遥感图像分类方法-文献综述

遥感图像分类方法研究综述摘要本文概述了遥感图像分类的概念和原理，详细探讨了传统的遥感分类方法，对各种方法的进行了定性的比较与分析。然后介绍了分别基于GPU、计算机集群和刀片机服务器的三种加快分类速度的途径，最后展望了遥感图像分类方法的发展方向和研究热点。关键词：遥感；图像分类；监督分类；非监督分类；GPU；机群系统；刀片机.引言在遥感图像处理的研究中，无论是专业信息提取，地物变化预测，还是专题地图制作等都离不开分类。遥感图像分类有类别多，混合度大和计算量大的特点，分类方法的优劣直接关系到分类的精度和速度。由于遥感图像本身的空间分辨率以及“同物异谱”和“异物同谱”现象的存在，往往出现较多的错分、漏分现象，导致分类精度不高小如何实现图像分类识别并满足一定的分类精度，是当前遥感图像研究中的一个关键问题，也是研究的焦点②。.遥感图像分类原理遥感图像通过亮度值或像素值的高低差异及空间变化表示不同地物的差异，如不同类型的植被、土壤、建筑物及水体等，这也是区分不同地物的理论依据。利用光谱特征（地物电磁波辐射的多波段测量值）或纹理等空间结构特征，按照某种规则就能对地物在遥感图像上的信息进行识别与分类。图像分类的目标就是通过对各类地物波谱特征的分析选择特征参数，将特征空间划分为不相重叠的子空间，进而把影像内诸像元划分到各子空间去，从而实现分类⑶。.传统分类方法遥感影像的计算机分类方法可分为两种：统计判决分类和句法模式识别。前者通过对研究对象进行大量的统计分析，抽出反映模式的本质特点、特征而进行识别。后者则需要了解图像结构信息，从而对其进行分类。传统的分类方法一般为统计判决分类，如最大似然法、K均值法等。近年来发展的分类新方法则多采用句法方法，如专家系统法和决策树分类法等。根据是否已知训练样本的分类数据，统计模式方法可分为监督分类、非监督分类。下面将具体介绍监督分类、非监督分类以及其它分类（如模糊分类和人工神经网络分类）的典型算法及其主要步骤。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，把图像中的各个像元点划归到各个给定类⑷。常用的监督分类方法有最小距离分类、平行六面体分类、最大似然分类等。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。最小距离分类最小距离分类的基本思想是按照距离判决函数计算象素点与每一个聚类中心的光谱距离，将该像素点归到距离最近的类别。该分类方法的距离判决函数是建立在欧氏距离的基础上的，公式如下：d(%,Mj=[£(晨—时次)2片K=1其中n为波段数(维数)，K是某一特征波段，i是聚类中心数，M,是第i类样本均值，M.k是第i类中心第k波段的象素值，d(%,M)是象素点x到第i类中心乂,的距离。最小距离判别方法的具体步骤如下：(1)确定地区和波段；(2)选择训练区；(3)根据各训练区图像数据，计算Mj；(4)将训练区外图像像元逐类代入等式计钿(招M)按判别规则比较大小，将像元归到距离最小的类别；(5)产生分类图像；(6)检验结果，如果错误较多，重新选择训练区；(7)输出专题图像。最小距离分类有计算量相对较小，分类速度快的优点并能适用于样本较少的情况。缺点是分类精度相对其它监督分类方法较低。平行六面体分类平行六面体分类是通过设定在各轴上的一系列分割点，将多维特征划分成对应不同类别的互不重叠的特征子空间的分类方法。通过选取训练区详细了解分类类别的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，构成特征子空间⑻。对于一个未知类别的像素点，它的分类取决于它落入哪个类别特征子空间中。如落入某个特征子空间中，则属于该类，如落入所有特征子空间中，则属于未知类型。