文档视界 最新最全的文档下载
当前位置:文档视界 › 遥感图像分类方法研究综述

遥感图像分类方法研究综述

遥感图像分类方法研究综述
遥感图像分类方法研究综述

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?

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Hopfield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Ru m lhart、McClelland等提出的前向多层网络的反向传播(Back Pr opagati on)学习算法(简称BP算法)。如,李颖、赵文吉利用Landsat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]。熊桢、童庆禧等利用高阶神经网络算法对北京沙河镇地区的高光谱数据进行了分类实验,取得了很好的效果,其训练样本和测试样本的分类精度达到90%以上[34]。

然而,它们的分类精度同样依赖于网络训练样本(教师信号或目标输出)的选取,只是在算法上加以改进,在一定程度上限制了神经网络的发展,BP 网等存在网络训练速度慢、对各类分类性能差别较大、不易收敛到最优以及BP网隐层数目和隐层节点数确定较为困难等缺点。为此,美国Math Work公司于1982年推出Matlab,利用Matlab平台构建自组织神经网络来分类遥感图像,希望在没有教师信号的同时同样能达到提高分类精度的目的。张学友、冯学智等利用T M数据对浙江省土地利用信息提取时,比较了BP方法和Kohonen方法,结果表明,用Kohonen方法对图像分类的精度要比用BP方法高出1%~5%[35]。

但是,神经网络拓扑结构的选择缺乏充分的理论分析,其链接权值的物理意义不明确,这导致了人们无法理解其进行推理的过程;而一般的模糊系统,其编码的精度较低,缺乏自学习能力。模糊技术和神经网络技术的融合克服了神经网络和模糊逻辑在知识处理方面的缺点[36~38]。采用神经网络来进行模糊信息处理,就可以利用神经网络的学习能力来达到调整模糊规则的目的,从而使模糊系统具备了自适应的特性。为了更好地解决混合光谱的问题,近年来又出现了数学形态学应用于遥感图像处理中,其分类的精度远远高于最大似然法。不久前,加拿大学者将多级形态分解应用于一幅SP OT全色波段图像上的一个子景区土地覆盖的分类处理,经形态边缘检测的分类精度较高[39]。国外在数学形态学应用于遥感图像处理方面的研究相当深入,且颇有新意,应用结果是令人鼓舞的,而国内研究却很少。数学形态学作为遥感图像处理的有效手段之一,有很好的应用前景。

4 基于多源数据融合的分类

多源信息融合就是把多种信息(遥感和非遥感数据)按照一定的方式有机地组合成统一的信息模型。这类方法有基于知识的推理、信息融合、空间数据挖掘等。知识的推理方法可以利用现有的GI S数据和先验知识,可以减少分类时遇到的“同物异谱”和“同谱异物”的现象[5]。信息融合是利用多个遥感信息源所提供的反映所处环境或对象的不同特征信息之间的互补性和冗余性,采用有效的方法将它们融合,弥补单一信息源的缺陷[27]。GI S作为辅助数据用于提高遥感图像分类精度是近年常采用的方法。GI S可作为辅助数据用于训练区的选择、分类数据预分层及分类后处理,或作为附加波段用于分类的过程。例如,R.M.Pr ol-Ledes ma将T M图像和地

?

3

?

国 土 资 源 遥 感2005年

形图结合采用监督分类方法对Mexico郊区的土地利用变化进行分类,分类精度达到82%[40]。程昌秀在土地利用动态监测中,将土地利用现状的矢量数据与同年同地区的遥感影像做配准与叠加,对于少数地类不单一的图斑做局部边界提取,使分割后输入图斑内的地类单一,再以图斑为单位提取整个图斑的灰度特征、纹理特征和形态特征等多种判别指标,大大提高了影像的判别精度[41]。

