雷达遥感图像分类新技术发展研究

雷达遥感图像分类新技术发展研究

谭衢霖,邵　芸

(中国科学院遥感应用研究所,遥感信息科学开放研究实验室,北京　100101)

摘要:总结了雷达遥感图像分类技术的发展过程,指出新的分类技术正朝着采用新特征(如雷达极

化信息与干涉信息、多参数极化干涉信息、多时相信息、DEM 与地理信息等),应用新理论(如小波

理论、分形理论、模糊理论),设计新算法(如改进的最大似然法、上下文分类法、改进的神经网络分

类算法等)的方向发展。

关键词:雷达遥感;图像分类;极化信息;干涉信息

中图分类号:T P 722;TP 751　文献标识码:A 文章编号:1001-070X (2001)03-0001-07

0　概述

当前,合成孔径雷达(SAR )已成为国际对地观测领域最重要的前沿技术之一。雷达极化测量、干涉测量及多参数极化干涉测量等技术代表了雷达遥感的发展方向。遥感图像分类处理是遥感技术应用中十分重要的部分,图像分类结果用途非常广泛,所以,提高雷达遥感图像分类精度具有重要意义。就雷达遥感而言,雷达遥感图像因其特殊的成像机理和图像特点而与光学遥感图像迥异,必须采用特殊的图像分类方法才能获得较好的效果。随着新型成像雷达技术的蓬勃发展,雷达遥感获取的目标信息越来越多,如何最有效地利用雷达遥感提供的新信息来提高图像分类精度,是一个需要深入研究的课题,同时也是实现定量化雷达遥感迫切需要研究的课题之一。

图1为SAR 图像分类处理技术的一般过程。总的来说,雷达遥感图像分类算法朝着精确、快速的方向发展。发展新的分类技术一般有3种途径:第一,利用从雷达遥感数据中提取的新信息和新特征。如从极化雷达数据中提取任一种极化状态下的后向散射系数、极化度、散射熵、同极化相位差以及从干涉雷达数据中提取的相关系数等等[1];第二,应用新理论。如基于小波理论[2]、分形理论的雷达遥感图像纹理信息提取[3]和基于模糊理论的混合像元分解等等[4]

;第三,设计新算法。如何实现这一目标,途径千差万别,但一般从两个方向入手:①改进经典算法。由于经典算法有这样或那样的缺点,因对其进行改进是发展分类算法的有效途径,如对最大似然法进行改进[5];②构造新算法。由于经典算法的局限性,针对经典算法暴露出来的一些缺点,重新构造算法也是十分有效的。构造新算法可以完全抛弃旧算法,也可以吸收旧算法的优点,抛弃其缺点,如学习矢量量化神经网络分类算法[6]。

收稿日期:2001-04-04;修订日期:2001-07-06基金项目:国家自然科学基金项目(49989001)第3期,总第49期

国土资源遥感No .3,20012001年9月15日　REM O T E SENSING FO R LAN D &RESOU RCES Sept .,2001

图1　SA R 图像分类技术流程

1　采用新信息、新特征

传统的SAR 图像分类一般利用目标的后向散射强度差别来进行,后来逐渐利用图像的纹理测度信息,一般是灰度共现矩阵GCLM 。随着新型成像雷达技术的发展(极化、干涉、极化干涉),雷达获取目标新信息越来越多,因此,在SAR 分类算法发展中,针对不同的分类目的,新信息、新特征的采用变得十分普遍。这种方法简单易行,针对性较强,可以解决许多分类中的实际问题。

1.1　多波段、多极化信息

采用不同微波波段图像,可以对地面上的目标进行分类。例如,不同农作物在不同波段上的变化规律不同,并且在不同的生长期,变化规律也不同,利用这一特点,可以对农作物进行分类。同样,土壤湿度和表面粗糙度不同,在不同波段上也能体现出来。因此,采用不同波段的SAR 图像进行综合分析,可以获取地面目标的更详细信息[7]。