因此平行六面体分类要求训练区样本的选择必须覆盖所有的类型。这种方法的优点有：快捷简单，因为对每一个范本的每一波段与数据文件值进行对比的上下限都是常量;对于一个首次进行的跨度较大的分类，这一判别规则可以很快缩小分类数，避免了更多的耗时计算，节省了处理时间。缺点是由于平行六面体有“角”，因此象素点在光谱意义上与模板的平均值相差很远时也可能被分类。最大似然分类最大似然分类利用了遥感数据的统计特征，假定各类别的分布函数为正态分布，在多变量空间中形成椭圆或椭球分布，根据各方向上散布情况不同按正态分布规律用最大似然判别规则进行判决，得到较高准确率的分类结果。分类公式如下：D=ln(aj—[0.5ln(|Co%|)]—[T(Co%t)(X—MJ]其中，D是加权距离(可能性)，C是某一特征类型，X’为象素的测量向量，Mg是类型(3的样本平均向量，4是任一象素属于类型C的百分概率(缺省为1.0，或根据先验知识输入)，C。%是类型C的样本中的象素的协方差矩阵。具体的分类流程如下：(1)确定需要分类的地区和使用的波段和特征分类数，检查所用各波段或特征分量是否相互已经位置配准；(2)根据已掌握的典型地区的地面情况，在图像上选择训练区；(3)计算参数：根据选出的各类训练区的图像数据，计算Mc和CovC，确定先验概率%(4)分类：将训练区以外的图像像元逐个代入公式，对于每个像元，分几类就计算几次；最后比较大小，选择最大值得出类别；(5)产生分类图：给每一类别规定一个值，如分成10类，可规定每一类对应的值分别为1,2,3,・・・，10。分类后的像元值便用类别值代替并进行着色，最后得到的分类图像就是专题图像；（6）检验结果，如果分类中错误较多，需要重新选择训练区再作以上各步，直到结果满意为止。虽然最大似然法的分类精度较高，但是计算量大，分类时间长，而且对输入的数据有一定要求（最大似然是参数形式的，意味着每一输入波段必须符合正态分布）。非监督分类非监督分类是在没有先验类别知识的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理。这类方法以图像的统计特征为基础，能够获得图像数据内在的分布规律。因为非监督分类不需要对待分类的地区有已知知识或进行实地考察，相对监督分类而言有更广的应用范围。主要的方法有K均值分类和ISODATA分类。1（均值分类K均值分类的基本思想是通过迭代，逐次移动各类的中心，直至得到最好的分类结果为止。需要预先设定聚类中心的个数（这在一定程度上限制了该算法的应用），逐次移动各类的中心，使聚类域中所有样本到聚类中心的距离平方和最小，直至各类的中心不再移动（或移动的范围小于设定的阈值）或达到规定的迭代次数时停止分类。其主要步骤如下：（1）确定类别数并各类的初始中心：Z1（0）,Z2（0），…，Z/0），K为类别数。初始中心的选择对聚类结果有一定影响，一般通过以下方法选取：①根据问题的性质，用经验的方法确定类别数K，从数据中找出直观上看来比较适合的K个类的初始中心；②将全部数据随机地分为K个类别，将这些类别的重心作为K个类的初始中心；（2）择近归类:将所有像元按照与各中心的距离最小的原则分到K个聚类中心；（3）计算新中心：待所有样本第i次划分完毕后，重新计算新的集群中心与。+1）,j=1,2,…,K；（4）如果聚类中心不变或小于设定的阈值，则算法收敛，聚类结束；否则回到步骤（2），进入下一次迭代；下图描述了K均值分类过程中各类中心移动的过程。聚类中心数大初始聚类中心的选择、样本输入的次序，以及样本的几何特性等均可能影响k均值算法的进行过程。对这种算法虽然无法证明其收敛性，但当各类之间彼此远离时这个算法所得的结果是令人满意的。由于K均值分类有实现过程简单，分类速度较快的优点，在遥感图像分类应用中有着重要的作用。