遥感图像几种分类方法的比较.docx

遥感图像几种分类方法的比较.docx

《遥感图像几种分类方法的比较.docx》由会员分享，可在线阅读，更多相关《遥感图像几种分类方法的比较.docx（40页珍藏版）》请在冰豆网上搜索。

遥感图像几种分类方法的比较

摘要

遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。

遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，到达自动分类识别地物的目的。

遥感图像分类主要有两类分类方法:

一种是非监督分类方法，另一种是监督分类方法。

非监督分类方法是一个聚类过程，而监督分类那么是一个学习和训练的过程，需要一定的先验知识。

非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。

而且监督分类随着新技术新方法的不断开展，分类方法也是层出不穷。

从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。

但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。

本文在对国内外遥感图像分类方法研究的进展进行充分分析的根底上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。

在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。

关键词:

TM遥感影像，图像分类，最大似然法，决策树

题目：

遥感图像几种分类方法的比拟

摘要

错.误！

未定义书签。

1..

3..

第一章绪论

1.1遥感图像分类的实际应用及其意义4..

1.2我国遥感图像分类技术现状5..

1.3遥感图像应用于测量中的优势及存在的问题6.

1.3.1遥感影像在信息更新方面的优越性6.

1.3.2遥感影像在提取信息精度方面存在的问题6.

1.4研究内容及研究方法8..

研究内容8...

1.4.2研究方法8...

1.5论文结构9...

第二章遥感图像的分类9..

2.1监督分类9...

2.1.1监督分类的步骤9..

2.1.2最大似然法1..1

2.1.3平行多面体分类方法1..2

2.1.4最小距离分类方法1..3

2.1.5监督分类的特点1..3

2.2非监督分类1..4.

2.2.1K-means算法14

K-均值分类法也称为14

2.2.2ISODATA分类方法1..5

2.2.3非监督分类的特点1..7

遥感图像分类新方法1..7

2.4.1基于决策树的分类方法1..7

2.4.2人工神经网络方法1..9

2.4.3支撑向量机2..0

2.4.4专家系统知识2..1

2.5精度评估2..2.

第三章研究区典型地物类型样本确实定2..4

3.1样本确定的原那么和方法2..4

3.2研究区地物类型确实定2..4

3.3样本区提取方案2..5.

3.4各个地物类型的样本的选取方法2..5

3.4.1建立目视解译标志2..5

3.4.2地面实地调查采集2..6

3.4.3利用ENVI遥感图像处理软件选取样本点

第四章遥感图像分类实验研究2..6

4.1遥感影像适用性的判定2..6

分类前的预处理2..8.

4.2.1空间滤波的处理2..8

4.2.2频域滤波处理2..8

利用ENVI软件对影像按照不同的分类方法进行监督分类30

监督分类3..0.

4.3.2决策树3..3.

分类后的处理3..5.

4.5精度的比拟3..6.

第五章结论和展望3..7.

参考文献3..7.

致谢3..9..

第一章绪论

土地利用研究是全球环境变化研究的重要组成局部，土地利用变化驱动因子的研究也是目前研究的热点之一。

以往由于一个地区缺乏现在和过去土地利用的最新地图以及缺乏处理大量资料的分析方法，土地利用和覆盖变化的研究工作工期长、误差大、费用高，使土地利用规划受到严重影响。

遥感技术那么以其快速、准确、准时、周期短等优点在大中尺度的土地利用动态监测中具有明显的优势，在国内外已经得到了广泛应用。

利用遥感手段获得土地利用信息的一个重要的中间环节就是分类。

最先出现的分类技术是图像目视解译分类，它可充分利用判读人员的知识，灵活性好，擅长提取空间相关信息，但定位不准确，时效性差，可重复性差，并存在个人差异。

目视解译现在仍然被广泛地应用于对精度要求较高的应用中，特别是在对米级高分辨率遥感图像分类时，目视解译精度一般高于计算机分类精度。

计算机遥感图像分类是计算机模式识别技术在遥感领域中的具体应用，其核心任务就是确定不同地物类别间的判别接口和判别准那么，可重复性好，定位准确，处理时间短，时效性好。

