遙感圖像分類(lèi)法

圖像分類(lèi)是與圖像信息提取和增強(qiáng)不同的遙感圖像處理中另一重要的方面，與圖像增強(qiáng)后仍需人為解譯不同，它企圖用計(jì)算機(jī)做出定量的決定來(lái)代替人為視覺(jué)判譯步驟。因此，分類(lèi)處理后輸出的是一幅專(zhuān)題圖像。

在此圖像中，原來(lái)圖像中的每一個(gè)象元依據(jù)不同的統(tǒng)計(jì)決定準(zhǔn)則被劃歸為不同的地表覆蓋類(lèi)，由于是一種統(tǒng)計(jì)決定，必然伴隨著某種錯(cuò)誤的概率。

因此，在邏輯上的合理要求是，對(duì)每一個(gè)象元所做的決定，應(yīng)是使整個(gè)被分類(lèi)面積即對(duì)大量單個(gè)象元的分類(lèi)的某個(gè)錯(cuò)誤判據(jù)為最小。

以下是幾種常用的遙感圖像分類(lèi)方法：1.最大似然分類(lèi)（maximumlikelihoodclassification）最大似然分類(lèi)是一種基于貝葉斯判別準(zhǔn)則的非線性監(jiān)督分類(lèi)方法，需要知道已知的或確定的訓(xùn)練樣區(qū)典型標(biāo)準(zhǔn)的先驗(yàn)概率P（wi）和條件概率密度函數(shù)P（wi，x）。

P（wi）通常根據(jù)各種先驗(yàn)知識(shí)給出或假定它們相等：P（wix）則是首先確定其分布形式，然后利用訓(xùn)練樣本估計(jì)其參數(shù)。一般假設(shè)為正態(tài)分布，或通過(guò)數(shù)學(xué)方法化為正態(tài)分布。

其判別函數(shù)集為：Di（x）=P（wix），i=1，2，…，m（2-2）如果Di（x）≥Dj（x），則x屬于wi類(lèi)。其中，j≠i，j=1，2，…，m。m為類(lèi)別數(shù)。

從上述最大似然分類(lèi)的說(shuō)明看，其關(guān)鍵就在于已知類(lèi)別的定義，先驗(yàn)概率的確定，參與分類(lèi)的變量的好壞和結(jié)果誤差評(píng)價(jià)。

直到現(xiàn)在，最大似然分類(lèi)至少還有兩個(gè)缺點(diǎn)：一是事先大量人力已知光譜類(lèi)的選擇和定義：二是需要長(zhǎng)時(shí)間的計(jì)算機(jī)分類(lèi)計(jì)算時(shí)間。

實(shí)際上這也使得最大似然分類(lèi)法遙感應(yīng)用受到了限制，因此許多人專(zhuān)門(mén)研究改進(jìn)算法以便解決和縮減圖像分類(lèi)的時(shí)間，提高分類(lèi)的精度。

Solst和Lillesand（1991）為了解決已知類(lèi)別定義消耗大量人力的缺點(diǎn)，發(fā)展了半自動(dòng)訓(xùn)練法進(jìn)行已知光譜類(lèi)的定義。

FabioMaselli等（1992）利用Skidmore和Tumer提出的非參數(shù)分類(lèi)器計(jì)算出各已知類(lèi)訓(xùn)練集的先驗(yàn)概率，然后將它們插入常規(guī)的最大似然分類(lèi)過(guò)程中進(jìn)行分類(lèi)。

該方法融合了非參數(shù)和參數(shù)分類(lèi)過(guò)程的優(yōu)點(diǎn)，提高了分類(lèi)的精度。

通常情況下，地形會(huì)影響到訓(xùn)練集數(shù)據(jù)，這樣訓(xùn)練集光譜數(shù)據(jù)就偏離了最大似然分類(lèi)的假設(shè)條件正態(tài)分布，從而常規(guī)的最大似然分類(lèi)法在地形起伏較大的地區(qū)效果并不太好。

為了解決這一問(wèn)題，C.Conese和G.Maracchi和F.Maselli（1993）提出了一種改進(jìn)的最大似然分類(lèi)算法，即去掉每一類(lèi)數(shù)據(jù)集中與第一主成分相關(guān)的信息（地形信息）然后再進(jìn)行分類(lèi)。

通過(guò)試驗(yàn)，這種方法是有效的，分類(lèi)精度得到了提高。K.Arai（1993）用光譜和空間信息進(jìn)行分類(lèi)改進(jìn)了最大似然分類(lèi)方法。該方法簡(jiǎn)單易行，大大提高了正確分類(lèi)的概率。

C.Conese和FabioMaselli（1992）用誤差矩陣提高最大似然分類(lèi)面積估計(jì)的精度。IrinaKerl（1996）加最大似然分類(lèi)精度的一種方法，即多概率比較法。

他對(duì)同一遙感數(shù)據(jù)的原始波段、主成分和植被指數(shù)的22種組合進(jìn)行了最大似然分類(lèi)，發(fā)現(xiàn)沒(méi)有一種波段組合的分類(lèi)能給出圖像中所有土地利用類(lèi)型的精確分類(lèi)，每一波段組合僅對(duì)圖像中的一兩類(lèi)土地利用類(lèi)型分類(lèi)有效。

因此他提出將能有效區(qū)分出所要決定的土地利用類(lèi)型的幾個(gè)波段組合的分類(lèi)結(jié)果進(jìn)行組合來(lái)進(jìn)行圖像分類(lèi)，并稱(chēng)這種方法為多概率比較法，這種方法的基礎(chǔ)就是圖像數(shù)據(jù)不同波段組合的分類(lèi)結(jié)果之間分類(lèi)概率大小的比較。

應(yīng)用這種方法提高了分類(lèi)的精度。

2.最小距離分類(lèi)（minimumdistanceclassification）最小距離分類(lèi)是一種線性判別監(jiān)督分類(lèi)方法，也需要對(duì)訓(xùn)練區(qū)模式樣本進(jìn)行統(tǒng)計(jì)分析，是大似然分類(lèi)法中的一種極為重要的特殊情況。

最小距離分類(lèi)在算法上比較簡(jiǎn)單，首先需選出要區(qū)分類(lèi)別的訓(xùn)練樣區(qū)，并且從圖像數(shù)據(jù)中求出各類(lèi)訓(xùn)練樣區(qū)各個(gè)波段的均值和標(biāo)準(zhǔn)差，然后再計(jì)算圖像中其他各個(gè)象元的灰度值向量到各已知類(lèi)訓(xùn)練樣區(qū)均值向量之間的距離。

如果距離小于指定的閾值（一般取標(biāo)準(zhǔn)差的倍數(shù)），且與某一類(lèi)的距離最近，就將該象元?jiǎng)潥w為某類(lèi)。因此稱(chēng)為最小距離分類(lèi)。該方法的精度主要取決于已知類(lèi)訓(xùn)練樣區(qū)的多少和樣本區(qū)的統(tǒng)計(jì)精度。

