遥感图像计算机分类研究现状和发展趋势.docx

遥感图像计算机分类研究现状和发展趋势遥感图像计算机分类研究现状和发展趋势 读书报告 摘要：遥感图像计算机分类是遥感技术中一项非常重要的工作，本文就当今遥感图像计算机分类的研究现状和发展趋势作进一步分析和总结，让大家进一步了解遥感图像计算机分类的技术。 关键词：遥感图像机分类 ； 现状 ； 发展趋势 Abstract: Remote sensing image classification of remote sensing technology in computer is a very important work, this article on the current computer classification to remote sensing image research present situation and the trend of development for further analysis and summary, let us further understanding of remote sensing image classification technology of computer. Key words: Remote sensing image classification; Present situation; Development trend 1 遥感图像的分类 遥感图像计算机分类是利用计算机通过对遥感数据的光谱信息和空间信息进行分析、特征选择，并按照某种规则或算法将图像中的每个像元划分为不同的类别。 1.1图像分类的意义 在遥感技术的研究中，通过遥感影像判读识别各种地物是遥感技术发展的一个重要环节。无论是专题信息的提取、动态变化的监测，或是遥感数据库的建立等都离不开遥感图像的分类。遥感图像分类在数字图像分类处理中是一个很重要的应用方向，与普通的图像分类算法有很多相同之处，而根据遥感图像自身特点，面临自身的问题、如果可以使计算机对遥感图像按照一定的意义进行自动分类处理，将大大减轻人们的劳动量。因而，不断有遥感科学领域研究者在图像分类的算法的借鉴，改进和创新中探索。 1.2图像分类的影响 当今社会，传统遥感图像分类方法，但随着遥感技术的不断发展，近年来出现的新的分类方法能够准确的提取目标地物，改进了图像的分类在实际运用也越来越多的和传统方法相结合使用。随着计算机技术和遥感技术相互融合，遥感信息的获得会越来越精确、迅速，新的算法和分类方法的研究会不断深入，遥感图像的精度必定会得到显著的提高。在图像的分类中，一种分类是只利用不同波段的光谱亮度值，还利用像元和像元之间的关系。近年来新的分类方法的思想为：神经网络分类法、支持向量机分类法。为了提高分类的精度还引入了分层分类和分区分类、多元数据融合入分类及小波技术等分类思想。遥感技术的发展日新月异，不仅仅表现在传感器空间分辨率的提高上，其他各个方面的发展也十分快，遥感平台的发展，传感器光谱探测能力也在急速提高，在遥感图像识别和分类方面，开始大量使用统计模式识别，随着电子技术、计算机及航天技术等多方面技术的发展与应用，当前遥感图像的空间分辨率从低分辨率发展到高分辨率，从低分辨率发展到高分辨率，形成了影像金字塔，这也给我们的遥感影像的分类提出了更高的要求，在遥感图像识别和分类中尚有许多不确定性因素需要我们作细致深入的研究。遥感影像的计算机分类是模式识别技术在遥感技术领域中的具体运用。具体来说，就是对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到识别含有多图像信息的实际地物，提取所需地物信息的目的。 1.3图像分类的方法 在遥感技术的研究中，通过遥感影像判读识别各种地物是遥感技术发展的一个重要环节。无论是专题信息的提取，动态变化的监测，还是专题地图是制作，或是遥感数据库的建立等都离不开遥感图像的分类。图像分类的过程，实际上就是将图像空间划分为若干子区域，每个子区域代表一个实际地物。 遥感影像的计算机分类方法有2种，统计模式方法和句法模式方法。常见的分类方法一般为统计识别模式，如最大似然法、 K-最近判别法等。近年来发展和分类的新方法则多采用句法方法。