然而与其它的计算机模式识别不同的是，遥感影像数据类别多，含混度大，维数高，高精度的多类别分类识别具有较大难度。

传统的计算机分类方法是基于像元光谱统计特性的硬分类，不善于提取空间信息，不容易解决同物异谱、异物同谱、混合像元等问题，常常出现错分、漏分，分类精度不高，且分出的图斑比拟零乱，针对传统的计算机分类方法已出现了很多改良。

目前遥感图像分类方法繁多而且种类杂乱，每种方法都有其自身的特点，但也不可防止的有一些缺陷，鉴于这种现状，本文将对土地利用遥感分类技术进行综述，详细阐述了不同类型遥感数据的性质及应用范围，并在综合比拟分析研究当前主要的遥感图像分类方法根底上，对一般的统计分类方法、针对实际情况的分类方法及其它较新的分类方法进行了论述。

1.1遥感图像分类的实际应用及其意义

随着空间科技的开展，各种资源环境监测卫星的发射与运行为地表动态变化研究提供了多平台、多光谱、多时相、大范围的实时信息，遥感技术已成为当前人类研究地球资源环境的一种有力技术手段。

在遥感技术的研究中，分类是遥感图像应用的一个重要方面，同时也是学者们研究的重点和热点。

随着成像技术及相应数据产品不断的开展，遥感图像分类得到了越来越广泛的应用，由单波段的遥感图像到多光谱图像再到高光谱图像，其应用研究得到不断的扩展和深入。

图像分类是由图像生成专题图的过程。

卫星遥感图像简称卫星图像。

关于卫星图像在探测地球资源和环境中的作用，研究者将遥感的地学应用划分为制图、监测和估算。

在这三方面的应用中，制图特别是专题制图是最常用的，并目_可

能是其他两种应用的一个前提条件。

事实上，许多应用卫星图像进行监测和估算的工作，也常常是与卫星图像的分类和制图联系起来的。

而且有时卫星图像分类还可以仅仅作为提取某些特种信息的手段。

卫星图像分类的方法是对传统方法的重大改良，是从定性到定量的一次飞跃[6]。

由于分类的卫星图像都是数字图像，而数字图像的分类又必须通过计算机来进行。

这种分类能充分利用卫星数据提供的丰富信息，其结果必定是高度定量化的结果，容易进行面积统计，并从理论上来说可以精确到图像和地面上的像元。

当然，如何作好分类以及分类后的应用，并辅助以较少的人工解译，可以大规模节省人力，节省时间，多数情况下还可以节省经费，并完全可以到达与人工解译、勾绘、转绘、量算和传统统计方法结合相同或更高的精度。

1.2我国遥感图像分类技术现状

从20世纪70年代起，随着第一颗陆地卫星发射成功，人们就开始利用计算机进行卫星遥感图像的解译研究。

最初是利用数字图像处理软件对卫星数字图像进行几何纠正与位置配准，在此根底上采用人机交互方式从遥感图像中获取有关地学信息。

这种方法的实质仍然是遥感图像目视判读，它依赖于图像解译人员的解译经验与水平，在遥感图像分类方法上并没有新的突破。

20世纪80年代，主要是利用统计模式识别方法进行遥感图像的计算机分类，例如Strahier（1980）使用最大似然法对遥感影像数据进行分类，Goldberg（1983）运