另外，距離度量的方法不同，分類(lèi)的結(jié)果也不相同，常見(jiàn)的有：（1）明氏距離（minkowskidistance）中亞地區(qū)高光譜遙感地物蝕變信息識(shí)別與提取當(dāng)q=2時(shí)，即為歐氏距離，而當(dāng)q趨于無(wú)窮時(shí)，得到切比雪夫距離。

明氏距離，特別是其中的歐氏距離，在實(shí)際中用得較多，但它存在著兩方面的缺點(diǎn)：一是它與各指標(biāo)的量綱有關(guān)；為克服這一缺點(diǎn)，常常采用先將數(shù)據(jù)規(guī)格化的方法。二是它沒(méi)有考慮變量之間的相關(guān)性。

一種改進(jìn)的距離就是馬氏距離。（2）馬氏距離（mahalanobisdistance）中亞地區(qū)高光譜遙感地物蝕變信息識(shí)別與提取當(dāng)中各特征間完全不相關(guān)，這時(shí)的馬氏距離即為歐氏距離。

總之，最小距離分類(lèi)是一個(gè)能在程序上經(jīng)濟(jì)有效實(shí)現(xiàn)的簡(jiǎn)單方法，與最大似然方法不同，它在理論上并不使平均分類(lèi)錯(cuò)誤為最小，所得到的精度與最大似然分類(lèi)法可相比擬，而計(jì)算時(shí)間卻只有后者的一半。

3.平行管道分類(lèi)（parallelepipedclassification）平行管道分類(lèi)是一種最簡(jiǎn)單的分類(lèi)方法，是通過(guò)研究訓(xùn)練樣區(qū)數(shù)據(jù)的各個(gè)光譜成分的直方圖來(lái)進(jìn)行分類(lèi)的圖像直方圖中灰度值的上下限描述了圖像中每個(gè)波段中類(lèi)別的灰度值范圍。

某一光譜類(lèi)在所有波段的灰度值范圍定義了一個(gè)多維的平行管道。通過(guò)分類(lèi)計(jì)算，圖像中的未知象元被劃分到屬于已知一光譜類(lèi)的平行管道內(nèi)，因此稱(chēng)該方法為平行管道分類(lèi)。

這種方法簡(jiǎn)單易行，但也有幾個(gè)缺點(diǎn)：①各已知光譜類(lèi)的平行管道之間必定具有一定的間隔，如果圖像中的象元落在這些間隔內(nèi)，則這些象元不被分類(lèi)。

②對(duì)于圖像中相關(guān)性強(qiáng)的光譜類(lèi)，它們所定義的平行管道之間必定具有某些重疊，結(jié)果落在重疊區(qū)的這些象元不能被很好地分離。③沒(méi)有考慮已知光譜類(lèi)的先驗(yàn)概率。

④根據(jù)直方圖定義的已知光譜類(lèi)的平行管道僅僅是通常用來(lái)定義光譜類(lèi)特征的橢圓平面的粗略表示。T.W.Kellenberger和（1996）提出改進(jìn)方法。

改進(jìn)過(guò)的平行管道方法基于每個(gè)圖像波段內(nèi)兩類(lèi)之間累積百分比直方圖的最大差值自動(dòng)分離已知目標(biāo)類(lèi)，這種分離值和圖像波段都是自動(dòng)選擇的。

他利用改進(jìn)過(guò)的平行管道分類(lèi)對(duì)TM遙感數(shù)據(jù)進(jìn)行了森林覆蓋分類(lèi)，結(jié)果取得了較好的效果，提高了分類(lèi)的精度。

4.模糊分類(lèi)（fuzzyclassification）模糊理論（fuzzytheory）是處理模糊性的理論的總稱(chēng)，它是以1965年由Zadeh提出的模糊集合論為基礎(chǔ)的。

模糊分類(lèi)即是建立在模糊理論之上的分類(lèi)方法。

在常規(guī)遙感圖像分類(lèi)中，圖像中的每個(gè)象元都被劃歸為某一種地物類(lèi)型，象元和類(lèi)別之間一一對(duì)應(yīng)，并沒(méi)有考慮遙感圖像中實(shí)際存在的混合象元問(wèn)題，即某一象元中同時(shí)存在有幾種地物類(lèi)型，所以這種分類(lèi)方法的結(jié)果必然存在有誤差，這也是常規(guī)遙感圖像分類(lèi)方法的局限性。

模糊分類(lèi)法正好克服了這一不足，它利用象元隸屬度表示象元的歸屬問(wèn)題。

當(dāng)一象元對(duì)某一類(lèi)地物的隸屬度為0時(shí)，表示該象元不屬于該類(lèi)；當(dāng)一象元對(duì)某一類(lèi)地物的隸屬度為1時(shí)，表示該象元屬于該類(lèi)；當(dāng)一象元對(duì)某一類(lèi)地物的隸屬度為0和1之間的數(shù)時(shí)，表示該象元以該隸屬度屬于該類(lèi)，也即表明該象元為混合象元。

模糊分類(lèi)的方法有很多，大多是常規(guī)分類(lèi)方法的擴(kuò)展。

F.Wang（1990）詳細(xì)討論了遙感圖像模糊監(jiān)督分類(lèi)的意義，他認(rèn)為模糊監(jiān)督分類(lèi)與常規(guī)分類(lèi)方法相比，在3個(gè)方面有所改進(jìn)：①用模糊集合表示地學(xué)信息更合理；②光譜空間的模糊劃分；③分類(lèi)參數(shù)的模糊估計(jì)。

PaoloGamba等（1996）利用完全模糊分類(lèi)鏈對(duì)多光譜遙感圖像進(jìn)行了分類(lèi)，他們不僅考慮了圖像中象元的光譜特征，而且還考慮了圖像中鄰近象元之間空間上的相互關(guān)系，結(jié)果圖像的分類(lèi)精度得到了提高。

5.神經(jīng)元網(wǎng)絡(luò)分類(lèi)（neuralnetworkclassification）神經(jīng)元網(wǎng)絡(luò)的結(jié)構(gòu)包含一個(gè)輸入層、一個(gè)輸出層以及一個(gè)或多個(gè)隱層。

輸入層結(jié)點(diǎn)數(shù)與參加分類(lèi)的特征數(shù)相同，輸出層結(jié)點(diǎn)數(shù)與最終類(lèi)別數(shù)相同，而中間隱含層結(jié)點(diǎn)數(shù)則由實(shí)驗(yàn)來(lái)確定。

