卫星遥感图像的分类

卫星遥感图像的分类（通用8篇）

卫星遥感图像的分类 篇1

0 引言

随着数字图像处理技术的发展和实际应用的需求, 遥感图像的目标提取、图像识别成为遥感图像处理中的重要内容。很多人在研究利用各种识别技术来分析卫星云图中的云系和台风, 但很少有人利用卫星遥感图像来研究土地类型。因此, 本文选择对沙漠、山脉进行识别研究。期望能通过本文的研究找到一个既简单又有效的识别方法来快速地识别出土地类型。

现今, 土壤沙漠化已是一个十分严重的环境问题, 引起了全世界的关注。由此可见, 如何利用卫星遥感技术来迅速的分析识别沙漠, 对土地资源、环境进行有效的监测具有重要的意义。因此, 通过本文的研究, 能够准确的识别出沙漠的土地类型对研究土壤沙漠化有很重要的意义。

1 分析步骤

遥感图像分析包括图像数据的获取, 识别算法的选择和实现, 以及算法的比较。具体如图1所示:

本文主要采用基于灰度共生矩阵的纹理识别方法, 另外则采用其它的一些识别方法与之作比较, 作出结论。

2数据的获取

本文借助网络平台从“ENVISAT卫星雷达数据共享项目”网站上下载数据。

下载的卫星遥感数据的数据类型为Envisat Asar, 不能直接用于图像处理, 需要进一步的格式转换。用软件EnviView4.2将下载的数据格式转换为以.bmp, .jpg, .tif等的扩展名才能被MATLAB打开使用。本文均将图片转换为.bmp格式的图片。由于下载的图像通常多大几百兆, 处理起来非常复杂, 本文只截取图中一部分进行处理。

3图像识别

图像对我们来说是很熟悉的, 它们反映了物体表面颜色和灰度的某种变化, 而这些变化又与物体本身的属性有关。例如在遥感图像中, 沙漠图像的灰度空间分布性质与山脉图像的灰度分布性质有着显著的差异。此外, 一些物体表面可能具有与方向相关的纹理信息。通常把图像灰度分布性质或图像表面呈现出的方向信息称为纹理结构, 它有助于区别不同的图像区域。

本文主要介绍了基于灰度共生矩阵的纹理识别和其它几种识别方法。选取两种土地利用类型进行识别, 分别如:图2沙漠、图3山脉。

3.1直方图统计法识别

统计法指诸如平滑、粗糙、颗粒等纹理的特征描述, 是基于图像灰度直方图的特性来描述纹理。最简单的方法之一就是使用一幅图像或区域灰度级直方图的统计矩。令z为一个代表灰度级的随机变量, 并且令p (zi) , i=0, 1, 2…, L-1, 为对应的直方图, 这里L是可区分的灰度级数。则, 关于z的灰度均值为m的第n阶矩为:

选取基于灰度直方图的四个纹理量度进行分析, 分别是:平滑度, 标准差, 一致性和平均熵值量度。

本文选取两种土地利用类型进行识别, 分别如:图4沙漠, 图5山脉, 得到直方图如下:

得到基于灰度直方图的纹理量度, 如表1所示:

由直方图和纹理量度值可以看出其它的土地类型与沙漠和山脉的直方图及纹理度量值具有较大差异, 可以方便地识别出沙漠和山脉。

如果限定对象, 则采用基于灰度直方图的纹理量度法也能够识别纹理。但是灰度直方图不能得到纹理的二维变化, 不具有像素之间相对位置的信息而受到限制。即使作为一般性的纹理识别方法, 其能力也是很低的。

3.2傅立叶功率谱分析法

对于一幅M*N的图像, 其二维傅立叶变换如下:

x=0y=0其中, u=0, 1, …, M-1;v=0, 1, …, N。

f (x, y) 是一幅图像, F (, u, v) 是它的变换普。一般图像信号f (x, y) 总是实数, 但其傅立叶变换F (, u, v) 通常是复变函数, 可以写成

F (u, v) =R (u, v) +jI (u, v) (3)

其中傅立叶功率谱:

|F (u, v) |=[R2 (u, v) +I2 (u, v) ]1/2 (4)

取沙漠和山脉样本进行傅立叶变换, 分别得到傅立叶频谱和相位普。具体如下图:

对一个给定的图像, 二维傅立叶变换显然能包含全部的纹理信息。因此, 如同从物体本身导出纹理特征一样, 从功率谱导出也是很有用的。从图6和图7的功率谱图很容易可以区别出沙漠和山脉。

3.3基于灰度共生矩阵的纹理识别

但是, 由于傅立叶变换本身所具有的性质如平移性、旋转性等, 使得同一幅图譬如沙漠的图只是平移或旋转后它的变换谱就改变了。因此很难单一地从图像的功率谱图来识别沙漠和山脉, 识别率非常低。

图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息, 它是分析图像局部模式结构及其排列规则的基础。作为纹理分析的特征量, 往往不是直接应用计算的灰度共生矩阵, 而是在灰度共生矩阵〗的基础上再提取纹理特征量, 称为二次统计量。

统计灰度共生矩阵纹理分析方法是人们研究图像纹理特征的一个有力手段。灰度共生矩阵有15个“特征参数”。根据其各自的意义和实验效果选用4个:

(1) 角二阶矩 (能量)

它是灰度共生矩阵元素值的平方和, 反映了图像灰度分布均匀程度和纹理粗细度。当共生矩阵中元素集中分布时, 角二阶矩值较大。

(2) 惯性矩

ij惯性矩即对比度, 反映了图像的清晰度和纹理沟纹深浅的程度。纹理的沟纹深, 对比值大, 效果清晰;反之, 对比值小, 则沟纹浅, 效果模糊。

(3) 相关性

相关值大小反映了图像中局部灰度相关性。当一幅图像中相似的纹理区域有某种方向性时, 其值较大。

(4) 熵

熵是图像所具有的信息量的度量。若图像充满着细纹理, 则该图像的熵值最大;若图像中分布着较少的纹理, 则该图像的熵值较小。

本文选取两种土地利用类型进行识别, 分别是:图2沙漠, 图3山脉。在进行识别分析之前, 首先需要获得不同土地类型的纹理特征参数的参考值。从卫星遥感图像中选择沙漠和山脉各6个样本, 组成样本集, 选择窗口为32*32, 灰度级定位16级, 像元间的距离定位d=1。应用MATLAB编程提取特征值, 经过计算获得沙漠和山脉每个样本的能量, 熵, 惯性矩, 相关性及逆差矩关于θ方向的平均值。对以上样本的特征值进行总结, 给出各特征值的变化范围, 如表2所示:

可见沙漠和山脉的纹理特征明显不同。沙漠的能量小于山脉的值, 说明沙漠包含了较多的细纹理, 即细纹理包含的能量较少。沙漠的惯性矩大雨山脉的值, 说明沙漠的纹理沟纹较深, 图像的视觉效果较清晰。沙漠的熵值最大, 说明沙漠包含了较多的细纹里。

3.4识别算法比较

通过大量试验, 可以看出利用傅立叶功率谱识别法很难单一地从图像的功率谱图来识别沙漠和山脉。识别率最低;如果限定对象, 则采用基于灰度直方图的纹理量度法也能够识别纹理。但是灰度直方图不能得到纹理的二维变化, 不具有像素之间相对位置的信息而受到限制, 其能力也是很低的。用灰度共生矩阵提取特征能很好地表现纹理, 利用这些特征进行识别取得了良好的效果, 是一种经典而且简单有效的识别纹理的方法。

