淺析遙感影像地物分類識(shí)別的研究與實(shí)現(xiàn)

張 燕，苗思達(dá)

(安徽省地勘局第二水文工程地質(zhì)勘查院，安徽 蕪湖 241000）

現(xiàn)如今，科學(xué)技術(shù)高速發(fā)展，遙感技術(shù)也獲得了巨大提升，而且在應(yīng)用遙感技術(shù)過程中，能夠更加快捷、方便的獲取高清晰的遙感影像數(shù)據(jù)，不僅大大提高了工作效率，更保證了遙感數(shù)據(jù)的精準(zhǔn)性。目前隨著遙感技術(shù)的快速發(fā)展，該項(xiàng)技術(shù)已經(jīng)普遍應(yīng)用于農(nóng)業(yè)勘測(cè)、鄉(xiāng)鎮(zhèn)規(guī)劃以及軍事偵察等諸多領(lǐng)域當(dāng)中，發(fā)揮著越來越重要的作用，正是基于遙感技術(shù)諸多優(yōu)勢(shì)與特點(diǎn)，受到了人們的廣泛關(guān)注，也成為相關(guān)領(lǐng)域?qū)＜覍W(xué)者研究的重點(diǎn)。尤其是在遙感技術(shù)當(dāng)中，遙感影像地物分類識(shí)別技術(shù)，是一個(gè)非常重要的研究方向。

對(duì)于遙感影像地物分類而言，主要是指依照影像中地物、光譜、紋理以及形狀等特征，來實(shí)現(xiàn)識(shí)別地物目標(biāo)的過程。而遙感影像的這一地物分類過程主要涉及部分有兩個(gè)：一是如何提取遙感影像特征；二是遙感影像地物分類過程中如何合理地選擇分類器。尤其是在遙感影像地物分類過程當(dāng)中，如何提取特征性的參數(shù)，是其中十分重要的一個(gè)步驟，抽象化遙感影像信息，能夠獲得遙感影像數(shù)據(jù)描述的一組特征向量，過去遙感影像分類過程當(dāng)中，都是通過像素值來開展分類工作，被遙感影像其他重要特征常常被忽略，難以達(dá)到深層次的分析和研究，更會(huì)影響到分類精度。經(jīng)過不斷研究與發(fā)展，一些學(xué)者在此方面，指出可以通過提取混合遙感影像特征。文獻(xiàn)[1]中將遙感影像紋理顏色等相關(guān)特征進(jìn)行提取，并合理的開展選擇與優(yōu)化工作；文獻(xiàn)[2]中與形狀，紋理以及光譜等有關(guān)特征充分結(jié)合開展共同分類；文獻(xiàn)[3]將形狀與紋理特征有效融合，提取具有較高分辨率遙感影像道路，上述這些都獲得了很好的效果，在統(tǒng)計(jì)學(xué)理論前提下，SVM向量機(jī)是一種非常重要的機(jī)器學(xué)習(xí)算法，傳統(tǒng)的SVM在兩類線性可分?jǐn)?shù)據(jù)分類過程當(dāng)中發(fā)揮著重要的作用，之后不斷發(fā)展在高緯度非線性小樣本模式識(shí)別與分類過程當(dāng)中。也得到了普遍應(yīng)用。由于SVM具有的諸多優(yōu)勢(shì)，被普遍應(yīng)用于遙感影像分類過程當(dāng)中，發(fā)揮著越來越重要的作用，在解決遙感影像分類問題上具有著十分突出的優(yōu)勢(shì)，而且在此方便很多專家學(xué)者也開展過大量的研究工作，取得的成效也十分顯著。

下文當(dāng)中充分結(jié)合遙感影像處理過程當(dāng)中的相關(guān)流程，在處理圖像過程當(dāng)中，基于ENVI以MATLAB平臺(tái)下，首先提取遙感影像的光譜以及紋理混合特征，之后通過SVM，開展識(shí)別進(jìn)行地物分類。通過仿真試驗(yàn)，這種分類方式于過去的單類特征提取有著非常明顯的優(yōu)勢(shì)，同時(shí)不需要開展降維，分類效果非常的突出，理論研究與學(xué)習(xí)意義重大。