但是,当分类器要求数据具有一定的统计特征时,而多数GI S数据作为辅助数据往往又不满足统计分类所要求的统计特性。这样附加“波段”方法就不合适。为解决这个问题,有不少研究者提出了知识驱动的遥感解译,即将空间数据发掘和知识发现作用于GI S数据库并用于遥感分类。空间数据挖掘是从空间数据库中提取用户感兴趣的空间模式与特征、空间与非空间数据的普遍关系及其它一些隐含在数据库中的普遍的数据特征的过程[42]。它主要是采用数据发掘技术从GI S数据库和遥感图像中发现知识,用于改善遥感图像分类。这类方法可以利用已经获得的相关知识来改进或确定分类结果,但是需解决多种信息不一致时的问题。例如,游代安提出了从GI S空间数据库中挖掘知识用以辅助遥感影像分类,以提高分类精度[43]。邸凯昌等将该方法用于北京地区SP OT多光谱图像和GI S数据库进行土地利用分类,能较好地解决同物异谱,异物同谱等问题,分类精度得到提高,并且能根据发现的知识进一步细分类,扩展了图像分类的能力[42]。

5 基于专家知识和地学知识的图像分类

传统的统计方法和神经网络分类方法缺乏地学知识的支持,难以反映一些特殊类型的地学分布。因此,一些学者尝试利用地学知识并将其形式化、知识化、逻辑推理进行信息判别或用计算机模拟地学专家对遥感影像进行综合地学解译和决策分析。进而出现了专家系统在遥感图分类中的广泛应用。然而,大多数是将知识用于对分类后的影像作后处理。如黎夏利用地物的形状信息对分类结果作后处理,并提高了分类精度[44]。H.Muarai利用地物之间的相生和空间配置关系对分类结果作后处理,提高了分类精度[45]。他们所用的知识都是一些静态知识。正如陈述彭先生指出,目前对遥感信息物理机制的研究,还处于数理统计相关分析的水平,应该进一步深入到发生学、动力学机制的高级阶段[46]。因而,各地类的变化知识将用于遥感图像的分类。例如,费鲜芸等将原土地利用数据库和各土地利用类型的动态变化知识用于新的遥感图像分类之中,以提高分类精度,并更新原有的土地利用数据库[47]。

6 结合实际情况的分类方法

遥感图像的分类算法很多,但还没有一种算法是最普遍和最佳的,这主要是由于遥感图像数据的复杂性决定的。因此,不少研究者针对具体遥感数据不断探索新的分类算法来达到更好的效果。例如,刘咏梅、杨勤科及温仲明针对地形复杂区采用了改进的分类方法,即首先以非监督分类方法获得初始训练样本,在对样本进行增补和修改的基础上再进行监督分类,对陕北黄土丘陵沟壑地区的T M图像进行分类,取得良好的分类效果[48]。莫源富的分区分类法是针对山区遥感图像的一种有效的分类方法。即光照区与阴影区分别分类,在光照区选取一套训练场地先完成光照区的分类,之后,在野外选取的样地图斑的基础上参照光谱区分类结果,采用地物领域相关法(一种成片分布的地物可以跨越相邻的阴影区和光照区),补充选取阴影区训练场地,进行阴影区的分类。两区的分类结果叠加合成得到最终的分类结果。这种分类方法与采用类别细分方法区分阴阳坡同类地物有着本质的不同[42]。

7 遥感图像分类方法研究的趋势和前景

随着遥感技术的发展,结合人工智能技术和理论的发展,模糊数学的成熟应用以及计算机运算能力的大幅提高,基于光谱特征空间分析的非参数型技术分类方法逐步成熟。基于神经计算理论的遥感影像分类方法在国内外很多专家都已经做了大量的研究工作,人工神经网络已经在遥感影像分类和信息提取等研究中得到了广泛的应用,如土地覆盖的分类问题、多时相动态地物的区分、基于多源空间数据的融合和分类、模糊分类、融合先验知识的遥感影像分类、影像结构信息提取等,这些应用在不同程度上都获得了有实际意义的结果。但是,遥感影像数据类别多,含混度大,如何解决多类别分类识别并满足一定的分类精度,是当前遥感影像研究中的一个关键问题。当前遥感影像分类的研究热点主要包括[49]:①影像空间分布与结构信息的提取;②基于知识库和推理机的遥感影像分类;③人工神经网络

?

4?