3.2.2ISODATA分类ISODATA（IterativeSelf-OrganizingDataAnalxsisTechniquesA）分类也称为迭代自组数据分析算法，它与K均值分类类似，都是通过迭代移动各类的中心，直到得到最好的分类结果。差别在于:第一，它不是调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都分类完毕之后才重新计算一次各样本的均值。所以，K均值分类可看作逐个样本修正法，ISODATA分类可看作成批样本修正法；第二，该算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”与“分裂”，从而得到类别数比较合理的聚类结果。这种方法不受初始聚类组的影响，对识别蕴含于数据中的光谱聚类组非常有效，前提是重复足够的次数。缺点是比较费时，因为可能要迭代上百次⑼。其它分类方法模糊分类遥感图像中的像元不一定由单纯的一种地物信息构成，因此，用传统的“硬”分类方法（如前面提到的监督分类和非监督分类，每个像元归为单一类别）进行图像分类，无法获得较高的精度。一种较好的解决办法就是采用以模糊理论为基础的模糊分类法。模糊分类允许根据各类型的百分比函数，将一个像元归到几个类别。模糊分类具有过程灵活简便、主观影响小、适应面广等优点。但仍存在如下问题（1）算法性能依赖于参数的初始化；（2）大数据量时算法严重耗时。针对于这些问题学者们进行了很多研究，并取得了重要成果，主要研究内容有隶属函数确定、模糊模式识别匹配（分类）、模糊推理、模糊方法与统计方法的结合、模糊方法与人工神经网络的结合、模糊动态识别等1。］。人工神经网络分类人工神经网络分类是利用计算机模拟人类学习的过程，建立输入与输出数据之间联系的程序。在模仿人脑学习的过程中，通过进行重复的输入和输出训练来增强和修改输入和输出数据之间的联系［11］。所以，人工神经网络分类也可归为监督分类。人工神经网络主要由3个基本要素构成，即处理单元、网络拓扑结构及训练规则，是由大量简单的处理单元（神经元）连接成的复杂网络，能够模仿人的大脑进行数据接收、处理、贮存和传输。神经网络方法具有极强的非线性映射能力，可高速并行处理大量数据，而且具有自学习、自适应和自组织能力。下图为三层神经网络的典型结构图。三层神经网络的典型结构图］目前，人工神经网络技术在遥感图像分类处理中的应用主要有单一的 BP（BackPropagation,反向传播）网络、模糊神经网络、多层感知器、径向基函数（RBF）网络、Kohonen自组织特征分类器、Hybrid学习向量分层网络等多种分类器。各种传统分类方法的比较监督分类的关键是训练样本的选择，训练样本的质量直接关系到分类能否取得良好的效果。在选择训练样本时要充分考虑研究区地物的光谱特征和分布区域特征并结合大量的野外调查，才能保证所选取的训练样本具有较好的代表性。非监督分类不需要对地面信息有详细的了解，也不需要选择训练样本。能根据地物的光谱特征进行分类，受人为因素的影响较少，而且算法成熟操作简单。在初步分析图像时，用非监督分类的方法来研究数据的自然集群分布情况是很有价值的。两种分类方法各有特点，实际应用中应充分考虑分类要求，如分类精度和速度，选择合适的分类方法作为基础算法。下表是上述分类方法的特点的总结。