4结束语

由于沙漠和山脉的纹理较接近, 因此识别起来较困难, 本文试图用多种方法进行识别, 最后通过试验发现, 基于灰度共生矩阵的识别方法对于识别卫星遥感图像的土地类型效果较好, 识别率较高。相信结合卫星遥感图像对于今后识别其他土地类型是一个很好的向导作用, 同时通过本文的识别方法对于研究土壤沙漠化也有很大辅助作用, 有很好的应用前景。

摘要：卫星遥感图像的识别技术是遥感图像处理中一个重要的研究领域, 并在实践中大量应用。为了利用卫星遥感图像识别沙漠和山脉, 选用了不同的方法进行分析。通过对基于直方图统计法的识别、傅立叶功率谱的识别以及基于灰度共生矩阵的纹理识别法的特点和识别效果进行比较, 得出基于灰度共生矩阵地识别法是一种简单有效的算法。能够准确的识别出土地类型, 对研究土壤沙漠化有很重要的意义, 有很好的应用前景。

关键词：卫星遥感,纹理分析,特征提取,沙漠,山脉

参考文献

[1]傅德胜, 寿亦禾.图形图像处理学[M].南京:东南大学出版社, 2002.

[2]张宏林.VisvalC++数字图像模式识别技术及工程实践[M].北京:人民邮电出版社, 2003.

[3]贾永红.数字图像处理[M].武汉:武汉大学出版社, 2003.

[4]汪黎明.织物褶皱纹理灰度共生矩阵分析[J].青岛大学学报, 2003 (4) .

[5]BARALDI A, PARMIGGIAN F.An investigation of the texturecharacteristics associated with gray 1evel co-occurrence matrix sta-tistical parameters[J].IEEE Transaction on Geoscienceand and Re-mote Sensing, 1995 (2) .

[6]缪绍纲.数字图像处理———活用MATLAB[M].成都:西南交通大学出版社, 2001.

卫星遥感图像的分类 篇2

针对传统遥感图像分类方法缺乏考虑空间自相关性、分类模糊性以及分类误差的空间表达的缺点,采用顾及空间数据的空间自相关性和分类模糊性的邻域EM算法进行多光谱遥感图像分类.构建了四个不确定性度量指标-模糊隶属度残差、相对模糊隶属度最大离差、模糊隶属度熵和相对模糊隶属度熵对其分类的`不确定性进行度量和可视化表达,克服了采用误差矩阵和Kappa系数进行传统遥感图像分类精度评价缺乏空间信息分布的不足.

作 者：何彬彬 方涛 郭达志 HE Bin-bin FANG Tao GUO Da-zhi 作者单位：何彬彬,HE Bin-bin(电子科技大学地表空间信息技术研究所,成都,610054)

方涛,FANG Tao(上海交通大学图像处理与模式识别研究,上海,30)

郭达志,GUO Da-zhi(中国矿业大学环境与测绘学院,徐州,221008)

卫星遥感图像的分类 篇3

1 判读任务及精度要求

目视判读所用的卫星遥感图像为宁夏林科院森林资源监测中心处理的五万分之一卫星遥感图像, 图像分为5个景幅, 即拍摄时间为2005年8月11日 (1幅) 、2005年6月14日 (4幅) 、2002年8月30日 (4幅) 、2005年8月26日 (2幅) 、2004年1月7日 (2幅) 。原州区森林资源二类清查工作的任务:一是根据行政区划图将原州区14个乡镇18个国营林场229个行政村1个街道办事处的行政区划界准确转绘到SPOT5影像图上, 并拓扑出全区总面积及各乡镇的面积;二是依据县—乡 (镇、林场) —行政村—林班行政区划系统及经营区划原则, 在影像图上按土地类型、森林类别将全区所有面积区划到林班, 按照从上到下、从左到右的顺序以行政村为单元对林班进行布点编号, 然后拓扑出各林班面积;三是依据小班区划原则在SPOT5影像图上进行小班区划, 对区划的所有小班以林班为单元进行编号, 并拓扑出各小班面积;四是根据SPOT5影像图对区划的小班进行目视判读并填写小班因子表;五是采用典型抽样的方法进行小班目视判读外业实地验证;六是采用角规绕测、落叶松样地回归估测、样方调查、每木检尺等方法对区划的所有有 (疏) 林地、林带、四旁树、城镇绿化树、散生木等蓄积进行实地调查。

固原市原州区乡镇 (林场) 林班、小班的区划工作, 区划出林班1 639个, 小班31 805个;3—7月进行了小班蓄积量回归估测、小班蓄积实地调查, 对区划的有 (疏) 林地、四旁树、林带、散生木进行蓄积量调查, 共验证小班数1 590个 (占原州区区划小班总数的5%) ;调查有 (疏) 林地小班数830个 (占原州区区划有疏林地小班数的100%) ;调查四旁树户数为126户 (按每个乡镇抽查3个行政村, 每个行政村分不同自然村抽查3户的方法进行抽查) ;8—9月进行了质量五级自查, 并通过了西北院及自治区森林资源调查设计院的验收。

2 判读步骤与方法

2.1 准备工作

准备1∶5万地形图, 森林资源二类调查资源现状图、规划图、收集航片、卫片、有关文字数据资料等, 及其他一些必备用具。为搞好目视判读, 提高判读精度, 专门成立了10名林业工程师以上专业技术人员遥感判读工作小组, 每人配备1个工作台、1台电脑, 并且聘请了西北院的教授现地进行了7天的全面培训。

2.2 建立目视判读解译标志

遥感图像目视判读的基础是目视判读解译标志。因此, 为了选择适宜的地类踏查路线, 必须仔细分析卫星图像特征, 以便熟悉图像上地物的形状、色调、结构、大小、位置、阴影、纹理以及分布特征等。在野外踏查过程中, 利用GPS定位系统, 通过实地现状识别遥感图像, 建立起直观的影像特征和地面实况的对应关系[1]。

2.3 解译标志的归类分析

在野外踏查结束后, 归类、分析、汇总踏查结果, 熟悉卫星影像图上不同地类的表现特征, 依据影像和地物间的对应关系以及辅助信息, 建立遥感影像图上反映的结构、形状、位置、大小、色调、阴影、纹理以及分布特征等与判读因子的相关关系, 形成判读标准, 建立目视判读标志特征表[1]。

2.4 初试判读和正判率考核

在识别各类型判读标志的基础上, 选取50个判读样地, 对每个判读人员进行培训试判读, 使每名判读人员识别50个样地类型的正判率达到95%以上, 方可作为正式判读员进行判读。达不到95%的, 经过错误分析和第2次考核, 直到判读人员正判率达到95%以上。同时, 通过试判读及错误分析, 进一步修正完善目视判读标志特征表[2,3,4]。

2.5 正式判读

判读人员通过判读考核后, 依据目视判读标志特征表, 正确理解和掌握图像以外的资料、分类定义、遥感成像时物体的状况, 综合分析图像要素, 遵循从已知到未知, 从整体到局部的原则, 在图像上进行目视判读, 并填写样点判读因子登记表[1]。

