第３１卷，第１０期光谱学与光谱分析ｖ０１．３１，Ｎｏ．１０，ｐｐ２６１８－２６２３芝０ｌ１年１０月ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＯｃｔｏｂｅｒ，２０１１
遥感影像分类方法研究进展
贾坤１’２，李强子Ｈ，田亦陈１，吴炳方１
１．中国科学院遥感应用研究所，北京１００１０１
２．中国科学院研究生院，北京１０００４９
摘要遥感影像分类是遥感信息提取的莺要手段，是目前遥感技术中的热点研究内容。分类方法是遥感
影像分类的霞要内容，有效地选择合适的分类方法是提高分类精度的关键。随着遥感技术的发展，传统的非
参数分类方法已经难以满足分类精度需求，基于智能算法的非参数分类方法得到了迅速发展，并在遥感影
像分类中发挥着重要作用。近年来。组合分类器由于能够利用单一分类器的互补信息，成为ｒ遥感影像分类
的一个新热点。本文综合分析了各种分类方法的特点和优势，及分类方法的发展趋势，为遥感影像分类技术
的发展提供科学的参考依据。
关键词遥感；分类；分类器
中图分类号：Ｓ１２７文献标识码：ＡＩＸ）Ｉ：１０．３９６４／ｊ．ｉｓｓｎ．１０００－０５９３（２０１１）１０－２６１８—０６
引言
遥感是以电磁波与地球表面物质相瓦作用为基础，探测、分析和研究地球资源与环境，揭示地球表面各要素的空间分布特征与时空变化规律的－－Ｖ］科学技术［１］。通过遥感影像识别各种地面目标是遥感技术发展的一个重要环节，无论是专题信息提取、动态变化监测、专题制网，还是遥感数据库建设等都离不开遥感影像分类技术［２］。遥感影像分类实际．１：就是将ｌ冬｛像中每个像元点或每块区域根据其在不问谱段的光谱特征、空间结构特征或其他信息，按照某种规则划分为不同的类别Ｌｌｊ。
最初的遥感影像分类是通过目视解译来实现的，主要是根据人的经验和知识，通过解译基本要素和具体解泽标志来识别地物类型。尽管【１视解译技术已经很成熟，但是由于人工投入大、结果小确定性高、效率低、精度控制困难、僻译经验要求高等缺点的存在，使得目视解译技术不适合海量遥感数据处理，计算机自动分类技术成为遥感技术与应用研究的莺点。在过去的几十年单，国内外的专家学者一直致力于研究分类技术与方法来提高遥感影像分类精度［３．“。最初发展了各种非监督和监督分类技术，目前已有很多先进的分类算法被广泛地应用，包括神经网络、支持向量机、专家系统等［７．８］。但是。遥感影像分类方法由于受到诸多闲素影响，如复杂的地表信息、遥感影像的选择、数据预处理质苗、分类方法筹异等，仍然面临着巨大的挑战。
遥感影像分类是一个复杂的数据处理过程，合适分类方法的选择是父系分类成功与否的关键因素。通常，分类方法可以分为监督和非Ｉ监督，参数和非参数。基于像元、亚像元和对象等不同的分类体系。为方便起见。本文按参数和非参数的分类体系对遥感影像分类方法的国内外最新研究进展进行分析，总结常用分类方法的特点和优势。一些传统的分类方法，如ＩＳＯＤＡＴＡ，Ｋ－均值、最小距离、最大似然等算法常见于各种文献，本文在此不做详细讨论。
１参数分类器
参数分类器一般假设数据呈正态分布，从训练样本中获取分布参数，进而对未知Ⅸ域分类。通常的参数分类器包括最大似然、最小距离等算法Ｌｌ’９］。但是对于遥感影像分类，正态分布的假设通常是不成立的，尤ｊ｛；在地物分布比较复杂的区域，分类精度具有较大的不确定性。参数分类器的另一个缺点是不便于在光谱数据分类中引入其他辅助数据。随着遥感技术的深入发展，遥感数据的时间、空间和光谱分辨率不断提高，传统的参数分类器在复杂的地表环境下已经难以
收稿日期：２０１０－１２—２８。修订日期：２０１１－０３—２８
基金项目：中国科学院知识创新工程重大项目（ＫＳＣＸｌ－ＹＷ－０９—１），国家自然科学基金项目（４１０７１２７７）和国家高技术研究发展（８６３计划）项目（２００９ＡＡｌ２２１４６２）资助
作者简介：贾坤，１９８３年生。中国科学院遥感应用研究所博士研究生ｅ－ｍａｉｌ：ｊｉａｋｕｎ＠ｌｉｒ乩ａ厶ｃｎ
＊通讯联系人ｌｅ－ｍａｉｈｌｏ，ｚ＠ｉｒｍ艄∞
第ｌＯ期光谱学与光谱分析２６１９
满足分类精度的需求。因此，需要新的分类方法来提高遥感
影像分类精度，导致基于智能算法的非参数分类器成为了研
究的热点。
２非参数分类器
非参数分类器不需要数据正态分布的假设，因此，更适
于将非光谱数据引人到遥感影像分类过程中。研究表明，非
参数分类器在复杂的地表环境下能够获得比参数分类器更高
的分类精度““¨】。常用的非参数分类器有神经网络、支持向
量机，决策树、专家系统等。
２．１神经网络分类器
神经网络算法是用计算机模拟人类学习的过程，建立输
人和输出数据之问联系的方珐…。神经网络分类器在遥感影
像分类领域得到丁普遍的关注『１¨“。陶内外学者发展了多种
形式的神经网络模型和算法．如反向传播网络””、模糊神经
冈络ｕｕ、多层感知网络””、Ｋｏｈｏｎｅｎ自组织特征映射网
络［１”、Ｈｙｂｒｉｄ学习向量分层网络【Ｉ”等。网络的输入和输出
节点之『日ｊ通过隐含层相连，节点之问通过权重连接，因而这
种方法可以将多种数据，如纹理信息、地形信息等，方便有
效地融合到遥感影像的分类过程中，增强ｒ分类能力。神经
网络是非线性系统，町以在特征窄问构造出分类界面比较复
杂的子空间．因此对非线性可分的特征子牵问尤为有效。但
是，神经网络也存在一定的缺点，如初始权重选择的困难、
收敛速度慢、对输入数据的预处理要求高等，对遥感影像分
类结果有重要影响。
目前，应用和研究最多的是利用反向传播算法（ＢＰ算
法）ｔｉｌｌ练权值的多层前馈神经网络（图１）ｈ”‘“］。该网络的
学习训练过程由正向传播和反向传播组成，在正向传播过程
中，输入信息从输入层经隐含层逐层处理，并传向输出层，
若在输出层得不到期望的输出，则输Ａ反向传播．将误差信
号沿原路返叫．通过修改各Ｊ０神经儿问的权值。达到误差最
小ＬＩ“。一般说来，隐含层数ＥＩ和隐含堪结点数雉以确定，增
加臆含层数Ｈ和结点数，可以提高精度．且有效地减少局部
Ｉｎｐｕｔｌｌｉｄｄｅａｌａｙｅｒｌａｙｔ目ｒ
、募
ｌｒｔｇ．Ｉ’Ｉ＇ｏｐｏｌｏｔＥｋ．ａｌｓｌｒｌｌｃｌｕｒｅｏｆｔｈｅｌｌａｃｋ－Ｉ榔ｔｉｏｎｆｋⅧｍＩｎｅｔｗｍ＇ｋｃｌａｘ－，ｉｌ＇ｉｅｒ。‘
