1、1高分辨率遥感影像分类方法研究摘要：本文主要研究了高分辨率遥感影像分类的非监督分类方法、监督分类及其他分类方法。以胶州市 QuickBird 遥感影像作为试验数据,基于 ERDAS IMAGINE 9.1 软件平台,执行非监督分类和监督分类处理,并且对最大似然分类方法、马氏距离分类方法和最小距离分类方法进行实验数据比较分析，经过对分类精度评价指标的计算结果分析评价后，三种分类方法的总精度都在 75以上，满足应用的要求。并且实验数据表明最大似然分类方法的分类精度最高。 关键词：高分辨率遥感影像；非监督分类；监督分类；最大似然；分类精度 中图分类号：P237 文献标识码： A 文章编号： 0 引言
2、 近年来，随着航天技术、传感器技术、数字图像处理技术的发展，遥感正朝着三高(高空间分辨率、高光谱、高时相分辨率)和三多(多传感器、多平台、多角度)方向迅猛发展1。高分辨率遥感影像的分类问题在遥感应用中越来越重要。高分辨率遥感影像分类方法由传统的分类方法发展到一些诸如人工神经网络、模糊聚类和决策树分类等新的分类算法。基于 ERDAS IMAGINE 9.1 的遥感图像分类精度评价也是遥感图像定量分析的一部分，以了解分类图像的实用性。 21 高分辨率遥感影像分类的原理 1.1 高分辨率遥感影像分类的基本概念 遥感图像的分辨率简单来说就是成像系统对图像细节分辨能力的一种度量，也是图像中目标细微程度的
3、指标，它表示景物信息的详细程度。本文所说的高分辨遥感图像是指高空间分辨率、高时间分辨率、光谱分辨率的遥感图像。高分辨率遥感图像分类是遥感分析与解译的需要。高分辨率遥感图像分类是基于图像内容检索的必然结果。 1.2 高分辨率遥感影像分类的基本原理 遥感图像计算机分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。 2 高分辨率遥感影像分类方法的研究 2.1 非监督分类方法的研究 非监督分类（Unsupervised Classifi
4、cation）一种无先验（已知）类别标准的分类法。对于待研究的对象或区域，没有已知类别或训练样本作标准，而直接依据样品观测资料的内在联系进行分类。非监督分类的理论依据是遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，应当具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域2。 2.2 监督分类方法的研究 3监督分类的分类的思想是：首先根据类别的先验知识确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本（称为训练样本）的观测值确定判别函数中待定参数的过程称为训练或学习，然后将未知类别的
5、样本的观测值代入判别函数，再依据判别准则对样本的所属类别做出判定。 2.3 其他分类方法的研究 决策树(Decision Tree)又称为判定树3，是运用于分类的一种树结构。可以像分类过程一样被定义，依据规则把遥感数据集一级级往下细分，定义决策树的各个分支。决策树由一个根结点、一系列内部结点(分支)及终极结点(叶节点)组成，每一结点只有一个父结点和一个或多个子结点。其中的每个内部结点(internal node)代表对某个属性的一次测试，每条边代表一个测试结果，叶结点(leaf)代表某个类(class)或者类的分布(class distribution)。决策树算法中比较成熟的有ID3、C4.
6、5、CART、SLIQ 以及 SPRINT 等。 人工神经网络（Artificial Neural Networks，ANN）是人们在模仿人脑处理问题的过程发展起来的一种人工智能信息处理理论，它通过大量的称之为神经元的简单处理单元构成非线性动力学系统，对人脑的形象思维、联想记忆等进行模拟的抽象，实现与人脑相似的学习、识别、记忆等信息处理能力。人工神经网络又可以分为反向传播(简称 BP) 网络、径向基函数(简称 RBF)网络、自组织特征映射的 Kohonen 网络、CP 网络、Hopfield 网络等，其中 BP 网络是一种用得较多的人工神经网络。 3.基于 ERDAS 软件的影像分类实验与分析
7、 43.1 数据源和软件平台 本次试验的数据源采用 2005 年山东省胶州市 2.8m 多光谱和 0.7m 全色 Quick- Bird 融合后的遥感影像,并以当年胶州市地形图为参考进行分类结果的精度评价。 软件平台选用 ERDAS IMAGINE 9.1 ,它是美国 ESRI 公司的产品, 具有友好、灵活的用户界面和操作方式及多种影像分类方法 。 3.2 传统分类方法分析 遥感影像融合是一种通过高级影像处理技术来复合多源遥感影像数据的技术，其目的是将单一传感器的多波段信息或不同类传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，降低其不确定性，减少模糊度，以增强
8、影像中信息透明度，改善解译精度、可靠性以及使用率，以形成对目标完整一致的信息描述。 应用非监督分类方法进行遥感影像分类时,首先需要调用系统提供的非监督分类方法获得初始分类结果,而后再进行一系列的调整分析。因为初始分类图像是灰度图像,各类别的颜色是系统自动赋予的,为了提高直观表达效果,便于看清地类,在属性表中重新定义类别颜色,以更好的区分所要分析的类别。 4 分类精度评价 分类精度是指分类图像中的像元被正确分类的程度4。现在,衡量分类精度最广泛的方法是由 congalton 提出的误差矩阵法。分类精度主要指标有生产精度、用户精度、总体精度、漏分精度、错分精度和 Kappa 系数等6。为了评价分类
9、试验精度,随机选取了 140 个样本点,建立混淆5矩阵,计算其生产者精度、用户精度及 Kappa 系数。 本次试验采用最大似然监督分类、马氏距离监督分类和最小距离监督分类三种不同的分类方法进行分类精度评价。 5 结束语 运用 1SODATA 算法进行非监督分类，虽然非监督分类过程的自动化程度较高，但其分类精度没有监督分类高，分类效果较差，监督分类效果较好。 可以从评价分类精度实验结果分析中看出，无论是总体精度还是Kappa 系数，最大似然分类方法的分类精度最高，最小距离分类方法的分类精度次之，马氏距离分类方法的分类精度最差。 参考文献 1 李德仁.论 21 世纪遥感与 GIS 的发展J.武汉大学学报,2003,28(2):127-131. 2 袁金国遥感图像数字处理M北京：中国环境出版社,2006 3 杜培军.遥感原理与应用M. 北京：中国矿业大学出版社，2006. 4 杜凤兰、田庆久、夏学齐等.面向对象的地物分类法分析与评价.遥感技术与应用.2004,19（1） ，No.2:20. 5党安荣.ERDAS Imagine 遥感图像处理方法M.北京：清华大学出版社,2008. 6 杨冰.基于不同分类方法土地利用覆盖分类精度分析 D.内6蒙古农业大学，2008.