不同极化方式对不同种类的地物及其构造有不同的反应,因此,多极化的SAR 图像在对地面目标的分类上也将提供很好的帮助[7]。

1.2　极化雷达信息

极化雷达以Stokes 矩阵(或散射矩阵)形式,记录了地物任意一种极化状态下的散射回波,既有振幅信息,也有相位信息,比常规单极化或多极化雷达包含了更多的地物信息(如任一极化状态下的后向散射系数、极化度、同极化率、交叉极化率、散射熵及同极化相位差等等),它将明显提高定量雷达遥感解决应用问题的能力。极化信息提取能在最大程度上将不同地物的散射特征以量的形式表现出来,揭示地物的散射差别,为土地覆盖分类、目标识别及目标参数·2· 国　土　资　源　遥　感2001年

反演提供新的技术方法。如王翠珍等利用极化雷达目标信息分解技术进行岩性分类,获得了很高的分类精度[8]。当前,SIR -C /X -SAR 系统可实现这种数据的获取,不久,Envisat 和Radarsat -2也将具有获取多极化干涉数据的能力。因此,利用极化信息进行分类具有很好的应用前景,它将是未来广泛应用的数据源。研究极化雷达信息提取与特征选择方法对提高SAR 图像分类精度具有重要意义[1]。当前国际上有关此方面的研究已经不少,国内由于受数据源的限制,研究极少。

1.3　干涉雷达信息

雷达干涉测量是雷达遥感的一个热点研究领域,数据处理的算法已发展得比较成熟,有待进一步研究完善的是相位解绕技术,以达到工程化应用的要求。干涉测量获得的相干系数可作为独立的参量用于地物分类。除了两次数据获取间的时相变化,相干系数提供了基于地表特性和后向散射系数的信息。干涉测量相干性和后向散射是相对独立的量,包含有互补的专题信息,因此,SAR 干涉测量被认为是地表分类的一种很有前景的手段[9]。

1.4　极化干涉信息

极化分类技术或干涉分类技术的单独应用,既有它们独特的优势,也存在缺点,如何融合它们长处,互补不足,这对于进行高精度、非监督、利用计算机自动分类雷达遥感图像,是最有前景的分类技术[1]。因此,尝试利用极化提取信息和干涉信息进行SAR 图像自动分类试验,并对其结合互补使用的可行性进行研究,具有重要意义。

同物异谱、异物同谱、混合像元的存在,混淆了地物目标真正的散射特征,甚至有时会出现相互矛盾的结论,因此一直是常规雷达遥感图像分类应用中的难点。新型成像雷达技术———全极化干涉雷达,能够最大限度地提取目标特征后向散射信息和地形信息以及时相信息,结合空间域纹理信息与其他特征进行分类,可以较好地解决同物异谱、异物同谱像元的解译问题,并且通过对极化雷达数据的极化分析,可对混合像元进行极化度分解,将混合像元中不同地物的散射过程分解出来[10]。

1.5　多时相信息

时相信息的重要性无庸质疑。对光学遥感而言,虽然时相信息比较难于获取,但是仍然不乏实例。而对于雷达遥感,SAR 具备的全天时全天候获取信息的能力几乎可以满足任何应用的时相要求,多时相信息对于雷达遥感而言,是一种极易获得而又具有重要研究意义的信息。如刘浩、邵芸等将1996年获取的4个时相的Radarsat 图像用于广东肇庆地区的稻田分类试验,结果表明,多时相Radarsat 数据对水稻类型的识别精度较高,而且稻田的轮作规律容易推测出来[11]。

1.6　其他辅助信息与特征

大量的分类实践证明,单一信息作为判据往往不能获得理想的分类效果。根据遥感影像人工判读的规律,模式分类往往需要综合许多信息,比如灰度变化、纹理特征、地形信息、多源遥感信息,甚至人文地理信息。因此,综合利用各种信息进行遥感图像分类一直是遥感应用科学家们探索的方向之一。如对于山区地物与平原地物的异物同谱问题,如果引入DEM (数字高程模型)或坡度这样的地理信息或加上手工绘出的模板,分类问题就很容易解决。当前,SAR 图像与TM 图像融合的研究已有不少报道,SAR 图像结合其他各种信息的研究还有待于进一步研究[11]。·3·第3期谭衢霖等:　雷达遥感图像分类新技术发展研究

