影像分类方法研究
来源:用户上传
作者:
摘要： 遥感影像是进行信息提取的一种主要方法。本文首先就遥感影像分类的定义、理论依据和分类目的，将其划分为监督分类、非监督分类和其他分类三种主要的分类方法。监督分类法包括平行算法、最小距离法和最大似然法，其中最大似然法的应用较为广泛，是传统分类法中重要的分类方法。非监督分类本文中仅仅简述一下ISODATA法。近年来，随着遥感技术的纵深发展，遥感数据的时间、空间和光谱分辨率不断提高，使得我们必须研究新的方法来适应它。其他分类方法包括模糊分类、空间结构纹理分类、专家分类和人工智能神经元网络法(简称神经网络法)。神经网络法由于其能够较好地解决传统分类中出现的各种问题，现在成为遥感影像分类方法的一种主要手段。
关键词：遥感影像，监督分类，非监督分类，人工智能神经元网络方法。
引言：遥感影像由于具有丰富的纹理信息，同时具有获取方便、经济、快捷等特点，现已成为探测地物目标综合信息的最直观、最丰富的载体, 在数字城市的建设中占有重要的地位。遥感影像分类技术是遥感影像处理系统的核心功能之一，无论是遥感信息提取，动态变化检测，还是遥感专题制作，遥感数据库的建立等等都离不开它，因此遥感影像分类具有着广泛的应用前景。
遥感影像分类方法
1.1遥感图像分类的基本原理
遥感影像分类的基本原理是：遥感影像中的同类地物在相同条件下（纹理、地形、光照及植被覆盖等)应具有相同或相似的光谱信息特征和空间信息特征， 可以说，计算机用以识别和分类的主要标志是物体的光谱特性。目前的大多数研究还是基于此特征来进行的。
1.2监督分类方法
1.2.1监督分类方法定义
监督分类，又称为训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同的规则将其划分到与其最相似的样本类。它是一种由已知样本外推至未知区域类别的方法。
1.2.2监督分类的基本步骤及主要方法
监督分类可分二个基本步骤:
(1)选择训练样本和提取统计信息
训练样本的选择需要分析者对要分类图像所在的区域有所了解，或进行过初步的野外调查，或研究过有关图像和高精度的航空照片，其最终选择的训练样本应尽可能准确地代表整个区域内每个类别的光谱特征差异。其大小、形状和位置必须能同时在图像和实地容易识别和定位。
另外，在选择训练样本时，还必须考虑每一类别训练样本的总数量。作为一个普遍的规则，如果图像有N波段，则每一类别应该至少有10N个训练样本，才能满足一些分类算法中有关计算方差及协方差矩阵的要求。当然总的样本数量应根据区域的异质程度而有所不同。
对于不同的应用环境，监督分类中训练样本的选择和对其统计评价的步骤和方法都会有所不同。
(2)选择合适的分类算法
在监督分类中可以采用许多不同的算法，将一个未知类别的像元划分到一个类别中。常用的几种算法：①平行算法、②最小距离法、③最大似然法
1.3非监督分类
1.3.1非监督分类法概述
非监督分类，也称为聚类分析或点群分析， 是一种无先验（已知）类别标准的分类方法。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。长期以来，非监督分类已经发展了近百种不同的自然集群算法。这里仅简述最常用的ISODATA算法。
1.3.2 ISODATA法
ISODATA即重复自组织数据分析技术。经过ISODATA算法得到的集群组只是一些自然光谱组，需要分析者将每个集群组归到其对应的类别中，这个过程通常还需要参考其他的图，或者用户本身对于该区的了解。留下难以归类的图像，对这个残余图像重新运行ISODATA算法，直到所有的集群组都能正确归类。
2.1新的分类方法
分类是人们获取信息的一种重要的手段。传统的分类方法是以经验风险最小化为归纳原则，只有当训练样本数趋于无穷时，其性能才能达到理论上的最优。然而在光谱遥感影像分类中训练样本往往是有限的。当样本不足时，传统的分类方法往往不能达到理想的分类精度，尤其在对高光谱影像的分类中，样本不足的问题更为突出。新的分类方法目前分为：模糊分类、空间结构纹理分类、专家分类、人工智能神经元网络方法，本文着重介绍一下人工智能神经元网络方法。
2.1.2人工智能神经元网络方法
1943年随着神经元的数学模型（MP模型）的首次提出，人工神经网络的研究先后经历了兴起、沉淀和低潮期。20世纪80年代中期以来，神经网络的应用研究取得了很大的成绩。近年来，国内外众多学者已经将其广泛应用到遥感领域。
所谓人工智能神经元网络法(简称神经网络法)是利用计算器模拟人类学习的过程，建立输入和输出数据之间联系的程序。神经网络法从其本质上讲应属于非监督分类的范畴，因为简单实用, 在一定程度上满足了遥感影像分类的精度, 又恰好能有效解决遥感图像处理中常见的困难，因此它很快在遥感图像分析与处理领域得到了广泛地应用，现已日益成为遥感影像分类的有效手段。
人工神经网络具有如下基本特性：
(1)并行分布处理：神经网络具有高度的并行结构和并行实现能力，每个神经元都可根据接收到的信息作独立的运算和处理，然后将结果传送出去，有较好的耐故障能力和较快的总体处理能力；
(2)非线性映射：神经网络具有固有的非线性特性，这源于近似任意非线性变换能力；
(3)通过训练进行学习：神经网络通过研究系统过去的数据记录进行训练，一个经过适当训练的神经网络具有归纳全部数据的能力；
(4)适应与集成：神经网络能够适应在线运行，并能同时进行定量和定性操作。神经网络具有较强适应和信息融合能力，特别适合复杂、大规模和多变量系统的控制。
神经网络监督方法相对于传统的遥感影像分类方法具有的主要优势：
(1)可以处理各种非线性映射和求解各种十分复杂和高度非线性的分类和模式识别问题；
(2)统计方法依赖于模型而神经网络依赖于数据本身；
(3)具有并行处理能力，运算速度高于其他方法；
(4)能最大限度地利用已知类别遥感图像样本集的先验知识，神经网络可以根据这些知识自动进行学习，提炼出规则；
(5)具有联想能力，若训练集中的遥感图像具有代表性，那么求解这些样本的合理规则很可能就是求解原问题的一般性规则，它比其它方法具有更好的联想和推广能力。
结束语
随着遥感技术的纵深发展，遥感数据的时间、空间和光谱分辨率不断提高，传统的分类方法(如最大似然法、K-均值法等)已经不能满足分类精度的要求，因此应采用新的分类方法来提高遥感图像分类精度。但毕竟神经网络法也存在着一定局限性，我们在今后的研究中有几点必须注意：一方面，遥感图像分析与处理本身具有复杂性和多目标性，这样就要求我们在具体工作中必须设计出适合问题的模型，另一方面，人工神经网络在图像重建、图像压缩、图像去噪等方面的应用，虽然不如在遥感影像分类中应用的那么广泛，但也已经显示出其优势和意义，有待我们进一步研究。还要注意将人工神经网络与其它理论技术结合起来，这样它将有更加广阔的应用前景。
参考文献
[1] 梅安新, 彭望录, 秦其明, 刘慧平. 遥感导论. 北京：高等教育出版社, 2001.
[2] 赵英时. 遥感应用分析原理与方法. 北京：科学出版社, 2003.
转载注明来源:https://www.xzbu.com/2/view-560557.htm