神經(jīng)元網(wǎng)絡(luò)分類(lèi)主要就是網(wǎng)絡(luò)的訓(xùn)練迭代，要達(dá)到一定的精度，往往需要很多次的迭代，這是非常費(fèi)時(shí)的，然而網(wǎng)絡(luò)訓(xùn)練一經(jīng)完成，則可較快地應(yīng)用于分類(lèi)識(shí)別。

F.Amar等（1995）基于分類(lèi)誤差百分比和用戶(hù)CPU時(shí)間比較了4種神經(jīng)元網(wǎng)絡(luò)的遙感應(yīng)用，他發(fā)現(xiàn)后向傳播神經(jīng)元網(wǎng)絡(luò)算法（back-propagationneuralnetworkalgorithm）需要最多的迭代次數(shù)，是其中最慢獲得88%分類(lèi)精度的算法。

動(dòng)態(tài)學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)算法（dynamic-learningneuralnetworkalgorithm）只需迭代兩次，占用591s的CPU時(shí)間就可獲得85%的分類(lèi)精度，達(dá)到86%的分類(lèi)精度需要迭代5次，占用CPU時(shí)間1613.7s；功能連接神經(jīng)元網(wǎng)絡(luò)算（functionallinkneuralnetworkalgorithm）分類(lèi)精度比快速學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)算（fast-learningneuralnetworkalgorithm）算法低，但占用了較少的CPU時(shí)間；快速學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)算法提供了最高的分類(lèi)精度，但兩次迭代運(yùn)算后比功能連接神經(jīng)元網(wǎng)絡(luò)算法和動(dòng)態(tài)學(xué)習(xí)神經(jīng)元網(wǎng)絡(luò)算法需要更長(zhǎng)的CPU時(shí)間。

另外，許多研究者利用神經(jīng)元網(wǎng)絡(luò)算法對(duì)遙感圖像數(shù)據(jù)進(jìn)行了分類(lèi)（Mcclellanetal.，1989；Benediktssonetal.，1990；Kanellopoulosetal.，1991；HeermannandKhazenie，1992；Bischofetal.，1992），這些研究表明神經(jīng)元網(wǎng)絡(luò)分類(lèi)能夠給出好的分類(lèi)結(jié)果，該結(jié)果與常規(guī)最大似然分類(lèi)算法取得的分類(lèi)精度大致相當(dāng)，如神經(jīng)元網(wǎng)絡(luò)分類(lèi)算法應(yīng)用恰當(dāng)，則分類(lèi)精度更高。

K.Sanjo（1996）研究了神經(jīng)元網(wǎng)絡(luò)技術(shù)的遙感圖像分類(lèi)，發(fā)現(xiàn)監(jiān)督分類(lèi)中訓(xùn)練樣本數(shù)據(jù)的排列影響著分類(lèi)的精度，因此必須注意由于簡(jiǎn)單地神經(jīng)元網(wǎng)絡(luò)算法學(xué)習(xí)階段訓(xùn)練樣本數(shù)據(jù)的重新排列所造成的分類(lèi)結(jié)果的改變。

另外，他還研究了混合象元問(wèn)題，結(jié)果表明通過(guò)學(xué)習(xí)混合數(shù)據(jù)，神經(jīng)元網(wǎng)絡(luò)算法能有效地減少分類(lèi)的誤差。

6.N維概率密度函數(shù)（N-dimensionalprobabilitydensityfunctions）HalukCetin和DonaldW.Levandowski（1991）利用N維概率密度函數(shù)對(duì)多維遙感數(shù)據(jù)進(jìn)行了分類(lèi)和填圖。

N維概率密度函數(shù)是一種用來(lái)顯示、分析和分類(lèi)數(shù)據(jù)的算法，源于常稱(chēng)的頻率透視圖，但又克服了早先方法的內(nèi)在限制。

利用N維概率密度函數(shù)算法進(jìn)行的交互式分類(lèi)過(guò)程是一種新的多維數(shù)據(jù)的分類(lèi)方法，它提供了遙感數(shù)據(jù)分布的清晰透視和監(jiān)督分類(lèi)中被選擇的訓(xùn)練區(qū)分布的清晰透視。

經(jīng)過(guò)多維數(shù)據(jù)和訓(xùn)練區(qū)分布的N維概率密度函數(shù)的制圖后，N維概率密度函數(shù)空間根據(jù)訓(xùn)練區(qū)數(shù)據(jù)的分布被劃分，然后將N維概率密度函數(shù)的這種劃分當(dāng)作查詢(xún)表（look-uptable）分類(lèi)遙感圖像數(shù)據(jù)。

對(duì)非監(jiān)督分類(lèi)，N維概率密度函數(shù)圖可以提供數(shù)據(jù)分布的一種有價(jià)值的代表，數(shù)據(jù)分布可直接用來(lái)選擇類(lèi)別數(shù)和數(shù)據(jù)初始聚類(lèi)時(shí)類(lèi)均值的位置。

與傳統(tǒng)的統(tǒng)計(jì)分類(lèi)方法，例如最大似然分類(lèi)和最小距離分類(lèi)，需要大量計(jì)算機(jī)內(nèi)存、計(jì)算緩慢、對(duì)顯示重疊類(lèi)能力有限相比，N維概率密度函數(shù)分類(lèi)速度極快，可利用無(wú)限制的波段數(shù)，圖形地顯示數(shù)據(jù)和類(lèi)別的分布。

HalukCetin和TimothyA.Warner和DonaldW.Levandowski（1993）利用N維概率密度函數(shù)對(duì)TM等多種遙感數(shù)據(jù)源數(shù)據(jù)進(jìn)行了分類(lèi)、可視化和增強(qiáng)，結(jié)果取得了良好的效果，取得了比傳統(tǒng)分類(lèi)方法較高的分類(lèi)精度。

7.其他分類(lèi)方法N.B.Venkateswarlu和（1993）提出了一種新的遙感圖像快速分類(lèi)器該分類(lèi)器是一種非參數(shù)分類(lèi)器，叫做整體平均分類(lèi)（ensemble-averageclassifier），利用了最小距離的概念，算法步驟如下：①計(jì)算每一組的整體平均值（一般為均值）Mi，i=1，2，...，C②如果滿(mǎn)足下列兩式，那么任一隨機(jī)象元X將被劃歸wi組。

XT（Mi-Mj）＜Tij，j≠I(mǎi)（2-5）中亞地區(qū)高光譜遙感地物蝕變信息識(shí)別與提取式中Tij=-Tij。③經(jīng)過(guò)①②步后，隨機(jī)象元X被劃歸為正確的類(lèi)。

另外，通過(guò)對(duì)參與計(jì)算變量的排序和部分一總和邏輯的考慮，可大大降低該算法計(jì)算的時(shí)間。

與最小距離（歐氏距離）和最大似然分類(lèi)器相比，整體平均分類(lèi)器所用時(shí)間最少，分類(lèi)精度與最小距離大致相同，對(duì)像農(nóng)田面積和森林這樣的名義類(lèi)型的分類(lèi)十分有效。