用光谱特征对多波段卫星影像进行分类，从中获取森林资源信息。

这种方法的特点是根据图像中地物的光谱特征对影像中的地物进行分类。

这些方法对遥感图像计算机分类的开展起到了推动作用。

20世纪90年代期间至今，涌现出了大量的遥感图像分类方法，例如神经网络，支撑向量机等方法都取得较好的效果。

在改良波段信息方面wilkinson．GG（1996）通过增加空间结构信息来辅助分类）采用波段比值。

神经网络算法用于遥感图像分类始于1988年。

因其具有对信息的分布式存储，并行处理、自组织、自学习等特点，在遥感图像分类领域中有较为广泛的应用。

如Mural.H（1997）提出了基于神经网络和知识发现的分类方法，贾永红等提出了基于BP神经网络的多源遥感影像分类。

支撑向量机是由Vapnik提出的。

其根本思想是由事先定义的非线性变换函数集，把向量映射到高维特征空间中，按照支撑向量与决策曲面的空隙极大化的原那么来产生最优超平面，然后再把高维特征空间的线性决策边界映射到输入空间的非线决策边界。

刘志刚探讨了一种基于支撑向量机的遥感影像不完全监督分类新方、法，骆剑承那么提出了基于支撑向量机（SVM）的遥感影像空间特征提取的新方法，并以SPOT全色波段影像上城市特征信息的提取为应用实例，并与人工神经网络（ANN）等特征提取方法进行综合比拟，认为SVM方法不但能够获得比拟高的分类精度，而且在学习速度、自适应能力、特征空间高维不限制、可表达性等方面具有优势。

自从1965年扎德教授提出模糊集理论以来，有关模糊信息处理的理论和应用均取得了重大的进展，并由此产生了模糊模式识别方法。

后来陆续应用于文字识别、图像分割和语音识别中，并取得了很好的效果。

由于地球表层信息的复杂性和开放性，地表信息是多维的、无限的，遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性，决定了感信息的分析具有不确定性、多解性和模糊性，实际上遥感图像所包含的不一定是单纯的地物信息，特别是空间分辨率低的或者是地表复杂度高的影像单元中，往往是多种地物的综合反映〔即模糊性〕。

这一特点使得基于模糊模式识别分类成为遥感影像分类研究中的一个重要趋势。

此外，还有像莫源富等专门针对山区遥感图象，提出分区分类法，结合GIS多因子辅助分类及人工屏幕修改，有效地改善了山区遥感图象的识别分类。

1.3遥感图像应用于测量中的优势及存在的问题

和传统的对地观测手段相比，遥感技术的优势在于:

扩大了人们的视野，从可见光开展到红外、微波等波普范围；在遥感与地理信息系统根底上建立的数学模型未定量化研究奠定根底。

在一些地学研究领域，促进了定性描述为主导以定量分析为主的过度；同时，还实现了空间和时间的转移:

空间上野外局部工作转移导师实验室；时间上从过去、现在的研究开展到三维空间上的地预测未来。

1.3.1遥感影像在信息更新方面的优越性

使用遥感数据修测地形图，比常规方法大大缩短了时间；在测图和更新修测地图的作业中使用卫星像片要比使用航片的数量大大减少，从而大量地防止了繁琐重复的相片处理工作，同时降低了本钱：

卫星遥感制图使用的图像资料标准一致，规格统一，是短时间在相同的条件下获得的，能保障的土产品内容上的协调和作业过程的一致。

1.3.2遥感影像在提取信息精度方面存在的问题

1.几何校正方法的研究国外一些用户由于没有充分考虑卫星影像的几何模型特征，往往根据航空摄影测量的方法和经验，再加上研究区往往缺乏高精度的控制资料，高分辨率卫星影像的校正结果只满足了搞空间分辨率，不能到达高精度。

