基于ASTER遙感圖像的宜昌市區土地利用監督分類

何 微

（湖北科技學院 數學與統計學院，湖北 咸寧 437000）

遙感是一門新興的綜合性探測技術科學，在其發展不到半個世紀的時間內，已經在地理學、地質學、生態學、環境科學、大氣科學和海洋科學等領域得到了廣泛的研究和應用。伴隨著科學技術的不斷發展，遙感圖像分辨率也在不斷提高，人們從遙感圖像中也獲得越來越多有用的數據和信息。近年來，遙感技術的應用領域和深度不斷延伸，它在人類進行資源勘探、土地規劃與利用、災害動態監測、城市規劃、環境監測、氣象預報、農作物估產、農業、林業、地質礦產、軍事等領域的工作中有著深遠的影響，大大增強了人類在區域以及全球范圍上開發資源、制圖和監測等能力，為社會發展作出了巨大貢獻，可以說遙感技術已成為當前人類研究地球資源環境的一種有力技術手段。在遙感技術的研究中，對遙感影像判讀識別各種目標是遙感技術發展的一個非常重要環節，無論是專業信息提取、動態變化預測，還是專題地圖制作和遙感數據庫的建立等都離不開分類。但是遙感影像數據類別多，含混度大，不同場合遙感圖像應用所需的類別數據不同，那么對應的遙感圖像處理方式也是不一樣，這也就使得圖像分類顯得尤為重要。而如何從已獲取的遙感圖像中得到所需的信息，現已有一些經典的分類方法和算法，其中最為人們所知的方法有監督分類和非監督分類。

非監督分類：遙感圖像上的同類地物在相同的條件下，一般具有相同或相近的光譜特征，從而表現出某種內在的相似性，歸屬于同一個光譜空間區域。而不同的地物，光譜特征不同，歸屬于不同的光譜空間區域，這是非監督分類的理論依據。該分類方法主要是通過系統自動依據光譜數據在統計上的差別而進行分類的。主要算法有分級集群法、ISODATA法（迭代自組織數據分析技術）和K-Means法等。

監督分類：與非監督分類不同，監督分類最顯著的特點是在分類前人們對遙感圖像上某些樣區中影像地物的類別屬性已有了先驗知識，也就是先要從圖像中選取所有要區分的各類地物的樣本，用于訓練分類器（建立判別函數）。一般是在圖像中選取具有代表性的區域作為訓練區，由訓練區得到各個類別的統計數據，進而對整個圖像進行分類。主要方法有線性判別法、最大似然法、最小距離法和平行多面體法等。

文章采用宜昌市區的遙感影像進行圖像處理，主要利用監督分類法獲取整個城區類別的分布情況，探討了監督分類中最小距離分類法和最大似然分類法的實現和分類結果的差異。

1 遙感圖像分類原理

遙感圖像分類主要依據是地物的光譜特征，即地物電磁波輻射的多波段測量值，這些測量值可以用作遙感圖像分類的原始特征變量。遙感圖像分類就是利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特征，并用一定的手段將特征空間劃分為互不重疊的子空間，然后將圖像中的各個像素劃歸到各個子空間去。由于遙感圖像中的同類地物在相同的條件下（紋理、地形、光照以及植被覆蓋等），具有相同或相似的光譜信息特征和空間信息特征，所以表現出同類地物某種內在的相似性，于是有同類地物像素的特征向量將集群在同一特征空間區域，不同的地物其光譜信息和空間信息特征將不同，從而集群在不同的特征空間區域。在目前的遙感分類應用中，用得較多的是傳統的模式識別分類方法，諸如最大似然法、最小距離法、ISODATA法、K-Means法等監督和非監督分類法。