HalukCetin（1996）提出了一種分類(lèi)方法：類(lèi)間距離頻率分布法（interclassdistancefrequencydis-tribution），這是多光譜數(shù)據(jù)非參數(shù)分類(lèi)方法的一種。

類(lèi)間距離頻率分布過(guò)程簡(jiǎn)單，是一種有力的可視化技術(shù)，它圖形地顯示多光譜數(shù)據(jù)和類(lèi)分布。首先選擇感興趣的類(lèi)，這些類(lèi)的統(tǒng)計(jì)信息從典型的訓(xùn)練樣區(qū)可獲得。

利用類(lèi)的平均測(cè)量矢量計(jì)算多光譜數(shù)據(jù)中每個(gè)象元的距離，并存放在一個(gè)兩維數(shù)據(jù)分布數(shù)組中。選擇其他類(lèi)的訓(xùn)練區(qū)，訓(xùn)練區(qū)數(shù)據(jù)的分布通過(guò)距離計(jì)算可獲得。

通過(guò)可視化地檢查結(jié)果，建立分類(lèi)查詢(xún)表（look-uptable），然后利用分類(lèi)查詢(xún)表進(jìn)行多光譜圖像數(shù)據(jù)的分類(lèi)，具體細(xì)節(jié)請(qǐng)參見(jiàn)原文。

H.N.SrikantaPrakash等（1996）改進(jìn)了遙感數(shù)據(jù)凝聚聚類(lèi)分析，這是一種基于相互近鄰概念，用來(lái)進(jìn)行多光譜數(shù)據(jù)分類(lèi)的非參數(shù)、層次、凝聚聚類(lèi)分析算法。

該方法定義了圍繞象元的感興趣區(qū)域（areaofinterestaroundeachpixel），然后在它內(nèi)部尋找分類(lèi)時(shí)初始合并操作需要的k最近鄰，將象元的特征值、波段值和象元的相對(duì)位置值一起考慮，提出了改進(jìn)的距離量度，這樣，大大減少了計(jì)算的時(shí)間和內(nèi)存的需求，降低了分類(lèi)的誤差概率。

StevenE.Franklin和BradleyA.Wilson（1992）設(shè)計(jì)了3階段分類(lèi)器進(jìn)行遙感圖像的分類(lèi)，它由一個(gè)基于四叉樹(shù)的分割算子、一個(gè)高斯最小距離均值測(cè)試和一個(gè)包括輔助地理網(wǎng)數(shù)據(jù)和光譜曲線測(cè)量的最終測(cè)試構(gòu)成。

與最大似然分類(lèi)技術(shù)相比，3階段分類(lèi)器的總體分類(lèi)精度得到了提高，減少計(jì)算時(shí)間，另外僅需最少的訓(xùn)練樣區(qū)數(shù)據(jù)（它們?cè)趶?fù)雜地形區(qū)很難獲得）。

谷歌人工智能寫(xiě)作項(xiàng)目：神經(jīng)網(wǎng)絡(luò)偽原創(chuàng)

基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)的算法如何用ERDAS來(lái)實(shí)現(xiàn)？~~ 20

各種遙感數(shù)據(jù)分類(lèi)方法比較

常用的遙感數(shù)據(jù)的專(zhuān)題分類(lèi)方法有多種，從分類(lèi)判別決策方法的角度可以分為統(tǒng)計(jì)分類(lèi)器、神經(jīng)網(wǎng)絡(luò)分類(lèi)器、專(zhuān)家系統(tǒng)分類(lèi)器等；從是否需要訓(xùn)練數(shù)據(jù)方面，又可以分為監(jiān)督分類(lèi)器和非監(jiān)督分類(lèi)器。

一、統(tǒng)計(jì)分類(lèi)方法統(tǒng)計(jì)分類(lèi)方法分為非監(jiān)督分類(lèi)方法和監(jiān)督分類(lèi)方法。

非監(jiān)督分類(lèi)方法不需要通過(guò)選取已知類(lèi)別的像元進(jìn)行分類(lèi)器訓(xùn)練，而監(jiān)督分類(lèi)方法則需要選取一定數(shù)量的已知類(lèi)別的像元對(duì)分類(lèi)器進(jìn)行訓(xùn)練，以估計(jì)分類(lèi)器中的參數(shù)。

非監(jiān)督分類(lèi)方法不需要任何先驗(yàn)知識(shí)，也不會(huì)因訓(xùn)練樣本選取而引入認(rèn)為誤差，但非監(jiān)督分類(lèi)得到的自然類(lèi)別常常和研究感興趣的類(lèi)別不匹配。

相應(yīng)地，監(jiān)督分類(lèi)一般需要預(yù)先定義分類(lèi)類(lèi)別，訓(xùn)練數(shù)據(jù)的選取可能會(huì)缺少代表性，但也可能在訓(xùn)練過(guò)程中發(fā)現(xiàn)嚴(yán)重的分類(lèi)錯(cuò)誤。1.非監(jiān)督分類(lèi)器非監(jiān)督分類(lèi)方法一般為聚類(lèi)算法。

最常用的聚類(lèi)非監(jiān)督分類(lèi)方法是K-均值（K-MeansAlgorithm）聚類(lèi)方法（DudaandHart，1973）和迭代自組織數(shù)據(jù)分析算法（ISODATA）。

其算法描述可見(jiàn)于一般的統(tǒng)計(jì)模式識(shí)別文獻(xiàn)中。一般通過(guò)簡(jiǎn)單的聚類(lèi)方法得到的分類(lèi)結(jié)果精度較低，因此很少單獨(dú)使用聚類(lèi)方法進(jìn)行遙感數(shù)據(jù)專(zhuān)題分類(lèi)。

但是，通過(guò)對(duì)遙感數(shù)據(jù)進(jìn)行聚類(lèi)分析，可以初步了解各類(lèi)別的分布，獲取最大似然監(jiān)督分類(lèi)中各類(lèi)別的先驗(yàn)概率。

聚類(lèi)分析最終的類(lèi)別的均值矢量和協(xié)方差矩陣可以用于最大似然分類(lèi)過(guò)程（Schowengerdt，1997）。2.監(jiān)督分類(lèi)器監(jiān)督分類(lèi)器是遙感數(shù)據(jù)專(zhuān)題分類(lèi)中最常用的一種分類(lèi)器。

和非監(jiān)督分類(lèi)器相比，監(jiān)督分類(lèi)器需要選取一定數(shù)量的訓(xùn)練數(shù)據(jù)對(duì)分類(lèi)器進(jìn)行訓(xùn)練，估計(jì)分類(lèi)器中的關(guān)鍵參數(shù)，然后用訓(xùn)練后的分類(lèi)器將像元?jiǎng)澐值礁黝?lèi)別。