2　应用新理论

近年来,许多新的数学理论被用于遥感图像分类算法的发展过程中,其中,最常见的是小波理论、分形理论和模糊理论。

2.1　小波理论

小波分析是一种全新的、当前热点研究的数学应用分支之一。它被认为是泛函分析、Fourier 分析、样条分析、调合分析和数值分析的最完美结合,其应用极为广泛。如何把小波理论应用于遥感数据处理是近年来遥感发展的方向之一。在遥感图像分类中,小波变换一般用来提取图像中的纹理特征,SAR 图像的二维正交方向小波分解可得一系列代表不同尺度、不同方向纹理信息的图像。如胡召玲等作了基于小波纹理信息提取的SAR 遥感图像分类技术研究,取得了很好的分类效果[2]。

2.2　分形理论

在图形图像学中,分形理论可以模拟自然景物。利用分形维数来描述图像的纹理特征,能在一定程度上定量地度量各类物体的粗糙度。不同纹理结构具有不同的分形维数,在纹理细密处,灰度起伏较大,分维值也较大;在纹理平滑处,灰度变化平缓,分维值较小。范湘涛利用从SAR 图像上提取的分维维数特征进行了广东肇庆地区的水稻精细分类,发现在掺入分维计算的常数项作为纹理参量时,分类结果得到了大大改善,特别是草地与道路被截然分开,水稻与道路的区别也得到增强。从检测的样区可以看出,平均分类精度从86.66%增大到96.

19%[3]。由此看来,增加分形纹理参量对土地利用分类有着明显的效果。

2.3　模糊理论

混合像元是分类过程中经常遇到的问题。模糊理论是解决混合像元问题的方法之一。1993年,Helene Caillol 等利用模糊随机场进行统计非监督图像分割,他引进新的模糊模型,把分类像元分为两部分,一部分为“硬”部,即纯像元;另一部分为“模糊”部,用来描述混合像元[12]

。应用模糊理论进行遥感图像分类的成功实践还有许多,如Du 和Lee 应用模糊理论进行了分类实验,并取得了良好的效果[4]。3　设计新算法

随着遥感技术的飞速发展,新的分类算法也不断涌现。这些算法从结构、理论及特征等方面都有创新。

3.1　分层算法

对于遥感图像来说,具体的模式类是复杂多样的。任何一个模式划分界面一次性地划分某个模式类都难以获得很高的分类精度。因此,许多研究者都把目光转向对复杂的模式类采用多次划分的方法。这种方法的最大好处就是可以针对不同的模式类设计不同的模式划分界面,从而大大提高模式划分的精度。近年来,在遥感图像分类中广泛采用的决策树就属于分层算法。由于最大似然法的优势,分层分类算法中采用最大似然法的有许多。当然,还有其它一些分层算法,如王翠珍的多级分类树算法[13]。

·4· 国　土　资　源　遥　感2001年

3.2　改进的最大似然法

如果把分类算法划分为单一算法和复合算法的话,从理论上讲,最大似然法是单一算法中效果最好的,正因如此,许多研究者致力于改进最大似然法,使之能够满足各种分类需求,从而使最大似然分类法日臻完善。

由于各类地物先验概率较难确定,因此,在许多情况下,各类地物的先验概率假定是相等的,但实际情况并非如此。为了解决这个问题,国内外学者想出了许多方法,如Peng Gong 等人提出的概率松弛法就是一个典型代表。概率松弛法一般是先用比较简单的算法对图像进行分类,然后以这些分类结果估计各类的先验概率,最后再用最大似然法对图像进行分类。Peng Gong 等人对这种概率松弛法进行了改造:第一,计算像元类概率时,不需要全部类概率参与计算,只有少数几个大概率参与计算即可,其余小概率均设为零;第二,设定一个概率阈值,如果超过这一阈值,该像元直接分配类别号,不再更新其类别概率;第三,邻域像元的影响权值

