对于遥感图像分类方法的研究与精度评定综述

对于遥感图像分类方法的研究与精度评定综述PAGEPAGE7对于遥感图像分类方法的研究与精度评定综述摘要：从遥感图像分类方法的基本原理入手,介绍了遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的精度评定做了一些介绍。关键词：遥感图像/图像分类/精度评定0引言遥感分类，即遥感模式识别，是把一个像素区分为某一地物类别的过程[1]。遥感图像分类方法通常分为两大类，即监督分类与非监督分类。非监督分类是指在缺乏先验类别知识的情况下，只根据本身的统计特性进行分类，监督分类是根据已知的先验知识（一般由一组样本数据提供），找出各类的特征，根据这些特征对未知像素进行分类[2]。遥感技术广泛应用的重要途径之一就是遥感图像分类，分类的精度直接影响遥感数据的应用水平和实用价值。非监督分类的方法相对简单一些，但精度差；而监督分类有先验知识做指导，精度相对较高，但是需要地面采样，成本比较高[3]。1遥感图像分类原理通常我们所指的遥感图像是指卫星探测到的地物亮度特征，它们构成了光谱空间，每种地物有其固有的光谱特征，它们位于光谱空间中的某一点，但由于干扰的存在，环境条件的不同，例如：阴影，地行上的变化，扫描仪视角，干湿条件，不同时间拍摄及测量误差等，使得测得的每类物质的光谱特征不尽相同，同一类物质的各个样本在光谱空间是围绕某一点呈概率分布，而不是集中到一点，但这仍然使我们可以划分边界来区分各类[4]。因此，我们就要对图像进行分类，图像分类的任务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[5]。2遥感图像分类遥感图像分类主要有两种途径：一是监督分类与非监督分类：二是遥感数字图像的计算机分类。2.1监督分类与非监督分类监督分类是在我们对遥感图像上样本区内地物的类别已知的基础上，把这些样本类别的特征当做来识别非样本数据的类别的依据。所谓监督分类就是根据我们知道的判别类别和样本类别的经验知识，确定出判别函数以及判别准则，其中利用一定数量的已知类别的样本观测值把待定参数求解出来的过程称之为训练或学习，然后把未知类别的样本的所有观测值代入到这个函数中求出的判别函数，再根据相应的判别准则对该样本的所属类别做出判定。非监督分类(UnsupervisedClassification)是一种无先验（已知）类别标准的图像分类是利用不同影像中地物在特征空间中类别特征的差别作为依据的分类，它是以集群为理论作为基础，用计算机对图像进行集聚统计分析的分类方法。可以根据待分类样本特征参数的统计特性，建立起一定的决策规则并用来进行分类。它不需要事先知道类别的特征。它把各样本的空间分布按其一定的相似性进行合并或分割成一群集，每一群集代表着各自的的地物类别，它需经实地进行调查或则与已知类型的地物相互比较才能够确定出，它是模式识别的一种分类方法。2.2遥感数字图像的计算机分类2.2.1神经网络分类法该方法利用计算机模拟人类学习的过程，使得分类趋于人脑化和自动化，也使得遥感图像分类更趋于人类的思维。神经网络分类，可以在一定程度上消除传统遥感分类所带来的模糊性和不确定性。神经网络方法一是用于遥感图像目标地物特征抽取与选择，二是用于学习训练及分类器设计。近年来，不同学者分别提出应用网络、Hopfiled网络（用于优化）Kohonen网络（用于非监督分类）,径向基函数神经网络和小波神经网络。神经网络分类法是属于严格“非参”的，不需要任何关于统一分布的先验知识，但其分类精度依赖于网络训练样本的选取和网络的拓扑结构。同时，网络拓扑结构的选择还缺乏充分的理论分析，这在一定程度上也限制了神经网络的发展[7]。2.2.2模糊分类法模糊分类的关键是确定像元的隶属度函数。它是一种典型的“软”分类器。目前，模糊分类器主要包括以模糊集合理论为基础的模糊统计分类，神经计算技术为基础的人工神经网络模糊分类，基于知识的模糊分类等分类方法。关于模糊分类这方面的研究实例还不多，还有一系列问题有待于进一步探讨，但其进行遥感图像处理是完全可能的，且具有广阔的应用前景[8]。2.2.3专家系统分类法专家系统就是把某一特定领域的专家知识输入到计算机中，辅助人们解决问题的系统。遥感图像解译专家系统就是利用解译专家的经验和方法进行解译专家的经验和知识以某种形式形成知识库。该分类方法在分类时需要建立复杂的知识库。2.2.4支持向量机SVW分类法支持向量机是在统计学习理论VC维理论和结构风险最小化原理基础上发展起来的一种新的模式识别方法,它能够较好地解决小样本学习,非线性及高维模式识别。许多实验证明，SVM的分类精度都较高，它是分类中的一个新方法。但由于统计学习理论从发展到比较完善和被广泛重视到现在才只有几年的时间，其中从理论到应用都还有很多尚未解决或尚未充分解决的问题，如VC维一般情况下如何计算和估计尚没有解决[9]。