)</b></p><p>　　其中CF為實(shí)數(shù)，其值域在不同的研究中有所不同，一般為[0，1]或者[一1，1]。雖然這種方法已經(jīng)在遙感圖像識(shí)別中得到應(yīng)用，但還遠(yuǎn)遠(yuǎn)未達(dá)到實(shí)用階段(徐冠華，1996)。由于地理知識(shí)主要來(lái)自于地理專家，地理專家知識(shí)的形式化問(wèn)題不能很好的解決。地

93、學(xué)中的專家系統(tǒng)和其他專業(yè)的領(lǐng)域的專家系統(tǒng)一樣，遇到知識(shí)獲取的瓶頸限制。但可以利用已知的某些知識(shí)對(duì)圖像進(jìn)行初步分類。</p><p>　　決策樹(shù)分類法是以各像元的特征值作為設(shè)定的基準(zhǔn)值，分層逐次進(jìn)行比較的分類方法。比較中所采用的特征的種類以及基準(zhǔn)值是按照地面實(shí)況數(shù)據(jù)與目標(biāo)物的有關(guān)知識(shí)形成的。經(jīng)過(guò)一次比較分割成兩個(gè)組的決策樹(shù)叫二叉決策分類樹(shù)(Binary Decision Tree)，圖2-2是一個(gè)簡(jiǎn)單的實(shí)例。<

94、;/p><p>　　圖2-2 二叉決策樹(shù)分類樹(shù)示意圖</p><p>　　二叉決策分類樹(shù)的每個(gè)節(jié)點(diǎn)完成一次將待分類像元某一波段上的值與門限比較大小的判斷。對(duì)一像元分類時(shí)，從根節(jié)點(diǎn)起下行，沿著所經(jīng)過(guò)的節(jié)點(diǎn)上的判斷決定下一步的走向，最終在葉節(jié)點(diǎn)上決定一點(diǎn)的歸類。二叉樹(shù)的每個(gè)節(jié)點(diǎn)可表示為：{ID，Left，Right，Th，Band)，其中Left為左子樹(shù)，Right為右子樹(shù)，Th是一個(gè)判決門限，

95、Band是進(jìn)行判斷的那個(gè)波段的序號(hào)。ID僅對(duì)葉節(jié)點(diǎn)有效，含義是該葉節(jié)點(diǎn)時(shí)應(yīng)當(dāng)判決的類別。對(duì)一像元P分類過(guò)程偽代碼表示為：</p><p>　　Function Classify(P)：Integer：</p><p><b>　　Begin</b></p><p>　　Result：=Test(Node，P)：</p><p

96、><b>　　End：</b></p><p>　　對(duì)一個(gè)節(jié)點(diǎn)的判斷表示為：</p><p>　　Function Test(Node，P)：Integer；</p><p><b>　　Begin</b></p><p>　　If Node為葉節(jié)點(diǎn)；Then Result：=Node．ID；

97、</p><p>　　E1se If P的第Node．Band波段數(shù)值小于N0de．Th</p><p>　　Then Result：=Test(Node．Left，P)；</p><p>　　Else Result：=Test(Node．Right，P)；</p><p><b>　　End；</b></p>

98、;<p>　　由于決策樹(shù)分類中的運(yùn)算基本上都是比較大小運(yùn)算，因此分類計(jì)算量很小，在模式含混比較小、各類別之間混迭不大時(shí)是一種效率很高的分類方法。容易看出，二叉決策樹(shù)的判決面是由一些多維長(zhǎng)方體的表面連接而成的。</p><p>　　2.3.2 神經(jīng)網(wǎng)絡(luò)分類</p><p>　　基于Bayes理論的傳統(tǒng)模式識(shí)別方法在處理實(shí)際工程問(wèn)題時(shí)遇到了許多困難（如高維多光譜數(shù)據(jù)分類），理論

99、上最優(yōu)的方法在實(shí)踐上卻難以獲得令人滿意的結(jié)果。人工神經(jīng)網(wǎng)絡(luò)分類以其強(qiáng)大的非線性映射能力、自組織、自學(xué)習(xí)等特種受到人們的歡迎。神經(jīng)網(wǎng)絡(luò)模型用于模擬人腦神經(jīng)元活動(dòng)的過(guò)程，包括對(duì)信息的加工、處理、存儲(chǔ)和搜索等過(guò)程。它具有分布式存儲(chǔ)信息，對(duì)信息的處理及推理的過(guò)程具有并行的特點(diǎn)。對(duì)信息的處理具有自組織、自學(xué)習(xí)等特點(diǎn)。神經(jīng)網(wǎng)絡(luò)的運(yùn)行包括兩個(gè)階段： </p><p>　　①訓(xùn)練或?qū)W習(xí)階段（Training or Learnin