极小的概率，但是需要更长的学习时问［如］。神经网络由于具有较强的非线性逼近能力及自适应、自学习能力，因此可以处理难以』；ｆｉ数学模型描述的系统”“。对于一个特定的问题，通常很难判断哪种网络足最有效的．因为对于网络类＿Ｉ莹！的选择取决于很多凶素，包括问题的复杂程度以及所研究问题的性质、训练样本的多少、网络的结构、权值和偏置值的数目、误差目标、参数取值等。实际碰用中，一般要根据具体问题，对几种网络进行比较．选择较为合适的算法。
２．２支持向量机分类器
支持向量机（ＳＶＭ）是一种基于统计学习理论的新型机器学习算法，它通过解算最优化问题，在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类问题”．．Ⅲ。ＳＶＭ的基本思想可用图２的二维情况说明，其中实心和空心圆代表两类样本ｔＨ为分类线，Ｑｌ和ｅ接分别为各类中离分类线最近的样奉且平行于Ｈ的直线，ｄ１和ｄ２为Ｑ１和Ｑ２到Ｈ的距离。又称作分类间隔。所谓最优分类线就是要求不但能将两类样本Ｊｆ：确分开．并且使分类间隔最大…。ＳＶＭ由于具有适用于高维特征空间，小样奉统计学习，抗噪声影响能力强等特点，使其得到ｒ广泛的应用…］。Ｃａｍｐｓ－Ｖａｉｌｓ等将ＳＶＭ用于ＨｙＭＡＰ高光谱数据农作物类别分类，发现ＳＶＭ方法在高维特征空间中可以＾接进行分类，而神经网络在高维输人时无法训练．并Ⅱ在特征波段选择后，ＳＶＭ对不同波段子集分类都町以得到满意的结果，对儿乎所有试验都得到比神经网络和模糊算法更高的分类精度ｍｌ。Ｄｉｘｏｎ等将ＳＶＭ用于ＴＭ影像土地利用分类，并与最大似然和神经网络分类器进行了比较，结果ＳＶＭ取得了最好的分类精度Ｌ８Ｊ。尽管ＳＶＭ能够获取比传统统讣分类和神经网络分类等方法更高的分类精度．而且在学习速度、自适应能力和特征空间小受高维限制等方面具啊优势．巾ｌ扯核函数的选择与优化和多分类策略耐个方面还需要深入研究。
Ｆｉｇ．２Ｆｕｎｄａｍｅｎｔａｌｓｏｆｓｕｐｐｏｒｔｖｔ，ｃｔｏｒ
ｍａｃｈｉｎｅ（Ｓ、’～ｌＪｃｌａ．，，＇＋ｉｆｌｅｆ”
ｔ＝ｌ前，遥感影像分类中多数采用线性核、多项式核和径向基核．其中尤以径向基核的使用较多。但足如何针对特定问题选择核函数目前并无一个准则，而且核函数对分类精度到底有什么样的影响，还缺乏统一的认识。Ｒｏｌｉ等的研究表明径向基核的分类精度高于多项式核，线性核精度最低‘圳。而Ｈｕａｒｔｆ；等的研究表明多项式核的分类精度稍高于径向基核ｍ】。现有的核函数选择方法是分别试用不同的核函数，分类误差最小的核画敷就选为最好的核函数，同时核函数的参
嚣
２６２０光谱学与光谱分析第３ｌ卷
数也用同样的方法选定［２７。。这种选择方法摹本是凭经验选择，缺乏足够的理论依据。核函数对分类精度具有一定影响，有必要对核函数进行合理选择、必要改进、修正和优化。
在多分类策略方面，ＳＶＭ本身是解决二分类问题的，不能汽接用于多类分类，但遥感影像分类一般是多类问题。ＳＶＭ在处理多类问题Ｒ寸可以采用两种策略：一种是集成许多两类问题，即通过某种方法构造出一系列的两类分类器并将它们组合起来实现多类分类。目前比较成熟的方法有一对一方法。驯、一对多方法［ｚｓ］、有向尤环图支持向量机ｒ２钉等。另一种是在优化公式中岛接考虑多类问题，将多个分类面的参数求解合并到一个优化问题中，通过求解该最优化问题一次性地实现多类分类。这种思想看起来简洁，但在最优化问题求解过程中的变量很多，计算量大，训练速度慢，所以在实际应用中很少使用。针对不同的分类对象，如何合理选择分类策略需要进一步研究。
２．３决策树分类器
决策树分类器是以分层分类思想作为指导原则，利用树结构按一定的分割原则把数据分为特征更为均质的子集。决策树方法进行遥感影像分类，首先利用ⅥｌＩ练样本，丰Ｉ成判别函数，其次根据不同取值建立树的分支，在每个分支子集中重复建立下层结点和分支，最后形成分类树。决策树算法具有计算效率高、无需统计假设、可以处理不同空间尺度数据等优点，在遥感影像分类领域有着广泛的应用ｍＪ。Ｂｅｌｗａｒｄ等比较了最大似然分类和决策树分类方法的农作物遥感分类效果，虽然两种分类方法取得了相当的精度，但是决策树分类具有计算迅速的优点，对于多维遥感数据的处理是较好的选择ｂ川。Ｗａｒｄｌｏｗ等在美国中央大平原采用决策树分类方法对多时相的ＭＯＤＩＳＮＤＶＩ数据进行农作物分类，取得了优于８０％的总体分类精度Ｌ３引。刘勇洪等以中国华北地区ＭＯ－ＤＩＳ影像进行了土地覆盖决策树分类试验与分析，发现决策树在有充足训练样本的条件下，相对于最大似然法能明屁提高分类精度［３引。Ｓｃｈｎｅｉｄｅｒ等利用决策树方法对城市区域的ＭＯＤＩＳ数据进行分类［３“。决策树算法对于输入数据率问特征和分类标识具有很好的弹性和稳健性，但它的算法基础比较复杂，而且需要大量的训练样本来探究各类别属性间的复杂关系，在针对空间数据特征比较简单且样本量不足的情况下，其表现并不一定比传统方法好，甚至可能更差。但当遥感数据特征的卒问分布很复杂，或者数据源各维具有不同的统计分布和尺度时，决策树分类法比较合适。
在决策树分类过程中，一个最重要的步骤是决策树生成算法，国际上最早、最有影响的决策树方法足７０年代提出的ＩＤ３算法【３引。它建立在推理系统和概念学习系统的坚实基础之上，以信息熵和信息增益度为衡皱标准，从而实现对数据的归纳分类，是一个典型的决策树学习系统。但在应用中，ＩＤ３算法存在不能处理连续属性、计算信息增益时偏向于选择较多的属性等不足。Ｑｕｉｎｌａｎ又在ＩＤ３的基础上改进提出了Ｃ４．５算法，被普遍采用［３“。ＣＡ．５算法用信息增益率来选择属性，克服了用信息增益选择属性时偏向于选择值多的属性的不足，并且在决策树构建过程中进行剪枝处理，能够完成对连续属性的离散化处理和对不完整数据进行处理。但＠．５在构造树的过程中需要对数据集进行多次的顺序扫描和排序，因而算法效率较低，此外决策树性能改善困难、达不到全局最优的结果等缺点。为ｒ适应处理大规模数据集的需要，又发展ｒ着十改进算法，比较有代表性的算法包括（：ＡＲＴ，ＳＬＩＱ和ＳＰＲＩＮＴ等。
虽然决策树技术取得了较大的发展，ｆｎ．是面对数据分类中新出现的问题以及应用领域的不同要求，仍存在并需要在很多方面进行深入研究、发展和改进，比如在对传统算法进行改造以提高决策树的预测精度及适用范围、优化简化决策树的方法和寻求新的构造决策树的方法等方面需要进一步加深研究。
２．４专家系统
专家系统的基本思想足模拟人类组合各种带有因果关系的知识进行推坪并得出结论哺］。专家系统一般包括推理机和知识库两个相互独市的部分。知识库足问题求解所需领域知识的集合，其巾的知识源于领域々家，是决定专家系统能力的关键，即知识库中知识的质瑷和数量决定着专家系统的质量水平，用户可以通过改变、完善知识库中的知识来提高专家系统的性能。推理机足实施问题求解的核心执行机构，它实际上足对知识进行解释的程序，根据知识的语义，对按一定策略找剑的知识进行解释执行。
