礦山多元遙感圖像信息自動分類方法

彭治力

（貴州省第一測繪院，貴州 貴陽 550025）

遙感技術廣泛應用的重要途徑之一就是遙感圖像分類，分類的精度直接影響遙感數據的應用水平和實用價值。非監督分類的方法相對簡單一些，但精度差 ；而監督分類有先驗知識做指導，精度相對較高，但是需要地面采樣，成本比較高。下文結合實踐，分析遙感圖像分類原理基礎上，對遙感圖像分類方法進行探討[1]。

1 遙感圖像分類原理

對于遙感圖像而言，是指衛星探測的地物亮度特征，而且這種光譜特征具有固定性，形成了一定的光譜空間，出于光譜空間內的一點上，然而，因存在干擾因素，環境條件的差異性，如陰影、干濕條件、掃描儀的視角和測量誤差等，各種物質光譜特征存在很大的差異性，在光譜空間上相同物質的不同樣本，呈概率圍繞某一點進行分布，不是集中進行分布的，但能夠通過邊界劃分來對各類進行區分。所以要進行遙感圖像分類，利用分析各類地物波譜特征，對特征參數進行選擇，劃分特征空間使其形成不相重疊的子空間，將影像中各像元進行子空間劃分，達到分類的效果[2]。

2 遙感圖像分類

2.1 監督分類與非監督分類

對于監督分類而言，就是利用已經獲知的判別類別以及樣本類別，對判別的準則以及函數進行確定，將已知類別一定數量樣本的觀測值，來求解待定參數，之后將未知類別樣本觀測值，在這個函數中帶入，對其進行判別，同時在依照有關判別準則，判定此樣本所屬類別。還有一種分類為非監督分類，這種分類方式沒有已知類別標準，在分類過程中，通過各種圖像中地物特征所具有的差別類別特征進行分類，集群理論是其分類的基礎，通過計算機集聚統計分析圖像，依照待分類樣本特征參數，進行特性統計，構建相應的決策開展分類，這種分類不需要對類別特征先知道。依照一定相似性，對分布樣本空間，進行分割或者合并形成一群集，各個群集所對應地物類別，應當開展實地調查，相互比較已知地物類型，方才能夠確定，這是一種重要的模式識別手段。

2.2 遙感數字圖像的計算機分類

2.2.1 神經網絡分類法

這種分類方式更加趨于自動化與人腦化，人的思維非常相似。利用這種方法進行遙感圖像分類，可以將遙感分類存在的不確定性以及模糊性得到有效消除。利用這種方式能夠更好的選擇與抽取遙感圖像目標地物，同時，對學習訓練和分類器設計有著重要的促進作用。隨著相關研究的不斷深入，很多學者也提出基于小波神經網絡。這種分類方法為嚴格“非參”的，分類過程中先驗統一分布知識，不需要參與其中，選取的網絡訓練樣本以及拓撲結構是其分類精度的依賴。在選擇網絡拓撲結構方面，理論分析還存在很大不足，這對神經網絡發展起到了很大的限制作用。

2.2.2 模糊分類法

像元隸屬度函數的確定是是開展模糊分類法的關鍵，這種分類是明顯的軟分類器。模糊統計分類是基于模糊集合理論下的分類器，人工神經網絡模糊分類是基于神經計算技術為前提的，模糊分類還有基于知識的分類方法。

2.2.3 專家系統分類法

對于專家系統分類法而言，是在一個特定領域中，通過輸入專家知識到計算機內，對人們解決問題起到良好的輔助作用。該分類方法是通過解譯專家的方法與經驗進行遙感圖像分類的一種重要方法，但是應用這種方法進行分類過程中，需要構建相應的知識庫。

2.2.4 支持向量機SVW分類法

這種分類方法是支持向量機在最小化結構風險以及統計學習理論VC維理論下產生的分類方法，對小樣本學習問題解決發揮著重要的作用，識別具有高維模式和非線性特點。相關試驗發現，在分類精度上SVM具有非常高的精度，在分類過程中發揮著非常重要的作用，然而，因統計學理論，發展完善以及應用過程時間較短，有很多問題還沒有得到有效解決。

2.2.5 面向對象的分類方法

這種方法在分類過程中，獲取影像區域對象智能信息，區域對象，是因分割影像產生的相鄰同質像元集合體。單個像元不再是影像的最小單元，是由多個同質像元構成的多邊形對象，都是基于對象進行分析，處理后續影像。

2.2.6 決策樹分類法

這種分類方式，最重要的是對決策樹各分支進行定義，其組成特點主要是由于根節點（1個）與內部節點（多個）一級終極點組所構成。定義決策樹的過程中，首先對中級類別樣本數據進行預知，并依照不同類別相似程度，逐步的進行聚類，各個聚類產生一個樹節點，并以此點選擇向下細分的相關有效特征，并向上產生“原級”。這種分類方式為非參數分類器，操作起來比較簡單，而且也非常容易理解，對工作人員的專業知識要求不是很高。

3 分類后的精度評定

檢驗分類專題圖，也就是檢核其可信度，這在定量分析遙感圖像中發揮著重要的作用，通常難以檢核整幅分類圖，了解和掌握各個像元是否錯誤與正確，主要是通過分類誤差來進行估計。

樣本采集過程主要包括三種方式 ：監督分類訓練區樣方式，在檢驗分類圖精度過程中這種方式最不好 ；而專門選定試驗場是檢核分類圖精度中較好的方式，將一些特定試驗場作為分析專用，均勻有目的性的在各區進行分布，很多場地為隨機分布的，存在很多的數量與類別，計算機中存儲測定數據，有的還需要進一步測定 ；隨機取樣，則是依照特殊應用研究區中的性質以及制圖類別，對于采樣區進行設計，通常不是對單個像元進行獲取，而是隨機獲取相緣群，這樣可以在地圖以及航片上對應區位置進行確定，通過地面測量樣區信息，在地圖和航片中進行提取。

4 結語

在分類遙感圖像地物信息過程中，如何保證其分類精度，當前重要的工作目標，目視解譯，可以將判讀人員的豐富的知識與經驗充分地利用，具有非常好的靈活性，但是耗時卻非常多，個人差異比較突出。通過計算機進行分類過程中，空間分析以及邏輯推理方面還比較弱。

僅僅可以依照一定數學模型，對很多具有重復性的數值進行計算，對目標定量定位信息進行獲取，利用目視判讀手段能夠確定目標的性質。同時計算機解譯的遙感結果，也應當通過這種方式開展抽樣核實與檢驗工作。所以在實際應用過程當中，通常對遙感圖像分類方法研究以及開展精度評定，來利用計算機數字圖像處理技術增強和變換遙感圖像，工作人員通過目視判讀，對目標的性質進行確定，再通過計算機，開展復雜定位工作，進行定量計算，定量和定性描述目標，抽樣檢驗以及核實過程中，也是通過目視解譯手段來進行，充分有效將二者結合起來，大大保證了分類精度。

預處理圖像以及新分類方法的出現，這些也是為了更好的保證分類精度，在實際應用時，應當對多時相多源遙感數據進行充分利用，通過遙感圖像，將各種信息提供出來，將計算機分類傳統以及新方法綜合考慮，充分結合人工智能和模式識別技術，并于專家知識庫中成像規律以及目標地物，解譯經驗充分結合，展開詳細的分析與推理，更好地理解遙感圖像，很好地完成對遙感圖像的解譯。