遙感圖像畢業(yè)設(shè)計

1、<p>　　本 科 畢 業(yè) 設(shè) 計（論文） </p><p>　　題目 遙感圖像分類方法研究</p><p>　　院（系部）測繪與國土信息工程學(xué)院</p><p>　　專業(yè)名稱 測繪工程 </p><p><b>　　年級班級 </b></p><p>

2、<b>　　學(xué)生姓名 </b></p><p><b>　　指導(dǎo)教師 </b></p><p>　　20年 月 日</p><p><b>　　摘 要 </b></p><p>　　遙感圖像分類一直是遙感研究領(lǐng)域的重要內(nèi)容，如何解決多類別的圖像的分

3、類識別并滿足一定的精度，是遙感圖像研究中的一個關(guān)鍵問題，具有十分重要的意義。</p><p>　　遙感圖像的計算機分類是通過計算機對遙感圖像像素進行數(shù)值處理，達到自動分類識別地物的目的。遙感圖像分類主要有兩類分類方法：一種是非監(jiān)督分類方法，另一種是監(jiān)督分類方法。非監(jiān)督分類方法是一個聚類過程，而監(jiān)督分類則是一個學(xué)習(xí)和訓(xùn)練的過程，需要一定的先驗知識。非監(jiān)督分類由于不能確定類別屬性，因此直接利用的價值很小，研究應(yīng)用也越

4、來越少。而監(jiān)督分類隨著新技術(shù)新方法的不斷發(fā)展，分類方法也是層出不窮。從傳統(tǒng)的基于貝葉斯的最大似然分類方法到現(xiàn)在普遍研究使用的決策樹分類和人工神經(jīng)網(wǎng)絡(luò)分類方法，雖然這些方法很大程度改善了分類效果，提高了分類精度，增加了遙感的應(yīng)用能力。但是不同的方法有其不同優(yōu)缺點，分類效果也受很多因素的影響。</p><p>　　本文在對國內(nèi)外遙感圖像分類方法研究的進展進行充分分析的基礎(chǔ)上，應(yīng)用最大似然分類法、ISODATA分類法對

5、鶴壁市Geoeye遙感圖像進行了分類研究。在對分類實現(xiàn)中，首先對分類過程中兩個必不可少的，并影響分類效果的步驟也進行了詳細地研究，分別是分類樣本和分類特征；然后詳細介紹這兩種方法的分類實驗；最后分別分析分類結(jié)果圖和采用混淆矩陣和kappa 系數(shù)對兩種方法的分類結(jié)果進行精度評價。兩種分類方法的分類總體精度計算都達到80％以上，滿足分類要求。通過綜合分析發(fā)現(xiàn)本次研究ISODATA方法分類精度較低，最大似然法分類精度較高。</p>

6、<p>　　關(guān)鍵詞： 圖像分類，最大似然法，ISODATA分類法，分類精度</p><p><b>　　ABSTRACT</b></p><p>　　Remote sensing（RS）image classification is always a pivotal part of remote sensing study. How to improve

7、 the accuracy of RS interpretation is an urgent problem in RS application.</p><p>　　Classification of remote sensing image using computer is data disposal of remote sensing image pixels by computer. There ar

8、e mainly two methods: non-supervised classification, and supervised classification. Non-supervised classification is a clustering process, while supervised classification is a study and training process, and it needs pre

9、liminary knowledge. Because non-supervised classification can not ascertain attribute of sorts, its value is very little by direct used and applied. While su</p><p>　　Based on world RS image classification m

10、ethods analysis, this paper applied MLC, and ISODATA classification to study classification of the Hebi city’s RS image. Within classification carried out, first classification samples and features have been researched i

11、n detail, which are two absolute necessary steps that affect classification in the process .Afterward this paper concretely introduced experiment of two classification process. Finally this paper evaluated accuracy of di

12、fferent ways accordi</p><p>　　Keywords: Image Classification, Maximum likelihood, ISODATA classification, Classification Accuracy</p><p><b>　　目 錄</b></p><p><b>

13、;　　1 緒論1</b></p><p>　　1.1 研究背景與意義1</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀2</p><p>　　1.3 研究內(nèi)容與論文組織結(jié)構(gòu)3</p><p>　　2 遙感圖像分類技術(shù)4</p><p>　　2.1 遙感圖像計算機分類的一般原理4</p>

14、<p>　　2.1.1 概述4</p><p>　　2.1.2 計算機分類的基本原理5</p><p>　　2.1.3 計算機分類處理的一般過程5</p><p>　　2.2 遙感圖像分類方法7</p><p>　　2.2.1 監(jiān)督分類7</p><p>　　2.2.2 非監(jiān)督分類11<

15、;/p><p>　　2.3 遙感圖像分類新方法16</p><p>　　2.3.1 決策樹分類16</p><p>　　2.3.2 神經(jīng)網(wǎng)絡(luò)分類18</p><p>　　2.3.4 綜合閾值法19</p><p>　　2.3 圖像分類的一般過程19</p><p>　　3 遙感圖像分類方

16、法的應(yīng)用21</p><p>　　3.1 幾種高分辨率商業(yè)遙感衛(wèi)星介紹21</p><p>　　3.2 研究所使用的軟件介紹22</p><p>　　3.3 影像處理23</p><p>　　3.4 分類后處理27</p><p>　　4實驗精度分析30</p><p>　　4.