方法区别原理适应条件特点效果局限性最小距离法元素到聚类中心距离最小每一个要识别的类有对应的代表向量精度取决于对已知地物类型的了解和训练统计的精度计算简便，可对像元顺序扫描分类，效果较好对于类别重叠的情况，分类精度受到限制最大似然分类归属概率最大多数情况适用，但对出现概率低的类别可能影响精度建立一个判别函数集分类错误小而精度高容易受到参数估计的限制平行六面体分类设定分割点将多维特征划分成分别对应不同分类类别的互不重迭的特征子空间通过选取训练区详细了解分类类别（总体）的特征特征子空间快捷简单，节省处理时间由于平行六面体有“角”，像素在光谱意义上与模板的平均值相差很远时可能被分类K均值分类所有样本到聚类中心的距离平方和最小对待分类区域缺乏足够了解聚类中心数K始终固定快速简单，工作量小盲目的聚类；难以对产生的类别进行控制ISODATA分类以初始类别为“种子”施行自动迭代聚类的过程不便对分类区域进行实地考察动态调整类别数K当类之间彼此远离时得的结果是令人满意的当多个地物类型的光谱特征类型差异很小时，分类的精度就会降低模糊分类利用像元的隶属度函数进行分类混合像元问题，界线不明显的对象在单个像元中提取各类地物信息（类似于黑箱问题）进行“准纯样本”到“模糊样本”的转化可改善分类精度模糊样本选取困难人工神经网络分类无参数分类器对待分类区域有足够了解高维性、自组织性、模糊性和冗余性其分类精度优于最大似然法若要提高训练精度需要多次迭代，非常费时遥感图像的分类算法很多，但还没有一种算法是最普遍和最佳的，这主要是由于遥感图像数据的复杂性决定的。从前面的叙述笔者得出了下面的结论：（1）与其它分类方法相比，监督分类和非监督分类算法最为简单，应用最为成熟。针对这些方法已经开发出了应用软件，使用方便。(2)神经网络分类方法属于非参数分类器，不需要统计分布的假设，因此要比传统统计分类方法的应用范围广泛。近年来，神经网络分类方法有了较大的发展，尤其是BP网络分类方法，神经网络分类结果与传统统计分类方法相比，分类结果精度有了明显提高［13］。但其对样本数量有一定要求，在样本数量多时，精度较高，但耗费时间长，在样本数量少时因无法很好进行参数的学习和调整，精度收到影响，因而仍未能在实际分类中广泛应用。(3)各种分类方法各有特点，在处理图像分类问题时没有唯一的“正确”方法。在具体分类时，需要根据被用来分析的数据的性质、可获得的计算机资源及分类数据的应用采用特定的方法。必要时可综合应用多种方法，以提高分类的准确率与精度。如李敏基于模概均值算法的遥感图像变化检测的研究提出了一种山函数与密度函数结合的聚类中心初始化算法；王崇倡等采用动量一一自适应学习速率调整算法对BP网络算法进行改进，取得了良好效果；曾建潮构建了一种全局收敛的改进算法，对算法的速度进化迭代方程作了相关的改进。.三种硬件加速方法简介遥感图像处理具有数据量大、运算密集、算法复杂等特点，如何快速、高效地处理遥感图像成为遥感图像处理技术研究的目标之一。本文简要介绍了从三种硬件的方向加快分类的方法，分别是GPU加速、机群系统加速和刀片机服务器加速，并对这些研究工作的特点进行了简要分析，最后总结了研究中存在的问题。GPU加速GPU(GraphicsProcessingUnit，图形处理器)，是一种专门在个人电脑、工作站和一些移动设备(如平板电脑、智能手机等)上进行图像运算工作的微处理器。作为通用大规模并行处理器，GPU具有运算密集、高度并行、体积小等特点，为加速遥感图像处理提供了新的技术手段。GPU与CPU的差异GPU在计算能力上相对于CPU有明显优势的原因在于两者的设计目标与体系结构不同。如下图所示，CPU的执行单元采用了复杂的控制与分支预测以及大量的缓存来提高执行效率,能够面对尽可能多的通用处理事务，用于计算的算术逻辑单元ALU(ArithmeticLogicUnit)只占很小一部分。ControlALUMU[]RAM DltAKCPU GPUCPU与GPU架构比较GPU则在有限的而积上提供更多的计算单元和很高的数据带宽，通过大量计算单元的并行处理实现了更强大的计算能力。2007年，NVIDIA推出了CUDA(ComputeUnifiedDeviceArchitecture)，它是第一种通过使用类C语言对GPU进行编程开发的通用计算开发环境及其软件体系［14］，提升了GPU的可编程性。