这类方法有人工神经网络犯方法、模糊数学方法、专家系统法和决策树分类法等。 遥感图像的统计分类又分为两种：监督分类和非监督分类。非监督分类是对遥感图像地物的属性不具有先验知识，仅仅依靠不同的光谱数据组合在统计上的差别来进行分类，然后再对已经分出的各类地物的属性进行确认的过程；监督分类是基于对遥感图像上样本区内的地物的类别已有一定的先验知识，即已经知道它所对应的地物类别，因而可以利用这些样本的类别特征作为依据，从而判断非样本数据的类别。 2 遥感图像的传统分类 2.1非监督分类(Unsupervised Classification ) 非监督分类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。 非监督分类在现实应用中指人们事先对分类过程不施加任何的先验知识，而仅凭数据，即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其它类区分开，但是非监督法与监督法都是以图像的灰度为基础。通过统计计算一些特征参数，所以也有一些共性。 非监督分类是依靠系统聚类，按照相似性将一组像素分类，尽可能缩小同类别像素间的距离，同时尽量扩大不同类别像素的距离。初始分类的参数设定和迭代调整时该算法的关键问题，其主要算法包括ISODTA法、分级集群法以及K-均值算法等。将遥感图像中的地物按照其光谱特征进行分类，由于能够较少的受到人为因素的影响，而且不需要全面了解地面信息和地物属性，而且操作方式相对简单、算法成熟，在研究数据的自然集群分布时采用非监督分类法具有较强的实用性，因此在初步分析图像的环节该分类法得到了广泛的应用。 2.2监督分类 监督分类又称训练场地法，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。要求训练区域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：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。 对于遥感图像的样本区域中地物类别的属性在分类之前人们已经具有了先验知识是监督分类的重要特征。即采用线性判断、平行多面体、最大似然、最小距离等方法对先从遥感影音中取出图像样本进行分类，这些样本要涵盖所有区域的各类地物。首先对选取的样本建立判别函数得到训练区，然后通过训练区获得各类别的数据，然后对遥感图像进行整体分类。训练区域的选取是整个监督分类最关键的环节之一，训练区域的选择质量影响着遥感图像分类能否收到一个良好的效果。在训练区域选择是应当要充分的考虑到选取区域中地物的分布特征和光谱特征。需要有大量的野外实地调查和选取足够的样本以达到判别函数建立的要求。 与非监督分类不同，监督分类显著特点是在分类前人们对遥感图像上的某些样区中影像地物的类别属性已有了显眼知识，也就是先要从图像中选取所有要区分的各类地物的样本，用于训练分类器。一般在图像中选取具有代表性的区域作为训练区，由训练区得到各个类别的统计数据，进而对整个图像进行分类。常用分类方法有：判别分析法、最大似然分析法、特征分析法、序贯分析法和图形识别法等。 3遥感图像的分类新方法 无论是监督分类还是非监督分类，都是依据地物的光谱特性的点独立原则进行分类的，且都是采用统计的方法。该方法只是采用各波段的灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元是混合像元带有混合信息的光谱特性，致使计算机分类面临着诸多模糊的影像，不能确定其究竟属于哪一类地物。而且，同物异谱和异物同谱的现象普遍存在，也会导致误分、漏分，因此人们不断尝试新方法来加以改善。 新的分类方法主要有综合阀值法、专家系统法、神经网络分类法等。这些新方法的应用于传统的分类方法相结合，有效的减少了误分、漏分，提高了精度。 3.1决策树分类法 基于分层分类的指导思想，将不同地物的属性特点按照一定的原则进行逐步分布分解。根据研究人员对相应区域地物的特征了解，在对每一次进行分解时，可以按照波段以及组合分类。按照遥感图像的不同特性采用决策树分类，将分类和决策通过树型结构进行表示，从而发现其规律。