第2期李石华,等: 遥感图像分类方法研究综述

方法;④面向对象分类;⑤分类结果的定量评价方法。随着这些研究的进一步深入,遥感影像分类更加自动化和智能化,分类精度将得到进一步提高。

8 结语

目前,遥感应用中使用较多的仍是传统的分类方法。近年来,随着遥感技术和计算机技术的不断发展,专家系统、神经网络、模糊技术和数学形态学等一些原来实现困难的新方法也在遥感图像分类中发挥作用,虽然这些新的方法比传统的方法在分类精度上有明显提高,可也存在一定的不足。为了进一步提高分类精度,综合利用各种信息进行遥感图像分类势在必行,同时这也是遥感应用科学家们一直探索的方向之一。

致谢:本文在撰写过程中得到导师王金亮教授的悉心指导,在此深表感谢!

参考文献

[1] 杨凯.遥感图像处理原理和方法[M].北京:测绘出版社,

1988.

[2] 傅肃性,等.遥感专题分析与地学图谱[M].北京:科学出版社,

2002.

[3] 孙家.遥感原理与应用[M].武汉:武汉大学出版社,2002.

[4] 骆剑承,王钦敏,马江洪,等.遥感图像最大似然分类方法的E M

改进算法[J].测绘学报,2002,31(3):234-239.

[5] 杨存建,周成虎.基于知识的遥感图像分类方法的探讨[J].地

理学与国土研究,2001,17(1):72-77.

[6] 林培.农业遥感[M].北京:北京农业大学出版社,1991.

[7] 梅安新,彭望琭,秦其明,等,遥感导论[M].北京:高等教育出

版社,2001.

[8] Ediri w ickre ma J,Khorram S.H ierarchical Maxi m um-L ikelihood

Classificati on for I m p r oved Accuracies[J].I EEE Trans.on Geosci2 ence and Re mote Sensing,1997,35(4):810-816.

[9] Mclachlang J,Basf ord K E.The E M A lgorithm and Extensi ons

[M].Ne w York:John W iley,1997.

[10]B ischof H,Pinz A J.Multi-s pectral Classificati on of Landsat-I m2

ages U sing Neural Net w orks[J].I EEE Trans.on Geoscience and Re mote Sensing,1992,30(3):482-490.

[11]李祚泳.用BP神经网络实现多波段遥感图像的监督分类[J].

红外与毫米波学报,1998,17(2):153-156.

[12]Salu and Y,Tilt on J.Classificati on of Multi-s pectral I m age Data

by the B inary B ia mond Neural Net works and by Nonparametric,

Pixel-by-Pixel Methods[J].I EEE Trans.On Geoscience and Re mote Sensing,1993,31(3):606-617.

[13]Ya mazaki T,Gingras D.I m age Classificati on U sing Spectral and I n2

for mati on Based on MAR Models[J].I EEE Trans.on I m age Pr o2

cessing,1995,14(9):1333-1339.

[14]于秀兰,莫红,等.Markov随机场模型在多光谱遥感图像分类

中的应用[J].中国农业资源与区划,1999,20(5):48-53. [15]朱建华,刘政凯,俞能海.一种多光谱遥感图像的自适应最小距

离分类方法[J].中国图象图形学报,2000,5(1):21-23. [16]刘伟强,陈鸿,夏德深.基于马尔可夫随机场的快速图像分割

[J].中国图象图形学报,2001,6(3):228-233.

[17]萧嵘,孙晨,王继成,等.一种具有容噪性能的S VM多值分类

器[J].计算机研究与发展,2000,37(9):1071-1075.

[18]朱述龙,张占睦.遥感图像获取与分析[M].北京:科学技术出

版社,2000.

[19]陈华,陈书海,张平,等.K-means算法在遥感分类中的应用

[J].红外与激光工程.2000,29(2):26-30.

[20]James J,Ti m othy J,et al.An i m p r oved hybrid clustering algorithm

for natural scienes[J].I EEE Transacti on on Geoscience and Re mote Sensing,2000,38(2):1016-1032.

[21]王志刚,朱振海,王红梅,等.光谱角度填图方法及其在岩性识

别中的应用[J].遥感学报,1999,3(1):60-65.