2.信息提取方法的研究

随着遥感技术和计算机技术的开展，针对土地覆被专题信息的提取方法不断涌现，因此，信息提取方法体系逐步得到完善．诚然如此，不同信息提取方法各有优劣，单纯利用其中某种方法已经不能满足高精度提取要求，如何综合运用多种方法的优点，扬长避短，将是今后研究的重点之一；地学专家知识在土地覆被专题信息提取中具有重要作用．如何综合运用各种地学专家知识，包括地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识等，建立基于相应知识的遥感信息提取模型是遥感信息提取的开展趋势之所在人工智能、非线性理论的引入，使遥感信息计算机提取技术具有了自学习和智能化的特点，更为复杂的图像理解模型也正在研究之中，它们在信息提取领域将发挥越来越重大的作用，有着广泛的应用前景；“面向地块〞的土地覆被信息提取充分发挥了遥感的优势，它不仅仅依据地物的光谱特征，而是综合考虑了地物本身的几何和结构信息，不再把单个像素作为图像的最小处理单元，而是把图像先分成“地块〞，以“地块〞为研究对象，之后的图像分析和处理也都基于对象进行，因此它将显示出其独特的开展潜力。

3.精度评估存在的问题遥感影像分类精度检验是遥感分类技术中一个必不可少的环节,进行精度检验,一方面可以有效地对分类器进行评价从而改造分类器,另一方面也是对遥感分类成果的最终评价。

没有精度说明的数据对用户是没有意义的,一般认为,进行遥感影像精度评价,必须用分类数据和检验数据相比拟。

早期的遥感分类精度检验没有考虑空间位置因素的影响,而且采用训练区数据对分类结果进行检验导致对分类精度的极大高估。

考虑到这两个因素后,一般采用混淆矩阵（Confusionmatrix）对分类结果进行精度检验。

混淆矩阵既可计算出总精度（Overallaccuracy）、Kappa指数等表示分类总的精度情况的指标,又可计算出生产者精度（Producer'saccuracy）、用户精度（User'saccuracy）等表示单个类别分类情况的指标,并且混淆矩阵又可作为许多高级统计技术的输入,因此被建议作为遥感分类精度检验的标准方法。

混淆矩阵的获取是通过分类结果与检验数据相比拟而进行的,所采用的流程一般为:

通过更为准确的资料,如土地利用图、航空图像和野外调查数据等,或通过对影像判读的方式,获取检验数据,然后将检验数据与分类结果叠加后获得混淆矩阵。

这一过程工作量极大,而且最后的结果很大程度上取决于检验数据的质量。

通过野外调查获取的检验数据,由于图像处理和成像有一定的时间间隔,导致地面类型在此期间可能发生了变化,所以难以保证检验数据的100%的正确性,而且遥感影像分类的结果一般是土地覆盖类别,因此直接采用土地利用图作为检验

数据源，一般不会产生有效的结果，航空像片的判读结果也不会100%E确，因此用混淆矩阵进行精度检验的方法检验数据的正确性很难保证。

除了检验数据的正确

性外,要获得有效的检验结果，还必须使检验数据的采样有良好的代表性，因此必须设计出有效的采样方案，包括样本大小和采样方法等。

但实际上由于各种因素（包括财力和采样点的通达性等）的影响,很难获取充足的检验数据，致使影像处理人员倾向于用小样本进行精度检验；各种采样方法也都有其优缺点，难以找到一个通用的普适性方案。

研究内容及研究方法

研究内容

本研究使用ENVI自带的大小为640400像素的影像美国陆地卫星Landsat-5TM多光谱遥感图像作为主要数据源（所得图像已经经过辐射校正、几何校正和一些增强处理，可以直接使用）进行处理计算。

