遙感專題分類圖不確定性評級方法研究

張英杰

摘 要：隨著遙感影像的分類理論和技術(shù)水平的不斷完善，從遙感數(shù)據(jù)中提取專題類別信息是當(dāng)前遙感數(shù)據(jù)最主要的應(yīng)用領(lǐng)域之一，遙感專題分類圖不確定性評價(jià)受到越來越多的關(guān)注。本文主要研究了如何在Matlab下采用貝葉斯分類器對影像進(jìn)行分類，并采用基于像元尺度上的分類不確定性評價(jià)方法進(jìn)行評價(jià)，最后進(jìn)行可視化實(shí)現(xiàn)。

關(guān)鍵詞：遙感影像；像元尺度；不確定性；貝葉斯；精度；可視化

傳統(tǒng)的遙感數(shù)據(jù)專題分類不確定性的表達(dá)和評價(jià)方法，包括基于誤差矩陣的方法、基于模糊集的方法以及其它各種方法，他們的共同點(diǎn)在于：1）都是將分類不確定性表達(dá)在類別尺度上；（2）都需要空間采樣過程；（3）這些方法要么需要精確確定參考數(shù)據(jù)類別，要么需要人為給定采樣點(diǎn)參考數(shù)據(jù)的類別的模糊隸屬度；（4）分類不確定性不能可視化表達(dá)。像元尺度上的不確定性評價(jià)方法可以有效地解決這些問題，避免不確定性評價(jià)的偏差，便于可視化表達(dá)[1]。本文主要研究對遙感影像圖在ERDAS下對進(jìn)行分類，對分類后的圖像用基于像元尺度上的不確定性評價(jià)方法進(jìn)行不確定性評價(jià)，并且對評價(jià)結(jié)果進(jìn)行可視化。

1 基于像元尺度分類不確定性評價(jià)方法及可視化

1.1 基于像元尺度的不確定性評價(jià)方法原理

本文用貝葉斯分類器對圖像進(jìn)行分類，對分類的不確定性采用基于像元尺度的評價(jià)方法進(jìn)行研究并實(shí)現(xiàn)可視化。用貝葉斯分類器進(jìn)行分類后，可得到像元x屬于某一每一類別的后驗(yàn)條件概率。

從概率矢量中，可以衍生出許多分類不確定性的測量。最大后驗(yàn)概率本身可以作為分類不確定性的一個(gè)度量。最大后驗(yàn)概率越大，表示分類不確定性越小?；蛘撸梢远x概率殘差（probabilityresidual）

作為不確定性的度量[2]

描述分類不確定性的參數(shù)主要有為四個(gè)：

（1）絕對不確定性（2）相對不確定性（3）混合像元程度（4）證據(jù)不完整性

除了以上四個(gè)不確定性度量，還可以從概率矢量中得出其它分類不確定性度量。最常用的是概率熵（entropy）。概率熵是一個(gè)信息論中的概念，它與一個(gè)統(tǒng)計(jì)變量不同測量值的不確定性有關(guān)，表達(dá)統(tǒng)計(jì)變量測量值不確定性的分布和范圍。

一般在分類時(shí)像元的真實(shí)類別是未知的，因此判斷一個(gè)像元所屬類別所需要的信息量也是未知的。像元的概率熵可因此定義為反映像元所屬類別所需信息的期望的信息內(nèi)容。當(dāng)像元屬于每一類別的后驗(yàn)概率平均分布時(shí)，這些概率矢量等于沒有提供關(guān)于像元屬于哪一類的信息，因此這時(shí)分類所需的信息量最大，概率熵達(dá)到最大值；當(dāng)最大后驗(yàn)概率為1時(shí)，該像元100%屬于最大后驗(yàn)概率所指的類別，不再需要額外信息，這時(shí)概率熵達(dá)到最小。用概率熵表達(dá)分類不確定性的最大優(yōu)點(diǎn)在于它將整個(gè)矢量中所包含的信息總結(jié)在一個(gè)單一的值。

1.2 不確定性的可視化表達(dá)

遙感分類信息中都存在著不確定性， 如果僅僅對其進(jìn)行不確定性程度上的數(shù)學(xué)度量， 而忽略其在空間域和時(shí)間域上的分布特征， 則很難完整準(zhǔn)確地描述和理解遙感信息中的不確定性[11]。從視覺感知角度表現(xiàn)不確定性信息是不確定性建模的重要組成部分， 而利用現(xiàn)有的計(jì)算機(jī)可視化技術(shù)來表達(dá)遙感分類信息的不確定性則是一種直觀有效的方法， 可以更加完整地理解遙感數(shù)據(jù)及其分類信息中不確定性的大小、分布、空間結(jié)構(gòu)和趨勢。不確定性可視化技術(shù)分為靜態(tài)可視化、動(dòng)態(tài)可視化和特征可視化三種類型[12]。在本文中我們采用直觀明確的靜態(tài)可視化來進(jìn)行試驗(yàn)。

