基于ENVI的遥感图像监督分类方法比较研究_闫琰pdf.doc

14 ·北京测绘· 2011 年第 3 期 基于 ENVI 的遥感图像监督分类方法比较研究 闫 琰 董秀兰 李 燕 ( 安徽理工大学测绘学院，安徽 淮南 232001) ［摘 要］ 基于监督分类方法在遥感影像分类中的普遍应用，介绍了四种 ENVI 提供的常用的监督分类 方法。对同一 TM 图像运用这四种方法进行分类，并对分类结果进行了对比，从而分析了这四种方法分类精度 之间的差异。 ［关键词］ 遥感; 图像分类; 最小距离法; 最大似然法; 神经网络; 支持向量机 ［中图分类号］ P237 ［文献标识码］ A ［文章编号］ 1007 － 3000( 2011) 03 － 4 随着遥感技术的发展，遥感作为采集地球数据及 这里主要讨论的是 ENVI 提供的在遥感图像监 其变化信息的重要技术手段，在世界范围内以及我国 督分类中常用的四种分类方法: 的许多政府部门、科研单位和公司得到广泛的应 1) 最小距离分类法: 是在有先验知识的前提下， 用［1］。由于不同领域遥感图像的应用对遥感图像处 利用训练样本数据计算出每一类的均值向量和标准 理提出了不同的要求，所以图像处理中重要的环 差向量，然后以均值向量作为该类法特征空间中的中 节———图像分类也就显得尤为重要［2］。 心位置，计算输入图像中每个像元到各类中心的距 遥感图像通过亮度值或像元值的高低差异( 反映 离，到哪一类中心的距离最小，该像元就归入到哪 地物的光谱信息) 及空间变化 ( 反映地物的空间信 一类。 息) 来表示不同地物的差异。这是区分不同图像地物 2) 最大似然分类法: 是图像处理中最常用的一种 的物理基础。遥感图像分类就是利用计算机通过对 监督分类方法，它建立在 Bayes 准则的基础上，偏重 遥感图像中各类地物的光谱信息和空间信息进行分 于集群分布的统计特性，分类原理是假定训练样本数 析，选择特征，将图像中每个像元按照某种规则或算 据在光谱空间的分布是服从高斯正态分布规律的，做 法划分为不同的类别，然后获得遥感图像中与实际地 出样本的概率密度等值线，确定分类，然后通过计算 ， ［3］。 目前 标本( 像元) 属于各组( 类) 的概率，将标本归属于概 物的对应信息 从而实现遥感图像的分类 随着各种新理论新方法的相继涌现，遥感图像存在多 率最大的一组［4］。 种分类方法，所以本文主要是选取几种常用的分类方 3) 神经网络分类法: 是模拟人脑神经系统的结构 法用实验结果表明它们之间存在的差异 。 和功能为基础而建立的一种数据分析处理系统。一 1 遥感图像分类 个神经元有多路输入，接收来自其它神经元的信息， 通常遥感图像的分类方法可分为非监督分类和 并将反馈信息经由一条路线传递给另一个神经元。 监督分类。 一个神经元与多个神经元以突触相连，进入突触的信 非监督分类方法是在没有先验类别( 训练场地) 号作为输入( 激励) ，通过突触而被“加权”，所有输入 作为样本的条件下，即事先不知道类别特征，主要根 的加权之和即为所有权重输入的总效果。若该和值 据像元间相似度的大小进行归类合并( 将相似度大的 等于或大于神经元阈值，则该神经元被激活( 给出输 像元归为一类) 的方法。其常用方法有: 分级集群法、 入) 否则即不被激活。神经网络可以视为简化了的人 动态聚类法。 脑神经系统的数学模型［5］。 监督分类方法。首先需要从研究区域选取有代 4) 支持向量机( Support Vector Machine) 分类法: 表性的训练场地作为样本。根据已知训练区提供的 是由 Vapnik 提出的，结构风险理论、二次优化理论、 样本，通过选择特征参数 ( 如像素亮度均值、方差 核空间理论是 SVM 的三大基础理论。它提供了一个 等) ，建立判别函数，据此对样本像元进行分类，依据 与问题维数无关的函数复杂性的有意义刻划，用事先 样本类别的特征来识别非样本像元的归属类别［1］。 定义的非线性变换函数集，把向量映射到高维特征空 监督分类的关键是训练样本和训练场地的选择，其选 间中，按照支撑向量与决策曲面的空隙极大化的原则 择的质量关系到分类能否取得良好的效果。 来产生最优超平面，然后再把高维特征空间的线性决 ［收稿日期］ 2011 － 03 － 13 ［作者简介］ 闫琰( 1985—) ，女，汉族，安徽淮南人，在读硕士研究生，研究方向为数字城市与矿山空间信息技术。 2011 年第 3 期 ·北京测绘· 15 策边界映射到输入空间的非线性决策边界［6］。 应用试验 本文以某城市由 7 个波段