基于數(shù)據(jù)挖掘的影像分類方法

沙 莎

（解放軍61243部隊，蘭州 730000）

1 研究的必要性

影像分類是遙感影像處理與應(yīng)用中常見的一項工作。通常，影像分類工作既繁瑣、復(fù)雜，分類效果也不盡人意。有時還需多次進(jìn)行嘗試，既浪費(fèi)了大量的時間，也消耗了大量人力，效率很低下。因此，有必要對影像分類工作進(jìn)行研究，找出一種快速、效果較好，同時又靈活、便于調(diào)整的方法對遙感影像進(jìn)行分類，可大幅度提高工作效率。

2 基本思路

遙感圖像是按一定比例尺，客觀真實(shí)地記錄和反映地表物體的電磁輻射的強(qiáng)弱信息，是遙感探測所獲得的遙感信息資料的一種表現(xiàn)形式。所以，遙感技術(shù)應(yīng)用的核心問題是根據(jù)地物輻射電磁輻射強(qiáng)弱在遙感圖像上表現(xiàn)的特征，判讀識別地面物體的類屬及其分布特征。遙感圖像特征取決于遙感探測通道、地物光譜特征、大氣傳播特征及傳感器的響應(yīng)特征等因素。只要了解這些因素對遙感圖像特征的影響，則可按圖像特征判讀地面物體的屬性及其分布范圍，實(shí)現(xiàn)遙感圖像的分類識別。遙感圖像分類主要依據(jù)是地物的光譜特征，既地物電磁波輻射的多波段測量值，這些測量值可以用作遙感圖像分類的原始特征變量。分類是對圖像上每個像素按照亮度并接近程度給出對應(yīng)類別，以達(dá)到大致區(qū)分遙感圖像中多種地物的目的。

3 數(shù)據(jù)處理方法

首先將遙感影像進(jìn)行預(yù)處理，把DN值轉(zhuǎn)換為反射率。然后計算影像像素的各種特征值、選取樣本，樣本像元對應(yīng)的各種特征值賦予一個數(shù)據(jù)集，再通過計算數(shù)據(jù)集中某個屬性的Gini系數(shù)來對數(shù)據(jù)集進(jìn)行二分遞歸分割，并循環(huán)至停止分類的條件。最終生成一個二叉樹，結(jié)構(gòu)清晰，規(guī)則易懂。

在選取特征值的時候，采取了多方面冗余的方式，盡量多地把可能用于提取目標(biāo)的特征都計算出來，以免在特征信息方面有所遺漏。同時隨著研究的深入，還可以加入另外的更為有效的特征值，對數(shù)據(jù)集進(jìn)行有效擴(kuò)充，提高分類精度。完整的決策樹建立過程可分為建樹和剪枝兩個步驟。初步的決策樹建立好后，可用剪枝的方法使其更簡潔有效。通常使用代價復(fù)雜度的方法。

影像預(yù)處理。先對影像進(jìn)行輻射定標(biāo)，把DN值轉(zhuǎn)換為輻亮度；再用FLAASH模型進(jìn)行大氣校正，將輻亮度轉(zhuǎn)換為反射率。

生成樣本數(shù)據(jù)集。先計算出計劃用于分類用的各種影像特征值、紋理等，再利用ArcGis軟件，在影像上選取樣本的圖斑，并轉(zhuǎn)化為與影像像元一一對應(yīng)的點(diǎn)，把各種特征值及紋理賦予這些點(diǎn)，就得到了樣本數(shù)據(jù)集。

建立決策樹。本文借助Clementine軟件，使用其集成的Cart算法對樣本集進(jìn)行數(shù)據(jù)挖掘，快速的獲取到相應(yīng)的分類信息，建立起決策樹。

影像分類。將Clementine軟件得到的決策樹輸入到EnVi中，利用EnVi對影像進(jìn)行分類，得到分類結(jié)果。

4 效果評估

分類完成后，采用了位置精度評估的方式來做精度評估?；舅悸肥牵x取足夠數(shù)量的隨機(jī)點(diǎn)，檢驗(yàn)這些驗(yàn)證點(diǎn)分類屬性與實(shí)際屬性的關(guān)系并建立混淆矩陣，計算分類精度。運(yùn)用ArcGIS的試驗(yàn)區(qū)影像的范圍隨機(jī)產(chǎn)生260個點(diǎn)要素，其中裸地85個點(diǎn)，居民地50個點(diǎn)，植被85個點(diǎn)，水體40個點(diǎn)。用驗(yàn)證點(diǎn)與分類的結(jié)果進(jìn)行疊置，統(tǒng)計分類情況，得到如表的混淆矩陣。

表1 隨機(jī)驗(yàn)證點(diǎn)驗(yàn)證情況的混淆矩陣

此混淆矩陣可計算得出以下幾個指標(biāo)：

（1）分類的總體精度為：

Pa=（42+78+76+34）/260=88.4615385%。

（2）居民地信息的制圖精度：Pb=42/50=84%。

（3）居民地信息的用戶精度：Pc=42/49=85.7%。

（4）Kappa系數(shù)為：=0.840131。

從驗(yàn)證結(jié)果來看，整體分類精度也可以接受；從Kappa系數(shù)來看，落在了0.81-1之間，說明分類結(jié)果與實(shí)際情況幾乎一致，這個分類效果是令人滿意的。

5 結(jié)束語

本文提出的居民地提取的方法是基于地物類型的光譜特性和紋理特征進(jìn)行的，雖然較好的提取了居民地，但是仍然存在漏提、誤提的現(xiàn)象，推廣性也未做評估，還有些問題需要進(jìn)一步研究和解決：

（1）居民地影像信息的特征還需進(jìn)一步研究。本文所使用的OLI影像多光譜波段分辨率為30米，像元覆蓋面積大，存在許多混合像元，降低和模糊了地物本身的結(jié)構(gòu)紋理特征，因而只計算了統(tǒng)計紋理信息，未對結(jié)構(gòu)紋理進(jìn)行研究。本文的實(shí)踐過程也表明，常用的各類指標(biāo)和參數(shù)在用于居民地提取的過程中都存在各自的問題，還需要立足于居民地本身的光譜、紋理特征進(jìn)一步地探索更佳的特征描述方式。

（2）決策樹建立中的最優(yōu)參數(shù)組合還有待進(jìn)一步的探索。本文嘗試了將不同的指標(biāo)和參數(shù)進(jìn)行組合，采用Cart算法建立回歸決策樹來提取居民地取得了較好的效果，但是如何確定最優(yōu)參數(shù)組合及最優(yōu)算法還需深入挖掘。

[1] 陳鑫鏢.面向?qū)ο蟮木用竦刈兓瘷z測方法研究[D].中南大學(xué)，2013.（26）.