【《遥感图像分类方法分析》2200字】

遥感图像分类方法分析目录TOC\o"1-3"\h\u24659遥感图像分类方法分析 1260911.1遥感图像分类 1199681.2遥感图像分类流程与方法 1163431.1.1遥感图像分类流程 1281561.1.2遥感图像分类方法 248011.3遥感图像精度分析 31.1遥感图像分类遥感是上个世纪发展起来的对地观测综合性技术。遥感图像分类主要的信息源是地物的电磁波特征。分类就是对遥感影像上的每一个像素都按照灰度及其反射波谱信息进行识别，然后通过各种软件的计算处理，对地物类型进行判别，最终识别出地物的类型。现如今在理论与方法上面，人工智能的技术已经取得了显著的进展,以机器学习作为基础，非参数型的计算机分类方法开始趋于成熟,比如人工神经网络分类法、决策树分类法和支持向量机分类法等。1.2遥感图像分类流程与方法1.1.1遥感图像分类流程监督分类法：选择具有代表性的样本或者训练区，也就是容易识别的典型地物，然后选择合适的分类器，用不同的分类器进行影像分类。其具体操作流程如图2-1所示：类别定义/特征判别类别定义/特征判别样本选择样本选择平行六面体法最大似然法平行六面体法最大似然法最小距离法马氏距离法神经网络法支持向量机法其他分类器选择分类器选择影像分类影像分类精度验证精度验证图2-1监督分类操作流程图监督分类操作流程如下：图像数据的预处理：对实验中需要处理的遥感数据影像进行成像预处理，其中包括图像的几何校正、辐射校正、采样、量化、去噪声等处理；

（2）训练样本选择：打开待处理的数据，然后从中抽取数据作为训练样本，注意训练样本最好可以较为准确地辨别出地物的类型，另外样本的类别必须和想要获得的数据集一致，在各类目标地物面积较大、特征明显的区域选取，以保证样本的精度；

（3）图像分类运算：基于前面选取的训练样本，通过ENVI软件选取不同的分类器，对特征空间进行划分，从而完成分类工作；（4）图像分类精度检查：通过野外调查抽取一部分样本，验证其自动分类所得的地物类型和实际地物的类型是否一致，一通常使用抽样调查的方法。1.1.2遥感图像分类方法影像的分类方法有很多种，根据分类的复杂程度、数据的精度需求、影像的用途等多个方面的要求来决定使用哪一种分类器。目前ENVI的监督分类包括平行六面体法、最小距离法、马氏距离法、最大似然法、神经网络法以及支持向量机等方法。本次实验所采用的是监督分类的方法，下面是本文所采用的几种分类器的简单描述：（1）平行六面体（Parallelepiped）平行六面体法（Parallelepiped）是根据训练样本的亮度值形成一个n维的平行六面体数据空间，如果其他像元的光谱值落在平行六面体任何一个训练样本所对应的区域中，就被划分到其对应的类别中。（2）最小距离（MinimumDistance）最小距离法（MinimumDistance）是利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。最小距离法的分类公式是建立在欧式距离的基础上的，其具体公式见式（2-1）所示。d(x,Mi)=k=1n（3）马氏距离（MahalanobisDistance）马氏距离法（MahalanobisDistance）是计算输入图像到各训练样本的协方差距离（一种有效的计算两个未知样本集的相似度的方法），最终选择技术协方差距离最小的，即为此类别。马氏距离法的分类公式见式（2-2）所示。D=（4）最大似然（MaximumLikelihood）最大似然法（MaximumLikelihood）是假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。最大似然法的分类公式见式（2-3）所示。D=ln（5）神经网络（NeuralNet）神经网络法（NeuralNet）是指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。（6）支持向量机（SupportVectorMachine）支持向量机分类（SupportVectorMachine或SVM）是一种建立在统计学习理论（StatisticalLearningTheory或SLT）基础上的机器学习方法。1.3遥感图像精度分析对影像的分类结果进行评价，确定各种不同分类方法的精度以及可靠性。通常情况有两种方式用于精度的评定：一个是混淆矩阵判定，另一个是ROC曲线判定。比较常用的方法为混淆矩阵判定，能够用数据更为直观的判定数据的精度；而ROC曲线可以用图形的方式表达分类精度，虽然比较抽象，但是可以较为宏观的比较各种地物、不同方法之间的差距。本文中采用的是更为精确的混淆矩阵的方法。训练样本的选择可以使用下面两种方式：一是使用标准的分类图，二是自己选择的验证样本区。验证样本可以是在高分辨率的遥感影像上选择，也能够通过野外实地测量来获取。本次实验中，就把原分类的Landsat-TM影像当作是数据源进行实验。另外，对混淆矩阵中的几项评价指标进行说明：（1）总体分类精度（OverallAccuracy）：是被正确分类的像元的总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数。（2）Kappa系数：它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。（3）制图精度（Prod.Acc.）：是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。（4）用户精度（UserAcc.）：是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。除