17、1 遙感圖像分類的評價30</p><p><b>　　5總結(jié)與展望34</b></p><p><b>　　致 謝36</b></p><p><b>　　參考文獻37</b></p><p><b>　　1 緒論</b></p>

18、<p>　　1.1 研究背景與意義</p><p>　　遙感（Remote Sensing，簡稱 RS）是一種遠離目標，通過非直接接觸而判定、測量并分析目標性質(zhì)的技術(shù)，它實現(xiàn)了空間（或地表）圖像信息的采集與處理。遙感技術(shù)作為一種信息時代的產(chǎn)物和工具，具有周期動態(tài)性、信息量豐富、獲取效率高等顯著優(yōu)勢[1]。近年來，隨著傳感器技術(shù)、航空和航天平合技術(shù)、數(shù)據(jù)通訊技術(shù)的飛速發(fā)展，現(xiàn)代遙感技術(shù)已經(jīng)進入了一個動態(tài)

19、、快速、準確、及時、多手段地提供多種對地觀測數(shù)據(jù)的新階段。新型傳感器不斷出現(xiàn)，能在不同的航天、航空遙感平臺上獲得不同空間分辨率、時間分辨率和光譜分辨率的遙感圖像，并與全球定位系統(tǒng)（Global Position System，簡稱 GPS）、地理信息系統(tǒng)（Geographical Information System，簡稱 GIS）等相結(jié)合。由于遙感向人類提供了一種全新的認識地球的方式而在眾多的學(xué)科和領(lǐng)域得到應(yīng)用，并逐漸發(fā)展成占優(yōu)勢的技

20、術(shù)手段，向外延伸、滲透和與其它技術(shù)的集成[2]。遙感圖像分析是遙感圖像處理的高級階段，是對地球表面及其環(huán)境在遙感圖像上的信息進行特征提取，利用獲取的特征進行分類，從而達到識別圖像信息所對應(yīng)的實際地物，提取所需地物</p><p>　　隨著21世紀的到來，光譜遙感正朝著三高（搞空間分辨率、高光譜分辨率、高時間分辨率）和三多（多傳感器、多平臺、多角度）的方向迅猛發(fā)展。面對如此海量的信息源，如何充分有效利用它們是亟待解

21、決的問題。</p><p>　　1.2 國內(nèi)外研究現(xiàn)狀 </p><p>　　遙感圖像的計算機分類，與遙感圖像的目視解譯判讀技術(shù)相比，兩者的目的一致，但手段不同，前者是利用計算機模擬人類的識別能力，后者把地學(xué)工作人員的專業(yè)知識介入到圖像分析中去，是遙感解譯的基本方法。而在實際工作中，常常是二者有機結(jié)合起來，互相取長補短。計算機自動分類可以利用各波段、各像元的灰度值最小差異，探測目標的微小變

22、化，精度較高，適于定量分析，速度快，可重復(fù)性好，因而越來越得到廣泛的應(yīng)用，尤其是與地理信息系統(tǒng)相結(jié)合更是顯出其強大優(yōu)勢。計算機分類的快速處理數(shù)據(jù)的能力也是與遙感大量信息相適應(yīng)的，目前已成為遙感理論和應(yīng)用研究領(lǐng)域主流之一。</p><p>　　遙感圖像分類的理論依據(jù)是：遙感圖像中同類地物在相同條件下(紋理、地</p><p>　　形、光照以及植被覆蓋等)應(yīng)具有相同或相似的光譜信息特征和空間信

23、息特征，</p><p>　　因此同類地物像元的特征向量將集群在統(tǒng)一特征空間區(qū)域，而不同的地物由于光譜信息特征或空間信息特征的不同，將集群在不同的特征空間區(qū)域。同類地物的各像元特征向量雖然不是完全集中在幾個點上，但也不是雜亂無章分布的，而是相對密集的分布在一起形成集群，當像元數(shù)目較大時，近似呈多維正態(tài)分布。一個集群相當于一個類別，而每類的像元值向量可以看作隨機向量，因而遙感圖像 分類方法一般是建立在隨機變量統(tǒng)計分

24、析的基礎(chǔ)上的。</p><p>　　依據(jù)是否使用類別的先驗知識，可分為監(jiān)督分類(supervised classification)和非監(jiān)督分類(Unsupervised classification)。監(jiān)督和非監(jiān)督分類法相比，監(jiān)督分類的精度高些，準確性要好一些，但是需要采樣，工作量要大得多。監(jiān)督分類要選好訓(xùn)練樣本，要求樣本有一定的代表性，而且有足夠的數(shù)量。常用的分類方法有最大似然法，神經(jīng)網(wǎng)絡(luò)法和基于知識的決策樹

25、法等，下一章詳細介紹。</p><p>　　在國外，在遙感圖像處理領(lǐng)域卓有成效的有美國ERDAS公司推出的ERDAS</p><p>　　imagine、加拿大ERM公司研制的ER Maper、新加坡3一link公司的ENVI等。這</p><p>　　些商用軟件通常提供基礎(chǔ)級(Essentials)、高級(Advantage)和專用級(Professional)

26、三級模塊軟件[5]。在專業(yè)級遙感圖像處理模塊是在其他兩級的基礎(chǔ)上，增加用于遙感與地理分析專業(yè)的綜合工具，如分類技術(shù)、雷達分析、可視化空間建模工具等。特別是ERDAS, Imagine不僅具有常用的監(jiān)督和非監(jiān)督分類技術(shù)，而且具有予像元分類器(Subpixel Classifier)及結(jié)合專家系統(tǒng)的專家分類器(Expert Classfier)。子像元分類模塊是功能強大的多光譜圖像研究工具，具有較高水平的光譜區(qū)分能力和分類精度。專家分類器通

27、過建立專家系統(tǒng)，既充分利用光譜信息，又將空間關(guān)系信息(紋理特征)引入，并且需要建立并運行復(fù)雜的推理機制，從而生成土地覆蓋圖和其他信息類別。因而除了該軟件具有相當高的價格外，對軟件使用者的地學(xué)知識和經(jīng)驗以及建模能力又相當高的要求[6]。 </p><p>　　國內(nèi)在GIS和遙感圖像處理領(lǐng)域的發(fā)展較晚，加之產(chǎn)品功能單一，因而在市場上的份額較小。進入90年代以來，隨著國際上微機平臺的遙感圖像處理系統(tǒng)的興起和國內(nèi)地理信息