研究应用决策树方法、最大似然法、

最小距离法、支撑向量机和人工神经网络对该地区主要地物的遥感图像的分类，并与传统的监督分类方法进行分析和精度比拟。

研究过程中，传统的监督分类方

法是采用分类精度较高的最大似然分类法和最小距离法；决策树分类方法采用地物样本的不同特征差异建立决策规那么作为判别函数建立决策树，然后利用决策树

进行分类，神经网络分类方法采用遥感图像的不同特征（原始光谱特征、主成分

分析和缨帽变换特征）。

本次研究还对分类结果进行精度比拟分析。

研究方法

（1）在广泛查阅国内外有关遥感影像分类的文献资料后，进一步了解遥感分类的研究进展和开展趋势，重点是最大似然法和决策树在遥感分类中的应用与研究现状。

（2）掌握遥感图像各种不同分类特征的分析理论和计算方法；

（3）熟练掌握根本的遥感图像分类方法和理论、以及最大似然和决策树的理论知识，确定研究中采用的最大似然和决策树的模型及其算法；

（4）熟练掌握混淆矩阵和kappa分析技术对分类结果进行精度计算方法。

（5）通过野外的实地考察，收集各方面的数据资料（包括影像图和实地采样数据），为提高分类精度提供根底。

（6）熟练掌握遥感图像的处理软件中图像预处理、分析及分类等根本的操

作功能

1.5论文结构

本文分为五局部。

第一章为绪论，主要介绍本次研究的目的、意义以及遥感图像分类识别技术开展现状和存在的问题，并提出本研究的主要内容和研究方法；第二章为遥感图像分类技术的根本理论，介绍遥感图像分类的整个过程的基本原理，传统的监督、非监督分类的根本算法，分类精度评价方法，为本研究提供理论根底；第三章介绍本次分类研究区典型地物类型样本确实定原那么和方法，并提出本次分类实验样本的选取方案；第四章为本次分类实验的具体方法和结果，展示了遥感图像分类的全过程，并评价不同分类方法的分类效果；第五章为总结和展望，总结本次的研究工作和缺乏，对未来的研究展开思路打下铺垫。

第二章遥感图像的分类

2.1监督分类

监督分类就是先用某些己知训练样本让分类识别系统进行学习，待其掌握了各个类别的特征后，按照分类的决策规那么进行分类下去的过程。

目前比拟成熟的分类方法，一般是概率统计分类方法。

除此之外，尚有模拟自然语言的句法结构分类方法和模糊数学分类方法等。

就统计分类方法而论，其为通过计算各类别的均值、方差、协方差、标准偏差和离散度等统计量，作为进行比拟不同类别的相似程度的依据和标准，也即在这些统计量的根底上建立各个组的类别识别特征来进行分类。

自然，监督分类的精度要比非监督分类的方法高些，准确性要好一些，但是监督分类的工作量也要比非监督分类方法大得多。

首先，监督分类有一事先训练样本的工作，训练样本要选好，要有一定的代表性，而且要有足够的数量。

另外，对于遥感图像分类来说，由于各种地物波谱辐射的复杂性以及干扰因素的多样性，有时仅仅考虑在某特定时间和空间内选取训练样本还是不够的，为了提高分类的精度，这时还必须多项选择取一些样本组和研究一些新的分类算法。

2.1.1监督分类的步骤

一般地，分类后不同的图像区域之间性质差异应尽可能地大，而区域内部性质应保证平稳特性。

遥感图像分类大致按图的顺序进行:

数据获取和预处理

―>

特征提取和选择

―►

分类器设计

►

图像分类

图遥感分类流程

遥感图像计算机分类处理的根本过程「27］，包括原始图像的预处理、训练样本的选择、特征的选择和特征提取、分类器设计、图像分类、结果输出以及结果检验等。

监督分类的主要步骤如下：

〔1〕确定感兴趣的类别数。

首先确定对哪些地物进行分类，这样就可以建立这些地物的先验知识。

〔2〕特征变换和特征选择。

特征变换就是原图像通过一定的数字变换生成

一组新的特征图像，这一组新的特征影像信息集中在少数几个特征图像上，这样

数据量有所减少。

遥感图像自动分类中主要的特征变换有主分类变换、哈达玛变换、生物量指标变换、比值变换以及穗帽变换等。

最常用的特征变换是主分量变换，K-L变换的主要特点是：

〔1〕变换前前方差总和不变，而是把原来方差等量的再分配到新的组分图像中；〔2〕第一组分取得

方差的绝大局部，一般占80沖上，也就是说K-L变换的结果使得第一主成分几乎包含了原来多个波段信息的绝大局部内容，其他组分图像的方差依次减少，包含的信息量也剧减；〔3〕各组分之间相关系数为0或接近0,也就是说各组分图像所包含的信息内容在很大程度上是不同的；〔4〕第一主成分相当于原来各波段的加权和，而权值又与该波段的方差大小成正比〔方差大，那么图像包含的信息量大〕，反映了地物总的反射强度。