監(jiān)督分類(lèi)過(guò)程一般包括定義分類(lèi)類(lèi)別、選擇訓(xùn)練數(shù)據(jù)、訓(xùn)練分類(lèi)器和最終像元分類(lèi)四個(gè)步驟（Richards，1997）。每一步都對(duì)最終分類(lèi)的不確定性有顯著影響。監(jiān)督分類(lèi)器又分為參數(shù)分類(lèi)器和非參數(shù)分類(lèi)器兩種。

參數(shù)分類(lèi)器要求待分類(lèi)數(shù)據(jù)滿(mǎn)足一定的概率分布，而非參數(shù)分類(lèi)器對(duì)數(shù)據(jù)的概率分布沒(méi)有要求。

遙感數(shù)據(jù)分類(lèi)中常用的分類(lèi)器有最大似然分類(lèi)器、最小距離分類(lèi)器、馬氏距離分類(lèi)器、K-最近鄰分類(lèi)器（K-Nearestneighborhoodclassifier，K-NN）以及平行六面體分類(lèi)器（parallelepipedclassifier）。

最大似然、最小距離和馬氏距離分類(lèi)器在第三章已經(jīng)詳細(xì)介紹。這里簡(jiǎn)要介紹K-NN分類(lèi)器和平行六面體分類(lèi)器。K-NN分類(lèi)器是一種非參數(shù)分類(lèi)器。

該分類(lèi)器的決策規(guī)則是：將像元?jiǎng)澐值皆谔卣骺臻g中與其特征矢量最近的訓(xùn)練數(shù)據(jù)特征矢量所代表的類(lèi)別（Schowengerdt，1997）。

當(dāng)分類(lèi)器中K=1時(shí)，稱(chēng)為1-NN分類(lèi)器，這時(shí)以離待分類(lèi)像元最近的訓(xùn)練數(shù)據(jù)的類(lèi)別作為該像元的類(lèi)別；當(dāng)K＞1時(shí)，以待分類(lèi)像元的K個(gè)最近的訓(xùn)練數(shù)據(jù)中像元數(shù)量最多的類(lèi)別作為該像元的類(lèi)別，也可以計(jì)算待分類(lèi)像元與其K個(gè)近鄰像元特征矢量的歐氏距離的倒數(shù)作為權(quán)重，以權(quán)重值最大的訓(xùn)練數(shù)據(jù)的類(lèi)別作為待分類(lèi)像元的類(lèi)別。

Hardin，（1994）對(duì)K-NN分類(lèi)器進(jìn)行了深入的討論。平行六面體分類(lèi)方法是一個(gè)簡(jiǎn)單的非參數(shù)分類(lèi)算法。該方法通過(guò)計(jì)算訓(xùn)練數(shù)據(jù)各波段直方圖的上限和下限確定各類(lèi)別像元亮度值的范圍。

對(duì)每一類(lèi)別來(lái)說(shuō)，其每個(gè)波段的上下限一起就形成了一個(gè)多維的盒子（box）或平行六面體（parallelepiped）。因此M個(gè)類(lèi)別就有M個(gè)平行六面體。

當(dāng)待分類(lèi)像元的亮度值落在某一類(lèi)別的平行六面體內(nèi)時(shí)，該像元就被劃分為該平行六面體代表的類(lèi)別。平行六面體分類(lèi)器可以用圖5-1中兩波段的遙感數(shù)據(jù)分類(lèi)問(wèn)題來(lái)表示。

圖中的橢圓表示從訓(xùn)練數(shù)據(jù)估計(jì)的各類(lèi)別亮度值分布，矩形表示各類(lèi)別的亮度值范圍。像元的亮度落在哪個(gè)類(lèi)別的亮度范圍內(nèi)，就被劃分為哪個(gè)類(lèi)別。

圖5-1平行六面體分類(lèi)方法示意圖3.統(tǒng)計(jì)分類(lèi)器的評(píng)價(jià)各種統(tǒng)計(jì)分類(lèi)器在遙感數(shù)據(jù)分類(lèi)中的表現(xiàn)各不相同，這既與分類(lèi)算法有關(guān)，又與數(shù)據(jù)的統(tǒng)計(jì)分布特征、訓(xùn)練樣本的選取等因素有關(guān)。

非監(jiān)督聚類(lèi)算法對(duì)分類(lèi)數(shù)據(jù)的統(tǒng)計(jì)特征沒(méi)有要求，但由于非監(jiān)督分類(lèi)方法沒(méi)有考慮任何先驗(yàn)知識(shí)，一般分類(lèi)精度比較低。

更多情況下，聚類(lèi)分析被作為非監(jiān)督分類(lèi)前的一個(gè)探索性分析，用于了解分類(lèi)數(shù)據(jù)中各類(lèi)別的分布和統(tǒng)計(jì)特征，為監(jiān)督分類(lèi)中類(lèi)別定義、訓(xùn)練數(shù)據(jù)的選取以及最終的分類(lèi)過(guò)程提供先驗(yàn)知識(shí)。

在實(shí)際應(yīng)用中，一般用監(jiān)督分類(lèi)方法進(jìn)行遙感數(shù)據(jù)分類(lèi)。最大似然分類(lèi)方法是遙感數(shù)據(jù)分類(lèi)中最常用的分類(lèi)方法。最大似然分類(lèi)屬于參數(shù)分類(lèi)方法。

在有足夠多的訓(xùn)練樣本、一定的類(lèi)別先驗(yàn)概率分布的知識(shí)，且數(shù)據(jù)接近正態(tài)分布的條件下，最大似然分類(lèi)被認(rèn)為是分類(lèi)精度最高的分類(lèi)方法。但是當(dāng)訓(xùn)練數(shù)據(jù)較少時(shí)，均值和協(xié)方差參數(shù)估計(jì)的偏差會(huì)嚴(yán)重影響分類(lèi)精度。

SwainandDavis（1978）認(rèn)為，在N維光譜空間的最大似然分類(lèi)中，每一類(lèi)別的訓(xùn)練數(shù)據(jù)樣本至少應(yīng)該達(dá)到10×N個(gè)，在可能的條件下，最好能達(dá)到100×N以上。

而且，在許多情況下，遙感數(shù)據(jù)的統(tǒng)計(jì)分布不滿(mǎn)足正態(tài)分布的假設(shè)，也難以確定各類(lèi)別的先驗(yàn)概率。最小距離分類(lèi)器可以認(rèn)為是在不考慮協(xié)方差矩陣時(shí)的最大似然分類(lèi)方法。

當(dāng)訓(xùn)練樣本較少時(shí)，對(duì)均值的估計(jì)精度一般要高于對(duì)協(xié)方差矩陣的估計(jì)。因此，在有限的訓(xùn)練樣本條件下，可以只估計(jì)訓(xùn)練樣本的均值而不計(jì)算協(xié)方差矩陣。這樣最大似然算法就退化為最小距離算法。

