遙感圖像分類方法比較研究

邱德艷

摘 要： 鑒于遙感監(jiān)督分類方法的普遍應(yīng)用，本文介紹了五種常用的監(jiān)督分類方法：平行六面體法、最小距離法、馬氏距離法、最大似然法和人工神經(jīng)網(wǎng)絡(luò)分類法，就同一地區(qū)TM影像應(yīng)用這五種方法進(jìn)行土地利用分類，對(duì)比分析這五種方法的分類精度，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)對(duì)土地覆蓋與利用的分類精度高于最大似然法，最大似然法分類精度優(yōu)于平行六面體法、最小距離法和馬氏距離法，所得結(jié)論對(duì)有關(guān)遙感圖像分類工作具有指導(dǎo)和借鑒意義。

關(guān)鍵詞： 遙感圖像分類平行六面體法 最小距離法 馬氏距離法 最大似然法 人工神經(jīng)網(wǎng)絡(luò)分類

遙感圖像是通過(guò)亮度值或像素值的高低差異及空間變化而表示不同地物的差異，如不同類型的植被、土壤、巖石及水體等，這是我們區(qū)分不同影像地物的物理依據(jù)。遙感圖像分類就是利用計(jì)算機(jī)對(duì)遙感圖像中各類地物的光譜信息和空間信息進(jìn)行分析，選擇特征，并用一定手段將特征空間劃分為互不重疊的子空間，然后將圖像中的各個(gè)像素劃歸到各子空間。遙感圖像分類特征是反映地物光譜信息和空間信息，并可用于遙感圖像分類處理的變量，如多波段圖像的每個(gè)波段都可作為特征，多波段圖像的各種處理結(jié)果也以作為分類的特征空間構(gòu)成一個(gè)特征向量。

1.遙感圖像分類原理簡(jiǎn)介

遙感圖像分類的理論依據(jù)是：遙感圖像中的同類地物在相同的條件下（紋理、地形、光照及植被覆蓋等），應(yīng)具有相同或相似的光譜信息特征和空間信息特征，從而表現(xiàn)出同類地物的某種內(nèi)在相似性，即同類地物像素的特征向量將集群在同一特征空間區(qū)域；而不同的地物其光譜信息和空間信息特征不同，將集群在不同的特征空間區(qū)域。由于地物的成分、性質(zhì)、分布情況的復(fù)雜性和成像條件，以及一個(gè)像素或瞬時(shí)視場(chǎng)里往往有兩種或多種地物的情況，即混合像素，使得同類地物的特征向量不盡相同，而且使得不同地物類型的特征向量之間的差別不都是截然相反的。

遙感圖像分類方法可分為非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類是在沒(méi)有先驗(yàn)類別知識(shí)的情況下，根據(jù)圖像本身的統(tǒng)計(jì)特征及自然點(diǎn)群的分布情況劃分地物類別的分類處理，它并不需要具體地物的已知知識(shí)，可更好地獲取目標(biāo)數(shù)據(jù)內(nèi)在的分布規(guī)律，主要方法有：K均值分類（K-means）、ISODATA方法。

監(jiān)督分類是一種常用的精度較高的統(tǒng)計(jì)判決分類，它是在已知類別的訓(xùn)練場(chǎng)地上提取各類訓(xùn)練樣本，通過(guò)選擇特征變量、確定判別函數(shù)或判別規(guī)則，把圖像中的各個(gè)像元?jiǎng)潥w到各個(gè)給定類的分類方法。其主要步驟包括：選擇特征波段；選擇訓(xùn)練區(qū)；選擇或構(gòu)造訓(xùn)練分類器；對(duì)分類精度進(jìn)行評(píng)價(jià)。主要方法有：平行六面體分類（Parallelepiped）、最小距離分類（Minimum Distance）、馬氏距離分類（Mahalanobis Distance）、最大似然分類（Maximum Likelihood）、人工神經(jīng)網(wǎng)絡(luò)分類法等。

2.案例分析

本文以呼和浩特市地區(qū)7個(gè)波段組成的TM影像為原始數(shù)據(jù)，以波段5、4、3模擬真彩色RGB合成，選取涼城縣岱海區(qū)域做分類實(shí)驗(yàn)，以確定該區(qū)域土地覆蓋應(yīng)采取的分類方法。