对于难以判读的部分, 可以参考地形图上的地物特征及二类调查森林资源现状图。采用双轨作业法, 以保证判读质量, 对同一幅卫星图像上的样点, 分别由2名判读人员进行判读登记, 判读一致率达95%以上为合格, 否则重新进行[1]。

3 判读结果与综合分析

判读结束后, 随机抽取20%的样点进行判读验证, 然后再随机抽取5%的样点到实地验证, 通过验证综合正判率达到95.7%。各地类正判率都达到精度要求, 其中湿地类型、水域的正判率达到100%。对系统性误判必须进行进一步判读, 以提高判读精度[1,4]。

经过对固原市原州区1 573个判读样点数据的汇总, 拓扑了各地类面积。与实地调查资源量相比, 利用卫星遥感图像判读估测森林资源状况的精度较高, 且省时、省力、省钱, 不仅了解林地的生产力、生产环境和宜林地, 而且能估算出林地蓄积量, 掌握了土地利用类型、龄组、湿地类型、森林资源分布、郁闭度、沙化类型及荒漠化类型。森林的采伐状况及灾害 (如生产性木材采伐, 改作它用的林地、烧荒地, 森林火灾、台风, 暴雨, 火山喷发, 雪崩、病虫害等) 、森林的环境公益功能、森林资源及其环境随时间的变化、森林管理等等都能在遥感图片上有所体现, 获取内容极为丰富。

4 存在的问题与建议

利用卫星遥感图像判读森林资源状况, 在目前应用过程中还存在一些问题。应用遥感卫星图像数据时的问题在于制作多高精度的森林分布图, 森林植被的内容能够解析到多细的程度, 这些都关系到精度问题;地形图和卫星遥感图象处理和相接上还存在偏差, 对这些问题正在进行着很多相关的研究, 以大幅度提高识别精度。

4.1 局限性

利用卫星遥感图像判读森林资源的状况目前还存在以下的几方面的局限性:一是用于目视判读的卫星遥感图像上的个别地物位置与实地存在少量位移;二是相同地物的颜色、光泽等在不同影像图幅上存在差异, 从而影响判读的质量;三是各地物地类通过建立解译标志判读较为容易, 但目前的技术尚无法判读林分生长状况以及经济林产品、产量情况等[1]。

4.2 个别地类判读误差较大

一是荒山荒地、农地、未利用地等地类的颜色、结构等特征, 与未成林造林地、灌木林地、疏林地等地类在影像图上差别太小, 难以掌握判读标准;二是有林地与非林业用地之间比较容易判读, 但有些图斑颜色非常接近的林种、树种, 有时同一个树种在不同地区或不同林龄又表现出不同的颜色, 故较难判读[1]。

4.3 人为主观因素的影响较大

目视判读解译标志是遥感图像目视判读的基础, 它的可靠性、准确性直接影响到判读的质量和精度。在建立和使用判读解译标志的过程中, 各地类的色彩、形态、结构等特征标准较难掌握, 受人为主观因素影响较大, 容易造成判读误差。建议在以后的应用中研究使用计算机判读, 减少人为误差, 提高判读精度。

5 前景分析

地球上的森林, 在各种气候带分布着与气候带特点相应的各种森林。森林一旦被伐掉或破坏, 其再生则需要漫长的岁月, 为了合理地保护和利用森林, 就需要在精心计划下进行合理管理。掌握有关森林资源的环境现状及其生态习性变化的综合信息, 对相互关联的各种现象进行分析, 就需要能够积累、存贮、检索、更新并易于将其转换成数字化信息的技术。卫星遥感技术有可能成为这样的技术的主体, 有助于准确、详实地了解现代林业发展动态[1]。

卫星遥感技术的应用具有如下优点:一是深化遥感技术在森林资源信息化中的应用, 可以为国家和原州区制订和调整林业发展与生态建设方针、政策提供科学依据, 有助于实现由传统林业向现代林业的转变;二是遥感森林资源调查的成果具有重要的应用价值和社会效益;三是利用已有的土地利用、林分监测数据、图件以及最新的卫星遥感信息, 采用卫星遥感技术对森林资源现状进行动态监测, 可以及时掌握森林资源消长的最新动态和变化趋势;四是在森林资源调查过程中采用卫星遥感技术可以节省人力、物力和财力, 最大程度减少了资源浪费[1]。

摘要：卫星遥感图像的目视判读, 作为获取林业地面信息的应用方法, 配合固原市原州区森林资源二类清查工作, 对该区森林资源分布、蓄积量、林地生产力、资源管理等都能在遥感图片上有所体现, 获取内容极为丰富, 提高了清查成果的准确性和可靠性。结合清查工作介绍判读任务及精度要求, 具体判读步骤及判读结果与综合分析, 并分析了利用卫星遥感图像判读森林资源状况存在的问题, 提出了发展前景。

关键词：卫星遥感图像,判读,GPS,森林

参考文献

[1]张芳, 李鑫, 陈佳楠.卫星遥感影像目视解译在森林资源调查中的应用分析[J].内蒙古林业调查设计, 2009, 32 (4) :72-73, 77.

[2]冯仲科, 余新晓.“3S”技术及其应用 (系列丛书) [M].北京:中国林业出版社, 1999.

[3]张建锋, 房义福.GIS在林业上的应用[J].山东林业科技, 1997 (5) :20-22.

遥感图像分类方法比较研究 篇4

1.遥感图像分类原理简介

遥感图像分类的理论依据是:遥感图像中的同类地物在相同的条件下 (纹理、地形、光照及植被覆盖等) , 应具有相同或相似的光谱信息特征和空间信息特征, 从而表现出同类地物的某种内在相似性, 即同类地物像素的特征向量将集群在同一特征空间区域; 而不同的地物其光谱信息和空间信息特征不同, 将集群在不同的特征空间区域。由于地物的成分、性质、分布情况的复杂性和成像条件, 以及一个像素或瞬时视场里往往有两种或多种地物的情况, 即混合像素, 使得同类地物的特征向量不尽相同, 而且使得不同地物类型的特征向量之间的差别不都是截然相反的。

遥感图像分类方法可分为非监督分类和监督分类。非监督分类是在没有先验类别知识的情况下, 根据图像本身的统计特征及自然点群的分布情况划分地物类别的分类处理, 它并不需要具体地物的已知知识, 可更好地获取目标数据内在的分布规律, 主要方法有:K均值分类 (K-means) 、ISODATA方法。

监督分类是一种常用的精度较高的统计判决分类, 它是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划归到各个给定类的分类方法。其主要步骤包括:选择特征波段;选择训练区;选择或构造训练分类器;对分类精度进行评价。主要方法有:平行六面体分类 (Parallelepiped) 、最小距离分类 (Minimum Distance) 、马氏距离分类 (Mahalanobis Distance) 、最大似然分类 (Maximum Likelihood) 、人工神经网络分类法等。

2.案例分析

本文以呼和浩特市地区7个波段组成的TM影像为原始数据, 以波段5、4、3模拟真彩色RGB合成, 选取凉城县岱海区域做分类实验, 以确定该区域土地覆盖应采取的分类方法。

