下载文档原格式
作者： 李梦诗
作者机构： 国家知识产权局专利局专利审查协作湖北中心,湖北武汉430070
出版物刊名： 科技创新与应用
页码： 48-49页
年卷期： 2016年 第21期
主题词： 遥感图像 检索 分类器 训练集 监督
摘要：近年来,遥感图像相关的图像处理技术得到了飞速发展,在遥感图像的分析中,人们可以获取的信息越来越丰富,也越来越全面,进而关于遥感图像分类技术的专利申请量也随之大幅增加,文章通过对中文专利库的相关专利的统计分析和对重要申请人的相关专利的分析,从中了解遥感图像分类器及其分类方法的发展历程,并挖掘专利申请背后的信息,把握相关领域的技术发展。
遥感图像分类技术研究综述随着遥感技术的不断发展，遥感图像已成为一种常用的数据来源，特别是在地理信息系统、城市规划、资源开发等领域中。
而图像分类是遥感应用中的重要研究方向之一，其主要任务是根据遥感数据和相关的语义信息，将图像划分为不同的类别或物体。
目前，图像分类技术已经成为遥感应用中的一个热点问题。
本文将从三个方面来论述遥感图像分类技术的研究综述。
一、遥感图像分类技术背景遥感图像分类技术是指根据遥感数据进行图像分类的技术，它主要应用于土地利用覆盖、城市建设规划、农业灾害监测、水利资源管理、生态监测等领域。
遥感图像分类技术存在的主要问题是如何提高分类的准确度和效率。
目前，遥感图像分类技术主要涉及三个方面：特征提取、分类方法和分类精度评价。
其中，特征提取是图像分类的基础，其目的是将图像中的信息提取出来，以便于分类识别。
分类方法则是根据遥感图像特征和分类规则进行分类的过程，其分类精度的高低直接影响分类结果的质量。
而分类精度评价则是对分类结果进行评价和验证，它是图像分类的关键环节之一。
二、遥感图像分类技术研究进展近年来，随着遥感技术的快速发展，遥感图像分类技术得到了广泛的研究。
在特征提取方面，传统的灰度共生矩阵、纹理特征等被广泛应用，而基于卷积神经网络的深度学习算法也逐渐成为图像特征提取中的热点。
在分类方法方面，支持向量机、决策树、朴素贝叶斯等传统分类方法仍然占据主导地位，但是现在越来越多的研究者开始关注深度学习算法在图像分类中的应用。
分类精度评价方面，传统的混淆矩阵、Kappa系数等指标已不能满足需求，现在更加注重用样本数据集和交叉验证的方式进行分类精度评价。
三、遥感图像分类技术发展趋势随着遥感图像数据量急剧增加和计算机技术的不断革新，未来遥感图像分类技术也将呈现出以下发展趋势：1、深度学习算法的应用。
随着深度学习算法在计算机视觉领域的成功应用，未来更多的研究者也将关注深度学习算法在遥感图像分类中的应用。
遥感图像的特征提取及分类方法研究遥感图像是目前地球观测和研究中的重要手段之一，通过遥感图像的采集与分析，我们可以更好地了解地球表面的各种自然和人为特征，对于经济、农业、环境和安全等领域的研究具有重要意义。
在大规模遥感数据处理中，遥感图像的特征提取与分类是必不可少的一个环节。
本文将介绍遥感图像的特征提取方法和分类方法的研究现状和发展趋势。
一、遥感图像的特征提取特征提取是一种将数据转换为可以很好的辨别、评价和理解的标识或描述的技术。
它通常用于遥感图像的分类或模式识别。
遥感图像的特征提取就是从原始遥感图像中提取到不同分类类型所对应的信息和特征。
它是图像处理中的重要环节，对后续分类和应用任务具有重要意义。
1. 基于像素的特征提取像素是遥感图像中的最小单元，因此基于像素的特征提取方法是最基础和最常用的一种方法。
这种方法将图像分为像素集合，把每个像素的亮度或颜色值作为该像素的特征。
基于像素的特征提取方法包括直方图、纹理、边缘和形状等。
其中，直方图是最常用的一种方法，用于描述像素的颜色分布和亮度等特征。
2. 基于目标的特征提取基于目标的特征提取方法是将遥感图像中的目标或物体提取出来，然后为这些目标或物体提取相应的特征。
如形状、大小、方向等。
这种方法适用于要分辨目标和非目标区域的情况。
基于目标的特征提取方法通常需要预先对目标进行分割，然后再为每个目标提取特征。
3. 基于信息学的特征提取基于信息学的特征提取方法是利用信息论的原理来提取遥感图像的信息。
它包括灰度共生矩阵、信息熵和小波变换等。
这种方法主要依赖于图像中的统计学特征，如图像的平均亮度、分散度和灰度直方图。
基于信息学的特征提取方法适用于需要描述遥感图像的全局特征和复杂结构的情况。