GPU加速的三个方向从加速原理角度，大致可分为下面三种方法（1）基于数据分块的多线程并行技术该技术的主要特点是对图像数据进行分块和线程任务分配，让每个线程负责处理其中一个数据块，通过多线程并行工作的方式共同完成整个遥感图像数据处理，下图为示意图。基于数据分块的多线程并行示意图输基于数据分块的多线程并行示意图输A数据站果数据JP（2）基于CUDA库的并行加速技术通过调用CUDA函数库中并行处理算法来实现遥感图像的并行处理。（3）基于算法分解的协同并行技术对算法进行拆分，将具有高密度数据计算特征的处理部分交给GPU处理，其他不宜GPU处理的部分（处理过程中存在较多的判断、分支等逻辑处理步骤）交给CPU处理。GPU应用存在的问题综上所述，尽管GPU有强大的计算能力，对大多数遥感图像处理算法适应性较好，但由于GPU本质上仍属于协处理器性质，但系统应用中存在一些问题UM（1）数据存储问题:遥感图像GPU并行处理流程一般需要将数据一次性载入GPU显存，其处理数据量受限于GPU显存容量；（2）数据载入问题：GPU显存包括全局存储器、共享存储器、纹理存储器和常数存储器，不同类型的存储器具有不同的容量和读写速率，处理速度受限于所采用的存储器类型；（3）数据I/O问题：GPU数据处理需要在显存和内存之间来回传输数据，处理性能受限于显存与内存之间的总线带宽等。小结在很多科研领域，随着对处理速度要求的提高和处理系统环境的限制（如外场作业），GPU和CPU协同工作不失为一种有效提升计算机运算能力的途径。有研究者提出了集群CPU并行处理系统的设想，通过将多个GPU集成为GPU处理服务器来加快运算速度。但是，如何使GPU与CPU更协调地工作，从系统角度获得更为优化的整体处理流程，形成高效的快速处理系统，仍有待于未来的进一步研究。机群系统加速从字面上理解，机群就是一组协同工作的计算机。它能够将工作负载从一个超载的系统（或节点）迁移到机群中的另一个系统（或节点）上，从而大大的提高了它的处理能力，甚至可以和专用计算机（小型机和大型机）相媲美，性价比却远高于专用计算机［16］。在机群中，常见的硬件有：结点、网络、存储。软件有:机群系统、节点系统、应用支撑软件。下图为机群系统的结构示意图。典型的机群系统体系结构编程环境和应用程序好,书性和单一系筑E央象设施结点结点网络接口典型的机群系统体系结构编程环境和应用程序好,书性和单一系筑E央象设施结点结点网络接口内存忌线 ］处理器环法互欧网络机群系统的优点显而易见的是，机群系统能够将不同型号、不同操作系统的计算机组合成机群对图像分类进行并行运算，相对于一台计算机而言，极大的提升了运算的速度。除此之外，机群系统还有下列优点：（1）系统开发周期短：计算机系统大多采用商用工作站和通用LAN网络，使主控节点管理系统相对容易上手，可靠性高。（2）系统总价低：构成集群的工作站或PC机都是批量生产的，价格低廉。（3）节约系统资源：由于集群系统的结构比较灵活，它可以将不同体系结构，不同性能的工作站或PC机连在一起，用户可以充分利用现有设备，节约系统资源，提高工作效率。（4）系统扩展性好：机群系统大多使用通用网络，系统扩展性很强，而且对大小不同的颗粒度并行应用都具有很好的效率。（5）易于升级：机群计算机在结点性能上可以同处理器发展保持同步，降低系统升级的费用。机群系统的一些限制因素基于机群的高性能遥感处理技术需要将遥感处理的过程中的多任务合理拆分或者是将一个处理任务分解成几个能独立运行的子任务，分配到集群的节点上，并行地执行各个任务，进而快速高效地处理遥感数据。所以，要进行遥感机群处理有下面几个限制因素：（1）通信开销大：机群系统中每台机器都有独立的存储器，各节点机器的内存不共享，如果要进行全局共享数据读写操作，必须通过机器间的通信来进行数据传输；（2）体积大，不便于移动；（3）有些任务不能进行分解和并行化处理。