不相等,像元概率越小,其模糊度越大,则影响权值越小[14]。另外,为了突破最大似然法一次

划分模式类的限制,提高分类精度,许多复合算法都是以最大似然法为基础构造的[5]。

3.3　上下文分类法

经典的数字遥感图像分类都是基于像元的,即,要判断一个像元属于哪一类,完全依据该像元自身的信息,不考虑其周边像元的信息。由于地物分布具有一定的连续性,所以,遥感图像相邻像元之间存在一定的相关性,故相邻像元能提供有利于分类的参考信息。基于此,考虑相邻像元信息的分类算法———上下文分类法被发展起来。研究上下文分类的实例有许多,如Pierce 利用上下文分类法对极化SAR 数据进行了分类,取得了很好的分类结果[15]。

3.4　人工神经网络分类法

神经网络是近年来的研究热点,它在模式识别领域有着广泛的应用。由于人工神经网络从一开始就刻意模仿人的学习能力,它不需要基于任何分布假设,可以很容易综合考虑各种信息,分类精度也较高,因此,它一出现便受到了广泛的欢迎并应用于遥感图像分类中。

由于这种分类算法的优点和SAR 图像自身的特殊性,它是SAR 图像分类中适应性极强、分类效果较好且最为常用的算法之一,特别适合于多通道特征信息的SAR 数据与其它遥感数据复合使用进行分类的情况,而且这种方案用于雷达图像自动模式识别也很有潜力。当然,利用神经网络进行分类存在速度慢,且难于收敛的缺点,因此,对它进行改进以及发展训练及分类速度更快、分类精度更高的神经网络分类方法,具有重要的意义。如刘浩利用改进的学习矢量量化神经网络进行SAR 图像分类,取得了比最大似然法更好的分类精度[6]。

3.5　空间分类信息融合法

在遥感图像分类过程中,会出现单独利用任何一种算法的分类结果都不理想的情况。针对这种情况,迫切需要发展一种能够综合多种分类结果的分类算法。由于这种算法是基于空间位置,并综合了多个分类算法的分类信息,从而决定像元属于哪一类,因此,可以认为是一种空间分类信息融合法。如Van Zy l 等提出了一种基于马尔可夫随机场的贝叶斯技术用于分类图像的融合,取得了较好的分类结果[16]。

4　结论与展望(1)遥感图像分类直接着眼于对地物类别的精确区分,它给目视解译提供的是定量信息。·

5·第3期谭衢霖等:　雷达遥感图像分类新技术发展研究

精确的定量分类信息是遥感估产、森林面积制图、灾害损失评估、土地利用分类等成功与否的关键,是实现定量化遥感的关键技术之一。

(2)为提高雷达遥感图像的分类精度,新的分类技术正朝着采用新特征(如雷达极化信息与干涉信息、多参数极化干涉信息、多时相信息、DEM 与地理信息等),应用新理论(小波理论、分形理论、模糊理论等),设计新算法(如改进的最大似然法、上下文分类法、改进的高阶神经网络分类算法等)的方向发展。

(3)可以预见,随着雷达遥感获得目标信息的越来越多、越来越全面,新的算法、新的理论的不断应用,再结合其他辅助信息与特征,雷达遥感图像的分类精度必将得到极大的提高。参考文献

[1]　Hel lmann M ,Cloude S R ,Papathanassiou K P .Classification Using Polarimetric and In terferometric SAR Data [C ].IEEE

IGARSS '97,1997:1411-1413.

[2]　胡召玲,郭达志,盛业华.基于小波纹理信息的星载SAR 图像分类研究[J ].遥感信息,2000,(4):21-23.

[3]　范湘涛.雷达和TM 数据分析与分形研究———以塔西北新构造和肇庆植被识别为例[D ].南京:南京大学地球科学系博

士学位论文,1999.

[4]　Du L ,Lee J S .Fussy C l ass ification of Earth Terrain Covers Us ing Complex Polarimetric S AR Data [J ].International Journal

of Remote Sensing ,1996,17(4):809-826.

[5]　Lee J S ,Grunes M R ,Kw ok R .Classification of M ulti -l ook Polarimetric SAR Imagery Based on Complex W ishart Distri -

bution [J ].International Jou rnal of Remote S ensing ,1994,15(11):2299-2311.