1 遙感影像與識(shí)別算法發(fā)展歷程

在物體現(xiàn)象研究發(fā)展過程當(dāng)中，遙感影像分類與識(shí)別能夠?qū)@些物體發(fā)生發(fā)展規(guī)律有一個(gè)更加全面的了解，監(jiān)督分類以及非監(jiān)督分類是經(jīng)典算法的主要組成，前者又有訓(xùn)練場(chǎng)地方之說，在已知樣本區(qū)類別信息分析基礎(chǔ)上，來有效地判別非樣本區(qū)。主要采用分類方法為最小距離和最大似然等分類方法。對(duì)于非監(jiān)督分類而言，又有聚類分析之稱，這種分類方法是沒有先驗(yàn)知識(shí)的“盲判”。主要的方法包括ISODATA聚類法以及k均值算法與分級(jí)集群法等。近年來在科學(xué)技術(shù)高速發(fā)展背景下，遙感影像分辨率也獲得了大幅提升。出現(xiàn)了同物異譜以及同譜異物現(xiàn)象，由于經(jīng)典算法難以達(dá)到相關(guān)精度要求。在此背景下發(fā)展出很多機(jī)器學(xué)算法。人工神經(jīng)網(wǎng)絡(luò)是早期階段一種基于數(shù)學(xué)模型的常用機(jī)器學(xué)習(xí)分類方法。在隱層或者隱層節(jié)點(diǎn)足夠情況下，當(dāng)中的反向傳播神經(jīng)絡(luò)，能夠?qū)⑷我獾姆蔷€性關(guān)系充分的影射出來，同時(shí)還能對(duì)向量機(jī)進(jìn)行支持。提出最早從最優(yōu)分類面問題，這種方法可以對(duì)機(jī)器學(xué)習(xí)起到友好的監(jiān)督作用，在研究遙感影像當(dāng)中發(fā)揮著十分重要的作用，機(jī)器學(xué)算法也有一些問題存在，如難以確定隱層節(jié)點(diǎn)或者收斂速度慢是BP神經(jīng)網(wǎng)絡(luò)具有的重大缺點(diǎn)。SVM樣本數(shù)量錯(cuò)分和漏分概率比較大。隨著不斷深入學(xué)習(xí)，機(jī)器算法獲得了更好的發(fā)展，下文當(dāng)中結(jié)合實(shí)踐對(duì)遙感影像地物分類識(shí)別與研究和實(shí)現(xiàn)進(jìn)行探討分析，希望能為相關(guān)工作的開展提供一些有效的參考作用。

2 遙感影像的特征提取

處理遙感影像過程當(dāng)中，光譜特征提取是比較傳統(tǒng)的方法，在提取光譜特征過程當(dāng)中，主要是將圖像當(dāng)中目標(biāo)物的顏色與灰度和各個(gè)波段之間的亮度進(jìn)行提取，并通過運(yùn)算原始小斷點(diǎn)來進(jìn)行獲取，能夠?qū)Ω鱾€(gè)像素進(jìn)行對(duì)應(yīng)，然而和像素排列結(jié)構(gòu)沒有明顯的關(guān)聯(lián)性，這種分類方法對(duì)遙感影像當(dāng)中利特征信息較為忽視，限制影像處理精確度，通過工作實(shí)踐發(fā)現(xiàn)，在提取遙感影像特征過程當(dāng)中，語文理光譜特征充分結(jié)合，是圖像處理過程當(dāng)中重要的技術(shù)手段。遙感影像當(dāng)中，紋理特征是最為重要的特征之一，體現(xiàn)著物體上下文之間存在的聯(lián)系，這也是內(nèi)在的圖像特征特點(diǎn)，紋理特征可以將像素中的灰度以及顏色和重復(fù)變化規(guī)律等全面的體現(xiàn)出來，文中在提取遙感影像特征過程當(dāng)中，充分結(jié)合了紋理特征以及光譜特征，首先對(duì)光譜特征進(jìn)行提取，然后在各個(gè)波段對(duì)遙感影像紋理特征進(jìn)行提取。

3 支撐向量機(jī)（SVM）理論

維數(shù)高遙感影像具有的主要特點(diǎn)，而且樣品點(diǎn)獲取較少的時(shí)候，分類過程當(dāng)中通過傳統(tǒng)統(tǒng)計(jì)識(shí)別方法來完成，這種方法極易導(dǎo)致精確度不高的問題。而SVM支撐向量機(jī)可以使高緯度小樣本非線性分類問題得到有效解決，訓(xùn)練樣本點(diǎn)設(shè)置為n個(gè)，通過相應(yīng)的優(yōu)化過程來實(shí)現(xiàn)SVM訓(xùn)練。

其組成主要包括樣本點(diǎn)有兩種不同類別，n主要是指輸入空間尾數(shù)，輸入樣本點(diǎn)的數(shù)量為N。核函數(shù)為K(x,y)，主要的函數(shù)包括線性核函數(shù)以及多類式和函數(shù)等依照二次規(guī)劃，將支撐向量值進(jìn)行求出，并在結(jié)果獲取下對(duì)函數(shù)進(jìn)行判別，便能將分類結(jié)果有效獲取。