由于沒(méi)有考慮數(shù)據(jù)的協(xié)方差，類(lèi)別的概率分布是對(duì)稱(chēng)的，而且各類(lèi)別的光譜特征分布的方差被認(rèn)為是相等的。很顯然，當(dāng)有足夠訓(xùn)練樣本保證協(xié)方差矩陣的精確估計(jì)時(shí)，最大似然分類(lèi)結(jié)果精度要高于最小距離精度。

然而，在訓(xùn)練數(shù)據(jù)較少時(shí)，最小距離分類(lèi)精度可能比最大似然分類(lèi)精度高（Richards，1993）。而且最小距離算法對(duì)數(shù)據(jù)概率分布特征沒(méi)有要求。

馬氏距離分類(lèi)器可以認(rèn)為是在各類(lèi)別的協(xié)方差矩陣相等時(shí)的最大似然分類(lèi)。

由于假定各類(lèi)別的協(xié)方差矩陣相等，和最大似然方法相比，它丟失了各類(lèi)別之間協(xié)方差矩陣的差異的信息，但和最小距離法相比較，它通過(guò)協(xié)方差矩陣保持了一定的方向靈敏性（Richards，1993）。

因此，馬氏距離分類(lèi)器可以認(rèn)為是介于最大似然和最小距離分類(lèi)器之間的一種分類(lèi)器。與最大似然分類(lèi)一樣，馬氏距離分類(lèi)器要求數(shù)據(jù)服從正態(tài)分布。

K-NN分類(lèi)器的一個(gè)主要問(wèn)題是需要很大的訓(xùn)練數(shù)據(jù)集以保證分類(lèi)算法收斂（DevijverandKittler，1982）。

K-NN分類(lèi)器的另一個(gè)問(wèn)題是，訓(xùn)練樣本選取的誤差對(duì)分類(lèi)結(jié)果有很大的影響（CortijoandBlanca，1997）。同時(shí)，K-NN分類(lèi)器的計(jì)算復(fù)雜性隨著最近鄰范圍的擴(kuò)大而增加。

但由于K-NN分類(lèi)器考慮了像元鄰域上的空間關(guān)系，和其他光譜分類(lèi)器相比，分類(lèi)結(jié)果中“椒鹽現(xiàn)象”較少。平行六面體分類(lèi)方法的優(yōu)點(diǎn)在于簡(jiǎn)單，運(yùn)算速度快，且不依賴(lài)于任何概率分布要求。

它的缺陷在于：首先，落在所有類(lèi)別亮度值范圍之外的像元只能被分類(lèi)為未知類(lèi)別；其次，落在各類(lèi)別亮度范圍重疊區(qū)域內(nèi)的像元難以區(qū)分其類(lèi)別（如圖5-1所示）。各種統(tǒng)計(jì)分類(lèi)方法的特點(diǎn)可以總結(jié)為表5-1。

二、神經(jīng)網(wǎng)絡(luò)分類(lèi)器神經(jīng)網(wǎng)絡(luò)用于遙感數(shù)據(jù)分類(lèi)的最大優(yōu)勢(shì)在于它平等地對(duì)待多源輸入數(shù)據(jù)的能力，即使這些輸入數(shù)據(jù)具有完全不同的統(tǒng)計(jì)分布，但是由于神經(jīng)網(wǎng)絡(luò)內(nèi)部各層大量的神經(jīng)元之間連接的權(quán)重是不透明的，因此用戶(hù)難以控制（Austin，HardingandKanellopoulosetal.，1997）。

神經(jīng)網(wǎng)絡(luò)遙感數(shù)據(jù)分類(lèi)被認(rèn)為是遙感數(shù)據(jù)分類(lèi)的熱點(diǎn)研究領(lǐng)域之一（Wilkinson，1996；Kimes，1998）。神經(jīng)網(wǎng)絡(luò)分類(lèi)器也可分為監(jiān)督分類(lèi)器和非監(jiān)督分類(lèi)器兩種。

由于神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)分類(lèi)數(shù)據(jù)的統(tǒng)計(jì)分布沒(méi)有任何要求，因此神經(jīng)網(wǎng)絡(luò)分類(lèi)器屬于非參數(shù)分類(lèi)器。遙感數(shù)據(jù)分類(lèi)中最常用的神經(jīng)網(wǎng)絡(luò)是多層感知器模型（multi-layerpercep-tron，MLP）。

該模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖5-2所示。該網(wǎng)絡(luò)包括三層：輸入層、隱層和輸出層。輸入層主要作為輸入數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)輸入界面，其本身沒(méi)有處理功能；隱層和輸出層的處理能力包含在各個(gè)結(jié)點(diǎn)中。

輸入的結(jié)構(gòu)一般為待分類(lèi)數(shù)據(jù)的特征矢量，一般情況下，為訓(xùn)練像元的多光譜矢量，每個(gè)結(jié)點(diǎn)代表一個(gè)光譜波段。

當(dāng)然，輸入結(jié)點(diǎn)也可以為像元的空間上下文信息（如紋理）等，或多時(shí)段的光譜矢量（PaolaandSchowengerdt，1995）。

表5-1各種統(tǒng)計(jì)分類(lèi)器比較圖5-2多層感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)于隱層和輸出層的結(jié)點(diǎn)來(lái)說(shuō)，其處理過(guò)程是一個(gè)激勵(lì)函數(shù)（activationfunction）。

假設(shè)激勵(lì)函數(shù)為f（S），對(duì)隱層結(jié)點(diǎn)來(lái)說(shuō)，有：遙感信息的不確定性研究其中，pi為隱層結(jié)點(diǎn)的輸入；hj為隱層結(jié)點(diǎn)的輸出；w為聯(lián)接各層神經(jīng)之間的權(quán)重。

對(duì)輸出層來(lái)說(shuō)，有如下關(guān)系：遙感信息的不確定性研究其中，hj為輸出層的輸入；ok為輸出層的輸出。

激勵(lì)函數(shù)一般表達(dá)為：遙感信息的不確定性研究確定了網(wǎng)絡(luò)結(jié)構(gòu)后，就要對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)具有根據(jù)新的輸入數(shù)據(jù)預(yù)測(cè)輸出結(jié)果的能力。最常用的是后向傳播訓(xùn)練算法（Back-Propagation）。

這一算法將訓(xùn)練數(shù)據(jù)從輸入層進(jìn)入網(wǎng)絡(luò)，隨機(jī)產(chǎn)生各結(jié)點(diǎn)連接權(quán)重，按式（5-1）（5-2）和（5-3）中的公式進(jìn)行計(jì)算，將網(wǎng)絡(luò)輸出與預(yù)期的結(jié)果（訓(xùn)練數(shù)據(jù)的類(lèi)別）相比較并計(jì)算誤差。