[6]　Liu Hao ,Shao Yun .An Improved Learning Vector Quantization Neu ral Netw ork for Land Cover Classification with M ulti _

temporal Radarsat Images [C ].IEEE IGRAS S '98,1998,1787-1789.

[7]　S hao Y ,Guo H D ,Liu H ,Brisco B .M ultifrequency ,M ulti -polarization GlobeSAR Data for Land Use M apping [C ].Pro -

ceedings of the First As ia Regional Gl obeSAR Regional Workshop ,1994,32-45.

[8]　W ang Cuizhen ,Guo Huadong .Lithological Classification of Polarimetric SAR Data w ith Target Decompos ition M ethod [J ].

Journal of Remote Sens ing ,2000,4(3):219-223.

[9]　Tazio Strozzi ,Patrik B G Dammert ,Urs Wegmuller ,et al .Landuse M apping with E R S SAR Interferometry [J ].IEEE

Transactions on Geoscience and Remote S ensing ,2000,38(2):766-775.

[10]Hirosaw a H .Degree of Polarization of Radar Backscatters from M ixed Target [J ].IEEE T rans actions on Geoscience and Re -

mote Sensing ,1997,35(2):466-470.

[11]刘浩,邵芸,王翠珍.多时相Radars at 数据在中国南方水稻分类中的应用[J ].国土资源遥感,1997,(4):1-6.

[12]Helne Caillol .Fuzzy R andom Fields and Uns upevised Image Segmentation [J ].IEEE T rans actions on Geoscience and Remote

Sensing ,1993,31(4):801-810.

[13]王翠珍.极化SAR 数据分析与目标信息提取[D ].北京:中国科学院遥感应用研究所博士学位论文,1999.

[14]Gong Peng .Performance Anal yses of Probabilistic Relaxation M ethods for Land -Cover Clas sification [J ].Remote Sens .

Environ .,1989,30:33-42.

[15]Pierce L E ,Ulaby F T ,S arabandi K ,Dobson M C .Knowledge -Bas ed Classification of Polarimetric SAR Images [J ].IEEE

Transactions on Geoscience and Remote S ensing ,1994,32(5):1081-1085.

[16]Van Zyl J J ,Burnette C E .Bayesian C l ass ification of Polarimetric SAR Images Using Adaptive a Priori Probabil ities [J ].In -

ternational Journal of Remote Sens ing ,1992,13(5):835-840.

·6· 国　土　资　源　遥　感2001年

A S TUDY ON THE DEVELOPMENT OF NEW CLASSIFICATION TEC HNOLOG Y FOR REDAR REMOTE SENSING IMAGERY

TAN Qu _lin ,SHAO Yun

(Laboratory of Remote Sensing I nformation Sciences ,Institute of Remote Sensing Application ,CAS .Beijing 100101,China )

A bstract :With more and more information acquired by radar remo te sensing the classification technology for radar imagery is heading tow ards high precision ,high correctness and rapidness due to the application of new algorithms ,theories ,ancillary inform ation and characteristics .In the paper ,the development of new classification technology for radar imagery is overview ed .To improve the precision and stability ,the authors consider that new characteristics (polarimetric and interferometric informatio n ,multi _tempo ral and geog raphic information etc .),new theories (like w avelet ,fractal and fuzzy theory etc .),and new designed algorithm s (such as improved max _likelihood ,contex t Classifier and neural netw ork classifier etc .)should be applied to the classifi -cation process of radar imagery .