[22]SanRen H,Chein I chang I.A generalized orthogonalalsub s pace p r o2

jecti on app r oach t o unsupervised multi-s pectral i m age classificati on [J].I EEE Transacti on on Geoscience and Remote Sensing,2000, 38(6):2515-2528.

[23]I farraguerri Agustin,Chein I chang.Unsupervised hypers pectral i m2

age analysis with p r ojecti on on pursuit[J]I EEE Trans.on Geosci2 ence and Remote Sensing,2000,38(6):2529-2538.

[24]吴革洪,高才松,刘玉民.聚类分析在油藏分类中的应用[J].断

块油气田,2001,8(1):36-37.

[25]贺德化,朱锋峰,彭英伟.有类间距离因素聚类结果的比较分析

[J].运筹学学报,1998,2(2):36-41.

[26]李强,王正志.基于人工神经网络和经验知识的遥感信息分类

综合方法[J].自动化学报,2000,26(2):233-238.

[27]骆剑承,周成虎,杨艳.基于径向基函数(RBF)映射理论的遥感

影像分类模型研究[J].中国图象图形学报,2000,5(2):94-

994.

[28]王耀南.小波神经网络的遥感图像分类[J].中国图象图形学

报,1999,4(5):368-371.

[29]阎静,王汶,李湘阁.利用神经网络方法提取水稻种植面

积———以湖北省双季水稻为例[J].遥感学报,2001,5(3):227 -230.

[30]骆剑承,周成虎,杨艳.人工神经网络遥感影像分类模型及其与

知识集成方法研究[J].遥感学报,2001,5(2):122-129. [31]孙丹峰,汲长远,林培.自组织网络在遥感土地覆盖分类中应用

研究[J].遥感学报,1999,3(2):139-143.

[32]秦其明,陆荣建.分形与神经网络方法在卫星数字图像分类中

的应用[J].北京大学学报(自然科学版),2000,36(6):858-

864.

[33]李颖,赵文吉,李小林.遥感影像的分类与识别技术在土地资源

调查中的应用[J].长春科技大学学报,2001,31(3):261-264.

[34]熊桢,童庆禧.用于高光谱遥感图像分类的一种高阶神经网络

算法[J].中国图象图形学报.2000,5(3):196-201.

[35]张学友,冯学智,阮仁宗,等.Kohonen神经网络在遥感图像分类

中的应用研究[J].遥感学报,2004,8(2):178-184.

?

5

?

国 土 资 源 遥 感

2005年

[36]王耀南.计算机智能信息处理技术及其应用[M ].长沙:湖南大

学出版社,1999.

[37]CHEN Sei -wang,CHEN Chi -farn,CHEN Meng -seng .Neural

-fuzzy classificati on f or sege mentati on of re motely sensed i m ages [J ].I EEE Transacti ons on Signal Pr ocessing,1997,45(11):2639-2654.

[38]赵振宇,徐用懋.模糊理论和神经网络的基础与应用[M ].北

京:清华大学出版社,1996.

[39]张宝光.数学形态学在遥感数字图像分类处理中的应用[J ].测

绘信息工程,2000,5:1-5.

[40]Pr ol -Ledes ma M.A Comparis on of contextual classificati on meth 2

ods using T M [J ].I nt .J.Re mote Sensing,1997,18(18):3885-

3842.

[41]程昌秀,严泰来.GI S 与RS 集成的高分辨率遥感影象分类技术

在地类识别中的应用[J ].中国农业大学学报,2001,6(3):50-54.

[42]邸凯昌,李德仁,李德毅.基于空间数据发掘的遥感图像分类方

法研究[J ].武汉测绘科技大学学报,1997,12(4):42-48.

[43]游代安,蒋定华.GI S 辅助下的Bayes 法遥感影象分类[J ].测绘

学院学报,2001,18(2):113-117.

[44]夏黎.形状信息的提取与计算机自动分类[J ].环境遥感,1995,

10(4):279-287.