2.1遙感影像的目視解譯。

在利用ENVI進(jìn)行監(jiān)督分類之前，首先在ArcGIS中進(jìn)行遙感影像的矢量化操作，利用目視解譯畫(huà)出各類地物的邊界，并統(tǒng)計(jì)其面積，以此評(píng)定各種分類方法的分類精度。

2.2遙感圖像的平行六面體法、最小距離法、馬氏距離法、最大似然法分類。

采用ENVI軟件監(jiān)督分類模塊進(jìn)行平行六面體法、最小距離法、馬氏距離法、最大似然法分類，分類時(shí)訓(xùn)練區(qū)相同，以比較不同分類方法的精度。分類后對(duì)原始分類圖像進(jìn)行聚類、過(guò)濾、去除后處理工作，并采用總體分類精度、Kappa系數(shù)（結(jié)果略）評(píng)定分類精度，發(fā)現(xiàn)最大似然法分類精度最高。

2.3.2參數(shù)設(shè)置：Select Classes from Regions：?jiǎn)螕鬝elect All Items按鈕，選擇全部的訓(xùn)練樣本。

Activation：選擇活化函數(shù)。備選函數(shù)為對(duì)數(shù)（Logistic）和雙曲線（Hyperbolic）函數(shù)，此處選擇對(duì)數(shù)函數(shù)；Training Threshold Contribution：輸入訓(xùn)練貢獻(xiàn)閾值（0～1）。該參數(shù)決定了與活化節(jié)點(diǎn)級(jí)別相關(guān)的內(nèi)部權(quán)重的貢獻(xiàn)量，它用于調(diào)節(jié)節(jié)點(diǎn)內(nèi)部權(quán)重的變化，訓(xùn)練算法交互式地調(diào)整節(jié)點(diǎn)間的權(quán)重和節(jié)點(diǎn)閾值，從而使輸出層和響應(yīng)誤差達(dá)到最小。將該參數(shù)設(shè)置為0，不會(huì)調(diào)整節(jié)點(diǎn)的內(nèi)部權(quán)重，適當(dāng)調(diào)整節(jié)點(diǎn)的內(nèi)部權(quán)重可以生成一幅較好的分類圖像，但是如果設(shè)置的權(quán)重太大，對(duì)分類結(jié)果就會(huì)產(chǎn)生不良影響，此值需多次試驗(yàn)選擇；Training Rate：設(shè)置權(quán)重調(diào)節(jié)速度（0～1）。參數(shù)值越大則訓(xùn)練速度越快，但也增加擺動(dòng)或者使訓(xùn)練結(jié)果不收斂；Training Momentum：輸入一個(gè)0～1的值。該值大于0時(shí)，在“Training Rate”文本框中鍵入較大值不會(huì)引起擺動(dòng)，該值越大，訓(xùn)練的步幅越大，該參數(shù)的作用是促使權(quán)重沿當(dāng)前方向改變；Training RMS Exit Criteria：指定RMS誤差為何值時(shí)訓(xùn)練應(yīng)該停止。RMS誤差值在訓(xùn)練過(guò)程中將顯示在圖表中，如圖6所示。當(dāng)該值小于輸入值時(shí)，即使沒(méi)有達(dá)到迭代次數(shù)，訓(xùn)練也會(huì)停止，然后開(kāi)始分類；Number of Hidden Layers：所用隱藏層的數(shù)量。要進(jìn)行線性分類，鍵入值為0（沒(méi)有隱藏層），不同的輸入?yún)^(qū)域必須與一個(gè)單獨(dú)的超平面線性分離。要進(jìn)行非線性分類，輸入值應(yīng)該大于或等于1，當(dāng)輸入的區(qū)域并非線性分離或需要兩個(gè)超平面才能區(qū)分類別時(shí)，必須擁有至少一個(gè)隱藏層才能解決這個(gè)問(wèn)題，兩個(gè)隱藏層用于區(qū)分輸入空間，空間中的不同要素不臨近也不相連；Number of Training Iterations：輸入用于訓(xùn)練的迭代次數(shù)。這里選默認(rèn)值1000；Min Output Activation Threshold：輸入一個(gè)最小輸出活化閾值。如果被分類像元的活化值小于該閾值，在輸出的分類中，該像元將被歸入未分類（unclassified）中。

3.結(jié)語(yǔ)

