遥感图像分类方法综述Word格式.doc

遥感图像分类方法综述Word格式.doc

《遥感图像分类方法综述Word格式.doc》由会员分享，可在线阅读，更多相关《遥感图像分类方法综述Word格式.doc（8页珍藏版）》请在冰豆网上搜索。

遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。

2遥感图像分类基本原理

遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。

图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。

而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。

3遥感图像传统分类方法

遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。

从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervisedclassification）和非监督分类（UnsupervisedClassification）。

3.1监督分类（supervisedclassification）

监督分类（supervisedclassification）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。

即根据已知训练样区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。

要求训练样区具有典型性和代表性。

判别准则若满足分类精度要求，则此准则成立；

反之，需重新建立分类的决策规则，直至满足分类精度要求为止。

常用算法有：

最大似然比分类（maximumlikelihoodclassification），最小距离分类（minimumdistanceclassification）。

3.2非监督分类（UnsupervisedClassification）

非监督分类（UnsupervisedClassification）是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。

根据待分类样本特征参数的统计特征，建立决策规则来进行分类。

而不需事先知道类别特征。

把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，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。

一般算法有：

迭代自组织分类（IterativeSelf-OrganizingDateAnalysisTechniquesA）,K-均值聚类分类（K-MeanClassification）。

4遥感图像近代分类方法

4.1神经元网络分类法

神经网络属于非参数分类器。

神经元网络分类法是一种通过模拟人脑神经元对信息进行加工、处理、储存和搜索的过程。

由于神经元网络分类方法不需要进行任何关于统计分布的先验知识，因此与传统方法相比，在用于遥感图像分类时，不必考虑一像元统计分布特征。

另外，神经元网络分类法还可以广泛的应用于多源遥感数据分类。

神经元网络分类法的特点包括以下几个方面：

在存储信息时采用分布式存储，并且可以并行对信息的处理和推理的过程，对信息的处理还具有自学习、自组织等特点。

4.2模糊聚类分类法

模糊分类，是近年来采用一种模糊数学的方法，对不确定性事物进行分析。

但由于对模糊分类的研究实例较少，各国学者对于遥感分类模糊处理的成果数量不多，还有一系列相关的问题等待研究人员进行进一步的探讨，但在已发布的成果中可以看出，利用模糊数学方法进行遥感图像处理是完全可能的，并且是十分必要的。

参考模糊聚类分类法对遥感图像分类处理的有效性，此方法具有广阔的应用前景。

4.3决策树分类法

决策树分类法利用树结构原则，定义决策树的各个分支，由下而上，根据各个类别的相似程度，逐级向上聚类的过程。

在数据结构以节点代表子集元素，并以二叉树结构作为原理，对决策树结构进行解释。

但因为它的算法基础比较复杂，从而需要大量的训练样区来作为依据寻找各类别之间属性的复杂关系

4.4专家系统分类法

从专家两字可以看出，这是一种与人工智能技术相结合的产物。

而在使用这种分类法时需要将专家的经验和知识以某种形式形成知识库，因为在建立知识库时较为复杂，所以相比较其他的分类法，在应用范围上并不是非常的广泛。

4.5支持向量机分类法

支持向量机分类法拥有较强的理论基础。

在同样分类样本信息有限的条件下，它能相对更好的平衡模型中的复杂性和学习能力。

极大地避免了“过度学习”等问题。

支持向量机是一个有监督的学习模型，它通常应用于对对象进行模式识别，分类以及回归分析。

4.6面向对象的分类法

面向对象的分类法是一种在遥感图像分析中具有巨大潜力的分析方法。

它是一种地表模型，因为是通过与现实世界中进行建立关系，因此可以达到真正的相互匹配，并以此来利用基于像元分类中几乎不可利用的背景信息。

因此，面向对象的分类方法通常用于解读高分辨率和纹理影像数据的纹理特征。

目前面向对象的分类方法是一种比较理想状态下的方法。

5常用分类思想

5.1分层分类思想

分层分类思想是一种针对各类地物不同的信息特点，按照一定的原则进行层层分解。

当研究者运用这种分层分类思想时，需要拥有对不同子区特征进行识别的能力以及丰富的经验知识，并且研究者还需要选择不同的波段和波段组合来对分类活动进行辅助。

5.2分区分解思想

遥感图像分类中的分区分解思想要根据待处理中所包含的局部特征将一个整体图像转化为几个局部图像，再将局部图像根据自身特点进行分类。

这种思想可以使得每一区域中的种类数目对整体图像相比较有大幅减少。

5.3多分类器结合思想

在遥感图像分类中，由于不同的分类方法精度是不同的。

我分类器结合的思想则是利用。

时间存在的复古性，通过适当的方法将不同的分类器之间进行优势互补。

从而弥补单一分类器存在的精度缺陷，来得到更好的分类结果。

6常见分类后处理

对遥感图像进行分类，无论选择何种方式都是按照图像光谱特征进行聚类分析，带有一定的盲目性。

由于各个图像分类方法中的细微差异，当使用不同的遥感分类方法对遥感影像进行分类后，遥感影像上面可能出现小的碎屑多边形、或一些面积很小的图斑等，从而产生一些孤立点、断点、孔穴、毛刺等，会给图像质量、精度带来一些不利影响。