Key words :Radar remote sensing ;Imagery classification ;PolSA R information ;INSAR info rma -tion

第一作者简介:谭衢霖(1975-),男,博士生,主要研究方向为雷达遥感与GI S 应用。

(责任编辑:刁淑娟)

书　评

《基于“3S ”的森林资源定量估测—原理、方法、应用及软件实现》一书是由中国林业科学研究院资源信息研究所赵宪文研究员及其学生所著,该书已于2001年5月底由中国科学技术出版社出版。

全书共分10章,第1章绪论对森林资源估测进行了回顾,分析了“3S ”技术用于森林资源估测的可能性、必然性及将来带来的产业变革。第2章提出了用“3S ”技术进行森林总蓄积及郁闭度估测的基本思想、方法及存在的问题。第3章针对第2章提出的问题,采用岭估计及稳健估计进行郁闭度及蓄积估测。第4章系统分析了遥感图像几何精校正对蓄积估测的影响规律,提出在实际工作中应怎样选择适合的遥感区域大小,论述了GPS 定位技术在森林资源估测中的应用。第5章提出采用分形几何方法提高面积估计精度的思想。第6、7章实用神经网络研究森林总蓄积估测及落实到地段的蓄积估测。第8章详细分析了“3S ”面临的热点问题及在林业中应用的发展趋势。第9章在总结前面各章的基础上,提出采用“3S ”技术替代传统方法进行森林资源调查,并给出相应的规程建议。第10章为森林资源估测软件及相应的源代码。

全书以“3S ”技术进行森林资源定量估测为主线,解决了影响蓄积估测变量的设置、变量的有效获取、地面样地在遥感图像上配准、变量的优选、遥感和GI S 因子的作用、最低地面调查工作量的确定等问题,提出了提高森林面积估计的新思路。每种方法都有算例,可重复性、可操作性强。对森林资源监测实际工作具有重要的指导意义。本书适于林学、农学、地学及相关专业的科研人员、高等院校师生及生产部门参考。(中国林业科学研究院　斯　林)·7·第3期谭衢霖等:　雷达遥感图像分类新技术发展研究

遥感图像分类方法综述

龙源期刊网 https://www.wendangku.net/doc/4a4733414.html, 遥感图像分类方法综述 作者：胡伟强鹿艳晶 来源：《中小企业管理与科技·下旬刊》2015年第08期 摘要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结， 对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。 关键词：遥感图像；监督分类；分类精度 1 概述 遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。 2 传统遥感图像分类方法 2.1 非监督分类方法 非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。 2.2 监督分类方法 对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification，MLC）、最小距离分类、K-近邻分类等。 3 基于新理论的遥感图像分类方法 3.1 基于人工神经网络的遥感图像分类 在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其

遥感影像分类envi

遥感课程教学实验之二： 遥感影像分类 实验二遥感影像的分类遥感影像的监督分类 ?实验目的

理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件 电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色 影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采 集的窗口类型，用Zoom（缩放窗口）进行采集。。

4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域 被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元 像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。

6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。 设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。 要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每 个类别重复该步骤。 最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。 点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结

遥感图像几种分类方法的比较

摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

遥感图像分类方法研究综述

第2期,总第64期国　土　资　源　遥　感No.2,2005　2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005　 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明　650092;2.云南省寄生虫病防治所,思茅　665000; 3.云南开远市第一中学,开远　661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751　文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0　引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1　遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分 现象,导致分类精度不高[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2　基于统计分析的遥感图像分类方法 2.1　监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。

遥感影像的分类处理

摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

遥感图像分类

实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)

遥感影像云识别方法综述

遥感影像云识别方法综述 国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。 1. 基于光谱特征的方法： 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。 算法主要由有五部分组成： （1）单一红外图像的空间对比试验。 （2）三个连续红处图像的时间对比试验。 （3）可见光和红外图像的空间/时间的累计统计合成。 （4）每5天的可见光和红处辐射的晴空合成。 （5）每个像元的可见光和红外辐射阈值勤的选取。 APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。

遥感图像分类后处理

遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。 因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；

三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。

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：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：遥感图像；图像分类；分类方法 1 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 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 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