圖1 圖像分類基本流程圖

文章所選的遙感影像數據已做過預處理，主要運用監督分類方法進行分類，在此，只需做特征提取，即訓練區的選擇，再對圖像進行分類。

1.1 特征提取

對監督分類而言，訓練區的選擇是非常重要的，如果大量原始的測量數據不做分析，直接作為分類特征，不僅數據量太大，計算復雜，浪費計算機處理時間，而且分類的效果也不一定好。因此，為了獲得滿意的分類結果，訓練數據必須既有代表性，同時還要具有完整性。用于圖像分類訓練區的統計結果，一定要充分反映各種信息類型中光譜類別的所有組成。根據影像中的地物，確定選擇具有代表性的訓練區。對于“同物異譜”現象，將此種地物作為兩個類別進行訓練區的輸入選擇。對每種類別訓練區樣本選擇后，檢查樣本的質量，利用圖表顯示法剔除不好的樣本，對剩余樣本進行合并，從而建立分類模板。

1.2 分類方法

目前，在遙感圖像分類處理中，主要有傳統分類方法中的監督分類和非監督分類，還有多級切割分類法、決策樹分類法，以及近年來發展起來的神經網絡分類等。在這里，主要介紹以下分類方法。

（1）最大似然法。最大似然分類是圖像處理中最常采用的分類方法之一，它是求出像元數據對于各類別的似然度，把該像元分到似然度最大的類別中去的方法。似然度是指當觀測到像元數據X時，它是從分類類別k中得到的（后驗）概率，設從類別k中觀測到X的條件概率為P（X/k），則似然度蘊k可表示為下式（1）：

其中P（k）為類別k的先驗概率，通常假定它在每個類別中都是一樣的。X屬于似然度蘊k取值最大的那一類。

通常都是利用最大似然比分類，所以就要求知道總體的概率密度函數P（X/k）。一般都是假設概率密度函數為多維正態分布，通過訓練數據，按最大似然度測定其平均值、方差及協方差。此時，蘊k可表示為下式（1）：

式中：n：特征空間的維數；det：矩陣的行列式；t：逆矩陣和轉置矩陣；X：像元數據（n維列矢量）；μk：類別k的平均矢量（n維 t列矢量）；：類別k的方差、協方差矩陣（n×n矩陣）；蘊（kX）：像元數據X歸并到類別k的似然度。

最大似然法的分類步驟：①確定需要分類的地區和使用的波段和特征分類數，檢查所用各波段或特征分量是否相互已經位置配準；于根據已經掌握的典型地區的地面情況，在圖像上選擇訓練區；③計算參數，根據選出的各類訓練區的圖像數據，計算和確定先驗概率；④分類，將訓練區以外的圖像像元逐個逐類代入公式，對于每個象元，分幾類就計算幾次，最后比較大小，選擇最大值得出類別；⑤產生分類圖，給每一類別規定一個值，如果分k類，就定每一類分別為1，2，3…k，分類后的象元值便用類別值代替，最后得到的分類圖像就是專題圖像；⑥檢驗結果，如果分類中錯誤較多，需重新選擇訓練區再做以上各步，直到結果滿意為止。

（2）最小距離法。最小距離分類法是用特征空間的距離表示象元數據和分類類別特征的相似程度，在距離最?。ㄏ嗨瞥潭茸畲螅┑念悇e上對象元數據進行分類的方法。特征空間中的距離通常用以下方式表達:

歐氏距離公式：

Mahalanobis距離（馬氏距離）公式：

其中式（3）和式（4）中表示特征空間的距離，其它符號意義同式（2）。另外，從式（2）和（4）可以看到，當各類別的方差、協方差矩陣中的行列式相等時，這兩個公式相等，也就是似然度等于馬氏距離。

最小距離公式：

式中：n為波段數，即維數；k為某一特征波段；i為某一聚類中心；Mi為第i類樣本均值；Mik為第i類中心第k波段的像素值；d（X，Mi）為象素點X到第i類中心Mi的距離。

