基于空间分析的遥感图像分类技术研究

遥感图像的分类与解译方法

遥感技术是指通过探测和记录地物表面的电磁辐射信息，利用飞机、卫星等传感器进行观测与测量，然后通过数字图像处理和分析来获取地表无法直接人工观测的地理信息的一种技术。遥感图像分类与解译方法是在遥感图像处理的基础上对图像进行分类和解释的方法，是遥感技术的重要应用之一。本文将主要介绍遥感图像的分类与解译方法的基本原理、常用算法以及发展趋势。

遥感图像分类是将遥感图像中的像素分成若干类别的操作，常见的分类结果有植被、裸地、水体等。图像分类的目的是根据特定的应用需求，将图像中的地物或地物类别进行自动分辨并标定，从而为地理信息系统的应用提供数据支持。图像分类分为监督分类和非监督分类两种方法。

监督分类是基于已知样本的分类方法，通过将一部分像素样本标注为目标类别，利用这些已知的样本建立分类模型，然后通过该模型对整幅遥感图像进行分类。常见的监督分类方法有最大似然分类、支持向量机、决策树等。其中，最大似然分类是一种统计学方法，利用样本的统计分布特征对像素进行分类，可以对不同类别进行有效区分。支持向量机是一种基于统计学习理论的二分类算法，其原理是将样本空间映射到一个高维特征空间，通过构建一个最优分离超平面来进行分类。决策树是一种基于树形结构的分类方法，通过一系列特征值的比较来决定最终的分类结果。

非监督分类是基于图像的统计特性进行分类的一种方法，该方法不依靠任何已知样本，而是根据图像本身的空间、光谱、纹理等信息对图像进行聚类。常见的非监督分类方法有K-means聚类、ISODATA聚类等。K-means聚类是一种基于聚类中心的方法，采用逐次迭代的方式将图像像素划分为不同的簇，直到达到预定的聚类数。ISODATA聚类是一种自适应聚类算法，通过设定阈值标准和最小类别数来控制聚类的结果，最终得到稳定的分类结果。

遥感图像解译是指对遥感图像中的地物及其属性进行解释和分析的过程，通过对图像中的地物进行判读，提取出有价值的地理信息。图像解译的目的是在了解图像的特点和地物属性的基础上，对特定区域进行地物检测、分类确认以及属性提取。图像解译可以结合地面调查、地形图等多种信息源进行，可以辅助决策和规划。常见的图像解译方法有光谱解译、形状特征解译等。

遥感图像分类的综述

1.前言

遥感图像是按一定的比例尺，客观真实地记录和反映地表物体的电磁辐射的强弱信息，是遥感探测所获得的遥感信息资料的一种表现形式。所以遥感技术的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征，判读识别地面物体的类属及其分布特征。随着空间科技的发展，各种资源环境监测卫星的发射与运行为地表动态变化研究提供了多平台、多光谱、多时相、大范围的实时信息，遥感技术已成为当前人类研究地球资源环境的一种有力技术手段。在遥感技术的研究中，分类是遥感图像应用的一个重要方面，同时也是学者们研究的重点和热点。随着成像技术及相应数据产品不断的发展，遥感图像分类得到了越来越广泛的应用，由单波段的遥感图像到多光谱图像再到高光谱图像，其应用研究得到不断的扩展和深入。

2.遥感图像分类的概念及原理

遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特称空间划分为互不重叠的子空间，然后将图像中的各个像素划归到各个子空间去。遥感图像分类中的特征就是能够反映地物光谱信息和空间信息并可用于遥感图像分类处理的变量，如多波段图像的每个波段都可作为特征，多波段图像的各种处理结果也可以作为特征空间构成一个特征向量。

遥感图像分类的理论依据是：遥感图像中的同类地物在相同的条件下（纹理、地形、光照以及植被覆盖等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像素的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息和空间信息特征将不同，将集群在不同的特征空间区域。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，进而把影像内各像元划分到各子空间去，从而实现分类。

3.遥感图像分类

3.1图像的预处理

利用光谱数据进行特征向量识别时，结果的准确性很大程度上取决于光谱数据的聚集程度。为了减少分类错误，必须在分类之前作必要的预处理，目的是对遥感图像作辐射量校正、几何校正、线性拉伸增强处理以及去除噪声等。

高分辨率遥感影像分类技术的研究与应用

随着科技的不断发展，遥感技术在很多领域都得到了广泛的应用，特别是高分辨率遥感影像，其精度越来越高，应用也越来越广泛。高分辨率遥感影像分类技术作为遥感技术中的重要应用之一，也得到了越来越多的关注和研究。