分类后处理如聚类、过滤等操作后可以去除小的碎屑多边形，将小的同类多边形进行合并，从而达到使分类效果更好的目的。

有时为了更好的视觉效果，常常还要进行更改颜色分类的处理。

6.1过滤

过滤处理可以很好的用于解决分类图像结果中出现的孤岛问题一种方法。

过滤处理主要使用斑点分组的方法来消除这些被“隔离”的分类像元。

类别筛选方法是通过随机抓取周围的四到八个临近的部分像元进行分析，来判定一个像元是否与周围的像元同组。

如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该类中删除，删除的像元，重新归类为未分类的像元。

6.2聚类

聚类处理是运用数学形态学算子，将临近的类似分类区域聚类并进行合并。

而且聚类处理解决了低通滤波平滑图像时类别信息被临近类别的编码干扰这一问题。

7遥感分类方法的研究趋势

在下图中，是对遥感图像专利申请量随年份变化的情况的不完全统计。

自2003年起，随着对遥感图像分类方法研究的深入，与遥感图像分类相关的专利申请基本保持增长的态势。

随着近年来科技化程度越来越高，这种增长的态势更是迅猛发展。

在这种对遥感图像专利申请的迅猛发展中，相关的专利申请共涉及141个企业、院校、研究所。

在下图，对主要申请人的分析中，可以看出，重要申请人主要是分布在各大重点高校和知名研究所。

在发明申请专利占有比例最多的是中国科学院下的各个相关研究所，紧随其后的分别是武汉大学和西安电子科技大学。

在图像分类专利申请最大的中国科学院，对于各种图像分类方式均有研究，并且不再局限于对各种单个的分类器与分类算法进行研究，而在近几年的研究中可以发现，中国科学院的研究更多的侧重于对集成分类器、多分类器的研究，引领对遥感图像分类方法研究的新一代的发展潮流。

在发展中，通过不断改进分类方式和分类算法，逐步提高对分类的精确度与准确性。

在当前的统计中可以看出，参与研究遥感图像分类方法的高校和研究所数量众多，但企业参与数量还相对较少。

由此可以看出，遥感分类方法大多数还处于研发阶段，能够获得商业应用并取得商业价值的相关技术仍然比较欠缺。

8遥感分类方法的发展前景

遥感一词最早由美国海军科学研究部（海军研究局）的艾弗林·

布鲁依提出，后在1961年由美国的密歇根大学等组织发起的环境遥感研讨会上正式采纳。

遥感这一术语得到科学界的普遍认同和接受。

遥感作为一门新兴的独立学科，在世界范围内获得飞速发展。

在近几年来，随着计算机爆炸式的发展，计算机应用的普遍性有很大的提高。

在以往工程实践中实现起来比较困难的近代遥感图像分类新方法在遥感图像处理中逐步开始起到其优势作用。

随着遥感研究手段的不断丰富，高空间分辨率遥感图像逐渐成为图像分类方法中主要对象，为了对高空间分辨率遥感图像进行针对性处理，面向对象的分类法的产生，不仅解决了这一问题，并且以此为代表为遥感图像分类的发展注入了新的活力。

依据现代社会的自动化和智能化的普及，专家系统分类法的出现，已彰显出人工智能已介入遥感图像分类中，在今后遥感分类方法的研究中还将向自动化、智能化的方向进行发展。

9结束语

随着社会的进步以及科学技术的发展，越来越多的遥感图像分类方法出现在我们的身边。

将各种分类方法进行比较，这些方法各有特点，与其他分类方法相比，基于传统统计分析的遥感图像分类方法，算法最为简单方法，应用最为成熟。

而近年来，近代的遥感图像分类新方法的结果精度有了明显的提高。

在具体处理遥感图像分类问题时没有唯一的“正确”方法，需要根据被用来分析的数据的性质、可获得的计算机资源以及分类数据的应用采用特别的方法。

而现在遥感图像分类方法呈现多样化趋势的发展，在众多的发展方向中，多分类器融合的方法已经成为其中一种必然的发展趋势。

在实际生活，工作中充分综合遥感图像分类的传统方法和新方法。

结合各个分类方法的优势，实现对遥感图像的理解和信息的提取。

并应用于更广泛的领域中。

参考文献：

[1]姚一飞.遥感图像分类方法综述.魅力中国,2015

[2]杜凤兰.遥感图像分类方法评析与展望.遥感技术与应用,2004

[3]田琼花.遥感影像纹理特征提取及其在影像分类中的应用.华中科技大学硕士论文,2009

[4]闫琰.基于ENVI的遥感图像监督分类方法比较研究.北京测绘,2015

[5]邱德艳.遥感图像分类方法比较研究.考试周刊,2014

[6]王晓辉.网格技术在遥感图像监督分类中的应用.现代计算机：

上下旬,2013

[7]颜宏娟.面向对象的遥感影像模糊分类方法研究.西安科技大学硕士论