SVM支撐傳統(tǒng)向量機(jī)，是基于二類分類問題前提下提出來的，但是很多時(shí)候，在分類遙感影像過程當(dāng)中，地物類別不僅僅是二類，因此在分類過程當(dāng)中，應(yīng)當(dāng)選擇應(yīng)用多類分類支撐向量機(jī)，并在下面方式向進(jìn)行獲得。如在構(gòu)造一系列SVM分類器應(yīng)用下來獲得，各個(gè)分類器主要對(duì)其中兩個(gè)類別進(jìn)行識(shí)別，同時(shí)將其中的差別結(jié)果在某種組合方式下，開展結(jié)果判定，達(dá)到多類分類的效果，實(shí)現(xiàn)這種方法較為簡單，極易發(fā)生局部最優(yōu)問題，造成同時(shí)判定樣本過程當(dāng)中，進(jìn)行多種不同類別判定。過去主要采用一對(duì)一和一對(duì)多的方式進(jìn)行分類，現(xiàn)如今，基于這些過去組合方式上又有很多方法延伸出來，如開展二叉樹分類方法，還有向無環(huán)圖方法。M-SVM這種方式合并了各個(gè)分類面的有關(guān)參數(shù)，在一個(gè)最優(yōu)化問題中進(jìn)行合并，利用對(duì)這些問題求解的最優(yōu)值，來對(duì)分類結(jié)構(gòu)進(jìn)行獲取，可以使局部最優(yōu)解問題在多步式分類中得到有效解決，主要的難點(diǎn)是怎樣對(duì)大型復(fù)雜的優(yōu)化問題進(jìn)行求解，而付出的代價(jià)較為昂貴。

4 實(shí)驗(yàn)仿真

文中將某一地區(qū)遙感影像作為此次分析的主要對(duì)象，這種遙感影像的主要規(guī)格為400＊400 Byte[BSQ]，基于ENVI以及MATLAB條件下，ENVI在處理遙感影像過程當(dāng)中其功能十分的強(qiáng)大，能夠充分的提取遙感影像當(dāng)中的有關(guān)信息，而且基于MATLAB環(huán)境下將SVM工具箱提供出來，來有效地識(shí)別樣本點(diǎn)，可以全面的分析分類過程具有的性能。在分類識(shí)別遙感影像地物過程當(dāng)中，主要的步驟包括下面幾個(gè)方面，開展過程當(dāng)中利用ENVI來提取遙感影像的紋理以及光譜特征，在ENVI環(huán)境下，對(duì)幾種概率統(tǒng)計(jì)以及二階概率統(tǒng)計(jì)，支持其紋理濾波。通過相應(yīng)的研究與探討，文中將遙感影像光譜特征和主波段的相關(guān)紋理特征進(jìn)行充分提取，共獲得11維的影像特征向量。

同時(shí)在提取遙感影像過程當(dāng)中，針對(duì)一些感性起的區(qū)域開展信息提取工作，對(duì)三類地物樣本點(diǎn)進(jìn)行獲取，主要包括林地植被以及河流等特征，之后將這些樣本點(diǎn)進(jìn)行測(cè)試集以及訓(xùn)練集劃分，樣本點(diǎn)的實(shí)際分布參照下表1所示。

表1 各種地物樣本點(diǎn)分布情況

預(yù)處理遙感影像當(dāng)中的特征信息數(shù)據(jù)，為了更好地保證分類的效率，提高影像地物數(shù)據(jù)提取的精度，通過歸一化處理遙感影像樣本值。

基于MATLAB環(huán)境下，通過SVM來有效提取和分類識(shí)別遙感影像第五信息數(shù)據(jù)，此次研究過程當(dāng)中采用的機(jī)器學(xué)分類方法主要為一對(duì)一或者一對(duì)多，對(duì)三個(gè)不同二類SVM分類器開展相應(yīng)的構(gòu)造與分類，并對(duì)這種分類方式精確度開展相關(guān)的驗(yàn)證工作，具體如何選擇驗(yàn)證參數(shù)，和獲得的試驗(yàn)仿真數(shù)據(jù)可參見表2。

表2 地物分類結(jié)果

5 結(jié)語

文章在SVM支撐向量機(jī)技術(shù)前提下，對(duì)遙感影像第五分類識(shí)別研究和實(shí)現(xiàn)進(jìn)行分析探討，主要對(duì)如何提取遙感影像當(dāng)中的光譜以及紋理特征予以細(xì)致分析，來展現(xiàn)地物分類原理和步驟實(shí)現(xiàn)，利用仿真試驗(yàn)對(duì)其效果進(jìn)行驗(yàn)證，研究學(xué)習(xí)意義比較突出。通過試驗(yàn)研究發(fā)現(xiàn)，這種方法非常容易理解，而且具有很好的分類作用。但也存在一些問題為了促進(jìn)該方法的應(yīng)用于發(fā)展，今后還應(yīng)當(dāng)進(jìn)一步擴(kuò)大此方面的研究工作，為遙感影像地物分類識(shí)別研究與實(shí)現(xiàn)奠定堅(jiān)實(shí)的基礎(chǔ)。