2.1遥感影像的目视解译。

在利用ENVI进行监督分类之前, 首先在ArcGIS中进行遥感影像的矢量化操作, 利用目视解译画出各类地物的边界, 并统计其面积, 以此评定各种分类方法的分类精度。

2.2遥感图像的平行六面体法、最小距离法、马氏距离法、最大似然法分类。

采用ENVI软件监督分类模块进行平行六面体法、最小距离法、马氏距离法、最大似然法分类, 分类时训练区相同, 以比较不同分类方法的精度。分类后对原始分类图像进行聚类、过滤、去除后处理工作, 并采用总体分类精度、Kappa系数 (结果略) 评定分类精度, 发现最大似然法分类精度最高。图1~图4为四种方法原始与后处理分类图像。

2.3遥感图像的人工神经网络分类。

2.3.1在ENVI主菜单中 选择Classification→Supervised→Neural Net Classification, 弹出Classification Input File对话框, 选择分类影像shilianghua.tif。点击“OK”打开Neural Net Parame- ters对话框, 如图5所示。

2.3.2参数设置 :Select Classes from Regions:单击Select All Items按钮, 选择全部的训练样本。

Activation:选择活化函数。备选函数为对数 (Logistic) 和双曲线 (Hyperbolic) 函数, 此处选择对数函数;Training Threshold Contribution:输入训练贡献阈值 (0~1) 。该参数决定了与活化节点级别相关的内部权重的贡献量, 它用于调节节点内部权重的变化, 训练算法交互式地调整节点间的权重和节点阈值, 从而使输出层和响应误差达到最小。将该参数设置为0, 不会调整节点的内部权重, 适当调整节点的内部权重可以生成一幅较好的分类图像, 但是如果设置的权重太大, 对分类结果就会产生不良影响, 此值需多次试验选择;Training Rate:设置权重调节速度 (0~1) 。参数值越大则训练速度越快, 但也增加摆动或者使训练结果不收敛;Training Momentum: 输入一个0~1的值。该值大于0时, 在“Training Rate”文本框中键入较大值不会引起摆动, 该值越大, 训练的步幅越大, 该参数的作用是促使权重沿当前方向改变;Training RMS Exit Criteria: 指定RMS误差为何值时训练应该停止。RMS误差值在训练过程中将显示在图表中, 如图6所示。当该值小于输入值时, 即使没有达到迭代次数, 训练也会停止, 然后开始分类;Number of Hidden Layers:所用隐藏层的数量。要进行线性分类, 键入值为0 (没有隐藏层) , 不同的输入区域必须与一个单独的超平面线性分离。要进行非线性分类, 输入值应该大于或等于1, 当输入的区域并非线性分离或需要两个超平面才能区分类别时, 必须拥有至少一个隐藏层才能解决这个问题, 两个隐藏层用于区分输入空间, 空间中的不同要素不临近也不相连;Number of Training Iterations:输入用于训练的迭代次数。这里选默认值1000;Min Output Activation Threshold:输入一个最小输出活化阈值。如果被分类像元的活化值小于该阈值, 在输出的分类中, 该像元将被归入未分类 (unclassified) 中。

2.3.3输入文件输出路径 , 单击“OK”执行分类 , 分类结果如图7所示。

2.4五种遥感图像分类方法比较。

将目视解译、平行六面体、最小距离、马氏距离、最大似然及神经网络分类法统计的面积进行对比, 结果如图8所示。

将五种分类结果与目视解译的结果求差, 可看出神经网络分类结果与目视解译结果最为接近。差值图如图9所示。神经网络分类精度比最大似然法高, 且高于其他三种分类方法。

3.结语

如何提高遥感影像的分类精度, 一直是关注的热点。本文通过对五种监督分类方法的对比分析, 发现人工神经网络土地利用分类与实际情况最接近, 分类精度最高。最大似然法次之, 两者分类精度皆高于平行六面体、最小距离法、马氏距离法分类方法。

人工神经网络与传统分类方法相比, 有其明显优点。

一方面, 神经网络方法没有对数据分布特征的任何假设前提。它不考虑数据是正态分布或是不连续分布, 可以在特征空间上形成任意边界的决策面, 并在每次迭代过程中动态调节决策区域, 显示统计方法强大的稳定性和优越性。神经网络的监督分类和标准的统计监督分类非常相似。主要区别在于 训练和分类在实现的细节上。神经网络的训练过程和最大似然法计算均值和方差类似。所不同的是, 最大似然法的均值和方差只计算一次, 而神经网络法采用迭代算法, 直到计算结果和实际结果的差异满足要求。

另一方面, 神经网络方法是非线性的, 同传统分类方法相比较, 它可以处理复杂的数据集, 识别精细的模式, 且能利用多源数据, 将潜在的信息提取出来。

卫星遥感图像的分类 篇5

遥感技术是当前人类研究地球资源环境的一种主要技术方法,遥感图像的分类一直被从事地理信息研究人员所重视。早期的图像分类是依靠研究人员的目视,这种分类方法主要依靠个人经验,但存在着时效性差,容易受人为因素干扰等缺点20世纪90年代以来,人们将人工神经网络模型应用到遥感图像分类中并取得了很大的进展,但神经网络算法有其固有的缺点,如网络结构的确定尚无可靠的规则,易陷入局部极小等。为了提高遥感图像分类精度,有必要寻找一些新的遥感图像分类算法。

支持向量机作为一种新的也是有效的统计学习方法,近年来成为模式识别与机器学习领域一个新的研究热点。SVM具有小样本学习、抗噪声性能、学习效率高、推广性好等优点[1,2]。它根据Vapnik的结构风险最小化原则,由有限训练样本得到的决策规则对独立的测试集仍能够得到较小的误差。SVM算法是一个凸二次优化问题,能够找到的极值解就是全局最优解[3]。本文研究了基于支持向量机的遥感图像分类,建立了一种基于支持向量机的遥感图像分类模型,结果表明,该分类器具有一定的优势,是一种有效的遥感图像分类方法

1支持向量机

1.1线性和非线性

支持向量机的基本思想是将实际问题通过非线性变换将输入空间变换到一个高维的特征空间,然后在这个新的高维特征空间中构造线性判别函数来实现原空间中的非线性判别函数,求取最优分类超平面,该分类超平面不但能够将训练样本尽可能正确分类,而且使训练样本中离分类面最近的点到分类面的距离最大,即分类间隔最大[4]。

应用SVM理论对线性问题分析评估时,设给定训练集为{(x1,y1),…,(xi,yi)},其中xi∈Rn,yi∈{+1,-1}。假设该训练集可被一个超平面线性划分,该超平面记为:w·x+w0=0。其中w为权向量,w0为阈值。其中一类ω1中yi=+1,另一类ω2中y=-1,这个超平面方程为:

将许多超平面拟合成一个超平面使其将两个类分开,这个超平面优于其它任何一个超平面(见图1)。我们的目的就是在分类间隔中找到这个最优分类超平面,支持向量到超平面的距离叫做分离间隔,间隔等于,因此构造最优超平面使分类间隔最大问题转化为:

目标函数是严格上的凹的二次型,约束函数是下凹的,这是一个严格凸规划。按照最优化理论中凸二次规划的解法,可以把它转化为Wolfe对偶问题来求解。

构造Lagrange函数:

最终得到最优分类超平面判别函数为:

