基于ENVI的遙感圖像分類方法研究

李 楠，王雪林

（1.浙江煤炭測繪院有限公司，浙江 杭州 310020；2.核工業井巷建設集團有限公司，浙江 湖州 313000）

隨著遙感技術的發展，遙感已逐步成為采集地球數據及其變化信息的重要技術手段和重要信息來源，其中遙感圖像分類一直是遙感領域的重要研究內容。將遙感圖像中存在的光譜信息經過一系列的算法后將圖像中的特征信息進行劃分，獲得遙感圖像與實際地物的對應信息，從而實現遙感圖像的分類[1-2]。當前，遙感圖像有多種分類方法，而如何應用不同分類方法，解決多類別的遙感圖像分類識別問題，并滿足一定的精度，是遙感圖像分類領域的重要研究方向。基于此，本文基于ENVI平臺，利用該平臺自帶的Landsat tm5數據Can_tmr.img多光譜遙感圖像作為主要的數據源，進行遙感圖像監督分類應用實驗，并對其分類結果進行精度比較，其研究成果對遙感圖像分類領域具有一定參考意義。

1 遙感圖像分類方法

監督分類與非監督分類是遙感圖像的兩大分類方法。本文主要采用監督分類法，其又被稱為訓練分類法。通過對事先選擇的已知類別的訓練場提取各類訓練樣本，建立分類器，然后將圖像中各像元劃分到各給定的具體類別中，從而實現圖像分類。分類前，需要對遙感圖像進行目視解譯或者野外調查，從而對圖像中的各種地物類別有一定的先驗認識，有利于訓練樣本的選擇。利用選取的訓練樣本，選擇特征參數，建立判別函數，并對判別函數進行訓練，使其符合分類要求。然后根據訓練結束的判別函數對其他圖像中的像元數據進行分類，按照不同的方法將像元劃分到與其最相似的樣本分類中，從而完成整個遙感圖像的分類。監督分類的關鍵是訓練樣本和訓練場地的選擇，其選擇的質量關系到分類能否取得良好的效果[3-4]。

監督分類主要分為平行六面體分類法、最小距離分類法、馬氏距離分類法、最大似然分類法、神經網絡分類法、支持向量機分類法[5]。本文分別對這6種分類方法進行應用實驗。

2 監督分類方法的應用實驗

1）實驗數據。本文以ENVI自帶的Landsat tm5數據Can_tmr.img多光譜遙感圖像作為主要數據源，以波段5，4，3模擬真彩色圖像合成RGB進行顯示，根據圖像的光譜特征，通過人工判讀把圖像中的地物分為林地、草地、耕地、裸地、沙地、水體6類，見圖1。通過繪制多邊形感興趣區進行訓練樣本選取，并對每類地物的感興趣區用不同顏色加以區分。

圖1 原始遙感圖像

2）分類實驗。創建6類感興趣區分別為林地、草地、耕地、裸地、沙地、水體，并以此定義訓練樣本。各個樣本類型之間的可分離性，用Jeffries-Matusita距離和轉換分離度參數表示，根據可分離性值的大小，從小到大列出感興趣區組合。這兩個參數的值在0～2.0之間，大于1.9說明樣本之間可分離性好，屬于合格樣本；小于1.8，需重新選擇樣本[6]。訓練樣本可分離性計算報表見表1，可見各樣本分離性均在1.9以上，說明各類感興趣區分離性較好，選擇該感興趣區作為訓練樣本較為合適。

表1 樣本可分離性計算報表

本文對圖像進行監督分類實驗，分類分別采用：平行六面體、最大似然、最小距離、馬氏距離、神經網絡，支持向量機6種方法。圖2為采用監督分類結果圖。

圖2 監督分類結果

3 結果精度分析

為了定量分析遙感圖像分類結果，采用混淆矩陣進行評價。混淆矩陣以矩陣的形式羅列出地表真實圖像與處理后圖像對比的分類結果的各種精度，精度分為總體分類精度 （Overall Accuracy）和Kappa系數兩種。總體分類精度用分類后正確的像元數與真實圖像像元總數的比值表示。Kappa系數可以反映真實圖像像元與分類像元的一致程度。本文對各種分類結果的精度見表2及第65頁圖3。

表2 各種分類結果精度比較

從圖2、圖3和表2可以看出以下5點。

1）平行六面體法的總體分類精度為71.887 7%，Kappa系數為0.665 0，計算時間為5 s；最大似然法的總體分類精度為93.832 1%，Kappa系數為0.930 2，計算時間為3 s；最小距離法的總體分類精度為80.437 8%，Kappa系數為0.797 6，計算時間為3 s；馬氏距離法的總體分類精度為77.247 5%，Kappa系數為0.753 8，計算時間為4 s；神經網絡法的總體分類精度為96.918 8%，Kappa系數為0.954 3，計算時間為20 s；支持向量機法的總體分類精度為97.539 1%，Kappa系數為0.964 7，計算時間為7 s。

圖3 各種分類結果精度對比圖

2）6種分類方法中支持向量機法具有最高的分類精度，分類效果最好，能夠較為準確地提取目標地物，但計算時間較長；平行六面體法分類精度最低，效果最差，得到的結果容易出現重疊，混淆不清的結果，但算法較為簡單，計算時間也短。

3）最大似然法和神經網絡法也具有較高的分類精度，其中最大似然法計算時間較短，神經網絡法計算時間相比于其他5種分類法均較長。

4）最小距離法和馬氏距離法的精度并不是很高，其中最小距離法容易出現大面積沒有被分類成果的區域，但該算法較為簡單，且計算時間較短。

5）針對本文采用的中低分辨率多光譜數據，6種分類方法的計算時間均可在20 s之內完成，均較為短暫。但因在實際應用中遙感數據的類型及大小不同，使用不同分類方法計算時具體計算時間會有所差異。

4 結論

本文利用基于ENVI平臺自帶的Landsat tm5多光譜遙感圖像，通過對其進行監督分類，分別介紹了監督分類法中的平行六面體法、最小距離法、最大似然法、馬氏距離法、神經網絡法、支持向量機法6種分類方法，并且對實驗結果進行精度分析。精度分析結果表明，6種監督分類方法中支持向量機法和神經網絡法雖然具有較高的分類精度，但計算時間較長；最小距離法和馬氏距離法的分類精度一般，平行六面體法的分類精度較差，相比之下最大似然法分類精度較高，且計算時間相對較短，因此該分類方法為使用較多的分類方法，更適合中低分辨率多光譜遙感圖像分類工作。隨著遙感技術不斷發展、遙感理論知識不斷更新、研究領域不斷擴大，未來將會有更多新理論和新技術提高遙感影像分類效果。