二、遥感图像的分类方法分类是遥感图像处理中的一个重要环节，主要目的是对遥感图像中的不同区域进行分割，然后将这些区域分配到相应的类别中。
遥感图像的分类方法主要包括传统分类、基于像素的分类和基于对象的分类等。
遥感图象分类方法综述
李海洋
【期刊名称】《林业科技情报》
【年(卷),期】2008(40)1
【摘要】论述了目前在遥感领域常用的遥感图象分类方法及其应用.指出了未来遥感图象分类方法的发展趋势.
【总页数】2页(P4-5)
【作者】李海洋
【作者单位】东北林业大学
【正文语种】中文
【中图分类】S7
【相关文献】
1.一种多光谱遥感图象的自适应最小距离分类方法 [J], 朱建华;刘政凯;俞能海
2.TM和SAR遥感图象特征层融合分类方法的研究 [J], 于秀兰;钱国蕙
3.分区分类法——针对山区遥感图象的一种有效的分类方法 [J], 莫源富;周立新
4.基于遥感图象的土地利用分类方法研究 [J], 周兴东;于胜文;赵长胜;王志勇
5.模糊控制BP网络的遥感图象分类方法研究 [J], 李朝峰;王桂梁
因版权原因，仅展示原文概要，查看原文内容请购买。
遥感图像分类方法的综述遥感技术是现代科技中最为先进的一门技术之一，其可以通过卫星获取到地面的大量图像数据，为我们提供很多有用的信息和资源。
对遥感图像的分类处理，是遥感应用的重要领域之一，它可以将大量遥感图像数据变为可视化和可分析的信息。
因此，本文讨论了遥感图像分类方法的综述，包括基于像元的分类方法、基于物体的分类方法、基于深度学习的分类方法等。
1. 基于像元的分类方法像元是遥感图像中最基本的元素，其指的是各个像素点的信息。
这种方法是通过分析像素点的不同，划分颜色、纹理、形状等不同特征，将图像分成不同的类别。
该方法能够精确地提取单个像素的信息，但其不具有关联性，无法考虑到图像中不同物体之间的关系。
在实际应用中，该方法常常与其他分类方法相结合，提高准确度和精度。
2. 基于物体的分类方法基于物体的分类方法是在像元分类的基础上，将图像分成不同的物体，然后对物体进行分类。
其主要过程是先建立一定的阈值，识别出大于该阈值的物体，然后对这些物体进行各种特征提取和分类。
相对于像元分类方法，基于物体的分类方法考虑到了图像中不同物体之间的关系，其结果更加准确和可靠。
3. 基于深度学习的分类方法近年来，深度学习在计算机视觉和自然语言处理等领域中得到了广泛应用，在遥感图像分类方面也有很大的发展。
深度学习是近年来最火热的技术之一，其通过模拟人类大脑的神经网络进行分析和处理，得到结果更加精确和准确。
在遥感图像分类中，深度学习能够有效地提取相应的特征信息，构建相应的分类模型。
使用卷积神经网络（CNN）或循环神经网络（RNN）等深度学习模型进行图像的特征提取和分类，其结果高度准确和可靠。
总结来说，遥感图像分类方法在各地科技领域中都有着广泛的应用。
本文综述了基于像元的分类方法、基于物体的分类方法、基于深度学习的分类方法等，这些方法都有其独特的优势和特点。
在实际应用中，应根据具体的任务、数据和目的选择适合的分类方法，以达到更高的分类精度和准确度。
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。
题目：遥感图像几种分类方法的比较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 (1)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 (10)2.1.2 最大似然法 (11)2.1.3 平行多面体分类方法 (13)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 (20)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)4.5 精度的比较 (36)第五章结论和展望 (37)参考文献 (37)致谢 (39)第一章绪论土地利用研究是全球环境变化研究的重要组成部分，土地利用变化驱动因子的研究也是目前研究的热点之一。
遥感图像分类算法的研究与改进一、引言遥感图像分类是利用遥感技术获取的图像数据进行分类和识别的过程。
对于遥感图像分类算法的研究和改进，具有重要的理论和实践意义。
本文旨在介绍目前常用的遥感图像分类算法，并探讨其存在的问题及改进方法，以推动遥感图像分类算法的发展和应用。