28、系統(tǒng)等相關(guān)領(lǐng)域的迅速發(fā)展，我國遙感圖像處理系統(tǒng)的研制有了新的發(fā)展[8]。武漢大學(xué)開發(fā)的MAPGIS等國內(nèi)先進的基于微機Windows平臺上的GIS軟件已包含了遙感圖像處理模塊。但其相對功能較弱。另外像Teullx Imager是北京諾瓦信息技術(shù)有限公司推出的獨立架構(gòu)的遙感圖像處理軟件。但遙感分類技術(shù)單一僅能提供最大似然法分類，因而分類效果相對較差。

29、 </p><p>　　1.3 研究內(nèi)容與論文組織結(jié)構(gòu)</p><p><b>　　本文分為六部分。</b></p><p>　　為緒論，主要介紹本次研究背景、意義以及遙感圖像識別與分類技術(shù)發(fā)展和研究現(xiàn)狀，并提出本研究的主要內(nèi)容和研究方法；</p><p>　　第二章為遙感圖像分類技術(shù)的基本理論，介紹遙感圖像

30、分類的整個過程的基本原理，傳統(tǒng)的監(jiān)督、非監(jiān)督分類的基本算法，分類精度評價方法，為本研究提供理論基礎(chǔ)；</p><p>　　第三章介紹本次分類研究區(qū)典型地物類型樣本的確定原則和方法，并提出了本次分類實驗樣本的選取方案；</p><p>　　第四章為本次分類實驗的具體方法和結(jié)果，展示了遙感圖像分類的全過程，并分析不同分類方法的分類效果；</p><p>　　第五章為總結(jié)

31、和展望，總結(jié)本次的研究工作和不足，對未來的研究展開思路打下鋪墊。</p><p>　　2 遙感圖像分類技術(shù)</p><p>　　在遙感技術(shù)的研究中，通過遙感影像判讀識別各種目標是遙感技術(shù)發(fā)展的一種重要環(huán)節(jié)，無論是專業(yè)信息提取，動態(tài)變化預(yù)測，還是專題制圖和遙感數(shù)據(jù)庫的建立等都離不開分類。近年來隨著計算機技術(shù)的飛速發(fā)展，計算機分類識別成了遙感應(yīng)用的一個重要組成部分。</p>&l

32、t;p>　　2．1 遙感圖像計算機分類的一般原理</p><p><b>　　2.1.1 概述</b></p><p><b>　　1.遙感圖像解譯</b></p><p>　　遙感所得的圖像數(shù)據(jù)的應(yīng)用常常是將遙感數(shù)據(jù)進行解譯，即是根據(jù)各專業(yè)的要求，借助各種技術(shù)手段和方法對遙感圖像進行綜合分析、比較、推理和判斷，識別

33、出所需要的地物或測算某種數(shù)量指標的過程。這種解譯有兩種方法：一種是目視解譯的方法，即是憑借光譜規(guī)律、地學(xué)規(guī)律和解譯者的經(jīng)驗從圖像的亮度、色調(diào)、位置、時間、紋理、結(jié)構(gòu)等各種特征推出地面的景物類型；另一種是計算機的方法，就是對遙感圖像上的信息進行屬性的識別和分類，從而達到識別圖像上信息所對應(yīng)的實際地物，提取所需要的地物信息的目的。它實際上是計算機模式識別技術(shù)在遙感技術(shù)領(lǐng)域的具體應(yīng)用。與遙感圖像的目視判別技術(shù)相比較，目的一樣但是手段不同，目視

34、的方法是直接利用人類的自然識別智能，而計算機分類是利用計算機技術(shù)來模擬人類的識別智能。</p><p><b>　　2．光譜特征</b></p><p>　　為了將各個波段圖像中的像元的亮度值與地面地物特征聯(lián)系起來，必須發(fā)現(xiàn)其中的規(guī)律性。由地物反射率曲線可知，在不同的波段各種地物的反射率有差異。如任意選擇TM遙感圖像的兩個波段或兩個以上的波段，以每一個波段的亮度值為軸

35、做多光譜空間，可以看到，對應(yīng)于同一地物的像元點在多光譜空間位置很接近，有集聚的傾向。這種同類集聚的特性說明，如果按照地物類別集聚的規(guī)律把多光譜空間劃分為若干個子空間，每個子空間包含有一個類別，這樣就把圖像中未知的像元進行分類，把他們分配到各自的子空間中去。這種完全按照光譜特征都在多光譜空間集聚的類別，稱為光譜類別；而與地面實際地物對應(yīng)的類別稱為信息類別。</p><p>　　由于自然界的情況是復(fù)雜的，反映在圖像上

36、像元亮度值的信息常常是多種影響的綜合，而同一種地物也有許多差別。在實際處理時，植被、地形、含水量等都會引起同種信息類別的亮度變化，這種現(xiàn)象常常稱為“同物異譜” 。還有在同一種光譜類別中有不同的信息類別，這種現(xiàn)象稱為“異物同譜” 。因此，當利用光譜特性分類得到的光譜類別后，還要找到光譜類別與信息類別的關(guān)系，把每一種光譜類別與信息類別對應(yīng)，或?qū)⒐庾V類別進一步區(qū)分為信息類別，才能得到正確的分類結(jié)果。</p><p>　

37、　2.1.2 計算機分類的基本原理</p><p>　　遙感圖像分類就是把圖像中的每一個像元或區(qū)域劃歸為若干類別中的一種，即是通過對各類別地物的光譜特征分析來選擇特征參數(shù)，將特征空間劃分為互不重疊的子空間，然后將圖像內(nèi)的各個像元劃分到各個子空間中去，從而實現(xiàn)分類。</p><p>　　假設(shè)多光譜圖像有n 個波段，則（i，j）位置上的像元在每個波段上額灰度值可以構(gòu)成一個矢量X＝（），T ，

38、X 稱作該像元的特征值，包含X 的n 維空間稱為特征空間。這樣n 個波段的多光譜圖像便可以用n 維特征空間中的一系列點來表示。在遙感圖像分類問題中，常常把圖像中的某一類目標稱為模式，而把屬于該類中的像素稱為樣本，多光譜矢量X 稱為樣本的觀測值，下面以多光譜圖像的兩個波段為例說明遙感圖像分類的基本原理。</p><p>　　如果將多光譜圖像上的每個像素用特征空間中的一個點來表示，這樣多光譜圖像和特征空間中的點就具有