一、高分辨率遥感影像分类技术的研究现状

高分辨率遥感影像分类技术即通过遥感影像对土地利用类型进行分类的技术，其研究涉及到遥感图像处理、模式识别和地理信息系统等多个学科。目前，该领域的研究主要分为两个方向：基于影像和基于特征。

基于影像的分类方法主要是对遥感影像进行像元级别的分类，利用像元的空间位置、光谱值和纹理等属性来实现分类。该方法简单易行，但对数据质量、精度和灵敏度的要求较高，分类结果受到噪声、雾霾、遮挡等影响较大，分类精度也较低。

基于特征的分类方法则是利用某种特征表示方法来实现分类，比如基于纹理、基于形状、基于统计等方法。该方法的优点是分类结果准确度高，特别是对于复杂地形、多样化的地貌和不同植被类型的分类也具有很好的效果。 除了上述两种方法外，还有一些新兴的分类方法被提出，比如基于深度学习的分类方法，利用多层神经网络对影像进行分类，取得了比较理想的结果。

二、高分辨率遥感影像分类技术的应用

高分辨率遥感影像分类技术在很多领域都得到了广泛应用，如城市规划、资源调查、环境监测、农业生产等方面。以下是该技术在不同领域的应用举例：

1、城市规划

利用高分辨率遥感影像分类技术进行城市土地利用规划，可以通过对城市土地利用类型的分类，为城市规划提供定量化的依据。比如对社区绿化、道路建设、住宅用地等进行分类，可以为城市规划提供更加科学合理的规划建议。

2、资源调查

利用高分辨率遥感影像进行资源调查，有助于对国土资源的状况进行评估和管理。特别是对于资源丰富的地区如矿山、森林和草地等，分类精度的提高可为资源的科学利用提供有效的支持。

3、环境监测 高分辨率遥感影像可以对区域内的环境状况进行监测，特别是对于自然灾害的监测，如地震、洪水、滑坡等。通过对受灾区的土地利用类型进行分类，可以为救援和灾后修复提供有效的依据。

第３０卷第２期　

２０１３年２月　计算机应用与软件　

Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ　ａｎｄ　Ｓｏｆｔｗａｒｅ　Ｖｏ１．３Ｏ　Ｎｏ．２　

Ｆｅｂ．２０ｌ３　

一种基于ＰＣＡ．ＬＤＡ的卫星遥感图像的分类方法　

赵蔷宋笑雪郭新明　李红　

（咸阳师范学院信息工程学院陕西咸阳７１２０００）　

摘要　结合主成分分析ＰＣＡ（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔｓ　Ａｎａｌｙｓｉｓ）和线性判别分析ＬＤＡ（Ｌｉｎｅａｒ　Ｄｉｓｃｒｉｍｉｎａｎｔ　Ａｎａｌｙｓｉｓ）的特点，提出一　

种基于ＰＣＡ．ＬＤＡ算法的卫星遥感图像色彩分类方法。该算法将ＰＣＡ算法和ＬＤＡ算法的特征空间相融合，得到融合颜色特征空间。　

该方法去除了图像的Ｒ、Ｇ、Ｂ之间的相关性，改善了光照敏感性，采用基于区域分类的空间一致性原则对图像进行颜色分类。实验　

结果表明，该方法是对多频谱遥感图像分类的一种有效的方法。　

关键词ＰＣＡ　ＬＤＡ卫星遥感图像的分类　

中图分类号ＴＰ７５１　文献标识码Ａ　空间一致性　

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－３８６ｘ．２０１３．０２．０５２　

Ａ　ＣＬＡＳＳＩＦＩＣＡＴＩＯＮ　ＡＰＰＲｏＡＣＨ　ＦｏＲ　ＳＡＴＥＬＬＩＴＥ　ＲＥＭｏＴＥ　

ＳＥＮＳＩＮＧ　ＩＭＡＧＥ　ＢＡＳＥＤ　ｏＮ　ＰＣＡ．ＬＤＡ　

Ｚｈａｏ　Ｑｉａｎｇ　Ｓｏｎｇ　Ｘｉａｏｘｕｅ　Ｇｕｏ　Ｘｉｎｍｉｎｇ　Ｌｉ　Ｈｏｎｇ　

（Ｃｏｌｌｅｇｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉａｎｙａｎｇ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉａｎｙａｎｇ　７１２０００，Ｓｈａａｎｘｉ，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ　Ｗｅ　ｐｒｏｐｏｓｅ　ａ　ｃｏｌｏｕｒ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　ｓａｔｅｌｌｉｔｅ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅｓ　ｂａｓｅｄ　ｏｎ　ＰＣＡ—ＬＤＡ，ｗｈｉｃｈ　ｉｎｔｅｇｒａｔｅｓ　ｔｈｅ