一种多特征的遥感分类方法.docxVIP

一种多特征的遥感分类方法 1 基于多特征的遥感影像分类方法 遥感的最终目标是反映、描述、量化和描述各种表面现象，这有助于理解和理解各种表面现象和过程。自从1972年Landsat1上天以来,我们几乎总是用同一种方式来达到上述目标,即首先测量地球表面的反射或辐射,将之记录到影像上,然后对影像的最小单元——像元进行统计分析(像元层次上的统计分析)。在遥感分类领域中的情形也大致如此。 对于处理不同尺度下空间问题的地理学、景观生态学或其它学科而言,像元层次上的统计分析不足以表达对上述学科来说具有认识论或哲学意义的基本概念。从认识论角度看,人类认识和把握事物所进行的思维和推理都是基于概念层次的。因而,仅从像元出发是不可能进行相关的思维和推理活动,也不可能实现较高层次的遥感影像理解和分析。这也是为什么地理学的很多核心概念如空间关系(距离、拓扑连接、方向特征)、空间模式、多尺度或区域结构等特征和方法直到现在还不能有效地应用于包括遥感分类在内的诸多遥感影像分析任务中。虽然近年在基于像元的遥感影像分类上引入了很多的新的方法如模糊集(Fuzzy Set)、神经网络分类器(Neural Net Classifier)、空间逐步寻优模型(Stepwise Optimization Making Model)、分层聚类(Hierarchical Clustering)等等,在影像分类精度等方面有不少的改进,但由于这些方法从本质上还是基于像元层次的,因而无法从根本上摆脱基于像元分类方法的局限性。要想使遥感影像分类的精度有根本性的改善或提高,必须突破传统的像元层次上的遥感分类体系。 以像元直接进行土地覆被分类时所出现的一个明显的但常受到忽视的问题是:像元所记录的相当一部分信号事实上来自于周围像元所对应的地表,这是多因素(包括传感器和其它相关设备的光学特性,以及大气效应等)作用的结果(Townshend等, 2000)。可行的解决方案是利用情景特征(Contextual Feature),也即利用周边像元的观测值来辅助分类。而整合邻域像元信息的一个较好的方法是图像分割。在很多情形下,只有当图像被分割为同质对象时,图像分析才能得到有意义的结果(Gorte 1998, Baat 和 Sch?pe 2000, Blaschke 等, 2000)。 据此,本文提出了基于多特征的遥感影像分类方法,即通过对分割得到的同质对象(图像区域)的多种特征来进行遥感影像分类,从而避免直接在像元层次上进行分类,以克服传统的遥感分类方法的局限。本文后续内容如下:第二部分阐述基于多特征的遥感分类方法及其流程,第三部分介绍实验数据及研究方法,第四部分给出实验的结果并进行相关讨论,第五部分为本文的结论。 2 传统遥感影像特征 图像工程包括三个层次,即低层次的基于像元的图像处理,中间层次的基于目标的图像分析,以及高层次的基于符号的图像理解。在图像工程的整体框架下,基于像元的遥感影像分析处于该框架的低层次——图像处理层次。与之相对应,基于目标的遥感影像分析则处于相对较高的层次——图像分析层次。因而,从基于像元的遥感影像处理向基于目标的遥感影像分析的演变,是遥感学科进一步发展的必然要求。相应地,遥感分类也必须顺应这一演变趋势。国外的一些学者已经从遥感影像分析的层面对新的遥感分类方法作了一些探索性的研究,并且有了一些进展,如Lobo的每地块(Per-field)方法,Aplin等(1999)的每斑块(Per-Patch)分类方法,以及基于对象的模糊规则分类等等,使分类的结果有所改进。 然而,无论是目标识别还是分类,特征才是事实上起决定作用的因素。特定的目标总是和相应的特征或特征组合(多特征)相联系的。只要选择合适的特征或特征组合,我们就能把某一目标与其它目标区别开来。图像分析过程中无论是目标表达还是参数测量,都是围绕着“特征”来展开的。因而,“特征”在遥感影像分析中具有重要的意义。传统的遥感影像分析也是基于特征——光谱特征的,但是由于异物同谱和同物异谱现象较为普遍,仅靠光谱特征是不足以表达目标或类的,因而其分析结果的可靠性常常不尽人意。基于多特征的遥感影像分析或分类才有可能得到较可靠的结果。例如,在一标准假彩色影像中的某一红色影像区域,若根据它的光谱特征,我们可能将其识别为林地或草地,若加入邻接特征,即考虑到它周围的地物以居民点用地居多,我们将其标识为居民点绿地。若该对象不是居民点绿地,我们可以根据它的纹理特征来判别它究竟是林地还是草地。 基于此,我们提出了基于多特征的遥感影像分类方法。首先,我们根据研究问题所涉领域的专业知识,影像所在区域的背景知识,以及影像所呈现的光谱特征,制定类方案(class scheme)。继而,根据领域知识和规则,建立类和特征之间的对应关系,即利用特征或特征组合来表达