在遥感影像分类过程中，遥感数据和空间数据都被输入到推理机中，推理机根据知识库中的专家知识对新输入的数据进行推理判断，归入相应的分类类别Ｌ３“。专家系统分类技术相对于以统计像元分析为主的传统分类技术有ｒ巨大的飞跃，它不但对单像元的多光潜特征进行分析研究，还依靠专家系统综合相火的空间关系和其他上下文信息，如地表高度、坡度、坡向及覆盖形状等，采取综合利用空间运算的能力解释影像并确定专题类璎【３８｜。Ｃｏｈｅｎ等针对地中海地区零散的田块建市了作物类型识别专家系统，取得Ｊ，良好的分类结果Ｌ３９］。Ｓｃｈｍｉｄｔ等利用专家分类器结合航空高光谱影像和雷达高度计提取的地形数据进行海岸带植被分类，取得了６６％的分类精度，相对于传统方法４３．１５％的分类精度有了较大提高【４０。。蔡晓斌等在专家分类系统中根据图斑相邻关系以及ＤＥＭ信息对初始分类结果进行修正，提高了湿地、草地和农、Ｉｐ用地的分类精度ｆ４¨。Ｌｕｃａｓ等利用ＬａｎｄｓａｔＥＴＭ＋时间序列数据结合地形图、数字高程数据和其他辅助数据建立遥感影像分类规则，对英国伯温山区进行农业用地分类，取得ｒ优于８０％的总体分类精度Ｌ４引。Ｗｅｎｔｚ等建立了印度德罩城Ｉｆ『的土地利用和土地覆盖专家分类系统，１３种不同地类的总体分类精度达到了８５．５５％Ｌ４引。
专家分类系统由于能够综合利用多种类型的数据，在应用中引起了广泛的关注。专家分类系统的一个关键步骤是分类规则的定义，Ｈｏｄｇｓｏｎ总结了建立遥感影像分类规则的三种方法Ｌ４４］：（１）从孥家处得到知识和分类规则，并精炼成规则；（２）通过认知方法间接地获取变虽和规则；（３）利用自动！ｎ纳方法从观测数据中经验性地获取分类规则。地理信息系统（ＧＩｓ）由于能够管理多源的数据和窄间模型，在发展基于知识的分类系统中发挥着重要的作用。在专家分类系统的发展过程中，也将更多地借助于ＧＩＳ工具来完成。
第ｌｏ期光谱学与光谱分析２６２１
３组合分类器
随着遥感影像分类目标复杂度的增加以及新分类算法的开发，表明尽管不同分类器性能有所差异，ｆｆＩ被不同分类器错分的样本并不完全蕈合，即不同分类器对于正确分类的结果有着互补信息。如果只选择性能最优的分类器作为最终的分类方案，会丢掉其他分类器中一些有价值的信息，组合分类思想就足在这种条件下提出来的。近年来。利用组合分类器来提高遥感影像分类精度已成为了一个重要的研究方向Ｌ４５“引。Ｆｏｏｄｙ使用投票规则集成多分类器进行二分类研究，取得了较好效果Ｌ４引。Ｓｅｒｒａ等采用两种混合分类方法ＩＳＯＭＭ和ＣＬＳＭＩＸ对地中海地厌的作物进行分类，均获取了优于９０％的总体分类精度Ｈ引。Ｍａｕｌｉｋ等建立了由ｋ－ＮＮ，ｓ￣Ｍ和增量学习算法结合的组合分类器，利用投票原则进行了土地利用分类，取得了优于其中任何单一算法的分类精度㈨。
根据训练样本选取模式的不同，建立组合分类器的典型算法有Ｂａｇｇｉｎｇ和Ｂｏｏｓｔｉｎｇ两种。Ｂａｇｇｉｎｇ算法的基本思想是从原始数据集中分别独立、随机地采用放回式采样方式，多次提取直到产生多个独立的训练子集，然后将每个子集独立地运用于每个分类器，每个分类器对测试样本进行分类，最后将各个分类器的分类结果进行组合Ｌ５引。不同采样能够使不Ｉ司的分类器产生不同的分类错误，最后将这些分类结果进行组合来减小单个分类器识别错误的随机性，因而能够有效提高组合分类器的精度。Ｂｏｏｓｔｉｎｇ算法的基本思想是初始化时对每一个训练样本集赋予相等的权重，然后用该学习算法对样本集训练多次，每次学习完成后，对训练失败的样本赋予较大的权重，也就是让学习算法在以后的学习中更加莺视前一次被分类错误的样本［５¨。这种算法能明显提高单个分类器的分类精度，但自．时过分强调错分样本会出现过拟合现象，导致分类精度下降。
组合分类器的一个关键步骤足如何选择合适的规则来组合不同分类器的结果，以提高分类精度。日前常用的组合算法有投票法、产生式规则、和规则、贝叶斯法则等０４７’５孔圳。如何提出有效的规则来组合单个分类器的结果，形成最终组合分类器的结果，以获得更高的分类精度，是组合分类器的一个关键研究问题。
４结语
随着遥感技术的不断发展，遥感获取的信息将越来越多、越来越全面，更多的新特征将参与到遥感影像分类中。参数分类器由于需要数据分布假设的局限性，不能将不符合分布特征的数据引入到遥感影像分类，限制了多源数据分类的应用。非参数分类器不需要数据分布假设，将继续成为一个重要研究内容和发展方向，并且原有算法的改进、新算法和新理论的研究也将不断深入，在分类效率、学习速度等方面需要加大研究投入。针对特定分类问题，如何选择合适的分类算法、分类器参数也是亟待解决的关键问题。
由于辅助数据在数据格式、窄问分辨率、坐标系统等方面存在多样性，ＧＩＳ在辅助数据和遥感数据结合分类的处理中成为一个必要工具，遥感和ＧＩＳ的结合在多源数据分类中是重要的研究内容。分类知识与规则的深挖掘是提高专家分类系统性能的主要研究方向。
组合分类器在一定程度上可以弥补单个分类器的不足，提高分类性能，成为了遥感影像分类的研究热点。但针对特定『ｎＪ题如何选择最优的多分类器融合设计，需要从理论上进一步探讨。同时，组合分类器中各成员分类器的选择与组合问题的有机结合也是今后研究的一个主要方向。
总之，随着遥感信息收集技术的快速发展，以及多源数据获取的更加容易，遥感影像分类中越来越多的新问题展现在科研人员面前。未来遥感影像分类应该更多地从选择和改进分类算法方面进行挖掘与创新，使其更好的服务于遥感技术的多学科应用。
［１］ＺＨＡＯＹｉｎｇ－ｓｈｉ，ｅｔａｌ（赵英时，等）．ＴｈｅＰｒｉｎｃｉｐｌｅｓａｎｄＭｅｔｈｏｄｓｆｏｒＡｎａｌｙｓｉｓａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ（遥感应用分析原理与方法）．Ｂｅｉｊｉｎｇ：ＳｃｉｅｎｃｅＰｒｅｓｓ（：ｌ［；京：科学出版社），２００３．
［２］ＬｕｎｅｔｔａＲＳ。ＪｏｈｎｓｏｎＤＭ。ＬｙｏｎＪＧ。ｅｔａＬＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，８９：４４４．
［３］ＦｏｏｄｙＧＭＩｎｔｅｍａｔｉｏｎａＩＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９６，１７：１３１７．