如何提高遙感影像的分類精度，一直是關(guān)注的熱點(diǎn)。本文通過(guò)對(duì)五種監(jiān)督分類方法的對(duì)比分析，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)土地利用分類與實(shí)際情況最接近，分類精度最高。最大似然法次之，兩者分類精度皆高于平行六面體、最小距離法、馬氏距離法分類方法。

人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)分類方法相比，有其明顯優(yōu)點(diǎn)。

一方面，神經(jīng)網(wǎng)絡(luò)方法沒(méi)有對(duì)數(shù)據(jù)分布特征的任何假設(shè)前提。它不考慮數(shù)據(jù)是正態(tài)分布或是不連續(xù)分布，可以在特征空間上形成任意邊界的決策面，并在每次迭代過(guò)程中動(dòng)態(tài)調(diào)節(jié)決策區(qū)域，顯示統(tǒng)計(jì)方法強(qiáng)大的穩(wěn)定性和優(yōu)越性。神經(jīng)網(wǎng)絡(luò)的監(jiān)督分類和標(biāo)準(zhǔn)的統(tǒng)計(jì)監(jiān)督分類非常相似。主要區(qū)別在于訓(xùn)練和分類在實(shí)現(xiàn)的細(xì)節(jié)上。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程和最大似然法計(jì)算均值和方差類似。所不同的是，最大似然法的均值和方差只計(jì)算一次，而神經(jīng)網(wǎng)絡(luò)法采用迭代算法，直到計(jì)算結(jié)果和實(shí)際結(jié)果的差異滿足要求。

另一方面，神經(jīng)網(wǎng)絡(luò)方法是非線性的，同傳統(tǒng)分類方法相比較，它可以處理復(fù)雜的數(shù)據(jù)集，識(shí)別精細(xì)的模式，且能利用多源數(shù)據(jù)，將潛在的信息提取出來(lái)。

當(dāng)然，目前每種方法都有分類的局限性，沒(méi)有哪一種是絕對(duì)最好的。因此必須針對(duì)具體問(wèn)題，靈活應(yīng)用，綜合應(yīng)用多種分類方法，將來(lái)必有更新的理論與方法提高遙感影像分類精度。

參考文獻(xiàn)：

[1]梅安新等.遙感導(dǎo)論[M].北京：高等教育出版社，2001.

[2]包亮，郭曉虹.遙感與土地資源監(jiān)測(cè)實(shí)驗(yàn)指導(dǎo)書(shū)（修訂稿）[Z].2008.

[3]錢茹茹.遙感影像分類方法比較研究[C].西安：長(zhǎng)安大學(xué)，2007：1-30.

[4]王圓圓，李京.遙感影像土地利用/覆蓋分類方法研究綜述[J].遙感信息，2004：53-59.

[5]羅來(lái)平.遙感圖像分類中模糊模式識(shí)別和決策樹(shù)方法的應(yīng)用研究[D].北京：首都師范大學(xué)，2006.

[6]費(fèi)鮮蕓，高祥偉.土地利用/土地覆蓋遙感分類研究綜述[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2002：391-394.

[7]紀(jì)仰慧，李國(guó)春，關(guān)宏強(qiáng).土地利用/覆蓋遙感分類研究綜述[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2005： 36-38.

[8]劉慧平等.遙感實(shí)習(xí)教程[M].北京：高等教育出版社，2001.

[9]潘建剛，趙文吉，宮輝力.遙感圖像分類方法的研究[J].首都師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2004：56-91.

[10]王一達(dá)，沈熙玲，謝炯遙.感圖像分類方法綜述[J].遙感信息，2006：67-71.

[11]張若琳，萬(wàn)力，張發(fā)旺，等.土地利用遙感分類方法研究進(jìn)展[J].南水北調(diào)與水利科技，2006：39-42.

[12]李爽，丁圣彥，許叔明.遙感影像分類方法比較研究[J].河南大學(xué)學(xué)報(bào)（自然科學(xué)版），2002：70-73.

[13]李石華，王金亮，畢艷遙.感圖像分類方法研究綜述[J].國(guó)土資源遙感，2005：1-6.

[14]黃寧，劉小軍，朱敏慧.遙感圖像分類技術(shù)研究[J].華北工學(xué)院測(cè)試技術(shù)學(xué)報(bào)，2001：86-92.

[15]郭欣.遙感圖像的分類[D].北京：北京化工大學(xué)，2006.