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。
国 土 资 源 遥 感2005年
用改进的最大似然分类器提出了E M MLC遥感影像分类算法。通过实际例子的综合比较,E M MLC方法对于比较接近的类别划分要优于传统的MLC方法,同时E M MLC保留了MLC方法Bayes先验知识融合的能力,使得辅助决策知识可以在Bayes理论的支持下参与分类,可以进一步提高分类的有效性。但是,E M MLC只是一定程度上通过补充样本数据来纠正似然函数参数的估计,而每一个类别的分布仍然只是对单峰形式的逼近。在密度分布特别复杂而呈现多峰形式,或者类别间相互交错等情况下, E M算法就需进一步扩展:①用E M算法对每一类密度分布进行再分解;②引进稳健统计理论排除密度分布之间或来自离散点的干扰[9]。神经网络分类器无须考虑先验概率和条件概率密度函数模型,通过对样本反复训练得到判别函数,如B ischof等应用BP 网对T M图像分类[10],李祚泳应用BP网对机载MSS 的4波段图像分类[11],Salu等应用B inary D ia mond网对T M图像分类等[12]。
这2种类型的分类器都具有较好的分类效果,但是,在分类时他们都没有考虑图像类别的空间相关性。通过将光谱空间上的图像像素类别标号过程看成一Markov随机场,可以实现含空间相关性的地物分类。在应用Markov随机场模型分类时,使用的条件概率密度函数模型和参数估计的方法不同,实现也有很大差异,比如Ya mazaki等使用启发式的Markov模型对多光谱图像分类[13],条件概率密度函数采用MAR模型,参数估计使用最小均方误差估计,其精度高达98.28%。于秀兰、莫红等用Markov 随机场模型进行多光谱遥感图像分类,其精度高于最大似然分类法[14]。
监督分类算法在解决分类问题中存在许多不足之处,要么仅仅能解决线性问题[15],要么虽能解决非线性问题,但是计算复杂度高[16],在效率上无法满足要求。为此,近年来的研究热点———支持向量机(S VM)的3大基础理论(结构风险理论、二次优化理论、核空间理论)[17],用于解决非线性问题。如胡自伸等利用葡萄牙里斯本地区T M图像做实验,并同采用神经网络方法的分类精度作比较,其精度高于基于神经网络分类的精度。针对S VM核空间理论中核函数无法根据问题自适应地进行选择这一情况,刘伟强等又提出了一种核函数的选择策略———改进后的自适应最小距离分类法(K AMD)[16]。通过实验,其分类精度明显高于自适应最小距离分类法的分类精度。但是,K AMD法仅在一个核函数集合里有效,不能保证它有效地映射到合适的高维空间。如朱建华利用自适应最小距离方法的监督分类实验表明,该方法精度可达92.9%,适用于多类别遥感图像分类[15]。
2.2 非监督分类方法
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。非监督分类方法是依赖图像的统计特征作为基础的,它并不需要具体地物的已知知识。采用非监督分类还可以更好地获得目标数据内在的分布规律。非监督分类方法有贝叶斯学习、最大似然度分类以及聚类(Clustering)。无监督的贝叶斯方法和最大似然度方法与有监督的贝叶斯学习以及最大似然度方法基本相同,唯一的区别在于无已知类别的样本可供参考。聚类技术是基于相似度概念和算法将性质很相似的样本聚为一类。目前有效的聚类方法有:
(1)超空间分类算法。如K-means聚类[18]。K-means方法属于动态聚类法,它以误差平方和最小作为聚类的评判准则[19]。其优点是通过最小空间距离达到均衡状态,缺点是不能自动确定聚类数。例如陈华、陈书海等利用K-means算法进行遥感分类,取得了很好的效果[19]。
(2)I S ODAT A算法。该算法虽可自迭代由少到多地确定类数,但参数确定困难,一些距离参数要随维数的变化作相应的调整[18～20]。超空间聚类对维数比较高的超谱遥感数据的聚类效果不理想,许多超谱图像聚类算法从所有波段中选择起主要作用的子集,既减少维数,又保留主要信息,但可能同时又丧失一些关键的分类特征。
(3)主成分分析算法(PCA)。通过K-L变换抑制具有较少信息量的系数来实现数据维的减少,但求协方差矩阵相当耗时,它将多维光谱信息转换成少数几个主成分,这几个成分包含了大多数的图像信息,提高了分类的效率[21]。
(4)独立分量分析(I CA)方法。它能从观测信号出发,估计出已知的信息量很少的源信号,而所获得的源信号是互相独立的。主成分分析是基于二阶统计量的协方差矩阵,而独立分量分析则基于高阶的统计量,不但能实现主成份分析的去相关特性,而且能获得分量之间相互独立的特性。因此,独立分量分析能获得较主成分分析更好的效果。
(5)正交子空间投影(OSP)方法[22,23]。该方法选择一些主要目标或方向作为基,然后对所有像素
・
2・