［４］ＴｓｏＢ，ＭａｔｈｅｒＰＭ．ＣＩａｓｓｉｆｉｃａｔｉｏｎＭｅｔｈｏｄｓｆｏｒＲｅｍｏｔｅｌｙＳｅｎｓｅｄＤａｔａ．ＮｅｗＹｏｒｋ：ＴａｙｌｏｒａｎｄＦｒａｎｃｉｓＩｎｃ，２００１．
［５］ＰａｌＭ，ＭａｔｈｅｒＰＭＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００３，８６：５５４．
［６］ＧａｌｌｅｇｏＦＪ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ。２００４，２５：３０１９．
［７］ＲｏｇａｎＪ，ＦｒａｎｋｌｉｎＪ，ＳｔｏｗＤ，ｅｔａ１．Ｒｅｍｏｔｅ．ＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２：２２７２．
［８］ＤｉｘｏｎＢ，ＣａｎｄａｄｅＮ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００８，２９：１１８５．
［９］ＤｕｄａＲＯ，ＨａｒｔＰＥＰａｔｔｅｒｎＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＳｃｅｎｅＡｎａｌｙｓｉｓ．ＮｅｗＹｏｒｋ；Ｗｉｌｅｙ．Ｐｒｅｓｓ，１９７３．
Ｅ１０］ＦｏｏｄｙＧＭＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８０：１８５．
［－１１３ＭｕｓｈｙＣＳ，ＲａｉｎＰＶ。ＢａｄｒｉｎａｔｈＫＶ＆ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，２００３，２４：４８７１．
ｒ】２３ＤｅＪＦｒａｔｅＦ，ＳｃｈｉａｖｏｎＧ，ＳｏｌｉｍｉｎｊＤ，ｅｔａＬＩＥＥＥＴｒａｎｓａｃｌｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄ
ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００３，４１：１６１Ｌ
［１３３ＶｅｒｂｅｉｒｅｎＳ，ＥｅｒｅｎｓＨ，ＰｉｃｃａｒｄＩ，ｅｔａ１．ＩｎｔｅｒｎａｔｉｏｎａＩＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｎ，ａｔｉｏｎａｎｄＯｅｏｉｎｆｏｒｍａｔｉｏｎ，２００８，１０：４８６．［１４］ＰａｃｉｆｉｃｉＦ，ＣｈｉｎｉＭ，ＥＴｎｅｒ）ｒＷＪ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００９，１１３ｓ１２７６．
遥感影像分类方法研究进展
作者：贾坤， 李强子， 田亦陈， 吴炳方， JIA Kun， LI Qiang-zi， TIAN Yi-chen， WU Bing-fang
作者单位：贾坤,JIA Kun(中国科学院遥感应用研究所,北京100101;中国科学院研究生院,北京100049)， 李强子,田亦陈,吴炳方,LI Qiang-zi,TIAN Yi-chen,WU Bing-fang(中国科学院遥感应用研究所,北京,100101)
刊名：
光谱学与光谱分析
英文刊名：Spectroscopy and Spectral Analysis
年，卷(期)：2011,31(10)
被引用次数：9次
参考文献(53条)
1.赵英时遥感应用分析原理与方法 2003
2.Lunetta R S;Johnson D M;Lyon J G Impacts of imagery temporal frequency on land-cover change detection monitoring[外文期刊] 2004(4)
3.Foody G M查看详情[外文期刊] 1996
4.Tso B;Mather P M Classification Methods for Remotely Sensed Data 2001
5.Pal M;Mather P M An assessment of the effectiveness of decision tree methods for land cover classification[外文期刊] 2003(4)
6.Gallego F J Remote sensing and land cover area estimation[外文期刊] 2004(15)
7.Rogan J;Franklin J;Stow D查看详情[外文期刊] 2008
8.Dixon B;Candade N Multispectral landuse classification using neural networks and support vector machines: one or the other, or both?[外文期刊] 2008(3/4)
9.Duda R O;Hart P E Pattern Classification and Scene Analysis 1973
10.Foody G M Status of land cover classification accuracy assessment[外文期刊] 2002(1)
11.Murthy C S;Raju P V;Badrinath K V S Classification of wheat crop with multi-temporal images: performance of maximum likelihood and artificial neural networks[外文期刊] 2003(23)
12.Del Frate F;Schiavon G;Solimini D Crop classification using multiconfiguration C-band SAR data[外文期刊] 2003(7)
13.Verbeiren S;Eerens H;Piccard I Sub-pixel classification of SPOT-VEGETATION time series for the assessment of regional crop areas in Belgium[外文期刊] 2008(4)
