遙感專題分類圖不確定性評級方法研究

曹天宇

摘要：隨著遙感影像的分類理論和技術水平的不斷完善，從遙感數據中提取專題類別信息是當前遙感數據最主要的應用領域之一，遙感專題分類圖不確定性評價受到越來越多的關注。本文主要研究了如何在Matlab下采用貝葉斯分類器對影像進行分類，并采用基于像元尺度上的分類不確定性評價方法進行評價，最后進行可視化實現。

關鍵詞：遙感影像；像元尺度；不確定性；貝葉斯；精度；可視化

0引言

傳統的遙感數據專題分類不確定性的表達和評價方法，包括基于誤差矩陣的方法、基于模糊集的方法以及其它各種方法，他們的共同點在于：1）都是將分類不確定性表達在類別尺度上；（2）都需要空間采樣過程；（3）這些方法要么需要精確確定參考數據類別，要么需要人為給定采樣點參考數據的類別的模糊隸屬度；（4）分類不確定性不能可視化表達。像元尺度上的不確定性評價方法可以有效地解決這些問題，避免不確定性評價的偏差，便于可視化表達[1]。本文主要研究對遙感影像圖在ERDAS下對進行分類，對分類后的圖像用基于像元尺度上的不確定性評價方法進行不確定性評價，并且對評價結果進行可視化。

1 基于像元尺度分類不確定性評價方法及可視化

1.1 基于像元尺度的不確定性評價方法原理

本文用貝葉斯分類器對圖像進行分類，對分類的不確定性采用基于像元尺度的評價方法進行研究并實現可視化。用貝葉斯分類器進行分類后，可得到像元x屬于某一每一類別的后驗條件概率，可以用一個概率矢量來表達：

（1-1）

將概率矢量中的零元素刪除，并將其從大到小排序，則有如下的一個概率矢量：

（1-2）

式（1-1）中k是式（1-2）中非零元素的個數，且有

式（1-1）和式（1-2）是對同一最大似然分類過程中生成的概率矢量的不同形式的表達。不同的表達形式便于從中獲取不同的不確定性描述指標。

從概率矢量中，可以衍生出許多分類不確定性的測量。在分類過程，像元被分類為式（1-2）中概率矢量第一個元素所屬的類別，即最大后驗概率。最大后驗概率本身可以作為分類不確定性的一個度量。最大后驗概率越大，表示分類不確定性越小。或者，可以定義概率殘差（probability residual）作為不確定性的度量[2]。概率殘差為概率矢量元素的和與概率矢量中最大概率隸屬度之差，表達為：

（1-3）

描述分類不確定性的參數主要有為四個：

（1）絕對不確定性（2）相對不確定性（3）混合像元程度（4）證據不完整性

除了以上四個不確定性度量，還可以從概率矢量中得出其它分類不確定性度量。最常用的是概率熵（entropy）。概率熵是一個信息論中的概念，它與一個統計變量不同測量值的不確定性有關，表達統計變量測量值不確定性的分布和范圍。

一般在分類時像元的真實類別是未知的，因此判斷一個像元所屬類別所需要的信息量也是未知的。像元的概率熵可因此定義為反映像元所屬類別所需信息的期望的信息內容。這樣，熵的度量就用于屬于不同類別的后驗概率加權的不確定性的和來表示：

（1-4）

概率熵反映了要100%確定像元屬于某一類別還需要的信息量，也可以主觀地理解為像元屬于分類體系中各類別的后驗概率的變異程度。當像元屬于每一類別的后驗概率平均分布時，這些概率矢量等于沒有提供關于像元屬于哪一類的信息，因此這時分類所需的信息量最大，概率熵達到最大值；當最大后驗概率為1時，該像元100%屬于最大后驗概率所指的類別，不再需要額外信息，這時概率熵達到最小。用概率熵表達分類不確定性的最大優點在于它將整個矢量中所包含的信息總結在一個單一的值。

2 Matlab下遙感影像不確定性評價及可視化試驗

2.1 遙感影像分類的流程

本文選取某地區的多波段遙感影像為例來進行試驗。

1）首先，進行直方圖修正技術使影像具有統一的均值和方差，以部分消除光照條件的影響。

2）在ERDAS下打開圖像，對每一類各采12個樣本點，記錄這48個樣本點在1、2、4波段的亮度值。在Matlab軟件下利用這些樣本點計算出建立貝葉斯判別函數所需的數據。

3）在Matlab下采用貝葉斯分類器來實現對影像的分類。

4）分類后處理，由于分類的精度問題，從最初分類結果上我們會看到很多“噪聲”，即分類錯誤的情況，為了得到更真實的分類結果我們還要對初分類結果進行濾波來消除“噪聲”，實驗中采用效果比較好的中值濾波來平滑噪聲。

5）實現可視化。

2.2 遙感影像的監督分類實驗

本次實驗的目的是如何通過貝葉斯分類器對圖像進行分類，然后采用基于像元尺度的評價方法來實現影像的不確定性評價，最后進行可視化實現。

2.2.1 在ERDAS下采點，記錄所需的像素值

在ERDAS下打開要進行分類的遙感圖像，即可看到影像大致可分為4類，并可看到影像各個波段的像素值。如圖2-1

在ERDAS下可看出本幅圖像為885×1545×4的圖像，圖像一共可分為四類，一共四個波段，按照類別從每一類中采12個樣本點，分別記錄這48個樣本點在1、2、4波段的像元值.

2.2.2用貝葉斯分類器對影像進行分類

1）計算建立貝葉斯判別函數所需的數據，利用全部數據來計算建立貝葉斯判別函數所需的數據。

2）用貝葉斯分類器對影像進行分類，編寫貝葉斯分類函數代碼，利用貝葉斯分類器對影像進行分類，經過中直濾波處理后，顯示出分類結果。

2.2.3可視化實現

在可視化的結果中，顏色越深的地方不確定性越低，即分類的精度較高；顏色越淺的地方不確定性越高，即分類的精度較低。可視化后可以清楚地看出分類中不確定性的大小、分布、空間結構和趨勢，能夠完整準確地描述和理解遙感信息中的不確定性。

3 結論

本文主要研究了如何在Matlab下利用貝葉斯分類器對遙感影像進行分類，并采用基于像元尺度上的分類不確定性評價方法對分類的不確定性進行評價并可視化。采用靜態可視化的方法實現對不確定性的表達，在視覺效果上不如動態可視化更加直觀有效。在分類過程中，計算程序較復雜，對matlab軟件的掌握還不夠熟練，在可視化時程序運行緩慢，時間太長，有待進一步改進。