影像自动解译_遥感影像的解译-分类
(趙春霞、錢樂祥)監督分類是需要學習訓練的分類方法,如最大似然分類,人工神經網絡分類,即是需要事先為每類地物在遙感圖像上采集樣本數據,之后通過學習訓練過程才來分類;非監督分類不需要人工采集地物樣本點數據,多是通過聚類的方法來自動分類,主要有isodata,k均值等.總體來說,監督分類的效果要優于非監督分類.
遙感影像的分類方法按照是否有先驗類別可以分為監督分類和非監督分類，這兩種分類法有著本質的區別但也存在一定的聯系．
監督分類的主要方法
最大似然判別法.也稱為貝葉斯(Bayes)分類,是基于圖像統計的監督分類法,也是典型的和應用最廣的監督分類方法.它建立在Bayes準則的基礎上,偏重于集群分布的統計特性,分類原理是假定訓練樣本數據在光譜空間的分布是服從高斯正態分布規律的,做出樣本的概率密度等值線,確定分類,然后通過計算標本(像元)屬于各組(類)的概率,將標本歸屬于概率最大的一組.用最大似然法分類,具體分為三步:首先確定各類的訓練樣本,再根據訓練樣本計算各類的統計特征值,建立分類判別函數,最后逐點掃描影像各像元,將像元特征向量代入判別函數,求出其屬于各類的概率,將待判斷像元歸屬于最大判別函數值的一組.Bayes判別分類是建立在Bayes決策規則基礎上的模式識別,它的分類錯誤最小精度最高,是一種最好的分類方法.但是傳統的人工采樣方法由于工作量大,效率低,加上人為誤差的干擾,使得分類結果的精度較差.利用GIS數據來輔助Bayes分類,可以提高分類精度,再通過建立知識庫,以知識來指導分類的進行,可以減少分類錯誤的發生[1],這正是Bayes分類的發展趨勢和提高其分類精度的有效途徑.
神經元網絡分類法.是最近發展起來的一種具有人工智能的分類方法,包括BP神經網絡、Kohonen神經網絡、徑向基神經網絡、模糊神經網絡、小波神經網絡等各種神經網絡分類法.BP神經網絡模型(前饋網絡
型)是神經網絡的重要模型之一,也是目前應用最廣的神經網絡模型,它由輸入層、隱含層、輸出層三部分組成,所采取的學習過程由正向傳播過程和反向傳播過程組成.傳統的BP網絡模型把一組樣本的輸入/輸出問題作為一個非線性優化問題,它雖然比一般統計方法要好,但是卻存在學習速度慢,不易收斂,效率不高的缺點.采用動量法和學習率自適應調整的策略,可以提高學習效率并增加算法的可靠性[3].
模糊分類法.由于現實世界中眾多的自然或半自然現象很難明確劃分種類,反映在遙感影像上,也存在一些混合像素問題,并有大量的同譜異物或者同物異譜現象發生,使得像元的類別難以明確確定.模糊分類方法忽略了監督分類的訓練過程所存在的模糊性,沿用傳統的方法,假定訓練樣本由一組可明確定義、歸類,并且具有代表性的目標(像素)構成.監督分類中的模糊分類可以利用神經元網絡所具有的良好學習歸納機制、抗差能力和易于擴展成為動態系統等特點,設計一個基于神經元網絡技術的模糊分類法來實現.模糊神經網絡模型由ART發展到ARTMAP再到FasART、簡化的FasART模型[4],使得模糊神經網絡的監督分類功能不斷完善、分類精確度不斷增加.