14.Pacifici F;Chini M;Emery W J A neural network approach using multi-scale textural metrics from very high-resolution panchromatic imagery for urban land-use classification[外文期刊] 2009(6)
15.Heerman P D;Khazenie N Classification of multispectral remote sensing data using a back-propagation neural network [外文期刊] 1992(1)
16.Gopal S;Woodcock C E;Strahler A H查看详情[外文期刊] 1999
17.Hu X;Wang Q查看详情[外文期刊] 2009
18.Kohonen T Self-Organization and Associated Memory 1987
19.Solaiman B;Mouchot M C;Millard E A Hybrid Algorithm,HLVQ,Combining Unsupervised Classification of Multispectral Data 1994
20.Foody G M;Arora M K查看详情[外文期刊] 1997
21.Mazzoni D;Garay M J;Davies R An operational MISR pixel classifier using support vector machines[外文期刊] 2007(1/2)
22.张睿;马建文查看详情 2009
23.Mathur A;Foody G M Crop classification by support vector machine with intelligently selected training data for an operational application[外文期刊] 2008(7/8)
24.Camps-Valls G;Gomez-Chova L;Calpe-Maravilla J查看详情[外文期刊] 2004
26.Huang C;Davis L S;Townshend J R G An assessment of support vector machines for land cover classification[外文期刊] 2002(4)
27.郭丽娟;孙世宇;段修生查看详情 2008
28.Hsu C W;Lin C J查看详情[外文期刊] 2002
29.Platt J C;Cristianini N;Shawe-Taylor J查看详情 2000
30.Friedl M A;Brodley C E DECISION TREE CLASSIFICATION OF LAND COVER FROM REMOTELY SENSED DATA[外文期刊] 1997(3)
31.Belward A S;De Hoyos A查看详情[外文期刊] 1987
32.Wardlow B D;Egbert S L查看详情[外文期刊] 2008
33.刘勇洪;牛铮;王长耀查看详情 2005
34.Schneider A;Mclver D K;Friedl M A查看详情 2001
35.Quinlan J R查看详情 1986
36.Stefanov W L;Ramsey M S;Christensen P R Monitoring urban land cover change: An expert system approach to land cover classification of semiarid to arid urban centers[外文期刊] 2001(2)
37.贾海峰;刘雪华环境遥感原理与应用 2006
38.甘淑;袁希平;何大明查看详情 2003
39.Cohen Y;Shoshany M查看详情[外文期刊] 2002
40.Schmidt K S;Skidmore A K;Kloosterman E H查看详情 2004
41.蔡晓斌;陈晓玲;王涛查看详情 2006
42.Lucas R;Rowlands A;Brown A Rule-based classification of multi-temporal satellite imagery for habitat and
agricultural land cover mapping[外文期刊] 2007(3)
43.Wentz E A;Nelson D;Rahman A Expert system classification of urban land use/cover for Delhi, India[外文期刊]
2008(15/16)
44.Hodgson M E;Jensen J R;Tullis J A查看详情 2003
45.Steele B M Combining multiple classifiers: An application using spatial and remotely sensed information for land cover type mapping[外文期刊] 2000(3)
46.Huang Z;Lees B G查看详情 2004
47.Foody G M;Boyd D S;Sanchez-Hernandez C Mapping a specific class with an ensemble of classifiers[外文期刊] 2007(7/8)
48.Serra P;Pons X Monitoring farmers' decisions on Mediterranean irrigated crops using satellite image time series[外文期刊] 2008(7/8)
49.Maulik U;Chakraborty D查看详情 2010
50.Breiman L查看详情 1996
51.Freund Y BOOSTING A WEAK LEARNING ALGORITHM BY MAJORITY[外文期刊] 1995(2)
52.Kittler J;Hatef M;Duin R P W On combining classifiers[外文期刊] 1998(3)
