遥感图像分类方法_文献综述.docxVIP

遥感图像分类方法研究综述 摘要 本文概述了遥感图像分类的概念和原理，详细探讨了传统的遥感分类方法，对各种方法的进行了定性的比较与分析。然后介绍了分别基于GPU、计算机集群和刀片机服务器的三种加快分类速度的途径，最后展望了遥感图像分类方法的发展方向和研究热点。 关键词：遥感；图像分类；监督分类；非监督分类；GPU；机群系统；刀片机 1．引言 在遥感图像处理的研究中，无论是专业信息提取，地物变化预测，还是专题地图制作等都离不开分类。遥感图像分类有类别多，混合度大和计算量大的特点，分类方法的优劣直接关系到分类的精度和速度。由于遥感图像本身的空间分辨率以及“同物异谱”和“异物同谱”现象的存在，往往出现较多的错分、漏分现象，导致分类精度不高 REF _Ref430181757 \r \h [1]，如何实现图像分类识别并满足一定的分类精度，是当前遥感图像研究中的一个关键问题, 也是研究的焦点 REF _Ref430181833 \r \h [2]。 2．遥感图像分类原理 遥感图像通过亮度值或像素值的高低差异及空间变化表示不同地物的差异，如不同类型的植被、土壤、建筑物及水体等，这也是区分不同地物的理论依据。利用光谱特征（地物电磁波辐射的多波段测量值）或纹理等空间结构特征，按照某种规则就能对地物在遥感图像上的信息进行识别与分类。图像分类的目标就是通过对各类地物波谱特征的分析选择特征参数，将特征空间划分为不相重叠的子空间，进而把影像内诸像元划分到各子空间去，从而实现分类 REF _Ref430181934 \r \h [3]。 3．传统分类方法 遥感影像的计算机分类方法可分为两种：统计判决分类和句法模式识别。前者通过对研究对象进行大量的统计分析, 抽出反映模式的本质特点、特征而进行识别。后者则需要了解图像结构信息, 从而对其进行分类。传统的分类方法一般为统计判决分类, 如最大似然法、K均值法等。近年来发展的分类新方法则多采用句法方法, 如专家系统法和决策树分类法等。 根据是否已知训练样本的分类数据，统计模式方法可分为监督分类、非监督分类。下面将具体介绍监督分类、非监督分类以及其它分类（如模糊分类和人工神经网络分类）的典型算法及其主要步骤。 3.1 监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,把图像中的各个像元点划归到各个给定类 REF _Ref430182274 \r \h [4-7]。常用的监督分类方法有最小距离分类、平行六面体分类、最大似然分类等。主要步骤包括：（1）选择特征波段；（2）选择训练区；（3）选择或构造训练分类器；（4)对分类精度进行评价。 3.1.1 最小距离分类 最小距离分类的基本思想是按照距离判决函数计算象素点与每一个聚类中心的光谱距离，将该像素点归到距离最近的类别。该分类方法的距离判决函数是建立在欧氏距离的基础上的，公式如下： d 其中n为波段数(维数)，K是某一特征波段，i是聚类中心数，Mi是第i类样本均值，MiK是第i类中心第k波段的象素值，dx, 最小距离判别方法的具体步骤如下： (1)确定地区和波段； (2)选择训练区； (3)根据各训练区图像数据，计算????； (4)将训练区外图像像元逐类代入等式计算??(??,????)，按判别规则比较大小，将像元归到距离最小的类别； (5)产生分类图像； (6)检验结果，如果错误较多，重新选择训练区； (7)输出专题图像。 最小距离分类有计算量相对较小，分类速度快的优点并能适用于样本较少的情况。缺点是分类精度相对其它监督分类方法较低。 3.1.2 平行六面体分类 平行六面体分类是通过设定在各轴上的一系列分割点，将多维特征划分成对应不同类别的互不重叠的特征子空间的分类方法。通过选取训练区详细了解分类类别的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，构成特征子空间 REF _Ref430182335 \r \h [8]。对于一个未知类别的像素点，它的分类取决于它落入哪个类别特征子空间中。如落入某个特征子空间中，则属于该类，如落入所有特征子空间中，则属于未知类型。因此平行六面体分类要求训练区样本的选择必须覆盖所有的类型。 这种方法的优点有：快捷简单，因为对每一个范本的每一波段与数据文件值进行对比的上下限都是常量；对于一个首次进行的跨度较大的分类，这一判别规则可以很快缩小分类数，避免了更多的耗时计算，节省了处理时间。缺点是由于平行六面体有“角”，因此象素点在光谱意义上与模板的平均值相差很远时也可能被分类。 3.1.3 最大似然分类 最大似然分类利用了遥感数据的统计特征，假定各类别的分布函数为正态分布，在多变量空间中形成椭圆或椭球分布，根据各方向上散布情