39、等價關(guān)系。通常情況下，同一類地面目標的光譜特征比較接近，因此在特征空間中的點就聚集在該類的中心附近，多類目標在特征空間中形成多個聚集中心。假設(shè)圖像上只包含兩類目標，記為、，則在特征空間中形成A、B 兩個相互分開的點集，這樣將圖像中的兩類目標區(qū)分開來就等于在特征空間上找到一條曲線（多光譜圖像就要找若干個曲面）將A、B 兩個點集分割開。假如分割A(yù)、B 兩個點集的曲線表達式為，則方程＝0 就稱為A、B 兩類的判別界面。如果> 0，X 屬

40、于，如果< 0，X 屬于。遙感圖像分類算法的核心就是確定判別函數(shù)和相應(yīng)的判別準則，但是在多光譜遙感圖像分類中，情況要復(fù)雜的多。</p><p>　　2.1.3 計算機分類處理的一般過程</p><p>　　遙感圖像計算機分類處理的基本過程，如下圖2-1 所示，包括原始圖像的預(yù)處理、訓(xùn)練樣本的選擇、特征的選擇和特征提取、分類器設(shè)計、圖像分類、結(jié)果輸出以及結(jié)果檢驗等。</p>

41、<p>　　圖2-1 遙感圖像自動分類處理的一般過程</p><p>　　1．原始圖像的預(yù)處理</p><p>　　原始圖像的預(yù)處理就是指對圖像進行幾何校正、輻射校正、量化、采樣、濾波、增強、去噪等處理，以便獲得比較清晰、對比度強、位置準確的圖像以提高分類的準確性。</p><p><b>　　2．訓(xùn)練樣本的選擇</b><

42、/p><p>　　從待處理的圖像數(shù)據(jù)中抽取具有普遍性、代表性的數(shù)據(jù)作為樣本。訓(xùn)練區(qū)域選擇準確與否，訓(xùn)練樣本數(shù)量是否足夠，關(guān)系到分類的精度的高低。在監(jiān)督分類中，訓(xùn)練樣本選擇最好的方法是選擇幾個典型區(qū)域，包含各類地物，進行實地考察，對照實地將被分類的遙感圖像一一識別，并在圖上標好，在到計算機上將這些數(shù)據(jù)提出。如果受客觀條件的限制，可以借助地圖、航片或其他專題資料進行選擇等。如果在上述資料都沒有的情況下也可以先做非監(jiān)督分類

43、，在非監(jiān)督分類結(jié)果中選擇訓(xùn)練樣本。</p><p>　　3．特征選擇和特征提取</p><p>　　特征選擇是從眾多特征中挑選出可以參加分類運算的若干個特征，如TM 圖像波段的選擇等。特征提取是在特征選擇后，利用特征提取算法從原始特征中求出最能反映其類別特性的一組新特征，完成樣本空間到特征空間的轉(zhuǎn)換。通過特征提取既可以達到數(shù)據(jù)的壓縮目的，又能提高不同類別特征之間的可區(qū)分性。</p&g

44、t;<p><b>　　4．圖像分類運算</b></p><p>　　圖像分類運算就是根據(jù)圖像的特點和分類目的而設(shè)計或選擇恰當?shù)姆诸惼骷捌渑袆e準則，對特征向量集進行劃分、完成分類識別工作。分類階段是計算機處理的核心階段。</p><p><b>　　5．結(jié)果檢驗</b></p><p>　　主要是對分類的精度

45、進行評價。進入傳感器的遙感信息由于受傳感器空間分辨率和光譜分辨率的限制，常常得到混合的信息。有時地物本身就是混合在一起的，例如植被覆蓋下的土壤。因此不存在理想的分類器，加上“同物異譜”、“異物同譜“現(xiàn)象的存在，錯分的情況普遍存在，所以分類后必須進行檢驗，錯分像素所占的比例越小，則分類效果越好。</p><p><b>　　6．結(jié)果輸出</b></p><p>　　包括

46、分類結(jié)果圖像的輸出，以及分類結(jié)果的統(tǒng)計，例如各類地物占地面積等。 </p><p>　　2.2 遙感圖像分類方法</p><p>　　遙感圖像分類過程實際上是將圖像中的每一個像元點或區(qū)域歸屬若干個類別中的一類，分類的結(jié)果是將圖像空間劃分為若干個子區(qū)域，每個子區(qū)域代表一種地物類型。</p><p>　　依據(jù)是否使用類別的先驗知識，可

47、分為監(jiān)督分類（Supervised Classification）和非監(jiān)督分類（Unsupervised Classification）.</p><p>　　2.2.1 監(jiān)督分類</p><p>　　監(jiān)督分類就是先用某些已知類別訓(xùn)練樣本讓分類識別系統(tǒng)進行學(xué)習(xí)，待其掌握了各個類別的特征之后，按照分類的決策規(guī)則進行分類下去的過程。目前比較成熟的分類方法，一般是概率統(tǒng)計分類方法。除此之外，

48、尚有模擬自然語言的句法結(jié)構(gòu)識別分類方法和模糊數(shù)學(xué)分類方法等。就統(tǒng)計分類方法而論，通過計算各個類別的均值、方差、協(xié)方差、標準偏差和離散度等統(tǒng)計量，作為進行比較不同類別的相似程度的依據(jù)和標準，也即在這些統(tǒng)計量的基礎(chǔ)上建立各個組類的類識別特征來進行分類。</p><p>　　監(jiān)督分類方法主要有：最小距離分類法、平行多面體分類法、最大似然分類法等.</p><p>　　2.2.1.2 最小距離分

49、類法</p><p>　　最小距離分類法是以特征空間中的距離作為像素分類的依據(jù)。最小距離分類包括最小距離判別法和最近鄰域分類法。最小距離判別法要求對遙感圖像中每一個類別選一個具有代表意義的統(tǒng)計特征量（均值），首先計算待分像元與已知類別之間的距離，然后將其歸屬于距離最小的一類。最近鄰域分類法是上述方法在多波段遙感圖像分類的推廣。在多波段遙感圖像分類中，每一類別具有多個統(tǒng)計特征量。最近鄰域分類法首先計算待分像元到每一

