基于面向?qū)ο蟮母叻直媛蔬b感影像分類技術研究

杜斌　張煒

摘要：在遙感影像處理過程中，如何提高分類精度一直是備受關注的問題，傳統(tǒng)的基于像元的分類方法，精度提高方面很難再有質(zhì)的飛躍。因此，面向?qū)ο蟮姆椒☉\而生。本文通過對比的方法，來比較基于像元的方法和面向?qū)ο蟮姆椒ǖ姆诸惥取＝柚延羞b感軟件對內(nèi)蒙古自治區(qū)呼和浩特市某區(qū)的快鳥影像進行分類試驗，根據(jù)試驗結(jié)果，得出面向?qū)ο蟮姆诸惙椒▽τ诟叻直媛蔬b感影像的分類有著非常好的效果。

關鍵詞：像元；面向?qū)ο螅桓叻直媛?；分割；影像分?/p>

1. 引言

遙感技術現(xiàn)已成為資源環(huán)境監(jiān)測和地表動態(tài)變化研究的主要方法和手段，幫助人類獲取了多平臺、多時相、多光譜的實時信息。在遙感技術中，分類是獲取信息的前提。隨著遙感成像技術的不斷發(fā)展，圖像分類的精度也在提高，從單波段的數(shù)據(jù)到多波段的數(shù)據(jù)再到如今的高光譜圖像，應用研究得到深入和擴展。

早期在進行圖像識別分類的時候，大多依靠目視解譯的方法，要求判讀人員具備相應的判讀知識，能夠提取相關的空間信息，但是這種方法，效率非常低，而且跟判讀員的主觀意識存在一定關系。這種方法目前仍然廣泛應用，并且與計算機相結(jié)合，輔助計算機進行自動識別分類。計算機分類的方法主要是針對圖像上的光譜信息和空間信息進行采集、分析、特征識別及最終的信息提取，將每個像元按照一定的規(guī)則劃分到不同的類別當中去。在計算機自動識別分類領域，目前有兩類方法：第一類就是傳統(tǒng)的基于像元的分類方法，即處理的最小單位是像元，并且僅僅依靠像元的光譜特征進行，通常采用監(jiān)督分類或者非監(jiān)督分類；第二類是面向?qū)ο蟮姆椒?，這種方法處理的最小單元就不再是像元，而是對象，并且利用的不止包括光譜信息，還包括空間關系等。

2. 遙感影像分類方法簡介

2.1 基于像元的分類方法

基于像元的分類方法作為傳統(tǒng)方法，由于其在技術上已經(jīng)很成熟，所以至今仍然應用廣泛，具體分類方法主要有兩類：即監(jiān)督分類和非監(jiān)督分類?；谙裨姆诸惙椒?，顧名思義，是以像元作為最基本的處理單元，依據(jù)地物的光譜特性來進行歸類，由于同類地物體現(xiàn)出的光譜特征一致，所以在特征空間中呈現(xiàn)出聚類的特點，那么不同的地物就會呈現(xiàn)出不同的聚類區(qū)域。無論是監(jiān)督分類法還是非監(jiān)督分類法，都是對于一個一個的像元進行處理，所以都屬于基于像元層次的分類方法。

監(jiān)督分類法又稱為場地訓練分類法，是以先驗知識作為基礎，選擇樣本進行訓練，以此建立統(tǒng)計識別函數(shù)，按照概率規(guī)則進行類別的劃分。即首先選擇樣本，確定特征參數(shù)，根據(jù)特征參數(shù)，建立判別函數(shù)及判別規(guī)則，最后對未分類地區(qū)進行模式識別的一種方法。這種方法的關鍵就是選擇樣本和確定判別規(guī)則，要求樣本必須具有較強的代表性和典型性，判別規(guī)則要滿足分類精度的要求，否則要重新確定分類規(guī)則。非監(jiān)督分類是指人們在分類之前對于分類過程不施加任何先驗知識，僅僅依靠圖像上地物的光譜特征進行盲目的分類，這個分類過程只是將不同類別進行了區(qū)分，但是沒有確定類別的屬性，屬性要通過后期分析及實地調(diào)查方可確定。在實際工作中，由于監(jiān)督分類和非監(jiān)督分類都存在各自的局限性，故通常將二者結(jié)合使用。即首先通過非監(jiān)督分類來確定樣本結(jié)構，再依據(jù)非監(jiān)督分類確定的樣本進行監(jiān)督分類。這種方法可以使得人為產(chǎn)生誤差的機會大大減少，從而提升一定的分類精度。