二、常用的遥感图像分类算法1. 基于像元的分类算法基于像元的分类算法是最早应用于遥感图像分类的方法之一，它将图像中的每个像元视为一个分类单元，并根据像元的数值特征进行分类判别。
典型的基于像元的分类算法有最大似然法、支持向量机等。
然而，基于像元的分类算法往往忽略了像元之间的空间关系，导致分类精度较低。
2. 基于对象的分类算法基于对象的分类算法是通过将图像像元组织成不同的对象，利用对象的多维特征进行分类判别。
相比基于像元的分类算法，基于对象的分类算法更能反映真实世界物体的空间组织关系，具有更好的分类精度。
常见的基于对象的分类算法有基于分割的分类算法、基于决策树的分类算法等。
三、遥感图像分类算法存在的问题虽然目前已经有多种遥感图像分类算法被广泛应用，但仍然存在一些问题需要解决。
主要包括以下几点：1. 特征提取问题在遥感图像分类中，特征提取是一个重要的环节。
传统的特征提取方法是基于像元的数值特征，但这些特征往往难以区分不同类别的对象。
如何提取更具有代表性的特征，是遥感图像分类算法需要解决的难题。
2. 高维数据处理问题遥感图像通常具有大量的波段，导致特征空间维度很高。
高维数据给分类算法带来了巨大的计算开销，降低了分类效率。
同时，由于维度灾难的存在，高维数据容易导致维度间的相关性，影响分类精度。
3. 混合像素问题遥感图像中存在着大量的混合像素，即一个像素包含多种地物信息，使得分类难以准确判断。
如何解决混合像素问题，提高分类准确性是遥感图像分类算法需要解决的难题之一。
四、遥感图像分类算法的改进方法为了提高遥感图像分类算法的准确性和效率，以下是一些常用的改进方法：1. 特征选择与降维技术通过选择更具有代表性的特征，可以提高分类算法对不同类别的区分能力。
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，进而把影像内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。
测绘技术中的遥感图像分类技巧近年来，随着测绘技术的不断发展和遥感技术的广泛应用，遥感图像分类成为测绘工程中一个重要的研究领域。
遥感图像分类技巧的提升对于地物分类、环境监测、土地利用规划等方面具有重要意义。
本文将从特征提取、分类方法以及应用等方面进行综述。
第一部分：特征提取在遥感图像分类中，特征提取是一个关键步骤。
特征可以是像素的灰度值、纹理、形状以及空间邻近性等方面的属性。
其中，纹理特征是常用的一种特征提取方法。
通过计算图像纹理统计参数，如均值、方差、对比度等，可以获得图像纹理特征。
此外，形状特征也被广泛应用于遥感图像分类中。
通过提取目标的边界或区域的几何信息，可以获得目标的形状特征。
此外，还有一些基于频率域的特征提取方法，如小波变换和傅里叶变换等。
小波变换可以将图像分解为多个不同频率的子带，从而获得更为丰富的特征信息。
傅里叶变换则可以将图像转化为频域的表示，通过分析频域信息提取特征。
这些特征提取方法在遥感图像分类中得到了广泛应用。
第二部分：分类方法在遥感图像分类中，常用的分类方法包括监督分类和非监督分类两种。
监督分类是指通过已标注的训练样本来训练分类器，再对未知样本进行分类。
常见的监督分类方法有支持向量机（SVM）、人工神经网络（ANN）以及决策树等。
SVM是一种二分类模型，通过将样本映射到高维特征空间，找到一个最优的超平面来实现分类。
ANN模拟了人脑的神经网络结构，通过学习样本之间的关系进行分类。
决策树是一种基于特征属性的二叉树结构，通过一系列决策节点对样本进行分类。
以上分类方法在遥感图像分类中均有广泛应用，并取得了一定的效果。
非监督分类是指在没有先验知识的情况下，将相似图像像素点划分为同一类别。
常用的非监督分类方法有K均值算法、最大似然算法、支持向持聚类等。
K均值算法通过迭代的方式将样本点划分为K个簇，使得簇内的相似度最大化，簇间的相似度最小化。
最大似然算法通过估计样本的概率密度函数来划分不同的类别。
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)02-0001-060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;¼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。
