基于統計的模式識別與遙感圖像分類的研究綜述

賴云森

摘要：本文在廣泛查閱遙感圖像分類資料的基礎上，對基于統計的模式識別在遙感分類中的應用進行了探討及歸類分析，總結了國內的主要研究方向：土地覆蓋、城市規劃、農業管理、城市綠地覆蓋、土地不透層水量檢測、城市建筑規劃、道路提取等。并選取了基于無人機可見光圖像的作物分類研究作為應用案例，簡要概述其研究背景、數據來源、研究結果，分析了案例中的特點與不足，并結合實際提出如何提高遙感圖像分類精度的展望。

關鍵詞：分類精度;特征;樣本

1、引言

遙感圖像分類主要是根據地面物體電磁波輻射在遙感圖像上的特征，判斷識別地面物體的屬性，進而為目標檢測與識別等其他應用提供輔助信息，也可以作為最終結果提供基礎地理信息用于地圖繪測、搶險救災、軍事偵察等領域。經典的基于統計的模式識別大致原理是把某一模式分解為幾個模式類別的數據分析過程，包括聚類分析、無監督和監督學習、有參數和無參數概率密度統計、預處理、特征選擇或提取、識別分類后的后期處理以及分類精度評估與性能分析等研究內容[10]。然而，由于遙感圖像本身的空間分辨率以及“同物異譜”和“同譜異物”現象的存在，往往出現較多的錯分、漏分現象，導致分類精度不高。如何實現圖像分類識別并滿足一定的分類精度，是當前遙感圖像研究的一個關鍵問題。

2、基于統計的模式識別與遙感圖像分類

2.1 遙感圖像的分類方法

遙感影像的計算機分類方法可分為兩種：統計判決分類和句法模式識別。前者通過對研究對象大量的統計分析，抽出反映模式的本質特點、特征而進行識別。后者則需要了解圖像結構信息，從而進行分類。傳統的分類方法一般為統計判決分類，如最大似然法、K均值法等[2，4]。近年來發展的新方法則采用句法模式，如專家系統法和決策樹分類法等。每種分類方法各有特點[1，3，7]，實際運用需選擇合適的分類方法。

2.2 國內基于統計的模式識別的遙感圖像分類現狀

目前的遙感分類主要集中在以下幾個方面的研究。在難以處理的高光譜遙感方面，崔保春等人[11]基于模式識別技術對高光譜遙感圖像進行了分類，這種方法對高光譜遙感圖像的處理性能好，對一次特征檢測準確性高。在地震方面，歐立奇等人[13]利用遙感圖像分類有效評估震災損失可及時、可靠地了解地震災區實時情況，提高破壞性地震下人們的反應能力;在無人機遙感方面，李志銘等人[12]采用無人機遙感技術對作物進行分類識別為及時獲取農田信息-制定農田管理策略及產量估測提供技術支持。

目前，基于統計的模式識別與遙感圖像分類研究已有很多，但是分類的精度和方法卻有較大不同[5]，大都具有區域特征和技術特征，如何提高遙感圖像的分類精度仍然是需要我們長期探索的問題。

3、基于統計模式識別的遙感圖像分類的應用實例分析

3.1數據來源

試驗區域位于山東省淄博市博山區。圖像數據采集于2018年8月10日，采集時段為正午11：00-13：00。圖像采集當天天氣晴朗，地面無風，滿足無人機飛行要求，共獲取了644幅可見光圖像。目標區域內主要種植的作物為玉米-菜花-大豆-桃樹，驗證區域內主要種植的作物為玉米-桃樹。

3.2特征處理

在模型訓練的過程中同時完成對特征的選擇，特征選擇開始時使用全部特征進行建模，然后根據排序準則分數，舍棄得分最少的特征，利用剩余特征重新構建模型進行下一次迭代，直至特征數量達到預設值。

3.3監督分類模型選擇

利用Arcmap軟件，在目標區域內生成了若干處隨機位置點，選取以隨機點為中心，5X5像素范圍內的特征均值作為樣本數據，組成樣本集。然后利用訓練集分別對訓練集進行K最近鄰法、支持向量機、樸素貝葉斯、人工神經網絡、決策樹及隨機森林6種模型進行模型構建。

3.4主要結果

各個模型測試集分類精度的對比結果如下：支持向量機模型的準確度最高，其次為人工神經網絡及隨機森林模型，決策樹模型準確率較差。

3.5不足與啟示

本案例雖然探究出了特征選擇方法與監督分類模型的最優組合，但最終的分類依靠唯一的分類方法，分類不足明顯，因此是否能將多種分類方法相結合，探究出同一區域最優的分類方法組合將會成為未來的發展方向。

4、結論

在遙感影像分類領域，由于遙感數據的復雜性，目前還沒有一種遙感分類算法是最普適或最優的。“單一的遙感影像數據源、單一的分類決策以后難以應付迅速增長的遙感數據應用需求[6，8]。在以后的遙感圖像分類中，應該綜合多種分類方法的特點，選擇出最優的分類手段。因此，提高影像分類精度的新理論、新方法與實現模型工作仍有廣闊的研究空間[9]。

參考文獻：

[1]孫曉霞，張繼賢，劉正軍.利用面向對象的分類方法從IKONOS全色影像中提取河流和道路[J].測繪科學，2006（01）：62-63+5.

[2]陶超，譚毅華，蔡華杰，杜博，田金文.面向對象的高分辨率遙感影像城區建筑物分級提取方法[J].測繪學報，2010，39（01）：39-45.

[3]王啟田，林祥國，王志軍，梁勇，李文杰.利用面向對象分類方法提取冬小麥種植面積的研究[J].測繪科學，2008（02）：143-146.

[4]孫志英，趙彥鋒，陳杰，李桂林，檀滿枝.面向對象分類在城市地表不可透水度提取中的應用[J].地理科學，2007（06）：837-842.

[5]蘇簪鈾，邱炳文，陳崇成.基于面向對象分類技術的景觀信息提取研究[J].遙感信息，2009（02）：42-46.

[6]張超，劉佳佳，蘇偉，喬敏，楊建宇，朱德海.基于小波包變換的農作物分類無人機遙感影像適宜尺度篩選[J].農業工程學報，2016，32（21）：95-101.

[7]肖武，任河，呂雪嬌，閆皓月，孫詩睿.基于無人機遙感的高潛水位采煤沉陷濕地植被分類[J].農業機械學報，2019，50（02）：177-186.

[8]張軍國，韓歡慶，胡春鶴，駱有慶.基于無人機多光譜圖像的云南松蟲害區域識別方法[J].農業機械學報，2018，49（05）：249-255.

[9]劉哲，劉帝佑，朱德海，張琳，昝糈莉，童亮.作物遙感精細識別與自動制圖研究進展與展望[J].農業機械學報，2018，49（12）：1-12.

[10]古麗娜孜·艾力木江. 基于模式識別的土地覆蓋遙感圖像分類方法研究[D].東北師范大學，2017.

[11]崔保春，徐言勛.基于模式識別技術的高光譜遙感圖像檢測[J].現代電子技術，2019，42（17）：58-62.

[12]李志銘，趙靜，蘭玉彬，崔欣，楊煥波.基于無人機可見光圖像的作物分類研究[J].西北農林科技大學學報（自然科學版），2020，48（06）：137-144+154.

[13]歐立奇，王紅英，羅小東，李盼，劉瀚.利用遙感圖像數據基于模板匹配的震毀災損研究[J].地震工程學報，2019，41（06）：1659-1664.

成都理工大學地球科學學院 ?成都 ?610059