[45]Murai H,Omartu S .Re mote Sensing i m age Analysis U sing a Neural

Net w ork and Knowledge -based Pr ocessing[J ].I nternati onal Jour 2nal of Remote Sensing,1997,18(4):811-828.

[46]陈述彭.遥感地学分析的时空维[J ].遥感学报,1997,1(3):161

-169.

[47]费鲜芸,高祥伟.土地利用/土地覆盖遥感分类研究综述[J ].山

东农业大学学报,2002,33(3):391-394.

[48]刘咏梅,杨勤科,温仲明.地形复杂地区遥感图像分类方法应用

研究———以黄土丘陵沟壑地区坡耕地遥感调查为例[J ].水土保持学报,2003,23(4):30-33.

[49]周成虎,骆剑承,杨小梅,等.遥感影像地学理解与分析[M ].北

京:科学出版社,2001.

[50]张宝光.人工神经网络在遥感数字图像分类处理中的应用[J ].

国土资源遥感,1998,(1):21-27.

[51]刘伟强,胡静,夏德深.基于核空间的多光谱遥感图像分类方法

[J ].国土资源遥感,2002,3:44-47.

[52]佘丰宁,蔡启铭.主成分监督分类及其在水质特征遥感图像识

别中的应用[J ].湖泊科学,1997,9(3):261-268.

[53]朱长青,王倩,杨晓梅.基于多进制小波的SP OT 全色影像和多

光谱遥感影像融合[J ].测绘学报,2000,29(2):132-136.

A REV I E W O F M ETHOD S FO R CLASS I F I CAT I O N

O F RE MO TE SENS I NG I M AGES

L I Shi -hua 1

,WANG J in -liang 1

,B I Yan

1,2

,CHEN Yao 1,ZHU M iao -yuan 1,Y ANG Shuai 3,Z HU J ia

1

(1.College of Touris m and Geographic Science,Yunnan N or m al U niversity,Kunm ing 650092,China;2.Yunnan Institute of Parasitical D isease,S i m ao 665000,China;3.The N o .1m iddle school of Kaiyuan city,Kaiyuan 661600,China )

Abstract:The methods f or supervised and unsupervised classificati on of re mote sensing i m ages are revie wed in this paper .The main p r oble m s discussed include the merits,shortages and app licati on fields and conditi ons of these methods .An integrated evaluati on of these methods is als o given .The future devel op ing trends and the key points in the study of re mote sensing i m age classificati on are dealt with at the end of this paper .Key words:Re mote sensing;I m age classificati on;Classificati on methods

第一作者简介:李石华(1980-),男,汉族,云南省马龙县人,硕士研究生,主要从事遥感和GI S 方面的研究。

(责任编辑:肖继春)

下 期 预 告

毛克彪 用被动微波AMSR 数据反演地表温度及发射率方法研究

尹辉增 基于坐标转换数据的面积计算分析马雪梅 城市热场与绿地景观相关性定量分析黄世存 几种不同矩阵算法的遥感图像几何精纠正效果比较刘 楠 基于局部光谱空间分析的多尺度边缘检测王 京 滨里海盆地东缘阿克纠宾地区地面遥感地质及地球物理场研究

?

6?

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...................................... 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)

遥感图像分类

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。 二、实验目的 理解并掌握图像分类的原理,学会图像分类的常用方法:人工分类(目视解译)、计算机分类(监督分类、非监督分类)。能够针对不同情况,区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理,并能对分类结果进行后期处理。 三、实验内容(6课时) 1.非监督分类(Unsupervised Classification); 2.监督分类(Supervised Classification); 3.分类精度评价(evaluate classification); 4.分类后处理(Post-Classification Process); 四、实验准备 实验数据: 非监督分类文件:germtm.img 监督分类文件:tm_860516.img 监督模板文件:tm_860516.sig 五、实验步骤、方法 1、非监督分类(Unsupervised Classification)

遥感图像分类方法综述

龙源期刊网 https://www.docsj.com/doc/2513973119.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