2 Matlab下遙感影像不確定性評價(jià)及可視化試驗(yàn)

2.1 遙感影像分類的流程

本文選取某地區(qū)的多波段遙感影像為例來進(jìn)行試驗(yàn)。由于全色遙感影像是級數(shù)為256的灰度影像，其特點(diǎn)是影像數(shù)據(jù)量小，包含的信息也相對的較少，但它相應(yīng)的優(yōu)點(diǎn)就是每一幅影像其實(shí)就是一個(gè)大的矩陣，矩陣的維數(shù)對應(yīng)于影像的長度和寬度值，矩陣中的每一個(gè)數(shù)值（0～255）對應(yīng)于影像中每個(gè)像素的亮度值。正因?yàn)槿跋窬哂兄T多優(yōu)點(diǎn)使得它很容易進(jìn)行計(jì)算機(jī)處理。處理的流程為：

1）首先，進(jìn)行直方圖修正技術(shù)使影像具有統(tǒng)一的均值和方差，以部分消除光照條件的影響。

2） 在ERDAS下打開圖像，對每一類各采12個(gè)樣本點(diǎn)，記錄這48個(gè)樣本點(diǎn)在1、2、4波段的亮度值。在Matlab軟件下利用這些樣本點(diǎn)計(jì)算出建立貝葉斯判別函數(shù)所需的數(shù)據(jù)。

3）在Matlab下采用貝葉斯分類器來實(shí)現(xiàn)對影像的分類。

4）分類后處理，由于分類的精度問題，從最初分類結(jié)果上我們會(huì)看到很多“噪聲”，即分類錯(cuò)誤的情況，為了得到更真實(shí)的分類結(jié)果我們還要對初分類結(jié)果進(jìn)行濾波來消除“噪聲”，實(shí)驗(yàn)中采用效果比較好的中值濾波來平滑噪聲。

5）針對分類結(jié)果進(jìn)行精度評定。

6）采用基于像元尺度上的方法進(jìn)行不確定性評價(jià)。本次實(shí)驗(yàn)采用概率熵來進(jìn)行不確定性的度量。

7）實(shí)現(xiàn)可視化。

2.2 遙感影像的監(jiān)督分類實(shí)驗(yàn)

本次實(shí)驗(yàn)的目的是如何通過貝葉斯分類器對圖像進(jìn)行分類，然后采用基于像元尺度的評價(jià)方法來實(shí)現(xiàn)影像的不確定性評價(jià)，最后進(jìn)行可視化實(shí)現(xiàn)。

用貝葉斯分類器對影像進(jìn)行分類，編寫貝葉斯分類函數(shù)代碼，利用貝葉斯分類器對影像進(jìn)行分類，經(jīng)過中直濾波處理后，顯示出分類結(jié)果。

在可視化的結(jié)果中，顏色越深的地方不確定性越低，即分類的精度較高；顏色越淺的地方不確定性越高，即分類的精度較低?？梢暬罂梢郧宄乜闯龇诸愔胁淮_定性的大小、分布、空間結(jié)構(gòu)和趨勢，能夠完整準(zhǔn)確地描述和理解遙感信息中的不確定性。

3 結(jié)論

本文主要研究了如何在Matlab下利用貝葉斯分類器對遙感影像進(jìn)行分類，并采用基于像元尺度上的分類不確定性評價(jià)方法對分類的不確定性進(jìn)行評價(jià)并可視化。本文所做的工作主要包括以下幾點(diǎn)：

1）在Erdas下選取樣本點(diǎn)，計(jì)算貝葉斯分類所需要的參數(shù)。本文對菜地、房屋、農(nóng)田1和農(nóng)田2四類地物樣本分別選取樣本點(diǎn)，然后在Matlab下利用樣本點(diǎn)的像素值計(jì)算貝葉斯分類所需的各個(gè)參數(shù)，作為分類的基礎(chǔ)。

2）在Matlab下實(shí)現(xiàn)遙感影像的分類，采用貝葉斯分類器將遙感影像分為菜地、居民地和農(nóng)田，獲取圖像中每一個(gè)像元屬于每一類的概率值。

3）完成遙感影像的分類后處理工作，對分類結(jié)果采用中值濾波進(jìn)行去噪處理。

4）采用基于像元尺度的評價(jià)方法對分類的不確定性進(jìn)行評價(jià)。本文采用概率熵參數(shù)來實(shí)現(xiàn)不確定性評價(jià)。

5）對評價(jià)后的結(jié)果采用靜態(tài)可視化的方法進(jìn)行可視化，以圖像的形式顯示出來。

本文采用靜態(tài)可視化的方法實(shí)現(xiàn)對不確定性的表達(dá)，在視覺效果上不如動(dòng)態(tài)可視化更加直觀有效。在分類過程中，計(jì)算程序較復(fù)雜，對matlab軟件的掌握還不夠熟練，在可視化時(shí)程序運(yùn)行緩慢，時(shí)間太長，有待進(jìn)一步改進(jìn)。

參考文獻(xiàn)：

[1] 章孝燦等. 遙感數(shù)字圖像處理[M].第一版. 杭州：浙江大學(xué)出版社，1997.

[2] 李爽，丁圣彥等. 遙感影像分類方法比較[J].鐵路航測，2003.