最小距離分類法和Fisher判別分類法.它們都是基于圖像統計的常用的監督分類法,偏重于幾何位置.最小距離分類法的原則是各像元點劃歸到距離它最近距離的類別中心所在的類,Fisher判別分類采用Fisher準則即“組間最大距離”的原則,要求組間距離最大而組內的離散性最小,也就是組間均值差異最大而組內離差平方和最小.用這兩種分類法進行分類,其分類精度取決于對已知地物類別的了解和訓練統計的精度,也與訓練樣本數量有關.針對最小距離分類法受模式散布影響、分類精度不高的缺點,人們提出了一種自適應的最小距離分類法,在訓練過程中,將各類樣本集合自適應地分解為子集樹,定義待分類點到子集樹的距離作為分類依據[2],這種方法有效地提高了最小距離法的分類正確率和分類速度,效率較高.Fisher判別分類也可以通過增加樣本數量進行嚴密的統計分類來增加分類精度。
非監督分類的主要方法
動態聚類.它是按某些原則選擇一些代表點作為聚類的核心,然后將其余待分點按某種方法(判據準則)分到各類中去,完成初始分類,之后再重新計算各聚類中心,把各點按初始分類判據重新分到各類,完成第一次迭代.然后修改聚類中心進行下一次迭代,對上次分類結果進行修改,如此反復直到滿意為止.動態聚類的方法是目前非監督分類中比較先進、也較為常用的方法.典型的聚類過程包括以下幾步:選定初始集群中心;用一判據準則進行分類;循環式的檢查和修改;輸出分類結果.聚類的方法主要有基于最鄰近規則的試探法、K-means均值算法、迭代自組織的數據分析法(ISODATA)等.其中比較成熟的是K-means和ISODATA算法,它們較之其他分類方法的優點是把分析判別的統計聚類算法和簡單多光譜分類融合在一起,使聚類更準確、客觀.但這些傳統的建立在統計方法之上的分類法存在著一定的缺點:很難確定初始化條件;很難確定全局最優分類中心和類別個數;很難融合地學專家知識.基于尺度空間的分層聚類方法(SSHC)是一種以熱力學非線性動力機制為理論基礎的新型聚類算法[10],它與傳統聚類算法相比最大的優點是其樣本空間可服從自由分布,可獲取最優聚類中心點及類別,可在聚類過程中融合后驗知識,有更多的靈活性和實用性.
模糊聚類法.模糊分類根據是否需要先驗知識也可以分為監督分類和非監督分類.事實上,由于遙感影像的復雜性和不精確性等特點,預先很難獲得所有有代表性樣本的各類別的精確含量,因此很多情況下用純粹的監督方法作模糊分類并不現實.模糊聚類屬于非監督分類的一種,它根據樣本間的統計量的相似程度作為模糊隸屬度,在無預知類別的前提下對數據集中各點作含量劃分.模糊聚類算法有多種,如基于模糊等價關系的模糊聚類分析法、基于最大模糊支撐樹的模糊聚類分析法等[11],最典型的模糊聚類法是模糊迭代自組織的數據分析法———Fussy-ISODATA.但純粹的非監督分類對影像一無所知的情況下進行所得到的結果往往與實際特征存在一定的差異,因此聚類結果的精度并不一定能夠滿足實際應用的要求,還需要地學知識的輔助,也就是部分監督的Fussy-ISODATA聚類.
系統聚類.這種方法是將影像中每個像元各自看作一類,計算各類間均值的相關系數矩陣,從中選擇最相關的兩類進行合并形成新類,并重新計算各新類間的相關系數矩陣,再將最相關的兩類合并,這樣繼續下去,按照逐步結合的方法進行類與類之間的合并.直到各個新類間的相關系數小于某個給定的閾值為止.
分裂法.又稱等混合距離分類法,它與系統聚類的方法相反,在開始時將所有像元看成一類,求出各變量的均值和均方差,按照一定公式計算分裂后兩類的中心,再算出各像元到這兩類中心的聚類,將像元歸并到距離最近的那一類去,形成兩個新類.然后再對各個新類進行分類,只要有一個波段的均方差大于規定的閾值,新類就要分裂.
