遥感图像分类方法综述

遥感图像分类方法综述 刘佳馨 摘要：摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而 遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中， 以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分 类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了 遥感图像分类的研究趋势和发展前景。 关键词：关键词：遥感图像；图像分类；分类方法 1 1 引言引言 遥感， 作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各 个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤 等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境 污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据 的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限 条件少、 获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面 及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进 一步达到提取所需地物信息的目的。 2 2 遥感图像分类基本原理遥感图像分类基本原理 遥感是一种应用探测仪器， 在不与探测目标接触的情况下，从远处把目标的 电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变 化的综合性探测技术。 图像分类的目的在于将图像中每个像元根据其不同波段的 光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。 而遥感图像分类则是利用计算机技术来模拟人类的识别功能， 对地球表面及其环 境在遥感图像上的信息进行属性的自动判别和分类， 以达到提取所需地物信息的 目的。 3 3 遥感图像传统分类方法遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。 从 分类前是否需要获得训练样区类别这一角度进行划分， 可将遥感图像传统分类方 法分为两大类， 即监督分类 （supervised classification） 和非监督分类(Unsupervised Classification )。 3.13.1 监督分类（监督分类（supervised classificationsupervised classification）） 监督分类（supervised classification）又称训练场地法，是以建立统计识别函 数为理论基础， 依据典型样本训练方法进行分类的技术。即根据已知训练样区提 供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对 各待分类影像进行的图像分类，是模式识别的一种方法。要求训练样区具有典型 性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立 分类的决策规则，直至满足分类精度要求为止。常用算法有：最大似然比分类 (maximumlikelihoodclassification) ， 最 小 距 离 分 类 (minimumdistance classification)。 3.23.2 非监督分类非监督分类(Unsupervised Classification )(Unsupervised Classification ) 非监督分类 (Unsupervised Classification )是以不同影像地物在特征空间中 类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为 理论基础， 通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参 数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本 的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实 地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算 法有：迭代自组织分类(Iterative Self-Organizing Date Analysis Techniques A),K-均 值聚类分类(K-Mean Classification)。 4 4 遥感图像近代分类方法遥感图像近代分类方法 4.14.1 神经元网络分类法神经元网络分类法 神经网络属于非参数分类器。 神经元网络分类法是一种通过模拟人脑神经元 对信息进行加工、处理、储存和搜索的过程。由于神经元网络分类方法不需要进 行任何关于统计分布的先验知识， 因此与传统方法相比， 在用于遥感图像分类时， 不必考虑一像元统计分布特征。另外， 神经元网络分类法还可以广泛的应用于多 源遥感数据分类。神经元网络分类法的特点包括以下几个方面：在存储信息时采 用分布式存储， 并且可以并行对信息的处理和推理的过程，对信息的处理还具有 自学习、自组织等特点。 4.24.2 模糊聚类分类法模糊聚类分类法 模糊分类，是近年来采用一种模糊数学的方法，对不确定性事物进行分析。 但由于对模糊分类的研究实例较少， 各国学者对于遥感分类模糊处理的成果数量 不多， 还有一系列相关的问题等待研究人员进行进一步的探讨，但在已发布的成 果中可以看出， 利用模糊数学方法进行遥感图像处理是完全可能的，并且是十分 必要的。 参考模糊聚类分类法对遥感图像分类处理的有效性，此方法具有广阔的 应用前景。 4.34.3 决策树分类法决策树分类法 决策树分类法利用树结构原则，定义决策树的各个分支，由下而上，根据各 个类别的相似程度，逐级向上聚类的过程。在数据结构以节点代表子集元素，并 以二叉树结构作为原理， 对决策树结构进行解释。 但因为它的算法基础比较复杂， 从而需要大量的训练样区来作为依据寻找各类别之间属性的复杂关系 4.44.4 专家系统分类法专家系统分类法 从专家两字可以看出，这是一种与人工智能技术相结合的产物。而在使用这 种分类法时需要将专家的经验和知识以某种形式形成知识库， 因为在建立知识库 时较为复杂，所以相比较其他的分类法，在应用范围上并不是非常的广泛。 4.54.5 支持向量机分类法支持向量机分类法 支持向量机分类法拥有较强的理论基础。在同样分类样本信息有限的条件 下， 它能相对更好的平衡模型中的复杂性和学习能力。 极大地避免了 “过度学习” 等问题。 支持向量机是一个有监督的学习模型， 它通常应用于对对象进行模式识 别，分类以及回归分析。 4.64.6 面向对象的分类法面向对象的分类法 面向对象的分类法是一种在遥感图像分析中具有巨大潜力的分析方法。 它是 一种地表模型， 因为是通过与现实世界中进行建立关系，因此可以达到真正的相 互匹配，并以此来利用基于像元分类中几乎不可利用的背景信息。因此，面向对 象的分类方法通常用于解读高分辨率和纹理影像数据的纹理特征。 目前面向对象 的分类方法是一种比较理想状态下的方法。 5 5 常用分类思想常用分类思想 5.15.1 分层分类思想分层分类思想 分层分类思想是一种针对各类地物不同的信息特点， 按照一定的原则进行层 层分解。 当研究者运用这种分层分类思想时，需要拥有对不同子区特征进行识别 的能力以及丰富的经验知识， 并且研究者还需要选择不同的波段和波段组合来对 分类活动进行辅助。 5.25.2 分区分解思想分区分解思想 遥感图像分类中的分区分解思想要根据