基于光谱特征监督分类方法在黄河口湿地应用比较.docVIP

基于光谱特征监督分类方法在黄河口湿地应用比较 　　摘要： 使用基于光谱特征的六种常用监督分类方法，对同景黄河口湿地高光谱CHRIS影像进行分类，后对分类结果进行对比，进而分析并总结六种方法分类精度之间的差异和各自的特点。 Abstract： Using six kinds of commonly used supervised classification method based on spectral characteristics to classify the Yellow River Estuary wetland hyperspectral CHRIS image， after comparing with the results of classification， and then it analyzes and summarizes the differences and their respective characteristics of classification accuracy between the six methods. 关键词： 遥感；高光谱；监督分类；最大似然法；湿地 Key words： remote sensing； hyperspectral；supervised classification；maximum likelihood method；wetland 中图分类号：P407.8 文献标识码：A 文章编号：1006-4311（2014）02-0184-03 0 引言 在高光谱遥感研究领域中，对地物进行分类判别有许多手段，其中监督分类是较为有效的手段之一。由于多种具体监督分类方法各自基于的算法不同，所以在不同的应用领域会产生不同的分类效果。本次研究重点在于比较几种监督分类方法应用于湿地地貌时的效果，并尝试找到更适用于黄河口湿地保护区的分类方法。 本文研究所用实验数据为2012年6月1日获取的同景黄河口湿地保护区PROBA① CHRIS影像，传感器工作模式为模式2，视角为0°（国家海洋局第一海洋研究所）。我们对该湿地影像分别使用六种监督分类方法进行分类操作，然后将各分类结果与标准分类影像进行混淆矩阵比对，最后分析并总结各方法在湿地应用中的地物判别效果。 1 六种监督分类法概述 遥感图像通常分为两种方法，即非监督分类和监督分类。在没有任何先验类别做样本的情况下根据像元间的相似度进行归类合并的方法即为分监督分类方法，包括分级集群法和动态聚类法等。而监督分类方法则是通过在研究区域选取具有代表性的训练场作为样本，根据已知样本，通过方差和像素亮度均值等特征参数的选择建立判别函数，在对样本像元进行分类的同时根据样本类别的特征对非样本像元的对数类别进行识别。选择训练样本和训练场地是进行监督分类的关键，其选择的质量关系到分类能否取得良好的效果。本文所用六种监督分类方法的基本算法理论如下： ①最大似然分类法：此方法建立在Bayes准则的基础上[1]，且是处理图像最常用的一种监督分类方法，其偏重于集群分布的统计特性。分类原理：假设在光谱空间中，训练样本数据服从高斯正态分布规律，做出样本的概率密度等值线以确定分类，计算出标本属于各组概率后，标本归属概率最大的一组。 ②马氏距离分类法：此方法作为一个方向灵敏的距离分类器，由于分类时使用了统计信息，虽然类似于最大似然法，但是由于它假定了所有类的协方差相等，是一种较快的分类方法。 ③最小距离分类法：利用训练样本数据在没有先验知识的前提下，计算出每一类均值的向量和标准差向量，该特征空间的中心位置为均值向量，计算出输入图像中每个像元到各类中心的距离，像元到哪一类的中心距离最小，即其归属哪一类。 ④神经网络分类法：此方法是建立在模拟人脑神经系统和功能基础上的一种数据分析处理系统[2]。一个神经元有多路输入，不仅接受来自其他神经元的信息，还经由一条路线将反馈信息传递给另一个神经元。一个神经元通过突触与多个神经元相连，信号进入突触即为输入，通过突触加权后，所有输入的加权和就是所有权重输入的总效果。神经在该和值大于等于神经元阈值时被激活，否则不被激活。我们可以把神经网络看成简化了的人脑圣经系统的数学模型。 ⑤支持向量机分类法：于1995年由Vapnik领导的ATTBell实验室研究小组所提出[3]。在二次优化理论、结构风险理论和核空间理论的基础上建立了此方法。由于它用事先定义的非线性变换函数集将向量映射到高维特征空间，按照支撑向量与决策曲面的空隙极大化的原则产生最优超平面，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性决策边界，因此，它提供了一个与问题维数无关的函数，且具有复杂