遙感圖像分類方法綜述

胡偉強(qiáng) 鹿艷晶

摘 要：對傳統(tǒng)圖像監(jiān)督分類方法和非監(jiān)督分類方法在遙感圖像分類中的應(yīng)用進(jìn)行總結(jié)，對基于人工神經(jīng)網(wǎng)絡(luò)、模糊理論、小波分析、支持向量機(jī)等理論的新的遙感圖像分類方法進(jìn)行了介紹，并對遙感圖像分類方法研究的發(fā)展趨勢做了展望。

關(guān)鍵詞：遙感圖像；監(jiān)督分類；分類精度

1 概述

遙感就是遠(yuǎn)離地表，借助于電磁波來收集、獲取地表的地學(xué)、生物學(xué)、資源環(huán)境等過程和現(xiàn)象的科學(xué)技術(shù)。遙感技術(shù)系統(tǒng)由四部分組成：遙感平臺、傳感器、遙感數(shù)據(jù)接收及處理系統(tǒng)、分析系統(tǒng)。遙感數(shù)據(jù)就是用遙感器探測來自地表的電磁波，通過采樣及量化后獲得的數(shù)字化數(shù)據(jù)。

2 傳統(tǒng)遙感圖像分類方法

2.1 非監(jiān)督分類方法

非監(jiān)督分類方法也稱為聚類分析。進(jìn)行非監(jiān)督分類時，不必對遙感圖像影像地物獲取先驗(yàn)類別知識，僅依靠遙感圖像上不同類別地物光譜信息進(jìn)行特征提取，根據(jù)圖像本身的統(tǒng)計特征的差別來達(dá)到分類的目的。主要的算法有：K-均值聚類（K-means）算法和迭代自組織數(shù)據(jù)分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。

2.2 監(jiān)督分類方法

對于監(jiān)督分類，訓(xùn)練區(qū)的選擇要求有代表性，訓(xùn)練樣本的選擇要考慮到遙感圖像的地物光譜特征，而且樣本數(shù)目應(yīng)能夠滿足分類的要求，否則，一旦樣本數(shù)目超過一定的閾值時，分類器的精度便會下降。主要的算法有：最大似然分類（Maximum Likelihood classification， MLC）、最小距離分類、K-近鄰分類等。

3 基于新理論的遙感圖像分類方法

3.1 基于人工神經(jīng)網(wǎng)絡(luò)的遙感圖像分類

在遙感圖像的分類處理中，人工神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元表征遙感圖像的輸入模式。每一個輸入層神經(jīng)元對應(yīng)于一個光譜波段，每一個輸出層神經(jīng)元則對應(yīng)于一種土地覆蓋類型。其中，主要的神經(jīng)網(wǎng)絡(luò)分類方法包括BP神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)（Radial Basis Function， RBF）神經(jīng)網(wǎng)絡(luò)等。

3.2 遙感圖像的復(fù)合分類方法

這種方法分類時，首先用監(jiān)督分類法（或非監(jiān)督分類法）將遙感圖像概略地劃分成幾個大類，再用非監(jiān)督分類法（或監(jiān)督分類法）對第一步已分出的各個大類進(jìn)行細(xì)分，直到滿足要求為止。如靳文戟等提出的分級復(fù)合分類方法，結(jié)合了多層神經(jīng)網(wǎng)絡(luò)BP模型和非監(jiān)督分類算法K-means算法。這樣不僅避免了多層神經(jīng)網(wǎng)絡(luò)在識別類別多時學(xué)習(xí)速率慢，不易收斂的缺點(diǎn)，還使得迭代次數(shù)減少。

3.3 基于模糊理論的遙感圖像分類方法

模糊理論是1965年扎德提出的，模糊理論往往用于對不確定性事物的描述。模糊模式分類是依據(jù)隸屬原則進(jìn)行判別。這種方法的關(guān)鍵是確定適當(dāng)?shù)碾`屬度函數(shù)。在實(shí)際的模式分類問題中，要分類的對象往往不是論域中的某個確定元素，而是論域中的模糊子集，此時研究的不是某元素對集合的隸屬程度，而是兩個模糊子集之間的貼近程度。