50、類中每一個統(tǒng)計特征量間的距離，這樣，該像元到每一類都有幾個距離值，取其中最小的一個距離作為該像元到該類別的距離，最后比較該像元到所有類別間的距離，將其歸屬于距離最小的一類。最小距離分類法原理簡單，分類精度不高，但計算速度快，它可以在快速瀏覽分類概況中使用。</p><p>　　最小距離分類法中通常使用以下三種距離判決函數(shù)。</p><p>　?。?）歐幾里德(Euclidean)距離<

51、;/p><p>　　歐幾里德 （歐氏）距離判決函數(shù)為：</p><p><b>　　（2-1）</b></p><p>　　式中 n----波段數(shù)；</p><p>　　------像元x在j波段的像元值。</p><p>　　分類的原則就是把x歸入最小的哪一類。</p><

52、p><b>　　絕對值距離</b></p><p>　　絕對值距離（或稱等混合距離）是歐氏距離的進一步簡化。其目的是為了避免平法計算，從而用X到類均值在多維空間中距離的絕對值之總和來表示，即： （i=1,2,...m） （2-2）</p><p>　　直接應(yīng)用以上兩種距離進行分類是有明顯缺陷的。首先

53、，不同類別的亮度值得變化范圍，其方差的大小是不同的，不能簡單地用到壘中心的距離來劃分像元的歸屬。其次，自然地物類別的點群分布不一定是圓形或球形，即不同方向上半徑是不等的，因而距離的量度在不同方向上也應(yīng)有所差異?？紤]到這些因素，在距離的算法上做一些改進，如 </p><p><b>　?。?-3）</b></p><p>　　式中 ----第i類在第j波段的標準差。&

54、lt;/p><p>　　馬氏（Mahalanobis)距離</p><p>　　馬氏距離既考慮離散度，也考慮到訓(xùn)練組數(shù)據(jù)的均值向量和協(xié)方差矩陣，是一種加權(quán)的歐氏距離：</p><p>　?。╥=1,2,...m） （2-4）</p><p>　　式中 ------協(xié)方差矩陣；。</p>

55、<p>　　當（單位矩陣）時，歐氏距離的平方即為馬氏距離。</p><p>　　馬氏距離對不同特征（波段）是敏感的，需要進行行加權(quán)，通過協(xié)方差矩陣來考慮變量相關(guān)性，加權(quán)的辦法就是考慮不同特征中像元值得離散程度，離散程度大的波段在距離中相應(yīng)地消弱它的影響程度。</p><p>　　2.2..1.3 平行多面體分類法</p><p>　　平行多面體分類法

56、是根據(jù)設(shè)定在各軸上的值域，在多維數(shù)據(jù)特征空間中劃分出若干個互不重疊的平行多面體塊段。應(yīng)用這種方法進行分類需要由訓(xùn)練組數(shù)據(jù)學(xué)習(xí)產(chǎn)生基本統(tǒng)計量信息，包括每個類別的均值向量和標準差向量。若有n個波段，m個類別，用代表第i類第j波段的均值，為對應(yīng)的標準差，為像元x在j波段的像元值。</p><p>　　對于某一個類別i（i=1,2,3,...m）,當像元x滿足：</p><p><b>

57、　?。?-5）</b></p><p>　　即該像元在所有波段的灰度值都符合上述條件，就把像元x歸入第i類，即class（x）=i;否則不能歸入已知類別，即class（x）=0。式中T為人為規(guī)定的一個閾值，相當于由概率分布出發(fā)，采用幾個標準作為可信的分類邊界，T越大則一個類的范圍越大。</p><p>　　這種方法比較簡單，計算速度比較快。主要問題是按照各個波段的均值為標準差劃

58、分的平行多面體與實際地物類別數(shù)據(jù)點分布的點群形態(tài)不一致，也就造成兩類互相重疊，混淆不清的情況。</p><p>　　2.2.1.4 最大似然法</p><p>　　最大似然法因有嚴密的理論基礎(chǔ)，對于呈正態(tài)分布的類別判別函數(shù)易于建立，綜合應(yīng)用了每個類別在各波段中的均值，方差以及各波段之間的協(xié)方差，有較好的統(tǒng)計特性，一直被認為是最先進的分類方法。</p><p><

59、;b>　　1 基本原理</b></p><p>　　最大似然比判決分類方法是建立在貝葉斯準則基礎(chǔ)上的，其分類錯誤概率最小，是風(fēng)險最小的判決分析。在進行圖像統(tǒng)計分類中，如果有一個N波段的待分像元的隨機模式：。</p><p>　　應(yīng)把它判歸于那一個類別呢?事實上，隨機模式x肯定是某地物在遙感圖像</p><p>　　上的反映，就是說它可以找到一個類別

60、；，把待判模式x歸屬進去。假定遙感圖像有4個波段，對一個像元點來說，每一個波段值都為0～255，即有256種可能性，4個波段就為種組合可能性，也就是說對于一個類別就有種波譜分布的可能性。假如要分成m個類，就要有m×種波譜分布。這樣多的波譜分布的直方圖都要貯存在計算機內(nèi)，以便分類過程中進行匹配和識別時選用，這實際上是行不通的。但是，在自然界中大部分事物的規(guī)律都是服從正態(tài)分布的，地物的波譜輻射和其對應(yīng)的遙感圖像灰度值也都近似地遵循

61、正態(tài)函數(shù)的分布。 </p><p>　　最大似然分類法是基于Bayes準則的應(yīng)用最為廣泛的監(jiān)督分類方法。這種方法主要根據(jù)光譜性質(zhì)的相似性和屬于某類的概率最大的假設(shè)來指定每個像元的類別。有時也可以設(shè)定一個可能性閾值，那么最大的概率還小于這個閾值的像元將不會被分類。假定訓(xùn)練樣本數(shù)據(jù)在特征空間的分布是服從高斯正態(tài)分布的，把特征點x歸于某類集群G．的條件概率P(G／x)作為判別函數(shù)，稱為概