首先通过训练区域的数据建立判别函数，然后按照所取的不同值建立分支完成树型结。 决策树是一个类似流程图的树型结构，其中树的每个内部节点代表对一个属性的测试，其分支代表测试的每个结果，而树的每个叶子节点代表一个类别，树的最高层节点就是根节点，是整个决策树的开始。其算法的早期版本可以追溯到20实际XX年代。后来特别是近几年，它被广泛应用到许多需要分类识别的领域，如科学实验、医疗诊断、信贷审核、商业预测、案件侦破等这类算法无需相关领域知识，且相对于基于模糊理论的分类方法，具有更高的分类准确度和更快的处理速度。 在很多领域特别是数据挖掘中，决策树是一种经常要用到的技术，它可以用于分析数据，也可以用来作预测，常用的算法有ID3，CART,C4.5等。 3.2人工神经网络分类法 人工神经网络分类是通过岁人脑神经系统结构和功能的模拟，建立一种简化的人脑数学模型。它不需要任何关于统计分布的先验知识，不需要预定义分类中各个数据源的先验权值，可以处理不规则的复杂数据，且易于辅助信息结合。通过对MOD IS数据分析和研究，与传统分类方法相比，ANN方法一般可获得更高精度的分类结果，特别是对与复杂类型的土地覆盖分类，该方法显示了其优越性，但某些地物的光谱数据的集群性较差，使得网络对与大多数易分区的地类识别率高，而对少数不易分的识别率低。 人工神经网络分类是不具备统计分布的先验知识，不需要对复杂的不规律的数据进行处理，也不需要对分类的过程中的数据源的先验权限进行预定义，而且较容易与其他辅助信息能够实现结合。与传统分类方法相比，人工神经网络分类法更容易获得具有较高的精度和分类结果，尤其是对于复杂类型的土地覆盖分类，该分类方法的有点能得到更好的体现。 3.3专家系统分类法(The expert system classifier) 专家系统分类就是把某一特定领域的专家知识输入的计算机中，辅助人们解决问题的系统。遥感图像解译专家的经验和方法进行解译。专家的经验和知识以某种形式形成知识库。该分类方法在分类时需要建立复杂的知识库。 专家系统是模式识别与人工智能技术相结合的产物。应用人工智能技术相结合的产物。应用人工智能技术，运用解译专家的经验和方法，模拟遥感图像目视解译的具体思维过程，进行图像解译。专家系统分类的关键是知识的发现和推理技术的运用。目前在知识发现方面，主要是基于图像光谱知识、辅助数据和上下文信息等。一些专家认为基于专家系统的土地覆被分类可以以专家的能力去解决分类过程中的复杂问题，然而在实际运用过程中，知识的发现和定义往往很难做到与实际情况一一对应。 3.4基于频谱分析的分类 传统的分类方法基本上都只考虑了图像的光谱信息，没有顾及图像的纹理信息，因此分类精度较低。基于频谱分析的分类方法是一种结合了地表信息的有效的分类方法。作为描述地物纹理特征的常用方法之一，频谱分析通过将图像信息从空间域转换到频率域，充分利用了图像的纹理信息，并按频率高低形成地物多频谱图像。这样在遥感图像解译过程中综合利用光谱信息、纹理信息以及多个频谱段的信息以及多个频谱段的信息。 目前在光谱的分类方法中桐城市采用均值和方差的传统统计方法，仅仅是涉及到遥感图像的光谱特征，但是没有考虑到遥感图像的纹理特征信息，所以这种分类方法的精度较低。频谱分析是描述地物纹理特征通常使用的方法，将遥感图像从空间域转换为频率域，然后提取遥感图像的纹理信息，按照其频率的高低形成地物频谱图像。在遥感图像解译过程中将光谱信息、地物纹理信息和多频谱信息进行综合应用，从而较大的提高解译精度。 3.5特征融合 单纯的通过地物的光谱特性、外形特性和纹理特征对图像进行分类，都无法对不同类别的地物目标进行很好的区分。所以采用多特征融合对遥感图像进行分类方法得到越来越广泛的运用，该方法具有显著的特点，首先是对同一模式所抽取的不同特征矢量总是反应模式的不同特征，将其进行优化，不仅可以抵消一部分由外部原因造成的多余信息，而且能将参与鉴别融合的信息进行保存，这对遥感图像的分类具有非常重要的现实意义。再对遥感图像模式进行识别时，遥感图像的纹理特征和光谱特征祈祷了同样关键作用。再对图像纹理特征进行提取时通常采用的方法有：数学变换发、自相关函数法、灰度共生矩阵法等。该分类斌不是完全分类，不能将实际地物完全分类，因此只能最为辅助数据来提取高光谱特征法的分类精度。