遥感图像分类.pdfVIP

1引言

随着卫星遥感图像和航空遥感图片分辨率的不断提高,人们可以从遥感图像中获得

更多的有用的数据和信息。伴随着“数字地球”概念的提出,越来越多的民用场合需要用

到遥感图像,包括资源调查,自然灾害观测、大气气象预报等。由于不同场合遥感图像的

应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节——图像分类也就

显得尤为重要,经过多年的努力,形成了许多经典的分类方法和算法。本文主要研究和讨

论了遥感图像分类技术的分类方法和算法,并且作了简要的评价。

2图像分类技术

遥感图像是按一定比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,

是遥感探测所获得的遥感信息资料的一种表现形式。所以,遥感技术应用的核心问题是

根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其

分布特征。遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器

的响应特征等因素。只要了解这些因素对遥感图像特征的影响,则可按图像特征判读

地面物体的属性及其分布范围,实现遥感图像的分类识别。

遥感图像分类主要依据是地物的光谱特征,既地物电磁波辐射的多波段测量值,这些

测量值可以用作遥感图像分类的原始特征变量。分类是对图像上每个像素按照亮度并接

近程度给出对应类别,以达到大致区分遥感图像中多种地物的目的。

图像分类是模式分类(PatternClassification)在图像处理中的应用，它完成将图像数据

从二维灰度空间转换到目标模式空间的工作。分类的结果是将图像根据不同属性划分为

多个不同类别的子区域。

图像分类器(ImageClassifier)的定义如下：

给定一个二值均匀测度函数P，如果图像中某个区域满足一定意义下的均匀特性，

则该区域P值为真，否则为假。对图像的一个分类就是获得图像的一个划分其中代表第

i类属性的区域，该区域应满足：

[1]，其中是像素点的总集；

[2]是连通；

[3]如果，相邻,且P()=True,P()=True,但P(∪)=False。

理想的分类器应具有两种性质：

[1]分类过程的可重复性，由其他测试者采用相同数据能够获得相同的结论；

[2]鲁棒性(Robustness)，对输入数据的微小改变不敏感，即输入的微小变化或随机

噪声不会影响输出结果的有效性；

一般地，分类后不同的图像区域之间性质差异应尽可能地大，而区域内部性质应保

证平稳特性。

图像分类过程主要有4个步骤，如下图：

图一：图像分类流程

[1]图像数据的预处理：对观测数据作成像处理，以及图像的几何矫正、量化、采样、

预滤波、去噪声等处理；

[2]训练集选择：从待处理数据中抽取出具普遍性、代表性的数据作为训练样本；

[3]特征提取：从样本数据中提取特征矢量，完成样本空间到特征空间的转换，特征

应反映观测目标的特性；

[4]图像分类运算：基于特征矢量集采用特定的分类器对特征空间进行划分，完成分

类工作；

模式分类一般分为统计模式分类和结构模式分类：统计分类着重于定量的统计方法；

结构模式分类则基于描述模式的结构信息、结构特征，利用形式语言中的规则进行分类。

从分类前能否获得训练样本类别这一先验信息角度划分，还可以将模式分类分成两

大类：有监督分类（SupervisedC1assification）和无监督学习分类(Unsupervised

Learning)。

2.1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,从而把图像中的各个像元点

划归到各个给定类的分类方法，这种分类方法就是监督分类。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；

有间督的分类方法可以分为分布无关方法和与分布有关的统计分类。分布无关方法

无需任何有关于观测目标先验概率分布的知识，是一种启发式的学习分类过程，又称无

参数的分类。统计分类方法则基于一定的先验概率分布模型，这种分类方法假定数据的

概率分布参数待确定，一般概率分布模型多采用多变量Gaussian分布，因此最终的