其余组分相当于不同组分的加权差值图像；〔5〕对第

一组分进行高通滤波，有利于细部特征的增强和分析；〔6〕多数情况下，第一主

成分主要包含的是地形和植被方面的信息。

采用K-L变换选取能量较大的M个分量代替原来的D个分量。

通过K-L变换，消除了原有向量的各分量之间的相关性，从而有可能去掉那些带有较少信息的坐标轴以到达降低特征空间维数的目的。

根据感兴趣地物的特征进行有针对的特征变换，变换之后的特征影像和原始影像共同进行特征选择，以选出既能满足分类分类需要，又尽可能少参与分类的特征影像，加快分类速度，提高分类精度。

〔3〕选择训练样本。

训练样本的选择是非常重要的一步，在监督分类中由于训练样本的不同，分类结果就会出现极大的差异。

因此，遥感分类结果的好坏很大程度上取决于训练样本的正确选择。

训练样本的选取包括两个方面，一是确定要分类的地物类型；二是确定训练样本的数量。

然而对训练样本的如何选取并没有十清楚确的方法，不同的分类方法及其不同的应用采用不同的选取方法。

但是对训练样本的选取要求是一致的，其要求是：

①类别，选择的训练场地所包含的类别在种类上应与研究地域所要区分的类别一致。

②不连续性，训练场地各样本在物理空间上可以是不连续的。

③代表性，训练场地样本应该在各类地物面积较大的中心局部进行选取，而不应在各类地物的混交地区和类别的边缘选取，以保证数据的单纯性〔均一物质的亮度值〕。

④分布，各类训练场地样本还必须与采用的分类方法所要求的分布一致，如最大似然法假设各变量是正态分布，训练样本应尽量满足这一要求。

⑤数量，要使各类训练样本能够提供各类的足够信息和克服各种偶然因素的影响，各类训练样本应该有足够样本数。

训练样本的个数与所采用的分类方法、特征空间的维数、各类的大小和分布等有关。

当采用最大似然法对样本数目至少要n+l个〔n为特征空间的维数〕，因为少于这个数目协方差矩阵将是奇异的，行列式为0，也无逆阵。

当采用建立在统计意义上的各种方法〔如最大似然法〕时，更要对样本数目有所要求。

因为从统计学的观点来看只有在一定数量上的统计才有意义。

但对样本个数的要求也不是越大越好。

因为大的数量除了增加计算量外也带来寻找的困难。

对于大的类别、分布规律性差的类别有时要多项选择些训练样本，反之少选些。

〔4〕确定判别函数和判别规那么。

一旦训练样区被选定后，相应的地物类别的光谱特征便可以利用训练样区中的样本进行统计。

图像分类运算就是根据判别函数和判别准那么对非训练样本区进行分类，对特征向量集进行划分、完成分类识别工作。

〔5〕精度评估。

根据分类结果产生的混淆矩阵中的总精度和Kapp療数对分类结果进行评价。

2.1.2最大似然法

最大似然法因有严密的理论根底，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，一直被认为是最先进的分类方法。

1.根本原理最大似然比判决分类方法是建立在贝叶斯准那么根底上的，其分类错误概率最小，是风险最小的判决分析，是典型的和应用最广的监督分类方法，偏重于集群分布的统计特性，并假定训练样本数据在光谱空间服从高斯正态分布。

用最大似然法分类，具体分为三步：

首先确定各类的训练样本，再根据训练样本计算各类的统计特征值，建立分类判别函数