53.Liu X;Skidmore A K;Oosten H V查看详情[外文期刊] 2002
引证文献(10条)
1.刘正春.卢帅.张辉基于面向对象的多端元光谱混合分析方法[期刊论文]-山西农业大学学报（自然科学版） 2015(2)
2.王梦秋.万幼川.李刚核聚类改进的RBF神经网络遥感影像分类[期刊论文]-测绘科学 2014(1)
3.肖锦成.欧维新.符海月基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类[期刊论文]-生态学报 2013(23)
4.游炯.裴志远.徐振宇.娄径水稻遥感识别偏差修正的地统计学方法[期刊论文]-农业工程学报 2013(21)
5.刘新杰.刘良云.李绪志.张九星天宫一号高光谱成像仪数据与环境星CCD数据分类效果比较研究[期刊论文]-遥感信息 2013(3)
7.张焕雪.李强子空间分辨率对作物识别及种植面积估算的影响研究[期刊论文]-遥感信息 2014(2)
8.王浩.卢善龙.吴炳方.李晓松不透水面遥感提取及应用研究进展[期刊论文]-地球科学进展 2013(3)
9.肖锦成.欧维新.符海月基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类[期刊论文]-生态学报 2013(23)
10.贾坤.姚云军.魏香琴.高帅.江波.赵祥植被覆盖度遥感估算研究进展[期刊论文]-地球科学进展 2013(7)
引用本文格式：贾坤.李强子.田亦陈.吴炳方.JIA Kun.LI Qiang-zi.TIAN Yi-chen.WU Bing-fang遥感影像分类方法研究进展[期刊论文]-光谱学与光谱分析 2011(10)
第2期,总第64期国 土 资 源 遥 感No.2,2005 2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明 650092;2.云南省寄生虫病防治所,思茅 665000; 3.云南开远市第一中学,开远 661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751 文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0 引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1 遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “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[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2 基于统计分析的遥感图像分类方法 2.1 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,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。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。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。
摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
第36卷第5期2011年5月武汉大学学报#信息科学版 Geo matics and Informat ion Science of W uhan U niver sity V ol.36N o.5M ay 2011 收稿日期:2011-03-15。 项目来源:国家自然科学基金资助项目(40801183,60890074)。 文章编号:1671-8860(2011)05-0540-04文献标志码:A 利用主题模型的遥感图像场景分类 徐 侃1 杨 文1 陈丽君1 孙 洪1 (1 武汉大学电子信息学院,武汉市珞喻路129号,430079) 摘 要:提出了一种基于主题模型与特征组合相结合的遥感图像分类方法。该方法首先对图像进行尺度不变特征变换(SIF T )、几何模糊特征(G B)和颜色直方图特征(CH )提取,接着利用潜在概率语义分析(pL SA )模型分别对所得到的图像特征进行潜在主题的挖掘,然后对所得到的主题概率特征进行组合,最后利用支持向量机(SV M )分类器进行场景分类。实验表明,与传统分类方法相比,主题模型更具优势;与使用单特征相比,特征组合具有更高的分类准确率。 关键词:场景分类;特征组合;pL SA 模型;支持向量机中图法分类号:P237.4 近年来,为了跨越底层视觉特征与高层语义之间的障碍,使用中间语义来对场景进行分类的方法受到了广泛的关注。然而,中间语义的生成通常需要大量的人工标注样本。为了克服这一困难,一些文本主题模型的方法被应用到图像场景分类之中[1-4] ,这些方法可以将高维度的特征向量变换到低维度的潜在语义空间之上。但是,由于主题分析模型是根据图像中视觉词汇出现的总体情况来进行分析的,所以这种方法并没有考虑到视觉词汇在空间的分布特点,同时图像特征的使用也仅限于单一的特征。对于数量及分辨率都迅速增长的遥感图像而言,相对应的场景与地物类别也与日俱增,这使得人们对分类方法有了更高的要求[5-8]。本文提出了一种将主题模型与特征组合相结合的遥感图像分类方法。 1 图像特征 目前用于图像分类的特征主要包括纹理、颜色、形状、空间位置以及上下文先验信息特征等,这些特征在对图像进行表达时都有各自的侧重点。本文实验中主要使用三种特征的互补性分别对图像的结构、颜色和边缘进行描述,并将它们组合之后用于图像分类。1尺度不变特征变换(scale -inv ariant feature transform,SIFT )[5]。构 造SIFT 描述算子时,以关键点为中心选取一个16@16的像素区域,将其划分为4@4个子块,分 别在每个子块上计算8个方向的梯度直方图,最后产生的SIFT 特征向量就有16@8=128维。o颜色直方图(colorhist,CH )。基于不同的颜色空间,可统计出不同的颜色直方图。本文采用RGB 颜色空间,其中各通道上的直方图维数为40,然后将所得直方图串联,最终形成120维的颜色直方图特征。?几何模糊特征(g eo metr ic blur,GB)[9]。本文先对图像进行边缘提取,得到稀疏信号,然后分别在三个通道上利用高斯核函数与图像卷积计算GB 描述子。各通道上的维数均为68,将其串联得到204维的GB 特征。 2 语义模型 由于计算机与人对图像信息的理解存在着客观区别,因而语义提取的有效性从很大程度上影响了图像分类的准确性,因此,越来越多的语义模型被引入到图像分类中来。目前被广泛使用的两种语义模型pLSA (pr obabilistic latent semantic analysis)和LDA (latent dirichlet analy sis)都属于将特征向量降维到潜在语义空间上的生成模型。在降维之前,实验中所使用的三种特征组合起来共有128+120+204=452维。而在经过语