国土资源遥感2005年用改进的最大似然分类器提出了E M M LC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;º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M SS 的4波段图像分类[11],Salu等应用B i n ary D ia m ond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M ar kov随机场,可以实现含空间相关性的地物分类。
在应用M arkov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 m azaki等使用启发式的M ar kov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M ar kov 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(SVM)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TM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SVM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(KAMD)[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,KAMD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(C l u stering)。
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-m eans聚类[18]。
K-m eans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-m eans算法进行遥感分类,取得了很好的效果[19]。
(2)I SODATA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 #第2期李石华,等:遥感图像分类方法研究综述进行正交投影,并在投影数据上继续寻找次优目标或方向。
OSP方法主要的基可表示绝大部分信息,从而减少数据维,因其分类结果是混合像元在不同基上的灰度表示,以致分类效果不明显,且分类数受波段数的限制。
(6)基于夹角余弦的相似系数聚类方法。
如王志刚等[21]将其应用在岩性识别中,吴革洪等[24]将其应用在储层油藏分类中,贺德化等[25]也证明了夹角余弦作为聚类结果的相似性度量指标是合理的,对真实分类下的类内样品差异不敏感,对类间距离差异敏感。
通过上述分析可知,基于统计分类的监督和非监督分类方法由于单一地依靠地物的光谱特征,因此对某些地区和某些地物的分类效果不理想,如果对分类器加以改进或者与其它方法结合使用,效果会更好。
为此,许多科学工作者在此基础上发展了其它新的分类方法。
3人工神经网络分类神经网络属于非参数分类器,该方法用于遥感分类始于1988年。
其中多层感知器模型应用最为广泛。
人工神经网络是基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经网络系统。
当然,这种人工神经网络只是大脑的粗略而简单的模仿,在功能和规模上都比不上真正的神经网络。
近年来,神经网络被广泛应用于遥感图像分类。
不同学者分别提出或应用BP网[11]、三维H opfield网[26]、径向基函数神经网络[27]和小波神经网络[28]等对遥感图像进行监督分类。
这些神经网络在遥感图像自动分类上都有一定的应用,并取得较好的效果[27~32]。
目前常用的方法是Rum lhart、M c C le ll a nd等提出的前向多层网络的反向传播(Back Propagati o n)学习算法(简称BP算法)。
如,李颖、赵文吉利用Landsa t图像分别采用成熟统计方法和流行神经网络方法对北京某地区土地利用信息分类提取,结果表明,神经网络明显优于统计方法[33]。