62、率判別函數(shù)。由于概率是建立在統(tǒng)計意義上的，所以當使用概率判決函數(shù)來進行分類時，錯分現(xiàn)象是不可避免的，我們希望以“錯分損失最小”來建立需要的判別規(guī)則，這就是Bayes準則。</p><p>　　最大似然分類法的基本前提是認為每一類得概率密度分布是正態(tài)的，由每一類的均值向量和協(xié)方差矩陣可以得到它再多維空間的多維正態(tài)分布密度函數(shù)，該密度函數(shù)的自變量就是一個多維向量。將未知類別的像元灰度值向量代入各類別的概率密度函數(shù)中，

63、通過計算像元屬于各類別的歸屬概率，將像元歸屬于歸屬概率最大的那一類別中。</p><p>　　設(shè)待分類遙感圖像中每個像元取n個變量，則像元值可以用向量表示：</p><p><b>　?。?-6）</b></p><p>　　其中，是指X的轉(zhuǎn)置。</p><p>　　若研究地區(qū)可分為G類，則任意像元必來自其中的某一類。當

64、各類總體為多元正態(tài)總體時，像元特征向量X在第g類得概率分布密度為：</p><p><b>　?。?-7）</b></p><p>　　式中 ---------第g類總體的均值向量和協(xié)方差陣；</p><p>　　-------矩陣的行列式值；</p><p>　　------的逆陣。</p>&l

65、t;p>　　根據(jù)Bayes公式，在X出現(xiàn)的條件下，其歸屬第g類得歸屬概率為：</p><p><b>　?。?-8）</b></p><p>　　式中 ---------第i類出現(xiàn)的先驗概率。</p><p>　　顯然，越大，像元X來自g類得概率就越大，所以表示X歸屬于g類得概率，稱為像元X的歸屬概率。

66、 </p><p>　　2 存在的問題 </p><p>　　隨著遙感數(shù)據(jù)時空維數(shù)的不斷擴展，基于Bayes統(tǒng)計理論的最大似然分類方</p><p>　　法開始暴露出一些弱點：</p><p>　　1)多源、多維的遙感數(shù)據(jù)，可能不具備正態(tài)分布特征：</p><p>　　2)離散的類別數(shù)據(jù)（如地面

67、實測數(shù)據(jù))，在很多情況下不具備統(tǒng)計意義； </p><p>　　3)對于高維空間數(shù)據(jù)，Bayes準則所要求的協(xié)方差矩陣將難以得到。 </p><p>　　2.2.2 非監(jiān)督分類</p><p>　　非監(jiān)督分類是按照灰度值向量或波段樣式在特征空間聚類的情況劃分點群或類別的，再根據(jù)相似性把圖像中的像素歸成若干類別。它的目的是使得屬于同一類別

68、的像素之間的距離盡可能小而不同類別上的像素間的距離盡可能地大。</p><p>　　2.2.2.1 聚類分析技術(shù)</p><p>　　聚類（Clustering）分析又稱群分析，它是研究樣品或指標分類問題的一種多元統(tǒng)計方法。非監(jiān)督分類主要采用聚類分析技術(shù)，用于在沒有已知類別的訓(xùn)練數(shù)據(jù)的情況下，是一種邊學(xué)習(xí)邊分類的方法。分類時不必對圖像地物獲取先驗知識，僅依靠圖像上對不同類地物的光譜信息進

69、行特征提取的統(tǒng)計特征的差別來達到分類的目的，最后對已分出的各個類別的實地屬性進行確認。</p><p>　　非監(jiān)督分類的前提就是假定遙感圖像上不同類地物在同樣條件下具有相同的光譜信息特征。遙感圖像上的同類地物在相同的表面結(jié)構(gòu)特征、植被覆蓋、光照條件下，應(yīng)當具有相同或相近的光譜特征，從而表現(xiàn)出來某種內(nèi)在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光譜信息特征不同，歸屬于不同的 光譜空間區(qū)域。從幾何角度看，一個點

70、群或類別是在N維特征空間里在某個眾數(shù)的周圍數(shù)據(jù)點（像元）相對密集的區(qū)域，亮度值向量之間具有很大的相似性。</p><p>　　相似度是兩類別之間的相似程度。在遙感圖像分類過程中，常使用距離和相關(guān)系數(shù)衡量相似度。采用距離衡量相似度時，距離越小相似度越大；反之，距離越大，相似度越小。相關(guān)系數(shù)是指像素間的關(guān)聯(lián)程度，采用相關(guān)系數(shù)衡量相似度時，相關(guān)程度越大，相似度越大；相關(guān)程度越小，相似度越小。兩個像素之間的相關(guān)系數(shù)可以定

71、義為：</p><p><b>　?。?-9）</b></p><p>　　其中，為像元i和j的第k個分量；和表示均值。</p><p>　　聚類分析的過程是動態(tài)的，非監(jiān)督分類算法的核心問題是初始類別參數(shù)的選定以及它的迭代調(diào)整問題。根據(jù)分類過程中的差異，常用的方法有K-均值聚類法和ISODATA分類法。

72、 </p><p>　　2.2.2.2 K-均值聚類法</p><p>　　K-均值聚類法是一種較為典型的逐點修改迭代的動態(tài)聚類算法，也是一種普遍采用的方法。K-均值聚類的準則是使每一聚類中多模式點到該類別的中心的距離的平方和最小。一般先按某些原則選擇一些代表點作為聚類的核心，然后把其余的待分點按某種方法分到各類中去，完成初始分類。初始分類完成后，重新計算

73、各聚類中心m,完成第一次迭代。然后修改聚類中心，以便進行下一次迭代。這種修改有兩種方案，即逐點修改和逐批修改。逐點修改聚類中心就是一個像元樣本按某一原則歸屬于某一組類后，重新計算這個組類的均值，并且以新的均值聚類中心點進行下一次像元聚類。逐批修改類中心就是在全部像元樣本按某一組的類中心分類之后，再計算修改各類的均值，作為下一次分類的聚類中心點。</p><p>　　K-mean分類方法簡單易行，其基本思想是：通過