龙源期刊网 https://www.doczj.com/doc/4812146381.html, 遥感图像分类方法综述 作者：胡伟强鹿艳晶 来源：《中小企业管理与科技·下旬刊》2015年第08期 摘要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结， 对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。 关键词：遥感图像；监督分类；分类精度 1 概述 遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。 2 传统遥感图像分类方法 2.1 非监督分类方法 非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。 2.2 监督分类方法 对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification，MLC）、最小距离分类、K-近邻分类等。 3 基于新理论的遥感图像分类方法 3.1 基于人工神经网络的遥感图像分类 在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其
遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台
上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
遥感影像云识别方法综述 国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。 1. 基于光谱特征的方法： 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。 算法主要由有五部分组成： （1）单一红外图像的空间对比试验。 （2）三个连续红处图像的时间对比试验。 （3）可见光和红外图像的空间/时间的累计统计合成。 （4）每5天的可见光和红处辐射的晴空合成。 （5）每个像元的可见光和红外辐射阈值勤的选取。 APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。
实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。
遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。 因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；
三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。
遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised
遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台
上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要
基于遥感影像的建筑物提取研究方法综述 摘要：遥感影像上建筑物提取的基础理论研究始于20世纪80年代，随着遥感技术的不断进步，遥感影像的分辨率及精确度越来越高以及快速发展的城市在城市空间数据库方面的巨大要求。现在城市空间数据库需要对数据快速获取更新，又因为遥感影像本身具有的现时性，更新速度快的特点。在城市空间数据库的更新、城市动态监测、城市变化监测以及“智慧城市”建设等方面有着重要的使用价值。本文介绍基于不同遥感影像提取建筑物的基本方法和几个发展趋势。主要包括SAR图像，LIDAR点云数据，高光谱影像，航空影像等多种源数据不同的提取方法，以及不同数据来源的优缺点。同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。 1.引言 城市地区的遥感影像中，超过8成的目标是建筑物和道路，所以对建筑物和道路的识别和提取式遥感影像地物提取的主要研究方向，除道路和建筑物以外，剩下的大部分都是植被，在城市中绿地的面积占了一定的比例，在建筑物的提取中，建筑物在遥感影像中容易受到植被的干扰，如何高效率、高质量的剔除植被对建筑物的影响成了建筑物提取的关键。进行建筑物提取的主要应用有城区自动提取、 地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等诸多方面，如何实现建筑物的快速、高精度、自动化提取成为目前的研究热点。目前对绿地和水体的自动提取已经比较成熟，而道路和建筑物由于其自身的复杂性导致自动提取困难，本文主要提出了目前遥感影像建筑物提取研究的热点及其发展趋势。 2.建筑物提取的历史发展 快速准确地获取不同类型城市建筑的空间位置、形状等信息具有极其重要的意义，在城市规划、城市动态监测、城市三维建模、地形图更新、地籍调查等方面有广泛的应用。目前，对自动建立城市三维模型和实现城市虚拟现实的需求越来越多，利用大比例尺航空影像获取城市建筑物的三维几何信息和表面纹理，是实现“三维城市”建模的有效途径之一。 到目前为止，利用高分辨率航空相片或卫星影像提取建筑物等人工地物信息的方法大体分为两类：其一，利用图像信息结合高程信息进行建筑物信息提取，因为城市里的建筑物有一定的高度信息，通过建筑物与周围环境（地面）之间的高差进行屋顶边界的提取，这种方法大多需要一定的辅助数据如DEM、DSM等一类具有地物高程数据的影像。其二，利用高空间分辨率遥感影像数据结合计算