100、g Phase）。向神經(jīng)網(wǎng)絡(luò)提供一系列輸入-輸出數(shù)據(jù)組，通過(guò)數(shù)值計(jì)算方法和參數(shù)優(yōu)化技術(shù)，使節(jié)點(diǎn)連接的權(quán)重因子不斷調(diào)整，直到從給定的輸入能產(chǎn)生所期望的輸出為止。</p><p>　?、陬A(yù)測(cè)階段（Generalization Phase）。用訓(xùn)練好的網(wǎng)絡(luò)對(duì)為止的樣本進(jìn)行預(yù)測(cè)。</p><p>　　在模式識(shí)別中，神經(jīng)網(wǎng)絡(luò)不需要對(duì)數(shù)據(jù)的概率分布做出任何假設(shè)，也不需要估計(jì)概率密度中的參數(shù)，通過(guò)對(duì)訓(xùn)練

101、樣本的直接學(xué)習(xí)，掌握樣本中隱含的規(guī)律，實(shí)現(xiàn)對(duì)數(shù)據(jù)的準(zhǔn)確劃分。在模式識(shí)別領(lǐng)域中應(yīng)用最廣泛和最成功的是基于誤差后想傳播算法（簡(jiǎn)稱BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)模型（Mult-layer Feed-forward Nueral Networks，MLFNN），徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function NN ,RBFNN）是另一種常用的前向型神經(jīng)網(wǎng)絡(luò)。</p><p>　　2.3.3 專家系統(tǒng)分類&l

102、t;/p><p>　　遙感圖像解譯專家系統(tǒng)是模式識(shí)別與人工智能技術(shù)相結(jié)合的產(chǎn)物。應(yīng)用人工智能技術(shù)，運(yùn)用解譯專家的經(jīng)驗(yàn)和方法，模擬遙感圖像目視解譯的具體思維過(guò)程，進(jìn)行圖像解譯。專家系統(tǒng)分類的關(guān)鍵是知識(shí)的發(fā)現(xiàn)和推理技術(shù)的運(yùn)用。目前在知識(shí)發(fā)現(xiàn)方面，主要是基于圖像的光譜知識(shí)、輔助數(shù)據(jù)和上下文信息等。孫秀邦等認(rèn)為基于專家系統(tǒng)的土地覆被分類可以以專家的能力去解決分類過(guò)程中的復(fù)雜問(wèn)題，然而在實(shí)際應(yīng)用過(guò)程中，知識(shí)的發(fā)現(xiàn)和定義往往很難

103、做到與實(shí)際情況一一對(duì)應(yīng)。</p><p>　　2.3.4 綜合閾值法</p><p>　　周興東等通過(guò)對(duì)徐州地區(qū)各類地物的光譜特征的綜合研究，以及對(duì)不同波段的組合分析，歸納出各種地物類型信息獲取的方法與途徑，提出采用綜合閾值法進(jìn)行圖像分類處理。經(jīng)研究表明，該方法能夠很好地區(qū)分城鎮(zhèn)用地和裸地等不容易區(qū)分的地類，有效降低混合象元帶來(lái)的影響，提高土地利用分類的可靠性和準(zhǔn)確性。陳定貴等怕。選取洪河

104、保護(hù)區(qū)作為研究區(qū)，應(yīng)用多期Landsat TM影像，采取基于專家經(jīng)驗(yàn)的監(jiān)督分類方法進(jìn)行群落尺度的分類。另外，歸一化植被指數(shù)(NDVI)具有識(shí)別植被蓋度與土壤、水體背景關(guān)系能力，以及比值植被指數(shù)(RVI)在中高蓋度植被中與面積指數(shù)和葉綠素濃度具有良好相關(guān)性，它們也被用來(lái)作為分類初檢驗(yàn)評(píng)價(jià)的參考。在此基礎(chǔ)上，運(yùn)用基于GIS規(guī)則的分類改進(jìn)，主要進(jìn)行了GIS疊加分析，并通過(guò)GIS空間相鄰關(guān)系特征設(shè)置查詢選項(xiàng)，執(zhí)行對(duì)該區(qū)域的誤分斑塊篩選，取得了較