74、迭代，逐次移動各類的中心，直到得到最好的聚類結(jié)果為止。具體算法步驟：</p><p>　　任意選擇K個初始聚類中心，一般選擇給定樣本集的前k個樣本作為初始聚類中心。</p><p>　　第k次迭代，是若，式中i=1,2,....k, ,則，為聚類中心是的樣本集。于是分配各樣本x到k個聚類域。</p><p>　?。?）由（2）的結(jié)果，計算新的聚類中心</p&g

75、t;<p>　　，； （2-10）</p><p>　　這樣使中的所有點到新的聚類中心的距離平方和最小。</p><p>　　（4）若，j=1,2,...k,算法收斂，程序結(jié)束。否則轉(zhuǎn)入第二步。</p><p>　　聚類中心數(shù)K、初始聚類中心的選擇、樣本輸入的次序，以及樣本的幾何特性等均影響k平均算法的進行過

76、程。對這種算法雖然無法證明其收斂性，當模式類之間彼此遠離時這個算法所得的結(jié)果是令人滿意的。</p><p>　　2.2.2.3 ISODATA 分類法</p><p>　　ISODATA 是Iterative Self-Organizing Data analysis Techniques A的縮寫，A是為發(fā)音的方便而加入的，ISODATA 算法是利用合并和分開的一種著名的聚類方法。它從

77、樣本平均迭代來確定聚類的中心，在每一次迭代時，首先在不改變類別數(shù)目的前提下改變分類。然后將樣本平均矢量之差小于某一指定閾值的每一類別對合并起來，或根據(jù)樣本協(xié)方差矩陣來決定其分裂與否。主要環(huán)節(jié)是聚類、集群分裂和集群合并等處理。</p><p><b>　　算法原理：</b></p><p>　　1 指定和輸入；有關(guān)的迭代限制參數(shù)</p><p>

78、;　　K----要求的聚類中心數(shù)；</p><p>　　-----一個聚類中心域中至少具有樣本個數(shù)的閾值；</p><p>　　-------標準差的閾值；</p><p>　　-------歸并系數(shù)，聚類中心間距離的閾值；</p><p>　　L------能歸并的聚類中心對的最大數(shù)；</p><p>　　I----

79、---允許迭代次數(shù)。</p><p>　　另再執(zhí)行算法前，應(yīng)先指定C個初始聚類中心，表示為；C不一定等于所要求的聚類中心數(shù)K；可為給定模式中的任意樣本。</p><p><b>　　2 具體步驟</b></p><p>　?。?）定算法的參數(shù)K、、、L、I；</p><p>　?。?）配N個樣本到C個聚類中心。若，則其中

80、表示分到聚類中心的樣本子集，為的樣本數(shù)；</p><p>　　（3）對任意的j，，則去除，并使C=C-1，即將樣本數(shù)比少的樣本子集去除；</p><p><b>　?。?）新聚類中心</b></p><p><b>　　（2-11）</b></p><p>　　(5)計算聚類域中的樣本與它們相應(yīng)的聚

81、類中心的平均距離</p><p><b>　　（2-12）</b></p><p>　　(6)計算總的平均距離</p><p><b>　　（2-13）</b></p><p>　　其中N為樣本集中的樣本數(shù)；</p><p><b>　　判別</b>&l

82、t;/p><p>　　a）若這是最后一次迭代，置且轉(zhuǎn)到第十一步；</p><p>　　b）若，則轉(zhuǎn)入下一步；</p><p>　　c）若, 或這是偶次迭代，則轉(zhuǎn)第十一步；否則繼續(xù)；</p><p><b>　　標準差 </b></p><p><b>　?。?-14）</b>&l

83、t;/p><p>　　其中n是樣本模式的維數(shù)，是第k個樣本的第i分量，是的第i個分量。的每個分量表示中樣本沿主要坐標軸的標準差；</p><p>　　找中的最大分量，j=1,2,...,C,用表示；</p><p>　　如果對任意的，j=1,2,...C,存在有</p><p><b>　　和</b></p>

84、<p><b>　　或</b></p><p><b>　　b)</b></p><p>　　則和，刪去，并使C=C+1,對應(yīng)于的的分量上減去，而的其它分量保持不變來構(gòu)成。對應(yīng)于的的分量上減去，而的其他分量保持不變來構(gòu)成。規(guī)定是的一部分，，。選擇的基本要求是，使任意樣本到兩個新的聚類中心和之間有一個足夠可檢測的距離差別，但又不能太大，以

85、致使原來的聚類域的排列全部改變。如果發(fā)生分裂則轉(zhuǎn)第二步，否則繼續(xù)。</p><p>　　計算所有聚類中心的兩兩距離。</p><p><b>　?。?-15）</b></p><p>　　比較距離與參數(shù)，取出L個；</p><p>　　從著手，開始一對對歸并，算出新的聚類中心</p><p>　　

86、（2-16） （15）刪去和，并使C=C-1。注意：僅允許一對對歸并，并且一個聚類中心只能歸并一次。經(jīng)試驗得出，更復(fù)雜的歸并有時反而產(chǎn)生不良的后果。</p><p>　?。?4）如果是最后一次迭代則算法結(jié)束，否則</p><p>　　a）如果用戶根據(jù)判斷要求更改算法中的參數(shù)，則轉(zhuǎn)第一步；</p><p>　　b）如果對下次迭代參數(shù)不需要修改，則

87、轉(zhuǎn)第二步.</p><p>　　每次回到算法的第一步或第二步就計為一次迭代，I=I+1.</p><p>　　ISODATA法的實質(zhì)是以初始類別為“種子”施行自動迭代聚類的過程，迭代結(jié)束標志著分類所依據(jù)的基準類別已經(jīng)確定，它們的分布參數(shù)也在不斷的</p><p>　　“聚類訓(xùn)練”中逐漸確定，并最終用于構(gòu)建所需要的判決函數(shù)& 從這個意義上講，基準類別參數(shù)的確定