遥感影像中建筑物提取研究综述

基于遥感影像的建筑物提取研究方法综述 摘要：遥感影像上建筑物提取的基础理论研究始于20世纪80年代，随着遥感技术的不断进步，遥感影像的分辨率及精确度越来越高以及快速发展的城市在城市空间数据库方面的巨大要求。现在城市空间数据库需要对数据快速获取更新，又因为遥感影像本身具有的现时性，更新速度快的特点。在城市空间数据库的更新、城市动态监测、城市变化监测以及“智慧城市”建设等方面有着重要的使用价值。本文介绍基于不同遥感影像提取建筑物的基本方法和几个发展趋势。主要包括SAR图像，LIDAR点云数据，高光谱影像，航空影像等多种源数据不同的提取方法，以及不同数据来源的优缺点。同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。 1.引言 城市地区的遥感影像中，超过8成的目标是建筑物和道路，所以对建筑物和道路的识别和提取式遥感影像地物提取的主要研究方向，除道路和建筑物以外，剩下的大部分都是植被，在城市中绿地的面积占了一定的比例，在建筑物的提取中，建筑物在遥感影像中容易受到植被的干扰，如何高效率、高质量的剔除植被对建筑物的影响成了建筑物提取的关键。进行建筑物提取的主要应用有城区自动提取、 地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等诸多方面，如何实现建筑物的快速、高精度、自动化提取成为目前的研究热点。目前对绿地和水体的自动提取已经比较成熟，而道路和建筑物由于其自身的复杂性导致自动提取困难，本文主要提出了目前遥感影像建筑物提取研究的热点及其发展趋势。 2.建筑物提取的历史发展 快速准确地获取不同类型城市建筑的空间位置、形状等信息具有极其重要的意义，在城市规划、城市动态监测、城市三维建模、地形图更新、地籍调查等方面有广泛的应用。目前，对自动建立城市三维模型和实现城市虚拟现实的需求越来越多，利用大比例尺航空影像获取城市建筑物的三维几何信息和表面纹理，是实现“三维城市”建模的有效途径之一。 到目前为止，利用高分辨率航空相片或卫星影像提取建筑物等人工地物信息的方法大体分为两类：其一，利用图像信息结合高程信息进行建筑物信息提取，因为城市里的建筑物有一定的高度信息，通过建筑物与周围环境（地面）之间的高差进行屋顶边界的提取，这种方法大多需要一定的辅助数据如DEM、DSM等一类具有地物高程数据的影像。其二，利用高空间分辨率遥感影像数据结合计算

遥感图像分类方法_文献综述

遥感图像分类方法研究综述 摘要 本文概述了遥感图像分类的概念和原理，详细探讨了传统的遥感分类方法，对各种方法的进行了定性的比较与分析。然后介绍了分别基于GPU、计算机集群和刀片机服务器的三种加快分类速度的途径，最后展望了遥感图像分类方法的发展方向和研究热点。 关键词：遥感；图像分类；监督分类；非监督分类；GPU；机群系统；刀片机 1．引言 在遥感图像处理的研究中，无论是专业信息提取，地物变化预测，还是专题地图制作等都离不开分类。遥感图像分类有类别多，混合度大和计算量大的特点，分类方法的优劣直接关系到分类的精度和速度。由于遥感图像本身的空间分辨率以及“同物异谱”和“异物同谱”现象的存在，往往出现较多的错分、漏分现象，导致分类精度不高[1]，如何实现图像分类识别并满足一定的分类精度，是当前遥感图像研究中的一个关键问题, 也是研究的焦点[2]。 2．遥感图像分类原理 遥感图像通过亮度值或像素值的高低差异及空间变化表示不同地物的差异，如不同类型的植被、土壤、建筑物及水体等，这也是区分不同地物的理论依据。利用光谱特征（地物电磁波辐射的多波段测量值）或纹理等空间结构特征，按照某种规则就能对地物在遥感图像上的信息进行识别与分类。图像分类的目标就是通过对各类地物波谱特征的分析选择特征参数，将特征空间划分为不相重叠的子空间，进而把影像诸像元划分到各子空间去，从而实现分类[3]。 3．传统分类方法 遥感影像的计算机分类方法可分为两种：统计判决分类和句法模式识别。前者通过对研究对象进行大量的统计分析, 抽出反映模式的本质特点、特征而进行识别。后者则需要了解图像结构信息, 从而对其进行分类。传统的分类方法一般为统计判决分类, 如最大似然法、K均值法等。近年来发展的分类新方法则多采用句法方法, 如专家系统法和决策树分类法等。 根据是否已知训练样本的分类数据，统计模式方法可分为监督分类、非监督分类。下面将具体介绍监督分类、非监督分类以及其它分类（如模糊分类和人工神经网络分类）的典型算法及其主要步骤。 3.1 监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,把图像中的各个像元点划归到各个给定类[4-7]。常用的监督分类方法有最小距离分类、平行六面体分类、最大似然分类等。主要步骤包括：（1）选择特征波段；（2）选择训练区；（3）选择或构造训练分类器；（4)对分类精度进行评价。 3.1.1 最小距离分类 最小距离分类的基本思想是按照距离判决函数计算象素点与每一个聚类中心的光谱距离，将该像素点归到距离最近的类别。该分类方法的距离判决函数是建立在欧氏距离的基础上的，公式如下：