若训练集是线性不可分的,或之前不知道它是否线性可分情况下,我们可以引入非负松弛变量ξ,同时通过惩罚因子C来控制对错分样本惩罚的程度,此时分类间隔和约束条件转化为:

求解这个二次规划问题,最终推导所得的Wolfe对偶问题与线性可分的情况类似,唯一的区别是对加了一个上限限制

在非线性问题中,SVM采用映射方法解决非线性问题,即通过非线性变换将输入空间不可分问题转化为某个高维空间中的线性问题,在变换空间中求解最优分类面。只要满足Mercer条件的核函数K(xi·xj)就可以实现某一非线性变换后的线性

1.2 核函数

支持向量机的基本思想可以概括为:首先通过非线性变换将输人空间变换到一个高维空间,然后在这个新空间中求取最优线性分类面,而这种非线性变换是通过定义适当的内积函数实现的。常用的核函数有以下几种[5]:

(1) 线性核函数:K(xi,xj)=(xi·xj);

(2) 多项式形式内积函数:K(xi,xj)=(xi·xj+1)q;

(3) RBF函数:K(xi,xj)=exp(-γ‖xi-xj‖2),γ>0;

(4) S型函数:K(xi,xj)=tanh(γ(xi,xj)+c)。

1.3 分类器

对于多分类问题,通常可以按照两种算法来构造或组合多个两类分类器来进行分类。一是将多个分类面的参数求解合并到一个最优化问题当中,通过求解最优化问题一次性的实现多类分类。二是通过某种方式构造一系列的二类分类器将它们组合在一起从而实现多分类。实际常用SVM多类别分类是第二种方法,二类别的分类器组合有一对一,一对多组合方法。一对一方法一般在N类分类中,需构造N(N-1)/2个分类器,计算量较大且存在混分样本问题[6];本文使用一对多方法,该方法是用一类和剩下其它所有类判别分类,一个分类器分出其中某一类。在N类中构造N个分类器,这种方法相对计算量较小,比较简单且达到同样多类别分类效果,缺点就是存在混分和漏分样本问题。

2 图像特征提取

图像特征包含图像的灰度特征、纹理特征以及结构特征等[7]。由于遥感影像中的空间特征信息单元不仅是光谱属性的反映,更主要是空间域上多个像元的光谱特性的组合,因此空间特征信息的提取和分类一般是通过目标像元为中心的一定大小的窗口区域来表示空间特征单元[8]。本文采用灰度和纹理共生矩(记为W阵)的方法,为了获取某波段的纹理特征,需要计算灰度共生矩阵P(i,j,δ,θ),对灰度共生矩阵作归一化处理, 灰度共生矩阵用数学公式表示则为:

P(i,j,δ,θ)={[(x,y),(x+Dx,y+Dy)]|f(x,y)=

i,f(x+Dx,y+Dy)=j}。

式中x=0,1,2,…,N-1是图像的像元坐标, Dx、Dy是位置偏移量,i,j=0,1,2,…是灰度级数,δ为W阵的生成步长,θ为W阵的生成方向,取0°、45°、90°、135°四个方向偏移参数,作为其灰度共生矩阵,然后分别求取其特征值,再对这些特征指标计算其均值和方差。这样处理就抑制了方向分量,使得到的特征与方向无关。利用灰度共生矩阵可以定义图像的纹理特征,其目的就是使用所得的纹理特征辅助遥感影像纹理分类。以下三种统计量为[9]:

(1) 角二阶矩:$f{}_1={\displaystyle \sum _i{\displaystyle \sum _j{\rm P}}}(i,j){}^2$;

(2) 对比度:$f{}_2={\displaystyle \sum _i{\displaystyle \sum _j(}}i-j){}^2{\rm P}(i,j)$;

(3) 相关:$f{}_3=\frac{[{\displaystyle \sum _i{\displaystyle \sum _j(}}ij){\rm P}(i,j)-\mu {}_x\mu {}_y]}{\sigma {}_x\sigma {}_y}$。

计算特征f1、f2、f3关于θ四个方向的平均值和方差:[$\overline{x{}_{f{}_1}}$,$\overline{x{}_{f{}_2}}$,$\overline{x{}_{f{}_3}}$,σf1,σf2,σf3]T,得到六个具有旋转不变特性的纹理特征。各波段图像灰度特征(6个波段)组成6×1灰度特征向量:[x1, x2,x3,x4,x5,x6]T,灰度特征与纹理特征一起组合成12×1特征向量:

x=[$\overline{x{}_{f{}_1}}$,$\overline{x{}_{f{}_2}}$,$\overline{x{}_{f{}_3}}$,σf1,σf2,σf3,x1,x2,x3,x4,x5,x6]T。

3 实验及结果分析

实验按照支持向量机的分类原理进行。实验数据采用google地图采集的图像,针对四大类土地利用类型,即水域(A类)、绿地(B类)、居民地(C类)、交通用地(D类)。共选取了1 500个标注样本,将其中的500个作为训练样本,其余1 000个样本作为测试样本。使用一对多分类器划分四类,需要构造四个分类器,实验中选择使用RBF核函数,此类SVM的训练模型效果取决于两个参数,其一是惩罚因子C,其二是核参数γ。

在支持向量机的训练过程中,加载训练样本,确定分类目标(根据训练目标的不同,得到每一类与另三类的分类器),先给出一个初始的训练参数,按交叉选择方式确定参数C和γ,训练四个SVM分类器。以某个分类器为例,训练以后测试这四类共1 000个样本,不仅要保证正类样本被正确分类,还要保证负类样本尽量不被错分,反复调整训练参数,重复训练直至在测试集中达到满意效果,也即找到了较优的支持向量机参数。经过测试参数值分别为C=2.0,γ=0.125,测试样本的分类精度较高。最后利用调整好的参数对整幅图像进行测试,以原始图像中未知空间单元特征向量作为各类别特征判别函数的输入,然后输出属于各类别的结果,最后通过分类后的矩阵反演为图像。分类效果明显。说明加入了灰度值和纹理的空间特征单元具有比较好的分类性(见图2)。

输出分类结果。统计出四类样本测试结果如表1所示。将SVM方法实验分类精度结果与神经网络方法和最大使然方法分类精度对比,对比结果见表2。

4 结论

针对遥感图像的支持向量机分类法、神经网络法和最大似然法分类实验结果表明:

利用支持向量机分类方法进行遥感图像分类精度为96.90%,明显高于神经网络方法和最大似然方法。

利用灰度特征与纹理特征相结合的方法进行特征提取适合支持向量机分类中特征向量条件的选择。

该方法首先要人工标注大量的样本,工作量相对来说比较大,下一步要在如何减少人工干预量方面进行研究。

参考文献

[1] Anthony G,Ruther H.Land cover mapping:optimizing remote sensingdata for SVMClassification.遥感学报,2007;11(5):694—701