2.2.5面向对象的分类方法该方法是基于影像区域对象的智能信息获取过程，区域对象是由影像分割生成的同质的相邻像元集合体[10]。影像的最小单元不再是单个的像元，而是一个个由同质像元组成的多边形对象，后续的影像分析和处理也都基于对象进行。目前，全球第一个面向对象的影像分析软件ecognition（易康）已在实际中得到应用。面向对象的分类法仅提供给我们一种分类思想（模型），在分类时需要结合其他具体的分类算法来完成分类。2.2.6决策树分类法决策树的关键是定义决策树的各个分支。决策树由一个根结点、一系列内部结点及终极结点组成[11]。在实际中，决策树的定义是由下往上的过程，在预先已知终极类别样本数据的情况下，根据各类别的相似程度逐级往上聚类，每一级聚类形成一个树结点，在该结点处选择对其往下细分的有效特征，依此往上发展到“原级”。此分类方法属于非参数分类器该方法简单、易于理解，不要求研究人员必须具有深厚的专业知识[12]。3分类后的精度评定分类后专题图的正确分类程度（也称可信度）的检核，是遥感图像定量分析的一部分。一般无法对整幅分类图去检核每个像元是正确或错误，而是利用一些对分类误差进行估计[13]。采集样本的方式有三种：①来自监督分类的训练样区；②专门选定的实验场；③随机取样。第一种方式对纯化监督训练样区比较有用，但作为检核最后分类图精度不是最好的方式。第二种方式比较好，它是特定的一些供分析用的实验场。有目的地、均匀地分布于各个区域，也有不少场地是随机分布的，数量较多，类别也较多，测定的数据存在计算机中，有些尚需实时测定。第三种方式完全随机的取样，当然也要根据特殊应用中研究区域的性质和制图类别而设计采样区，一般不是取单个像元，而是取随机像元群，因为这样容易在航片或地图上确定样区位置。样区内的信息由地面测量，航片或地图中提取。一般采用混淆矩阵来进行分类精度的评定[14]。4结束语在用遥感图像进行地物分类时,如何提高分类精度是我们的目标。目视解译可充分利用判读人员的知识和经验,灵活性好,但费时且存在个人差异。计算机分类时,它的逻辑推理和空间分析能力还十分脆弱,只能依据一定数学模型完成大量重复性的数值计算工作,得到目标定位定量的信息,而目标的性质主要还是通过目视判读的方法来确定。同时,遥感计算机解译的结果,也需要用目视解译的方法进行抽样核实或检验。因此,在许多实际应用中,通常是利用计算数字图像处理技术对遥感图像进行增强和变换,作业人员目视判读确定目标的性质,再由计算机进行一系列复杂的定位,定量计算处理,得到目标的定性和定量描述,再用目视解译的方法进行抽样核实或检验,这样两者结合,提高分类精度[15]。另外,图像的预处理和新的分类方法的出现,也主要是为了提高分类精度。我们在做实际工作时,要充分利用多源多时相遥感数据,在GIS支持下,充分利用遥感图像提供的多种信息,综合计算机分类传统和新方法,利用模式识别和人工智能技术相结合的优势,结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理,实现对遥感图像的理解,很好地完成对遥感图像的解译。参考文献[1]沈清.模式判别导论[M].长沙：国防科技大学出版社，1991[2]孙家柄.遥感原理、方法和应用[M].北京：测绘出版社，1997[3]干正如，曾宪珪.基于最小距离原理的自适应分类方法.34100[4]李爽，丁圣彦，许叔朋.遥感影像分类方法研究[J].河南大学学报（自然科学版）,2002,32(2):70-73[5]王一达，沈熙玲，谢炯.遥感图像分类方法综述，310028[6]马霭乃，遥感目视解译的基本理论与方法,[7]人工神经网络在遥感数字分类处理中的应用[J].国土资源遥感,1998(1);31-33[8]毛建旭，王耀南.基于模糊高斯基函数神经网络的遥感图像分类[J].遥感技术与应用，2001,16（1）：62-65[9]辛宪会，郭建星,解志刚.一种基于支持向量机的纹理图像分类方法.海洋测绘.2005.03.30[10]祝震江.基于面对对象发法的高分辨率遥感影像矿山信息提取应用研究.中国地质大学(北京)，2010.5.0[11]潘深,杜培军,张海荣.决策树分类法及其在遥感处理中的应用测绘科学,2008-07-20[12]王国芳,遥感图像计算机分类方法的演究,030801[13]RuiLi,NewMethodofRemoteSensingImageClassificationBasedonAntColony[14]孙家抦.遥感原理与应用.2003.