envi遥感图像监督分类

envi遥感图像监督分类 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。

图像分类

第六章图像分类 遥感图像分类就是利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得客观的地物信息的过程。一般的分类方法可分为两种：监督分类与非监督分类。将多源数据应用于图像分类中，发展了基于专家知识的决策树分类。 4.1 非监督分类 非监督分类是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（遥感影像地物的光谱特征的分布规律），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。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。主要有两方法：ISODATA分类与K-Means 分类。 4.1.1 ISODATA分类 ISODATA是一种遥感图像非监督分类法。全称“迭代自组织数据分析技术”（Iterative Self-Organizing Data Analysis Technique）。ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心作为初始类别的“种子”，依据某个判别规则进行自动迭代聚类的过程。在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。操作步骤如下：（1）在主菜单中，选择File→Open Image File，打开待分类图像； （2）在主菜单中，选择Classification→Unsupervised→ISOData； （3）在Classification Input File选择分类的图像文件； （4）在ISODATA Parameters窗口中设置分类参数以及输出路径和文件名（图4-1）； 图4-1 ISODATA分类参数设置

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台

上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要

envi遥感图像处理之分类

ENVI遥感图像处理之计算机分类 一、非监督分类 1、K—均值分类算法 步骤：1）打开待分类的遥感影像数据 2）依次打开：ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框 3）选择待分类的数据文件 4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置

5）建立光谱类和地物类之间的联系：在新窗口中显示分类结果图： 然后，打开显示窗口菜单栏Tools菜单—>Color Mapping—>Class Color Mapping…进入分类结果的属性设置对话框，在这里，可以进行类别的名称，显示的颜色等，建立了光谱类和地物类之间的联系。 设置完成以后，点击菜单栏Options—>Save Changes 即完成光谱类与地物类联系的确立6）类的合并问题：如果分出的类中，有一些需要进行合并，可按以下步骤进行：选择ENVI主菜单Classfaction—>Post Classfiction—>Combine Classes，进入待合并分类结果数据的选择对话框

点击OK键，进入合并参数设置对话框，在左边选择要合并的类，在右边选择合并后的类，点击Add Combination 键即完成一组合并的设置，如此反复，对其他需合并的类进行此项操作，点击OK，出现输出文件对话框，选择输出方式，即完成了类的合并的操作。 至此，K—均值分类的方法结束。 2、ISODATA算法 基本操作与K—均值分类相似。 1）进行分类数据文件的选择（依次打开：ENVI主菜单栏—>Classification—>Unsupervised —>IsoData即进入ISODA TA算法分类数据文件选择对话框，选择待分类的数据文件）2）进行分类的相关参数的设置（点击OK键以后，进入参数设置对话框，可以进行分类的 最大最小类数、迭代次数等 参数的设置）

遥感图像的分类实验报告

一、实验名称 遥感图像的监督分类与非监督分类 二、实验目的 理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。 三、实验原理 监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。 非监督分类：也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。 四、数据来源 本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM 第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度： 38.90407 中心经度：113.11840。

鉴于实验内容及图像大小等问题，故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。 五、实验过程 1.监督分类 1.1打开并显示影像文件，选择合适的波段组合加载影像 打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。 1.2使用感兴趣区（ROI）工具来选择训练样区 1）主影像窗口菜单栏中，选择 Overlay >Region of Interest。出现ROI Tool对话框，