[2](美)Cristianini N,(英)Shawe-Tayor J.支持向量机导论(英文版).北京:机械工业出版社,2005

[3]徐磊,李朝峰,杨蒙召.SVM结合模糊方法在遥感图像分类中的应用.计算机工程与应用,2005;36(4):79—82

[4]李晓宇,张新峰,沈兰荪.支持向量机(SVM)的研究进展.测控技术,2006;25(5):7—12

[5]张学工.关于统计学习理论与支持向量机.自动化学报,2001;26(1):32—41

[6]骆剑承,周成虎,梁怡,等.支撑向量机及其遥感影像空间特征提取和分类的应用研究.遥感学报,2002;6(1):50—55

[7]汪闽,骆剑承,周成虎,等.结合高斯马尔可夫随机场纹理模型与支撑向量机在高分辨率遥感图像上提取道路网.遥感学报,2005;9(3):271—276

[8]李朝峰,曾生根,徐磊.遥感图像智能处理.北京:电子工业出版社,2007

卫星遥感图像的分类 篇6

遥远的感知, 解释为运用现代光学、电子学探测仪器, 不与目标物相接触, 从远距离把目标物的电磁波特性记录下来, 通过分析、解译揭示出目标物本身的特征、性质及其变化规律。遥感技术的特点归结起来, 主要有三点: (1) 涉猎范围广, 可以进行大范围探测, 精准高效。 (2) 高光谱、高分辨率, 可以满足大多数研究要求。 (3) 多分辨率影像结合, 从不同角度描述问题。 (4) 全天候, 高时间分辨率。 (5) 斜视、立体观测等全方位观测。遥感技术是目前国土资源调查中最常规的方法, 很多方面也是其他技术无法比拟的。

土地覆盖研究是关系全球生态建设、经济建设、民生建设的重要组成部分, 也是现阶段遥感技术研究的重点。随着科学技术的发展, 遥感技术的应用使得地表覆盖类型的研究从人工解译发展到计算机解译。遥感影像通常是通过像元的亮度值和灰度值来反应地物的空间差异。遥感影像解译是利用计算机来分析不同地类的光谱特征和空间信息, 按照一定的规则来划分影像。早期应用最多的人工解译, 工作量大, 比较耗时, 但是精度却是最高的。李英利[9]等利用XML的简洁和灵活特性, 将高分影像目视解译为乔木林、灌木林、绿化林地、人工那个幼林等十多种类型。接下来是基于光谱的计算机自动分类, 是人们根据不同的亮度值将地物进行分类, 常用于中等分辨率大范围的分类。李素[10]结合南京市的具体情况, 利用中等分辨率遥感影像, 通过混合相元分解获取亚相元尺度上土地覆盖组分丰富度图像。基于专家知识树的决策树分类, 除了可以利用光谱信息之外, 还可以结合其他遥感影像源, 比如DEM、土地规划图。Paul V.Bolstad[11]在TM数据基础上加上地质地形专题信息, 提高了土地利用分类精度。针对高分辨率影像发展的面向对象特征提取, 是利用影像分割与合并技术, 来充分利用高分辨率影像的优势。孙艳霞[12]应用均值方差法、最大面积法方法, 结合理论研究理念, 获取高分影像的最优分割尺度, 采用面向对象方法进行分类, 为高分分类可行性提供依据。地物的识别与地表的反演, 主要利用微量元素来反演, 由于肉眼无法判断某种元素含量多少, 比如地表温度、水体叶绿素、土壤重金属含量等, 可以通过不同波段繁衍出含量, 进而做变化检测。黄金国[13]等对鄱阳湖叶绿素a浓度进行反演, 得出BP网络反演模型试验精度高于统计回归构建遥感反演模型。地形信息提取, 利用光学影像可以从立体像对中提取出地形信息。本文, 主要介绍通过DEM数据和TM数据结合, 来分类山地植被, 区分陡坡和缓坡、朝南和朝北。

1. 研究区概况及图像预处理

本文选取詹姆斯敦的一小块山体作为研究区, 詹姆斯敦以山地为主, 全境只有一条街道, 山体走势明显。从USGS上下载TM影像和DEM数据, 均为30m分辨率。TM数据具备较高空间分辨率, 可以满足一般地物信息提取。王建平[14]等人用TM卫星影像反演悬浮物、CODMn、溶解氧、总磷、总氮和叶绿素浓度, 反演结果相对误差在0.25左右。本文对TM影像多光谱信息进行预处理。

辐射校正是指对由于外界因素, 数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正, 消除或改正辐射误差而引起的影像畸变的过程[1]。图像滤波是一种图像增强的一种方法, 目的是提取和突出图像空间信息, 压抑或去除无用的信息[2]。

2. 决策树规则定义

基于知识的决策树分类是基于遥感影像数据及其他空间数据, 通过专家经验总结、简单的数学统计和归纳方法等, 获得分类规则并进行遥感分类[3]。分类规则易于理解, 分类过程也符合人的认知过程, 最大的特点是利用的多源数据。规则定义有两种方法, 经验总结和样本统计。刘晓娜利用TM和Modis数据, 提取了中缅交接处的橡胶树, 并分析其生长情况[7]。吴健生运用QUEST决策树方法得出, 在地形复杂的山地地区, 针对TM影像数据, 选择基于QUEST决策树分类能够有效提高土地利用分类结果精度[8]。

根据研究区域现状, 将地表覆盖类型分为水体、裸地、无数据和背景、缓坡植被、陡坡朝南植被、陡坡朝北植被。根据遥感影像结合谷歌地球, 均匀选取影像上的水体、裸地、缓坡植被等样本, 通过分析样本光谱信息, 总结如下:根据ndvi区分植被和非植被, 当ndvi小于等于0.3时, 为非植被, 大于0.3时为植被;由于多光谱数据的第四波段, 近红外波段, 处于水体强吸收区, 用来区分水体和裸地及背景。根据研究区具体情况, 当b4大于0小于20时, 判为水体, 大于等于20时, 判为裸地;等于0时, 判为背景。结合DEM数据, 坡度大于等于20时, 为陡坡, 小于为缓坡。坡向大于90小于270时, 为朝南, 其次为朝北。决策树构建如图1所示。

3. 分类结果

按照规则, 对影像进行分类, 结果如下图2左图所示。可以明显看到, 随着山体走势, 植被的颜色变化。浅绿色为缓坡植被, 深蓝色为朝南陡坡植被, 深绿色为朝北陡坡植被。运用envi的3D查看效果, 可以旋转观察山体植被分布, 截取一部分如下图2右图所示。山体植被分布较多, 占总研究区的百分之三十以上, 陡坡朝南植被比朝北植被数量多。

4. 总结

决策树分类方法, 是基于二叉树分支的思想, 将不同的地物一层一层, 按照特性不同, 分离开来。与研究人员对地物的了解程度紧密相连, 根据不同波段的组合, 进行实验验证, 最终得出结论。本文根据ndvi大小, 比较精确的区分了山体植被的缓坡与陡坡, 朝南和朝北。并充分利用DEM的立体特性, 展示地貌的三维状况。在以后的研究中, 可以考虑结合高分数据, 综合利用多种分类方法, 来提高分类精度。也可以在分类算法和波段组合方面进行更深入的研究, 达到提高分类精度的目的。

参考文献

[1]陈趁新, 胡昌苗, 霍连志, 等.Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响[J].遥感学报, 2014, 18 (02) :320-334.

[2]周雨薇, 陈强, 孙权森, 等.结合暗通道原理和双边滤波的遥感图像增强[J].中国图象图形学报, 2014, 19 (02) :313-321.