105、好的分類效果。針對(duì)監(jiān)督分類結(jié)果中存在的誤差，馬振剛等o”以洋河流域?yàn)檠芯繀^(qū)，分別進(jìn)行了非監(jiān)督分類和監(jiān)督分類，對(duì)水域、植被、城鎮(zhèn)與工礦用地的提取分別選擇綜合閾值法、植被指數(shù)法、DEM數(shù)據(jù)輔助分析法進(jìn)行了改進(jìn)。結(jié)果表明，改進(jìn)后的提取結(jié)果較監(jiān)督分類的結(jié)果有很大的改</p><p>　　2.3 圖像分類的一般過(guò)程</p><p>　?。?）遙感圖像的幾何糾正</p><p>

106、;　　當(dāng)一幅影像存在變形時(shí)就需對(duì)其進(jìn)行幾何糾正，使其符合地物的真實(shí)表達(dá)。這里采用一幅影像為標(biāo)準(zhǔn)，對(duì)另一幅未糾正的進(jìn)行糾正。在具體操作上，先對(duì)未糾正影像進(jìn)行幾何位置上的糾正，再對(duì)其進(jìn)行灰度值重采樣。</p><p><b>　?。?）遙感圖像增強(qiáng)</b></p><p>　　遙感圖像增強(qiáng)和濾波是圖像預(yù)處理的一種方法，其基本原理是運(yùn)用點(diǎn)運(yùn)算和局部運(yùn)算的數(shù)學(xué)模型將原圖像中每

107、一個(gè)像元的灰度級(jí)或被處理像元鄰近一些像元的灰度級(jí)，通過(guò)變換和輸出，得到一個(gè)新的灰度級(jí)，其圖像中各個(gè)像元的位置并不改變。</p><p>　　圖像增強(qiáng)和濾波方法有影像直方圖、直方圖均衡、分段線性拉伸、密度分割、平滑、銳化、邊緣增強(qiáng)、卷積濾波等。</p><p>　?。?）遙感圖像的融合</p><p>　　圖像融合是指將多源遙感圖像按照一定的算法，在規(guī)定的坐標(biāo)系，生成

108、圖像的過(guò)程。為了對(duì)不同空間分辨率遙感圖像的融合處理，使處理后的遙感圖像既有較好的空間分辨率，又具有多光譜特征，從而達(dá)到圖像增強(qiáng)的目的。將高空間分辨影像與多光譜影像進(jìn)行疊加，達(dá)到優(yōu)勢(shì)互補(bǔ)。</p><p>　?。?）圖像的計(jì)算機(jī)自動(dòng)分類</p><p>　　圖像分類可分為監(jiān)督法分類和非監(jiān)督法分類。監(jiān)督法分類就是利用已知的先驗(yàn)知識(shí)，對(duì)實(shí)地影像進(jìn)行抽樣調(diào)查后，確定抽樣區(qū)屬性類別，要求計(jì)算機(jī)按已知

109、類別進(jìn)行分類。非監(jiān)督法分類就是分類過(guò)程中不施加任何先驗(yàn)知識(shí)，利用影像的光譜特征的分布規(guī)律，采用一定的判別函數(shù)進(jìn)行盲目分類，最后的類別需要進(jìn)一步確定。</p><p>　　圖像分類過(guò)程流程圖：</p><p>　　圖2-3 圖像分類流程</p><p>　　3 遙感圖像分類方法的應(yīng)用</p><p>　　3.1 幾種高分辨率商業(yè)遙感衛(wèi)星介紹

110、</p><p>　　（1）IKONOS衛(wèi)星</p><p>　　IKONOS 是世界上第一個(gè)獲取lm分辨率圖像的商業(yè)衛(wèi)星系統(tǒng)。1999年9月24目，空間成像公司（Space Imaging）的IKONOS衛(wèi)星在加利福利亞的空軍基地Vandenberg,由Lockheed Martin A-thena 四級(jí)火箭發(fā)射升空衛(wèi)星的設(shè)計(jì)壽命為70年。整個(gè)IKONOS衛(wèi)星系統(tǒng)重約726Kg，在海拔高

111、約680km處98min繞地球一周。它采用太陽(yáng)同步軌道傾角，平均飛行高度681km，軌道周期98.3min，通過(guò)赤道當(dāng)?shù)貢r(shí)間為上午10:30，在地面上空平均飛行速度為6.79km/s，衛(wèi)星平臺(tái)自身高1.8m，直徑1.6m。包括一個(gè)1m分辨率的全色傳感器和一個(gè)4m分辨率的多光譜傳感器。當(dāng)衛(wèi)星在681km的高度飛行時(shí)，其星下點(diǎn)的地面分辨率在全色波段最高可達(dá)0.82m,多光譜可達(dá)3.828m,掃描寬度約為11km。傳感器可傾斜至立體成像，平均