這個(gè)誤差被后向傳播的網(wǎng)絡(luò)并用于調(diào)整結(jié)點(diǎn)間的連接權(quán)重。

調(diào)整連接權(quán)重的方法一般為delta規(guī)則（Rumelhart，etal.，1986）：遙感信息的不確定性研究其中，η為學(xué)習(xí)率（learningrate）；δk為誤差變化率；α為動(dòng)量參數(shù)。

將這樣的數(shù)據(jù)的前向和誤差后向傳播過(guò)程不斷迭代，直到網(wǎng)絡(luò)誤差減小到預(yù)設(shè)的水平，網(wǎng)絡(luò)訓(xùn)練結(jié)束。這時(shí)就可以將待分類(lèi)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)。

除了多層感知器神經(jīng)網(wǎng)絡(luò)模型，其他結(jié)構(gòu)的網(wǎng)絡(luò)模型也被用于遙感數(shù)據(jù)分類(lèi)。

例如，Kohonen自組織網(wǎng)絡(luò)被廣泛用于遙感數(shù)據(jù)的非監(jiān)督聚類(lèi)分析（Yoshidaetal.，1994；Schaaleetal.，1995）；自適應(yīng)共振理論（AdaptiveResonanceTheory）網(wǎng)絡(luò)（Silva，SandCaetano，M.1997）、模糊ART圖（FuzzyARTMaps）（Fischer，M.MandGopal，S，1997）、徑向基函數(shù)（駱劍承，1999）等也被用于遙感數(shù)據(jù)分類(lèi)。

許多因素影響神經(jīng)網(wǎng)絡(luò)的遙感數(shù)據(jù)分類(lèi)精度。FoodyandArora（1997）認(rèn)為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、遙感數(shù)據(jù)的維數(shù)以及訓(xùn)練數(shù)據(jù)的大小是影響神經(jīng)網(wǎng)絡(luò)分類(lèi)的重要因素。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，特別是網(wǎng)絡(luò)的層數(shù)和各層神經(jīng)元的數(shù)量是神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)最關(guān)鍵的問(wèn)題。網(wǎng)絡(luò)結(jié)構(gòu)不但影響分類(lèi)精度，而且對(duì)網(wǎng)絡(luò)訓(xùn)練時(shí)間有直接影響（KavzogluandMather，1999）。

對(duì)用于遙感數(shù)據(jù)分類(lèi)的神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，由于輸入層和輸出層的神經(jīng)元數(shù)目分別由遙感數(shù)據(jù)的特征維數(shù)和總的類(lèi)別數(shù)決定的，因此網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)主要解決隱層的數(shù)目和隱層的神經(jīng)元數(shù)目。

一般過(guò)于復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)在刻畫(huà)訓(xùn)練數(shù)據(jù)方面較好，但分類(lèi)精度較低，即“過(guò)度擬合”現(xiàn)象（over-fit）。而過(guò)于簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)由于不能很好的學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的模式，因此分類(lèi)精度低。

網(wǎng)絡(luò)結(jié)構(gòu)一般是通過(guò)實(shí)驗(yàn)的方法來(lái)確定。Hirose等（1991）提出了一種方法。該方法從一個(gè)小的網(wǎng)絡(luò)結(jié)構(gòu)開(kāi)始訓(xùn)練，每次網(wǎng)絡(luò)訓(xùn)練陷入局部最優(yōu)時(shí)，增加一個(gè)隱層神經(jīng)元，然后再訓(xùn)練，如此反復(fù)，直到網(wǎng)絡(luò)訓(xùn)練收斂。

這種方法可能導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)過(guò)于復(fù)雜。一種解決辦法是每當(dāng)認(rèn)為網(wǎng)絡(luò)收斂時(shí)，減去最近一次加入的神經(jīng)元，直到網(wǎng)絡(luò)不再收斂，那么最后一次收斂的網(wǎng)絡(luò)被認(rèn)為是最優(yōu)結(jié)構(gòu)。這種方法的缺點(diǎn)是非常耗時(shí)。

“剪枝法”（pruning）是另一種確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方法。

和Hirose等（1991）的方法不同，“剪枝法”從一個(gè)很大的網(wǎng)絡(luò)結(jié)構(gòu)開(kāi)始，然后逐步去掉認(rèn)為多余的神經(jīng)元（SietsmaandDow，1988）。

從一個(gè)大的網(wǎng)絡(luò)開(kāi)始的優(yōu)點(diǎn)是，網(wǎng)絡(luò)學(xué)習(xí)速度快，對(duì)初始條件和學(xué)習(xí)參數(shù)不敏感。

“剪枝”過(guò)程不斷重復(fù)，直到網(wǎng)絡(luò)不再收斂時(shí)，最后一次收斂的網(wǎng)絡(luò)被認(rèn)為最優(yōu)（Castellano，FanelliandPelillo，1997）。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要訓(xùn)練數(shù)據(jù)樣本的多少隨不同的網(wǎng)絡(luò)結(jié)構(gòu)、類(lèi)別的多少等因素變化。但是，基本要求是訓(xùn)練數(shù)據(jù)能夠充分描述代表性的類(lèi)別。

Foody等（1995）認(rèn)為訓(xùn)練數(shù)據(jù)的大小對(duì)遙感分類(lèi)精度有顯著影響，但和統(tǒng)計(jì)分類(lèi)器相比，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)可以比較少。分類(lèi)變量的數(shù)據(jù)維對(duì)分類(lèi)精度的影響是遙感數(shù)據(jù)分類(lèi)中的普遍問(wèn)題。

許多研究表明，一般類(lèi)別之間的可分性和最終的分類(lèi)精度會(huì)隨著數(shù)據(jù)維數(shù)的增大而增高，達(dá)到某一點(diǎn)后，分類(lèi)精度會(huì)隨數(shù)據(jù)維的繼續(xù)增大而降低（ShahshahaniandLandgrebe，1994）。

這就是有名的Hughes現(xiàn)象。一般需要通過(guò)特征選擇去掉信息相關(guān)性高的波段或通過(guò)主成分分析方法去掉冗余信息。

分類(lèi)數(shù)據(jù)的維數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)分類(lèi)的精度同樣有明顯影響（Battiti，1994），但Hughes現(xiàn)象沒(méi)有傳統(tǒng)統(tǒng)計(jì)分類(lèi)器中嚴(yán)重（FoodyandArora，1997）。

Kanellopoulos（1997）通過(guò)長(zhǎng)期的實(shí)踐認(rèn)為一個(gè)有效的ANN模型應(yīng)考慮以下幾點(diǎn)：合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化學(xué)習(xí)算法、輸入數(shù)據(jù)的預(yù)處理、避免振蕩、采用混合分類(lèi)方法。