小结快速贪吃算法、最小-最小算法、最大-最小算法和最大时间跨度算法都是较为常用的机群调度算法［17］。然而无论使用哪种调度算法，都有一个无法解决的问题。因为一个机群管理系统可以控制的节点的总数是有限的，当某个机群所拥有的计算机的总数接近或者达到极限时，运算量也将达到极限，很难再提高整个机群的效率。为了解决上述问题，有研究者引入了异构多机群系统的概念。将不同种类的机群结合起来，形成一个统一的，异构的（这里提到的异构是指机群管理系统之间的异构，或者说调度异构，而不是指计算机、操作系统、平台之间异构），更大的机群系统［16］，较好的解决了机群算法的问题。但是调度算法也变得更加复杂，这也是日后深入研究的方向之一。刀片机服务器加速刀片服务器是指在标准高度的机架式机箱内可插装多个卡式的服务器单元，是一种实现HAHD（HighAvailabilityHighDensity,高可用高密度）的低成本服务器平台，为特殊应用行业和高密度计算环境专门设计。下图为刀片机服务器的示意图。刀片机服务器“刀片”们可以通过板载硬盘启动各自的操作系统（WindowsNT/2000、Linux等），类似于一个个独立的服务器。管理员可以使用系统软件将这些母板集合成一个服务器集群，在集群模式下，所有的母板可以连接起来提供高速的网络环境，并同时共享资源，为相同的用户群服务。刀片机服务器的优点通过集合多个“刀片”，刀片机服务器便可在集群模式下集合这些母版的计算能力。由于结构合理，刀片机服务器有以下优点：（1）便于升级与维护：在集群中插入新的〃刀片〃，就可以提高整体性能。由于每块刀片都支持热插拔的，系统可以轻松地进行替换，将维护时间减少到最小；（2）规模小：由于省去了机箱及交互设备，其重量、体积较计算机或服务器小得多；（3）稳定性较高：内置的负载均衡技术能有效提高服务器的稳定性和核心网络性能。刀片机服务器的不足尽管前面列举了刀片机服务器的许多优点，但是高密度的“刀片”设置也带来了不少问题，主要如下：（1）发热严重：一个刀片机箱的最大耗电量是8000瓦，需要额外提供良好的散热和冷却系统；（2）厂商标准不一：刀片机服务器没有统一的标准，服务器刀片常常设计成只能在某家厂商自己的机箱里面运行，通常只能使用同一家公司的全套设备；（3）密度高才有经济意义：算上机箱和通用服务的成本，每台服务器的成本就会超过同等处理能力的独立服务器系统。所以，只有通过增加刀片数分摊机箱的成本，才能有更好的经济意义。小结本章简单介绍了三种加快分类速度的途径：GPU、机群系统和刀片机服务器。三种途径各有其特点：将具有高密度数据计算特征的处理部分交给GPU处理，GPU加速法属于单个计算机级别的硬件加速；机群系统利用高速互联网络联系一组或多组计算机进行并行运算，提升效果更明显，但体积过大，不适用于野外工作；刀片机服务器体积小，运算能力强大，但发热严重，也是提升分类速度的一种有效方法。在实践中，我们可以根据实际需要选择合适的加速方法。.结语传统的遥感图像分类方法如目视解译、监督分类和非监督分类，算法成熟、操作简单仍然是目前应用较多的方法。近年来发展起来的分类新方法，如决策树分类法、综合阈值法、专家系统分类法、多特征融合法以及基于频谱特征的分类法等，能够更准确地提取出目标地物，对图像分类有不同程度的改进，在实际应用中通常和传统分类方法结合起来使用。随着计算机技术的不断发展，我们还可以从硬件角度去改善遥感图像分类技术。本文介绍的GPU、机群系统和刀片机服务器是三种应用较多，比较成熟的方法，主要从并行运算的方向提升硬件设备的运算能力。尽管这些方法已被实践证明有效，但是如何确定调度算法，使硬件设备高效率地协同工作仍然是待解决的问题。遥感图像的分辨率已有了很大提高，但图像分类技术还跟不上遥感技术的发展。虽然不少研究者从不同角度出发提出了很多新的分类方法和改进的途径，但是没有哪一