卫星遥感图像的分类 篇7

1 分类方法

1.1 混合模型

混合像元分解法在一定程度上能够提高土地覆盖面积估算的精度,从混合像元角度来分析遥感影像更接近实际。混合像元分解法就是根据每一像元在各个波段的像元值来估算像元内各个土地覆盖类型的比例[2]。其主要分为线性光谱混合模型和非线性光谱混合模型。

1.1.1 线性光谱混合模型

线性光谱混合模型是使用最多也最简单的一种混合光谱模型,它是利用一个线性关系表达遥感系统中一个像元内各地物的类型、比例与地物的光谱响应。其公式为:

ri=undefined

式中:i=1,2,…,m;j=1,2,…,n;ri为混合像元i波段的反射率(亮度值);aij为第i个波段第j个端元组分的反射率(亮度值);xj为该像元第j个端元组分的丰度;ei为第i个波段的误差;m为波段数;n为端元组分数。误差项可写为:

undefined

使用最小二乘法求解xj,使得undefined最小,同时要求满足条件:所有要素的面积比例xj之和等于1,即undefined,以及每一要素的面积比例xj在[0,1]之间变化,即0≤xj≤1。

undefined

式(3)表示求解过程中的均方根误差(RMS),RMS越小表示总体误差越小。当RMS较大时,说明线性光谱混合模型适用错误,或者选取了错误的端元组分,重新反复选取端元,直至误差较小为止。线性分解模型是基于同一像元内相同地物具有相同的光谱特征以及光谱线性可加性的基础上,优点是其构模简单,物理含义明确,理论上有较好的科学性,对于解决混合像元有较好的效果。

1.1.2 非线性光谱混合模型

线性光谱混合模型假设组成混合像元的不同地物的光谱以线性的方式组成混合像元的光谱。但实际上,在一个混合像元内,各地物光谱之间并非都按线性方式组合,它们之间互相作用互相影响有一定复杂的相关性,因此需采用非线性光谱混合模型来解决此类混合像元分解的问题。基本公式为:

undefined

undefined

式中:j=1,2,3,…,m表示像元组分;i=1,2,3,…,n表示光谱通道;Fj表示像元组分中各像元占的面积比,是待估参数;ξ(λi)与ξ分别是第i个光谱通道的误差和总误差项;f(λi)表示混合像元光谱;fi(λi)表示像元中各组分光谱。

在非线性混合模型中,通常无法进行直接的求解,需要采用迭代的算法来求解。其优点可以得到混合像元中各端元组分的丰度,缺点是不能得到个端元组分的空间分布状态,亚像元定位的问题混合模型未能解决。

1.2 元胞自动机模型

20世纪50年代,冯·诺依曼为了模拟生物学中的自复制行为提出了元胞自动机理论[3]。它是一种用来仿真局部规则和局部联系的方法,它定义在一个具有离散,有限状态的元胞组成的元胞空间上,按照一定的局部规则,在离散的时间维上演化的动力学系统。混合分解模型像元的分解是通过建立光谱混合模拟模型,即像元的反射率可表示为端元的光谱特征和端元组分丰度的函数,此方法只考虑到各端元组分的丰度和光谱特征,未考虑各个端元之间相互关联的信息[4]。元胞自动机系统通过建立元胞空间,查看邻居,确定各个元胞输出的状态变量(影像中具有典型地物的分量值——端元组分的丰度),设计进化规则可解决混合像元分解的问题。其关键所在是进化规则的设计。元胞自动机模型的优势在于,在得到混合像元中各端元组分的丰度后,通过亚像元自身的空间分布特征,将亚像元赋予不同的端元组分,利用端元组分所占亚像元的比例和端元丰度相等的约束条件,可以解决亚像元定位的问题,同时提高了像元分类的精度并更好地反映了图像空间的细节信息。

1.3 神经网络法

近年来,国内外一些专家学者对关于人工神经网络方法提高遥感图像的分类精度的研究较多。神经网络是以模拟人大脑的神经系统功能和结构为基础,建立的数学分析处理系统。不同的学者分别提出或应用Hopfield神经网络、BP神经网络、自组织网络、小波网络、细胞神经网络、模糊神经网络等对遥感图像进行分类。例如,王雪梅等以新疆于田绿洲为例利用BP神经网络算法对土地覆盖进行分类,结果表明采用此方法平均分类精度可达到90%以上,可获得较好的分类结果。近年来国内外出现了效果较好的分类方法是将模糊理论与神经网络结合起来,发挥各自的优势。由于遥感影像数据的非线性,不确定性和量大的特点,采用模糊理论的隶属度可解决数据的不确定性,神经网络可解决数据的非线性问题并进行处理,能够更好地体现遥感影像分类的内部特征,进而提高分类的精度。

2 方法比较

分类问题是遥感图像处理的关键步骤,地物分类的精确度高低直接影响到后期分析研究的精确程度。传统的分类研究都是以像元为研究单位,但同一个像元内绝大多数包含多种不同的地物,因此要想提高地物分类的精度,混合像元的问题需很好地解决。该文从此角度出发,以亚像元为研究单元,提出几种应用较广泛且分类效果较好的混合像元分类方法。线性光谱混合模型可充分利用不同地物的光谱特征获得各端元的丰度,进而获得混合像元内所要分得地物所占像元的比例。但此方法简化了各光谱之间的函数关系,使得其在应用方面受到一定的局限性;非线性光谱混合模型虽然解决了各光谱之间单一的线性关系问题,但其计算量较大,过程复杂,费时且存在个人差异;采用元胞自动机方法解决混合像元的问题是一个较新的领域,它最大的优点是不但可以求得各端元的丰值,而且可以获得各端元组分的空间分布状态;神经网络法与其它方法相比,可以方便加入地理辅助数据,其计算过程具有并行能力,高速处理数据的速度及自适应能力可解决各种非线性映射,较复杂的分类和模式识别的问题。但由于遥感影像具有不确定性,一般采取模糊集合的理论来解决,因此利用模糊神经网络法,结合模糊集合和神经网络各自的优点来共同解决混合像元分类问题。各种方法的比较结果见表1。

3 展望

卫星遥感技术在农业方面应用很广泛,尤其对地面农作物的监测、长势和灾害方面的估测有着尤为重要的意义。其准确性好,速度快,实时性强,为政府的宏观决策提供了有利的依据。在对遥感影像进行地物分类中,提高分类的精度是人们追求的目标。在混合像元分解中,该文介绍的几种方法发挥了重要的作用。这些方法存在各自的应用环境、优点与不足,可根据具体分类的实际需要选择合适的方法。为进一步提高其精度,在目前的遥感技术水平下,混合模型对较低分辨率的分类精度受到限制,可以采用图像融合技术对多时相、多源遥感数据进行融合提高影像的精度,再与各混合像元分解方法相结合,可成为提高遥感影像分类精度的主要发展方向[5]。

参考文献

[1]钱茹茹.遥感影像分类方法比较研究[D].长安:长安大学,2007.

[2]李君,范文义,李明泽.线性混合光谱模型在多光谱遥感影像分类中的应用[J].东北林业大学学报,2008(8):45-49.

[3]杨陈照.城市元胞自动机研究进展[J].中国科技信息,2006(21):197-198.

[4]陈建平,丁火平,王功文,等.基于GIS和元胞自动机的荒漠化预测模型[J].遥感学报,2004(5):254-260.