遙感影像的監督分類是在已知類別的訓練場地上提取各類別訓練樣本,通過選擇特征變量、確定判別函數或判別式把影像中的各個像元點劃歸到各個給定類的分類.它的基本思想是:首先根據類別的先驗知識確定判別函數和相應的判別準則,利用一定數量的已知類別樣本的觀測值確定判別函數中的待定參數,然后將未知類別的樣本的觀測值代入判別函數,再根據判別準則對該樣本的所屬類別做出判定.遙感影像的非監督分類也稱為聚類,它是事先無法知道類別的先驗知識,在沒有類別先驗知識的情況下將所有樣本劃分為若干類別的方法.它的基本思想是事先不知道類別的先驗知識,僅根據地物的光譜特征的相關性或相似性來進行分類,再根據實地調查數據比較后確定其類別屬性.
遙感影像的監督分類和非監督分類方法,是影像分類的最基本、最概括的兩種方法.傳統的監督分類和非監督分類方法雖然各有優勢,但是也都存在一定的不足.新方法、新理論、新技術的引入,為遙感影像分類提供了廣闊的前景,監督分類與非監督分類的混合使用更是大大的提高了分類的精度.
計算機技術對影像分類的促進與發展.計算機技術的引進,解決了影像分類中海量數據的計算與管理問題;計算機技術支持下的GIS用來輔助影像分類,主要通過四種模式進行[12]:GIS數據作為影像分析的訓練樣本和先驗信息;利用GIS技術對研究區域場景和影像分層分析;GIS建立面向對象的影像分類;提取和挖掘GIS中的知識進行專家分析.這些模式促進了GIS與遙感的結合,提高了影像分類精確性和準確性,使得影像分類邁入了新的天地.
數學方法的引入和模型研究的進展為影像分類注入了新的活力.不同的數學方法被引用到模型研究上來,為模型研究的發展提供了廣闊的天地,相應地,在遙感影像分類中也產生了大量不同形式的分類模型.如徑向基函數(RBF)與粗糙理論結合的基于粗糙理論的RBF網絡模型應用于遙感分類[5],對于提供分類精度、增加收斂性都有很好的作用;而基于RBF映射理論的神經網絡模型更是融合了參數化統計分布模型和非參數化線性感知器映射模型的優點,不僅學習速度快,而且有高度復雜的映射能力[6].又如模糊數學理論應用于影像分類產生模糊聚類,對影像中混合像元的分類有很好的效果;模糊理論與各種模型結合,更使得影像分類方法的不斷完善,分類精度不斷提高.
人工智能技術對影像分類的促進.專家分類系統被用于影像分類中,利用地學知識和專家系統來輔助遙感影像分類[12],大大提高了影像分類和信息提取的精度.人工神經網絡由大量神經元相互連接構成網絡結構,通過模擬人腦神經系統的結構和功能應用于影像分類,具有一定的智能推理能力.同時,它還引入了動量法和學習自適率調整的策略,并與地學知識集成,很好的解決了專一的BP神經網絡法分類的缺點和不足,提高了分類效率和分類精度.
監督分類與非監督分類的結合.由于遙感數據的數據量大、類別多以及同物異譜和同譜異物現象的存在,用單一的分類方法對影像進行分類其精確度往往不能滿足應用目的要求.用監督分類與非監督分類相結合的方法來對影像進行分類,卻常常可以到達需要的目的.利用這種方法分類時首先用監督分類法如多層神經網絡的BP算法將遙感圖像概略地劃分為幾個大類,再用非監督分類法如K-Means聚類和ISODATA聚類對第一步已分出的各個大類進行細分,直到滿足要求為止[13].監督分類與非監督分類的結合的復合分類方法,改變了傳統的單一的分類方法對影像進行分類的弊端,彌補了其不足,為影像分類開辟了廣闊的前景.
總結
以上是生活随笔為你收集整理的影像自动解译_遥感影像的解译-分类的全部內容，希望文章能夠幫你解決所遇到的問題。