3.4 基于小波理論的遙感圖像分類方法

小波分析是上個世紀(jì)80年代迅速發(fā)展起來的應(yīng)用數(shù)學(xué)分支。小波理論具有良好的時頻局部特性，從而能夠從時域和頻域的角度精確描述圖像的特征。小波函數(shù)可以看作是一個帶通濾波器的系統(tǒng)響應(yīng)，小波變換是將原始信號用一組多尺度帶通濾波器進(jìn)行濾波，將信號分解到多個頻帶上分析。因而小波分析在圖像降噪、分類、分割和壓縮等領(lǐng)域得到了廣泛的應(yīng)用。

3.5 基于支持向量機(jī)的遙感圖像分類方法

支持向量機(jī)是基于兩類問題提出的，遙感圖像涉及的一般是多類問題，需要將兩類SVM進(jìn)行擴(kuò)展才能適合于多類別分類問題。為此不少學(xué)者提出了幾種改進(jìn)方法，①對于多類SVM，可以組合幾個二類分類器；②構(gòu)造一個更大的最優(yōu)化問題來進(jìn)行分類。

4 結(jié)束語

在遙感技術(shù)的研究中，提高遙感圖像的分類精度是一個關(guān)鍵問題，具有十分重要的意義。雖然上述方法以及分類思想的出現(xiàn)比傳統(tǒng)的方法在分類精度上有明顯的提高，也無疑為遙感圖像分類的發(fā)展注入了新的活力，但是這些方法同時存在一定的不足。所以還需要在此基礎(chǔ)上進(jìn)行改進(jìn)，達(dá)到較好的分類效果。筆者認(rèn)為可以從以下幾個方面得到改進(jìn)：

①BP算法與Cauchy訓(xùn)練的結(jié)合的方法。由于BP算法容易陷入局部極小點(diǎn)，而Cauchy訓(xùn)練是隨機(jī)調(diào)整權(quán)值，可能背離尋找全局極小點(diǎn)。所以，將二者結(jié)合可以互相補(bǔ)充取得較好的效果。

②優(yōu)化距離度量方法。

③選擇多個代表類別的特征。如，將光譜體征和紋理特征相結(jié)合。基于像元的分析與基于光譜分析相結(jié)合。

④基于核函數(shù)的分類方法。在核函數(shù)上進(jìn)行突破。

⑤遙感與地理信息系統(tǒng)一體化。

⑥基于小波的神經(jīng)網(wǎng)絡(luò)分類方法的進(jìn)一步研究以及基于模糊理論的神經(jīng)網(wǎng)絡(luò)的分類方法的研究。

總之，為了進(jìn)一步提高分類精度，綜合利用各種方法進(jìn)行遙感圖像分類是提高遙感圖像分類精度的一種有效方法。

參考文獻(xiàn)：

[1]Melgani F， Bruzzone L. Classification of Hyperspectral Remote Sensing Images with Support Vector Machines[J]. IEEE Transactions on Geoscience Remote Sensing， 2004， 42（8）： 1778-1790.

[2]靳文戟，劉政凱.多類別遙感圖像的復(fù)合分類方法[J].環(huán)境遙感， 1995，10（4）：298-302.

[3]周前祥，敬忠良.高光譜遙感圖像聯(lián)合加權(quán)隨機(jī)分類器的設(shè)計與應(yīng)用[J].測繪學(xué)報，2004，33（3）：254-257.

[4]李旭超，朱善安.小波變換和馬爾可夫隨機(jī)場在圖像降噪與分割中的應(yīng)用研究[D].浙江大學(xué)，2006.4.

[5]張志龍，沈振康. 基于遙感圖像的重要目標(biāo)中特征提取與識別方法研究[D]. 國防科技大學(xué)，2005.3.

[6]杜鳳蘭，天慶久，夏學(xué)齊.遙感圖像分類方法評析與展望[J].遙感技術(shù)與應(yīng)用，2004，19（6）：521-525.