卫星遥感图像的分类 篇8

遥感技术作为人类研究地球资源环境的一种技术手段, 遥感图像计算机分类是遥感技术应用的重要组成部分[1]遥感数字图像的处理就是将遥感图像的模拟或数字形式的信息输入计算机中, 利用某种遥感图像处理软件, 按照一定的数学模型, 进行变换、加工产生可为专业人员判读的图像或者资料[2]。20世纪70年代之后, 图像分类成为遥感领域研究的热点问题, 在诸多领域中应用越来越广泛, 如测绘行业中地理国情监测, 铁路行业中用图像分类进行环境监测, 水利部门用图像分类技术监测河道或者湖泊周围的自然环境。近年来许多学者对图像分类进行了大量的研究和探索, 并提出了多种方案。如Huang等人[3]通过获取图像颜色的空间相关性等信息, 通过用分类树来对图像进行分类。

目前常用的图像分类方法是最大似然法, 它是以贝叶斯的主观理论为代表的, 运用最大似然法前提条件是图像数据呈正态分布, 而且主要存在的问题是反映不出对知识的不知道信息[4]。

采用传统的分类方法, 会出现很多错分, 漏分的情况, 且分类精度也比较低。在此种情况下, 许多人找寻新的分类方法, 支持向量机的分类方法应运而生。近些年来, 支持向量机被应用到了很多领域, 支持向量机的研究已经被越来越多的学者所重视, 这种技术在人脸特征检测、文字体识别、图像处理以及其他领域都取得了大量的研究成果。图像分类结果是将图像空间划分为若干个子区域, 每个区域代表一类地物[5]。

1 支持向量机的原理与方法

支持向量机的基本思想如 (图1) 所示。在图中直线附近不同的图形代表不同的训练样本, H为把两类训练样本没有错误分开的分类面, H1和H2表示超平面, H1和H2之间的距离△被称为分类间隔 (margin) 。

如果给定分类间隔△的值, 可以确定相应的分类超平面, 当分类面变化时, 分类间隔△也随之发生变化。在分类间隔△存在下, 超平面几何的VC维h满足下面关系:

因为f (x) 是单调递增函数, h随着△2的递增而递减。因此如果训练样本数固定后, 两类训练样本之间的分类间隔越大, 则与之对应的VC维就会越小。

分类超平面方程为w Tx+b=0, 如果线性可分, 则样本集 (xi, yi) , 其中i=1, 2, …, n, x∈Rd, y∈{-1, 1}, 满足:

最优超平面问题在线性可分情况下, 可以表示为下面的约束优化问题, 在条件的约束下, 求下列函数的最小值

2 支持向量机模型的建立及算法实现

在前面介绍SVM算法的基础上, 本文采用了台湾林志仁老师开发的一个基于C和C++的LIBSVM开源代码, 并在其上添加许多新的特性。本次设计利用SVM进行图像分类的流程是:添加数据, 新建训练样本, 图像分类, 分类后处理。本软件设计程序主要包括以下几个模块:样本采集模块, 样本训练模块, 算法分类模块, 图像显示模块。在设计时结合Windows系统下特有图形设备接口, 实现图像显示, 分析功能, 并可以将分类后的结果以一种直观的形式呈现在用户面前。

2.1 样本采集模块的设计与实现

利用别的商业软件对测区的遥感影像进行预处理, 如;几何校正, 影像镶嵌, 影像裁切等, 然后将预处理后的数据加载到样本采集模块中。用户可在此模块中对此影像中设计不同的波段组合显示, 同时需要在此设计不同的训练样本, 并确定分类地物的类别。

2.2 算法训练模块的设计与实现

本软件设计的最核心, 最复杂的本分就是算法模块。该算法模块需要先输入待处理的文件, 输出的文件路径, 以及先前做的训练样本文件。见图2。

2.3 分类模块的设计与实现

分类模块实现对数据的分类, 在分类时需设置需要分类的影像, 训练样本以及输出的文件。经过分类后即可将影像分成多个类别。分类模块如图3所示。

在这次试验中, 分别采用多项式核函数、线性核函数、径向基核函数, Sigmoid核函数对测区数据进行分类。然后将分类后的数据利用分类误差矩阵和Kappa系数来测试分类的精度, 并与真实材料比对查看分类的精度。

3 试验区测试结果与分析

此次选择了一景空间分辨率为1.25米的Resurs DK1数据为实验数据, 影像成像时间为2009年11月。首先利用ERDAS软件对测试数据进行预处理操作, 图4是经过ERDAS预处理之后, 真彩色合成图。

3.1 四种核函数的分类结果比较

本次实验针对测试数据利用核函数的四种不同函数对图像进行分类, 将测区数据分为房屋、主干道、植被, 小路、草地, 水池六类地物, 下图是利用SVM的不同核函数对影像进行分类的效果图。

从上面几幅图用肉眼可以看出, 对于SVM的四种核函数都可以实现对影像的正确分类, 为了更好的区分各种不同核函数的分类效果, 采用误差矩阵和Kappa系数对四种分类效果进行量化评价, 表1和表2是利用分类结果误差 (Error matrix of classification) 矩阵和Kappa系数对以上各种分类效果精度评价。

通过以上各个核函数的分类结果评价分析可以看出, 径向基核函数的分类精度略高于多项式核函数、线性核函数和Sigmoid核函数的分类精度。

4 结论

本次对SVM在遥感影像上的图像分类做了深入的研究, 并在此基础上编制了图像分类软件。通过实验发现, 利用SVM对影像进行分类, 分类的精度比较高。

论文主要对SVM算法进行了深入的研究, 并将SVM算法应用到图像分类中并进行编程实现。且对支持向量机在图像分类中的若干问题作了研究, 通过实验证明不同的核函数会产生不同的分类效果, 针对传统遥感图像分类方法的缺点, 在分析SVM分类方法的基础上, 对SVM算法表达式的核函数进行了分析, 而且针对小样本的学习, 构建了基于支持向量机的图像分类模型。根结实验结果通过分类效果图以及混淆矩阵和Kappa系数表明了采用支持向量机算法建立的模型有很高的分类精度, 与最小距离法和最大似然法相比, 是一种更加有效的遥感图像分类方法。

摘要：图像分类是人们获取信息的一种重要的手段, 传统的分类方法是以经验风险最小化为归纳原则, 只有当训练样本数趋于无穷时, 其性能才能达到理论上的最优。当样本不足时, 传统的分类方法往往不能达到理想的分类精度。与传统的人工神经网络相比, 支持向量机理论体现了结构风险最小化原则, 它不仅结构简单, 泛化能力强, 而且能较好的解决小样本、高维数据和局部极小等实际问题。本文以试验区的地物分类为研究背景, 建立了支持向量机的算法框架, 并分别使用多项式核函数, 径向基核函数、Sigmoid核函数以及线性核函数四种核函数对图像进行了多类别分类实验。

关键词：支持向量机,统计学习理论,图像分类,核函数

参考文献

[1]孙家槟.遥感原理与方法[M].武汉:武汉大学出版社, 2003.

[2]袁金国.遥感图像数字处理[M].北京:中国环境科学出版社, 2006.

[3]Vapnik V N.The Nature of Statistical Learning Theory[M].New York SpringVerlag, 1995.

[4]Richards A.Remote sensing digital image analysis:an introduction[M].2nd ed.Berlin:Springer-Verlag, 1993.