高分辨率遥感影像分类的方法的研究.docVIP

高分辨率遥感影像分类的方法的研究 　　【摘 要】本文主要研究了高分辨率遥感影像分类的监督非分类方法、监督分类及其他分类方法。以胶州市QuickBird遥感影像作为试验数据，基于ERDAS IMAGINE 9.1软件平台，执行非监督分类和监督分类处理，并且对最大似然分类方法、马氏距离分类方法和最小距离分类方法进行实验数据比较分析，经过对分类精度评价指标的计算结果分析评价后，三种分类方法的总精度都在75%以上，满足应用的要求。并且实验数据表明最大似然分类方法的分类精度最高。 　　【关键词】高分辨率遥感影像；非监督分类；监督分类；最大似然；分类精度 　　引言 　　近年来，随着航天技术、传感器技术、数字图像处理技术的发展，遥感正朝着三高（高空间分辨率、高光谱、高时相分辨率）和三多（多传感器、多平台、多角度）方向迅猛发展[1]。高分辨率遥感影像的分类问题在遥感应用中越来越重要。高分辨率遥感影像分类方法由传统的分类方法发展到一些诸如人工神经网络、模糊聚类和决策树分类等新的分类算法。 　　1 高分辨率遥感影像分类的原理 　　1.1 高分辨率遥感影像分类的基本概念 　　遥感图像的分辨率简单来说就是成像系统对图像细节分辨能力的一种度量，也是图像中目标细微程度的指标，它表示景物信息的详细程度。本文所说的高分辨遥感图像是指高空间分辨率、高时间分辨率、光谱分辨率的遥感图像。高分辨率遥感图像分类是遥感分析与解译的需要。高分辨率遥感图像分类是基于图像内容检索的必然结果 　　1.2 高分辨率遥感影像分类的基本原理 　　遥感图像计算机分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。 　　2 高分辨率遥感影像分类方法的研究 　　2.1 非监督分类方法的研究 　　非监督分类（Unsupervised Classification）一种无先验（已知）类别标准的分类法。对于待研究的对象或区域，没有已知类别或训练样本作标准，而直接依据样品观测资料的内在联系进行分类。非监督分类的理论依据是遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，应当具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域[2]。 　　非监督分类最常用的统计分析方法是聚类分析，对于遥感图像进行聚类分析，通常是按照某种相似性准则对样本进行合并或分离，确定一些描述点与点之间的联系程度的统计量即类似度。非监督分类中最常用的方法有ISODATA，K-均值聚类等方法。 　　2.2 监督分类方法的研究 　　监督分类根据已知训练场地提供的样本，通过选择特征参数，建立判别函数，然后把图像中各个像元点归化到指定类中的分类方法[3]。 　　监督分类的分类的思想是：首先根据类别的先验知识确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本（称为训练样本）的观测值确定判别函数中待定参数的过程称为训练或学习，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对样本的所属类别做出判定。 　　有监督分类一般是在图像中选取有代表性区域作为训练区，由训练区数据得出各个类别的统计数据，然后根据这些统计数据对整个图像进行分类。它常用的分类方法有最小距离分类，平面多面体分类和最大似然分类方法 　　2.3 其他分类方法的研究 　　①决策树（Decision Tree）又称为判定树[3]，是运用于分类的一种树结构。可以像分类过程一样被定义，依据规则把遥感数据集一级级往下细分，定义决策树的各个分支。决策树由一个根结点、一系列内部结点（分支）及终极结点（叶节点）组成，每一结点只有一个父结点和一个或多个子结点。其中的每个内部结点（internal node）代表对某个属性的一次测试，每条边代表一个测试结果，叶结点（leaf）代表某个类（class）或者类的分布（class distribution）。决策树算法中比较成熟的有ID3、C4.5、CART、SLIQ以及SPRINT等。 　　②人工神经网络（Artificial Neural Networks，ANN）是人们在模仿人脑处理问题的过程发展起来的一种人工智能信息处理理论，它通过大量的称之为神经元的简单处理单元构成非线性动力学系统，对人脑的形象思维、联想记忆等进行模拟的抽象，实现与人脑相似的学习、识别、记忆等信息处理能力。人工神经网络又可以分为反向传播（简称BP） 网络、径向基函数（简称RBF）网络、自组织特征映射的Kohonen网络、CP网络、Hopfield网络等，其中B