其中混合模型包括多種ANN模型的混合、ANN與傳統(tǒng)分類(lèi)器的混合、ANN與知識(shí)處理器的混合等。三、其他分類(lèi)器除了上述統(tǒng)計(jì)分類(lèi)器和神經(jīng)網(wǎng)絡(luò)分類(lèi)器，還有多種分類(lèi)器被用于遙感圖像分類(lèi)。

例如模糊分類(lèi)器，它是針對(duì)地面類(lèi)別變化連續(xù)而沒(méi)有明顯邊界情況下的一種分類(lèi)器。它通過(guò)模糊推理機(jī)制確定像元屬于每一個(gè)類(lèi)別的模糊隸屬度。

一般的模糊分類(lèi)器有模糊C均值聚類(lèi)法、監(jiān)督模糊分類(lèi)方法（Wang，1990）、混合像元模型（FoodyandCox，1994；SettleandDrake，1993）以及各種人工神經(jīng)網(wǎng)絡(luò)方法等（Kanellopoulosetal.，1992；PaolaandSchowengerdt，1995）。

由于模糊分類(lèi)的結(jié)果是像元屬于每個(gè)類(lèi)別的模糊隸屬度，因此也稱(chēng)其為“軟分類(lèi)器”，而將傳統(tǒng)的分類(lèi)方法稱(chēng)為“硬分類(lèi)器”。

另一類(lèi)是上下文分類(lèi)器（contextualclassifier），它是一種綜合考慮圖像光譜和空間特征的分類(lèi)器。一般的光譜分類(lèi)器只是考慮像元的光譜特征。

但是，在遙感圖像中，相鄰的像元之間一般具有空間自相關(guān)性。空間自相關(guān)程度強(qiáng)的像元一般更可能屬于同一個(gè)類(lèi)別。同時(shí)考慮像元的光譜特征和空間特征可以提高圖像分類(lèi)精度，并可以減少分類(lèi)結(jié)果中的“椒鹽現(xiàn)象”。

當(dāng)類(lèi)別之間的光譜空間具有重疊時(shí)，這種現(xiàn)象會(huì)更明顯（Cortijoetal.，1995）。這種“椒鹽現(xiàn)象”可以通過(guò)分類(lèi)的后處理濾波消除，也可以通過(guò)在分類(lèi)過(guò)程中加入代表像元鄰域關(guān)系的信息解決。

在分類(lèi)過(guò)程中可以通過(guò)不同方式加入上下文信息。

一是在分類(lèi)特征中加入圖像紋理信息；另一種是圖像分割技術(shù)，包括區(qū)域增長(zhǎng)/合并常用算法（KettingandLandgrebe，1976）、邊緣檢測(cè)方法、馬爾可夫隨機(jī)場(chǎng)方法。

RignotandChellappa（1992）用馬爾可夫隨機(jī)場(chǎng)方法進(jìn)行SAR圖像分類(lèi)，取得了很好的效果，PaulSmits（1997）提出了保持邊緣細(xì)節(jié)的馬爾可夫隨機(jī)場(chǎng)方法，并用于SAR圖像的分類(lèi)；Crawford（1998）將層次分類(lèi)方法和馬爾可夫隨機(jī)場(chǎng)方法結(jié)合進(jìn)行SAR圖像分類(lèi)，得到了更高的精度；Cortijo（1997）用非參數(shù)光譜分類(lèi)對(duì)遙感圖像分類(lèi)，然后用ICM算法對(duì)初始分類(lèi)進(jìn)行上下文校正。

　人工神經(jīng)網(wǎng)絡(luò)分類(lèi)方法

從20世紀(jì)80年代末期，人工神經(jīng)網(wǎng)絡(luò)方法開(kāi)始應(yīng)用于遙感圖像的自動(dòng)分類(lèi)。

目前，在遙感圖像的自動(dòng)分類(lèi)方面，應(yīng)用和研究比較多的人工神經(jīng)網(wǎng)絡(luò)方法主要有以下幾種：（1）BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)，這是一種應(yīng)用較廣泛的前饋式網(wǎng)絡(luò)，屬于有監(jiān)督分類(lèi)算法，它將先驗(yàn)知識(shí)融于網(wǎng)絡(luò)學(xué)習(xí)之中，加以最大限度地利用，適應(yīng)性好，在類(lèi)別數(shù)少的情況下能夠得到相當(dāng)高的精度，但是其網(wǎng)絡(luò)的學(xué)習(xí)主要采用誤差修正算法，識(shí)別對(duì)象種類(lèi)多時(shí)，隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)大，需要的計(jì)算過(guò)程較長(zhǎng)，收斂緩慢而不穩(wěn)定，且識(shí)別精度難以達(dá)到要求。

（2）Hopfield神經(jīng)網(wǎng)絡(luò)。屬于反饋式網(wǎng)絡(luò)。主要采用Hebb規(guī)則進(jìn)行學(xué)習(xí)，一般情況下計(jì)算的收斂速度較快。

這種網(wǎng)絡(luò)是美國(guó)物理學(xué)家J.J.Hopfield于1982年首先提出的，它主要用于模擬生物神經(jīng)網(wǎng)絡(luò)的記憶機(jī)理。

Hopfield神經(jīng)網(wǎng)絡(luò)狀態(tài)的演變過(guò)程是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，可以用一組非線性差分方程來(lái)描述。

系統(tǒng)的穩(wěn)定性可用所謂的“能量函數(shù)”進(jìn)行分析，在滿(mǎn)足一定條件下，某種“能量函數(shù)”的能量在網(wǎng)絡(luò)運(yùn)行過(guò)程中不斷地減少，最后趨于穩(wěn)定的平衡狀態(tài)。

Hopfield網(wǎng)絡(luò)的演變過(guò)程是一種計(jì)算聯(lián)想記憶或求解優(yōu)化問(wèn)題的過(guò)程。（3）Kohonen網(wǎng)絡(luò)。

這是一種由芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專(zhuān)家Kohonen（1981）提出的自組織神經(jīng)網(wǎng)絡(luò)，其采用了無(wú)導(dǎo)師信息的學(xué)習(xí)算法，這種學(xué)習(xí)算法僅根據(jù)輸入數(shù)據(jù)的屬性而調(diào)整權(quán)值，進(jìn)而完成向環(huán)境學(xué)習(xí)、自動(dòng)分類(lèi)和聚類(lèi)等任務(wù)。

其最大的優(yōu)點(diǎn)是最終的各個(gè)相鄰聚類(lèi)之間是有相似關(guān)系的，即使識(shí)別時(shí)把樣本映射到了一個(gè)錯(cuò)誤的節(jié)點(diǎn)，它也傾向于被識(shí)別成同一個(gè)因素或者一個(gè)相近的因素，這就十分接近人的識(shí)別特性。

?

總結(jié)

以上是生活随笔為你收集整理的基于图神经网络的图像分类,遥感图像分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。