武汉大学出版社[15]DAILijun,LIUChuangResearchonRemoteSensingImageofLandCoverClassificationBasedonMultipleClassifierCombination.2011,Vol.16No.4,363-368基于C8051F单片机直流电动机反馈控制系统的设计与研究基于单片机的嵌入式Web服务器的研究MOTOROLA单片机MC68HC（8）05PV8/A内嵌EEPROM的工艺和制程方法及对良率的影响研究基于模糊控制的电阻钎焊单片机温度控制系统的研制基于MCS-51系列单片机的通用控制模块的研究基于单片机实现的供暖系统最佳启停自校正（STR）调节器单片机控制的二级倒立摆系统的研究基于增强型51系列单片机的TCP/IP协议栈的实现基于单片机的蓄电池自动监测系统基于32位嵌入式单片机系统的图像采集与处理技术的研究基于单片机的作物营养诊断专家系统的研究基于单片机的交流伺服电机运动控制系统研究与开发基于单片机的泵管内壁硬度测试仪的研制基于单片机的自动找平控制系统研究基于C8051F040单片机的嵌入式系统开发基于单片机的液压动力系统状态监测仪开发模糊Smith智能控制方法的研究及其单片机实现一种基于单片机的轴快流CO〈,2〉激光器的手持控制面板的研制基于双单片机冲床数控系统的研究基于CYGNAL单片机的在线间歇式浊度仪的研制基于单片机的喷油泵试验台控制器的研制基于单片机的软起动器的研究和设计基于单片机控制的高速快走丝电火花线切割机床短循环走丝方式研究基于单片机的机电产品控制系统开发基于PIC单片机的智能手机充电器基于单片机的实时内核设计及其应用研究基于单片机的远程抄表系统的设计与研究基于单片机的烟气二氧化硫浓度检测仪的研制基于微型光谱仪的单片机系统单片机系统软件构件开发的技术研究基于单片机的液体点滴速度自动检测仪的研制基于单片机系统的多功能温度测量仪的研制基于PIC单片机的电能采集终端的设计和应用基于单片机的光纤光栅解调仪的研制气压式线性摩擦焊机单片机控制系统的研制基于单片机的数字磁通门传感器基于单片机的旋转变压器-数字转换器的研究基于单片机的光纤Bragg光栅解调系统的研究单片机控制的便携式多功能乳腺治疗仪的研制基于C8051F020单片机的多生理信号检测仪基于单片机的电机运动控制系统设计Pico专用单片机核的可测性设计研究基于MCS-51单片机的热量计基于双单片机的智能遥测微型气象站MCS-51单片机构建机器人的实践研究基于单片机的轮轨力检测基于单片机的GPS定位仪的研究与实现基于单片机的电液伺服控制系统用于单片机系统的MMC卡文件系统研制基于单片机的时控和计数系统性能优化的研究基于单片机和CPLD的粗光栅位移测量系统研究单片机控制的后备式方波UPS提升高职学生单片机应用能力的探究基于单片机控制的自动低频减载装置研究基于单片机控制的水下焊接电源的研究基于单片机的多通道数据采集系统基于uPSD3234单片机的氚表面污染测量仪的研制基于单片机的红外测油仪的研究96系列单片机仿真器研究与设计基于单片机的单晶金刚石刀具刃磨设备的数控改造基于单片机的温度智能控制系统的设计与实现基于MSP430单片机的电梯门机控制器的研制基于单片机的气体测漏仪的研究基于三菱M16C/6N系列单片机的CAN/USB协议转换器基于单片机和DSP的变压器油色谱在线监测技术研究基于单片机的膛壁温度报警系统设计基于AVR单片机的低压无功补偿控制器的设计基于单片机船舶电力推进电机监测系统基于单片机网络的振动信号的采集系统基于单片机的大容量数据存储技术的应用研究基于单片机的叠图机研究与教学方法实践基于单片机嵌入式Web服务器技术的研究及实现基于AT89S52单片机的通用数据采集系统基于单片机的多道脉冲幅度分析仪研究机器人旋转电弧传感角焊缝跟踪单片机控制系统基于单片机的控制系统在PLC虚拟教学实验中的应用研究基于单片机系统的网络通信研究与应用基于PIC16F877单片机的莫尔斯码自动译码系统设计与研究基于单片机的模糊控制器在工业电阻炉上的应用研究基于双单片机冲床数控系统的研究与开发基于Cygnal单片机的μC/OS-Ⅱ的研究基于单片机的一体化智能差示扫描量热仪系统研究基于TCP/IP协议的单片机与Internet互联的研究与实现变频调速液压电梯单片机控制器的研究基于单片机γ-免疫计数器自动换样功能的研究与实现基于单片机的倒立摆控制系统设计与实现单片机嵌入式以太网防盗报警系统基于51单片机的嵌入式Internet系统的设计与实现单片机监测系统在挤压机上的应用MSP430单片机在智能水表系统上的研究与应用基于单片机的嵌入式系统中TCP/IP协议栈的实现与应用单片机在高楼恒压供水系统中的应用基于ATmega16单片机的流量控制器的开发基于MSP430单片机的远程抄表系统及智能网络水表的设计基于MSP430单片机具有数据存储与回放功能的嵌入式电子血压计的设计基于单片机的氨分解率检测系统的研究与开发锅炉的单片机控制系统基于单片机控制的电磁振动式播种控制系统的设计基于单片机技术的WDR-01型聚氨酯导热系数测试仪的研制