本文基于像元的分類方法采用的是ENVI4.5平臺。

2.2 面向?qū)ο蟮姆诸惙椒?/p>

對于遙感圖像而言，除了光譜信息外，還包含很多信息，比如空間信息、語義信息和上下文信息。為了充分利用這些信息，面向?qū)ο蟮姆椒☉\而生。這種方法在進行分類處理時，最小單元就不再是像元，而是由若干像元組成的對象，這種對象就不僅包含像元的光譜信息，同時包含像元之間的語義信息、拓撲信息和紋理信息。

面向?qū)ο蟮挠跋穹诸惙椒ㄊ紫葘D像進行分割，獲得對象，再依據(jù)對象的光譜特征、紋理特征、形狀特征和布局特征等，根據(jù)模糊分類方法對影像進行分類及信息提取。在這個過程中，形成了面向?qū)ο蠓椒ǖ膬蓚€特點：第一，可以利用對象的多特征，即光譜特征和其他特征；第二，可以利用不同的分割尺度形成不同大小的對象，并且每一尺度可形成一個對象層，在多尺度層下根據(jù)不同地物的特點選擇適當尺度層進行提取，可以充分利用地物的各種特征。分割尺度決定了形成對象的異質(zhì)度，尺度較大，則分割過程中地物的很多細節(jié)被忽略，因此產(chǎn)生的對象數(shù)量就較少，每個對象的面積較大。反過來，分割尺度較小，則地物細節(jié)體現(xiàn)的就較多，對象數(shù)量較多，對象的面積就較小。

本文面向?qū)ο蟮姆诸惙椒ú捎玫氖莈Cognition7.0平臺。

3. 遙感影像分類試驗

3.1 基于像元的分類試驗

試驗流程如圖1所示。

（3）對影像進行分割：在Process tree列表中單擊右鍵，選擇Append New，彈出Edit Process對話框，修改名稱為學校，點擊OK。在Process Tree中選中學校，點擊右鍵選擇Insert Child，在對話框中重命名為Segmentation。在Process Tree中選中Segmentation，點擊右鍵選擇Insert Child，在算法4）在Class Hierarchy中點擊右鍵選擇Insert Class，并選擇顏色。由此創(chuàng)建道路，裸地，陰影，植被，建筑物等類別。在菜單欄的空白處點擊右鍵選擇sample editor。選取典型樣本（classification→ samples → select samples），在sample editor的工作欄中的active class選擇當前激活的類，如：建筑物、綠地等，在影像上雙擊想要選擇為樣本的對象。樣本選擇完畢后，選擇feature space optimization。在feature空白處選擇需要添加的特征，選擇相應的level點擊calculate，系統(tǒng)將會根據(jù)樣本自動計算出最優(yōu)化的分類特征組合。點擊advanced，選擇apply to classes?，F(xiàn)在我們雙擊class hierarchy中的任意一類，類描述中出現(xiàn)最鄰近分類的特征。在process tree 中添加新的process （process tree中點擊鼠標右鍵，選擇append new），算法選擇classification，設置相關的參數(shù)。單擊execute執(zhí)行，得到分類結(jié)果。

4. 總結(jié)

通過上述試驗，對于基于像元的傳統(tǒng)分類方法和基于面向?qū)ο蟮男路诸惙椒ㄟM行了比較?；谙裨姆诸惙椒?，分類精度稍低于面向?qū)ο蟮姆椒āＣ嫦驅(qū)ο蟮姆诸惣夹g，首先對遙感影像進行分割，然后進行分類。影像分割是面向?qū)ο蟾叻直媛蔬b感影像分的前提和關鍵，分割結(jié)果的好壞將直接影響分類精度。在分割過程中選擇的分割尺度為100進行圖像分割，這個尺度相對比較合理，從分類結(jié)果來看，基于像元的分類效果確實不如基于面向?qū)ο蠓诸惡侠?，總之面向?qū)ο蠓诸惙椒▽τ诟叻直媛蔬b感影像更加合適，能夠提高其分類的精度。

參考文獻：

[1] 翟涌光，王耀強.基于點特征的多源遙感影像高精度自動配準方法[J]. 遙感技術與應用.2010.6（3）：404-409.

[2] 翟涌光，王耀強.基于分辨率融合的多尺度遙感影像分類技術研究[J].測繪與空間地理信息.2010.4（2）：109-113.

[3] 翟涌光.多尺度分割技術對遙感影像分類精度影響問題的研究[D].內(nèi)蒙古農(nóng)業(yè)大學.2010.

[4] 籍曉婧，郝蕾.基于面向?qū)ο蠓椒ǖ母叻直媛蔬b感影像城市用地分類研究[J].西部資源，2013（6）.

[5] 張美香，白亞彬.基于高分辨率遙感影像的城市規(guī)劃設計研究[J].西部資源，2014（1）.