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。

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

树叶分类数字图像处理在树叶识别中的应用

数字图像处理研究报告 数字图像处理在树叶识别中的应用 侯杰:土木系 侯晓鹏:林科院 苏东川:航院 张伟:精仪 指导教师:马慧敏教授 日期:2007.12.30

数字图像处理在树叶识别中的应用 一、课题意义及背景 1 课题背景 植物的识别与分类对于区分植物种类,探索植物间的亲缘关系,阐明植物系统的进化规律具有重要意义。因此植物分类学是植物科学乃至整个生命科学的基础学科。然而,由于学科发展和社会等原因,全世界范围内目前从事经典分类(即传统的形态分类)的人数急剧下降,且呈现出明显的老龄化趋势,后继乏人,分类学已经成为一个“濒危学科”(Buyck,1999)。这不仅对于植物分类学本身,而且对整个植物科学和国民经济的发展带来重大的不利影响。目前植物识别和分类主要由人工完成。然而地球上仅为人所知的有花植物就有大约25万种,面对如此庞大的植物世界,任何一个植物学家都不可能知道所有的物种和名称,这就给进一步的研究带来了困难。在信息化的今天,我们提出的一种解决方案是:建立计算机化的植物识别系统,即利用计算机及相关技术对植物进行识别和管理[1]。 2 课题意义[2-3] (1)人工进行植物叶形的分类难度很大。这种传统的判别方法要求操作者具有丰富的分类学知识和长期的实践经验,才能开展工作。要做到准确和快速地识别手中的植物是非常困难。并且相应人才极为短缺。 (2)仅为人所知的有花植物就有大约25万种,面对如此庞大的植物世界,任何一个植物学家都不可能知道所有的物种和名称。建立植物识别系统和数据库十分必要。 (3)植物学研究人员在野外考察时, 时常需要获取植物叶片面积等参数。(4)叶子面积大小对植物的生长发育、作物产量以及栽培管理都具有十分重要的意义。 因此,基于计算机图像处理识别技术的树叶图像识别技术对于植物学,农业

遥感图像分类方法研究综述

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。

遥感影像的分类处理

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

遥感图像分类后处理

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。

遥感影像云识别方法综述

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。

遥感图像分类方法综述

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

高光谱图像分类

《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月

一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初,是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线,将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起,使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高,人们对相关地物的光谱属性特征的了解也不断深入,许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现,这些因素大大加速了遥感技术的发展,使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前,必须进行必要的数据处理。常用的数据处理技术方法包括:数据降维、目标检测、变化检测等。其中,分类是遥感数据处理中比较重要的环节,分类结果不但直接提取了影像数据有效信息,可以直接运用于实际需求中,同时也是实现各种应用的前提,为后续应用提供有用的数据信息和技术支持,如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言,由于高光谱遥感的波谱覆盖范围较宽,因此我们可以根据需要选择特定的波段来突显地物特征,从而能够精确地处理地物的光谱信[2]。目前,许多国家开展大量的科研项目对高光谱遥感进行研究,研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感,并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。

SVM分类方法在人脸图像分类中的应用

SVM分类方法在人脸图像分类中的应用 摘要:本文首先简要综述了人脸识别技术中不同的特征提取方法和分类方法;然后介绍了支持向量机(SVM)的原理、核函数类型选择以及核参数选择原则以及其在人脸分类识别中了应用,最后通过在构建的人脸库上的仿真实验观测观测不同的特征提取方法对人脸识别率的影响、不同的学习样本数对人脸识别率的影响、支持向量机选用不同的核函数后对人脸识别率的影响、支持向量机选用不同的核参数后对人脸识别率的影响。 一、人脸识别简介 人脸识别也就是利用计算机分析人脸图象,进而从中提取出有效的识别信息,用来“辨认”身份的一门技术。人脸识别技术应用背景广泛,可用于公安系统的罪犯身份识别、驾驶执照及护照等与实际持证人的核对、银行及海关的监控系统及自动门卫系统等。 常见的人脸识别方法包括基于KL变换的特征脸识别、基于形状和灰度分离的可变形模型识别、基于小波特征的弹性匹配、基于传统的部件建模识别、基于神经网络的识别、基于支持向量机的识别等。其中特征脸方法、神经网络方法、基于支持向量机的方法等是基于整体人脸的识别,而基于提取眼睛等部件特征而形成特征向量的方法就是基于人脸特征的识别。 虽然人类的人脸识别能力很强,能够记住并辨别上千个不同人脸,可是计算机则困难多了。其表现在:人脸表情丰富;人脸随年龄增长而变化;人脸所成图象受光照、成象角度及成象距离等影响;而且从二维图象重建三维人脸是病态过程,目前尚没有很好的描述人脸的三维模型。另外,人脸识别还涉及到图象处理、计算机视觉、模式识别以及神经网络等学科,也和人脑的认识程度紧密相关。这诸多因素使得人脸识别成为一项极富挑战性的课题。 通常人类进行人脸识别依靠的感觉器官包括视觉、听觉、嗅觉与触觉等。一般人脸的识别可以用单个感官完成,也可以是多感官相配合来存储和检索人脸。而计算机的人脸识别所利用的则主要是视觉数据。另外计算机人脸识别的进展还受限于对人类本身识别系统的认识程度。研究表明,人类视觉数据的处理是一个