最小距離法的分類步驟如下：①確定地區和波段，配準備分量；于選擇訓練區；③根據各訓練區圖像數據，計算Mi；④將訓練區外圖像象元逐類代入上式，按判別規則比較大小，得到類別；⑤產生分類圖像；⑥檢驗結果，如果錯誤較多需要重新選訓練區；⑦輸出專題圖。

2 分類實驗

2.1 實驗區和數據

文章是以湖北宜昌市城區為試驗區，選用的遙感資料是經過預處理后2001年的ASTER數據，此影像數據有9個波段（Band1，Band2，Band3，Band4，Band5，Band6，Band7，Band8，Band9），其中Band1是綠色波段，Band2是紅色波段，Band3是近紅外波段，Band4是短波紅外，Band5、Band6和Band7是中紅外，Band8和Band9是熱紅外，ASTER數據沒有藍色波段。原始數據在可見光的分辨率是15m，短波紅外分辨率是30m，熱紅外分辨率是90m，而此處是采用了經過預處理的數據，重采樣后的空間分辨率為30m。如圖2所示，圖像大小為719行×661列。本實驗主要運用ENVI4.4軟件對影像數據進行分類處理。

圖2 初始圖

2.2 實驗結果

在圖像上選取了164個訓練樣本點和164個不同于訓練樣本點的檢驗點，這兩組點選取都具有普遍性。然后在軟件ENVI4.4中對影像實現最大似然法的算法原理進行實現分類，主要有植被、河流、長江、建筑四大類，得到結果圖為如圖3所示。

圖3 最大似然分類結果圖

然后，在軟件ENVI4.4中對初始影像最小距離法算法原理進行實現分類，也是主要有植被、河流、長江、建筑四大類，得到的實驗結果為圖4所示。

圖4 最小距離分類結果圖

3 分類結果比較

由上面兩種分類法所得的圖像，首先通過人工目視解譯，可看到這兩種方法得的分類效果的差異，其中可看到圖3比圖4的效果要好，因為圖3中斑點面積要小，也比較少。另一方面，通過對這兩種分類法進行混淆矩陣如表1和2所示，并比較。

根據表1、表2可以看出，最大似然分類的總體精度要高于最小距離分類，Kappa系數也是最大似然的要好，并且表1中，所有類別的用戶精度和生產精度相差很小，而表2中，類別建筑和類別長江它們的用戶精度和生產精度相差比較大，從而導致了整體分類精度的降低。同時在圖4中也明顯看到長江有一部分被誤分為建筑。所以，在此實驗中，用最大似然法分類要優于最小距離法。

表1 影像的最大似然分類結果混淆矩陣

表2 影像的最小距離分類結果混淆矩陣

4 結語

文章主要是對宜昌市城區采用監督分類的兩個基本方法的分類討論，分類后的結果圖可以為繪制成土地利用分類題圖或土地利用現狀圖做一些參考，也可以為以后土地管理、調查、更新提供基礎資料。但是由于這些分類結果沒有與實地調查相結合比較，所以其中會有一些混合像元被誤分，也會導致分類精度不夠好。在今后的研究中可以通過解決如下問題進而提高分類精度：①選用高分辨率的影像數據；于怎樣選擇才能使訓練樣本更具有代表性和普遍性；③進行實地調查；④改進分類算法。

［1］ 浦瑞良，宮鵬.高光譜遙感及其應用［M］.北京：高等教育出版社，2000.

［2］ 李石華，王金亮，畢艷，等.遙感圖像分類方法研究綜述［J］.國土資源遙感，2005，（2）：1-5.

［3］ 王一達，沈熙玲，謝炯.遙感圖像分類方法綜述［J］.遙感信息，2006，（5）：67-70.

［4］ 劉桂生，葛根旺.基于遙感影像的土地利用監督分類探討［J］.城市勘測，2008，（3）：43-46.

［5］ 賈永紅.數字圖像處理［M］.武漢：武漢大學出版社，2006.

［6］ 楊存健，周成虎.基于知識的遙感圖像分類方法的探討［J］.地理學與國土研究，2001，17（1）：72-77.