实验报告
目录 1 实验目的 (4) 2 实验数据 (4) 3 实验内容 (4) 4 实验步骤 (5) 4.1 对人口矢量数据（shapefile）进行投影转换 (5) 4.1.1 Census.shp文件投影坐标的检查 (5) 4.1.2 将投影坐标转换为WGS_1984_UTM_Zone_16N (6) 4.2 对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准） (6) 4.2.1 Census.shp在ENVI软件的加载 (6) 4.2.2 对遥感影像进行几何精校正（以矢量数据为基准） (7) 4.2.3 用矢量图层对遥感影像进行裁剪 (10) 4.3 将Pan波段和多光谱波段进行融合，并对融合效果进行定性和定量评价 (11) 4.3.1 两种融合方法的原理 (11) 4.3.2 进行 Gram-Schmidt Spectral Sharpening融合 (11) 4.3.4 融合效果进行定性评价 (14) 4.3.5 融合效果进行定量评价(软件提供的计算方法) (15) 4.3.6 融合效果进行定量评价(Matlab编程计算) (16) 4.3.7 遥感影像融合定量分析代码 (20) 4.4 生成住房密度栅格影像 (23) 4.4.1 两表的连接 (23) 4.4.2 计算房屋密度 (24) 4.4.3 直接栅格化 (25) 4.4.4 IDW插值 (25) 4.4.5 对房屋密度图进行重分类 (26) 4.5 将住房密度栅格影像作为额外的通道与ETM+多光谱波段进行叠加 (26) 4.6 监督分类（融合方法为HSV，波段为5，4，3） (27) 4.6.1 打开Google Earth影像作为监督分类的参照 (27) 4.6.2 建立兴趣区 (29) 4.6.3 训练样区的选择 (30) 4.6.4 训练样区的评价 (31) 4.6.5 执行监督分类 (33) 4.6.6 分类后处理 (35) 4.6.7 评价结果分析 (37) 4.6.8 分类结果面积统计 (38) 4.6.9 分类结果 (41) 4.7 分类结果评价与分析 (41) 4.7.1 未加入房屋密度图层的分类结果评价与分析 (41) 4.7.2 加入IDW插值房屋密度图层的分类结果评价与分析 (42) 4.7.3 加入直接栅格化房屋密度图层的分类结果评价与分析 (43) 4.7.4 加入重分类后IDW插值房屋密度图层的分类结果评价与分析 (44) 4.7.5 从总精度与Kappa系数对分类结果进行评价 (45)
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 1．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[1]，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]。 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，进而把影像诸像元划分到各子空间去，从而实现分类[3]。 3．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。 3.1 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[4-7]。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。 3.1.1 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：
第2期,总第64期国土资源遥感N o.2,2005 2005年6月15日RE MOTE SENSI N G FOR LAND&RESOURCES Jun.,2005 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明650092;2.云南省寄生虫病防治所,思茅665000; 3.云南开远市第一中学,开远661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751文献标识码:A文章编号:1001-070X(2005)02-0001-06 0引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节)))图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I SO M I X)、循环集群 法(ISODATA)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及/同物异谱0、 /异物同谱0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[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Ba lstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2],孙家 对M.A.Fried l(1992)和 C.E.Brodley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2基于统计分析的遥感图像分类方法 2.1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,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-N earest Ne i g hbor)、决策树法(Decisi o n Tree C lassif-i er)和贝叶斯分类法(Bayesian C lassifier)。主要步骤包括:1选择特征波段;o选择训练区;?选择或构造训练分类器;?对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre m a等提出的启发式像素分类估计先验概率法。M clachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。