遥感影像中建筑物提取研究综述

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

模式识别及其在图像处理中的应用

模式识别及其在图像处理中的应用 摘要:随着计算机和人工智能技术的发展,模式识别在图像处理中的应用日益广泛。综述了模式识别在图像处理中特征提取、主要的识别方法(统计决策法、句法识别、模糊识别、神经网络)及其存在的问题,并且对近年来模式识别的新进展——支持向量机与仿生模式识别做了分析和总结,最后讨论了模式识别亟待解决的问题并对其发展进行了展望。 关键词:模式识别;图像处理;特征提取;识别方法

模式识别诞生于20世纪20年代,随着计算机的出现和人工智能的发展,模式识别在60年代初迅速发展成一门学科。它所研究的理论和方法在很多学科和领域中得到广泛的重视,推动了人工智能系统的发展,扩大了计算机应用的可能性。图像处理就是模式识别方法的一个重要领域,目前广泛应用的文字识别( MNO)就是模式识别在图像处理中的一个典型应用。 1.模式识别的基本框架 模式识别在不同的文献中给出的定义不同。一般认为,模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息,模式所属的类别或同一类中模式的总体称为模式类,其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动地(或者人为进行少量干预)将待识别的模式分配到各个模式类中的技术。模式识别的基本框架如图1所示。 根据有无标准样本,模式识别可分为监督识别方法和非监督识别方法。监督识别方法是在已知训练样本所属类别的条件下设计分类器,通过该分类器对待识样本进行识别的方法。如图1,标准样本集中的样本经过预处理、选择与提取特征后设计分类器,分类器的性能与样本集的大小、分布等有关。待检样本经过预处理、选择与提取特征后进入分类器,得到分类结果或识别结果。非监督模式识别方法是在没有样本所属类别信息的情况下直接根据某种规则进行分类决策。应用于图像处理中的模式识别方法大多为有监督模式识别法,例如人脸检测、车牌识别等。无监督的模式识别方法主要用于图像分割、图像压缩、遥感图像的识别等。

遥感图像分类方法_文献综述

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:

遥感影像分类实验报告

面向对象分类实验报告 姓名: 学号: 指导老师: 地球科学与环境工程学院

一、实验目的 面向对象法模拟人类大脑认知过程,将图像分割为不同均质的对象,充分利用对象所包含的信息,将知识库转换为规则特征,从而提取影像信息。因为分析的是对象而不是像元,因此我们可以利用对象丰富的语义信息,结合各种地学概念,如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割,在提取分割单元(图像分割后所得到的内部属性相对一致或均质程度较高的图像区域)的各种特征后,在特征空间中进行对象识别和标识,从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程; 2、体会面向对象思想的内涵,学会将大脑认知过程转变为机器语言; 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合,达到既满足高空间分辨率,又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像,完成影像的预处理过程。 图 1 图像融合步骤

图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ,打开Create Project和Import Image Layers两个

对话框,将上面的实验数据导入。(注意,数据以及工程文件保存路径不要有中文) 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。

相关文档