88、過程，也是對判決函數(shù)的不斷調(diào)整和“訓(xùn)練”過程。</p><p>　　這種方法的優(yōu)點是聚類過程不會在空間上偏向數(shù)據(jù)文件的最頂或最底下的象素，因為它是一個多次重復(fù)過程。該算法對蘊含于數(shù)據(jù)中的光譜聚類組的識別非常有效，只要讓其重復(fù)足夠的次數(shù)，其任意給定的初始聚類組平均值對分類結(jié)果無關(guān)緊要。缺點是比較費時，因為可能要重復(fù)許多次，沒有解釋象素的空間同質(zhì)性。</p><p>　　2.3 遙感圖像分類新

89、方法</p><p>　　無論是監(jiān)督分類還是非監(jiān)督分類，都是依據(jù)地物的光譜特性的點獨立原則來進行分類的，且都是采用的統(tǒng)計方法。該方法只是根據(jù)各波段灰度數(shù)據(jù)的統(tǒng)計特征進行的，加上衛(wèi)星遙感數(shù)據(jù)的分辨率的限制，一般圖像的像元很多是混合像元，帶有混合光譜信息的特點，致使計算機分類面臨著諸多模糊對象?，不能確定其究竟屬于哪一類地物。而且，同物異譜和異物同譜的現(xiàn)象普遍存在，也會導(dǎo)致誤分、漏分，因此人們不斷嘗試新方法來加以改善

90、。新方法主要有決策樹分類法、綜合閾值法、專家系統(tǒng)分類法、多特征融合法、神經(jīng)網(wǎng)絡(luò)分類法以及基于頻譜特征的分類法等。近年來的研究大多將傳統(tǒng)方法與新方法加以結(jié)合。即在非監(jiān)督分類和監(jiān)督分類的基礎(chǔ)上，運用新方法來改進，減少錯分和漏分睛況，不同程度地提高了分類精度。</p><p>　　2.3.1 決策樹分類</p><p>　　決策樹分類法也就是基于知識表達的分類方法，它采用產(chǎn)生式規(guī)則表示知識，形式

91、為： IF(條件)</p><p><b>　　THEN(結(jié)論)</b></p><p>　　在這個條件和結(jié)論的二元組，通過推理的結(jié)論是二值的，非此即彼。以后引入了不確定的推理，由條件推出的結(jié)論有一個確定性程度，規(guī)則的形式為：</p><p><b>　　IF(條件)</b></p><p><

92、;b>　　THEN(結(jié)論)</b></p><p><b>　　CF(確定性因子)</b></p><p>　　其中CF為實數(shù)，其值域在不同的研究中有所不同，一般為[0，1]或者[一1，1]。雖然這種方法已經(jīng)在遙感圖像識別中得到應(yīng)用，但還遠遠未達到實用階段(徐冠華，1996)。由于地理知識主要來自于地理專家，地理專家知識的形式化問題不能很好的解決。地

93、學(xué)中的專家系統(tǒng)和其他專業(yè)的領(lǐng)域的專家系統(tǒng)一樣，遇到知識獲取的瓶頸限制。但可以利用已知的某些知識對圖像進行初步分類。</p><p>　　決策樹分類法是以各像元的特征值作為設(shè)定的基準值，分層逐次進行比較的分類方法。比較中所采用的特征的種類以及基準值是按照地面實況數(shù)據(jù)與目標物的有關(guān)知識形成的。經(jīng)過一次比較分割成兩個組的決策樹叫二叉決策分類樹(Binary Decision Tree)，圖2-2是一個簡單的實例。<

94、;/p><p>　　圖2-2 二叉決策樹分類樹示意圖</p><p>　　二叉決策分類樹的每個節(jié)點完成一次將待分類像元某一波段上的值與門限比較大小的判斷。對一像元分類時，從根節(jié)點起下行，沿著所經(jīng)過的節(jié)點上的判斷決定下一步的走向，最終在葉節(jié)點上決定一點的歸類。二叉樹的每個節(jié)點可表示為：{ID，Left，Right，Th，Band)，其中Left為左子樹，Right為右子樹，Th是一個判決門限，

95、Band是進行判斷的那個波段的序號。ID僅對葉節(jié)點有效，含義是該葉節(jié)點時應(yīng)當判決的類別。對一像元P分類過程偽代碼表示為：</p><p>　　Function Classify(P)：Integer：</p><p><b>　　Begin</b></p><p>　　Result：=Test(Node，P)：</p><p

96、><b>　　End：</b></p><p>　　對一個節(jié)點的判斷表示為：</p><p>　　Function Test(Node，P)：Integer；</p><p><b>　　Begin</b></p><p>　　If Node為葉節(jié)點；Then Result：=Node．ID；

97、</p><p>　　E1se If P的第Node．Band波段數(shù)值小于N0de．Th</p><p>　　Then Result：=Test(Node．Left，P)；</p><p>　　Else Result：=Test(Node．Right，P)；</p><p><b>　　End；</b></p>

98、;<p>　　由于決策樹分類中的運算基本上都是比較大小運算，因此分類計算量很小，在模式含混比較小、各類別之間混迭不大時是一種效率很高的分類方法。容易看出，二叉決策樹的判決面是由一些多維長方體的表面連接而成的。</p><p>　　2.3.2 神經(jīng)網(wǎng)絡(luò)分類</p><p>　　基于Bayes理論的傳統(tǒng)模式識別方法在處理實際工程問題時遇到了許多困難（如高維多光譜數(shù)據(jù)分類），理論

99、上最優(yōu)的方法在實踐上卻難以獲得令人滿意的結(jié)果。人工神經(jīng)網(wǎng)絡(luò)分類以其強大的非線性映射能力、自組織、自學(xué)習(xí)等特種受到人們的歡迎。神經(jīng)網(wǎng)絡(luò)模型用于模擬人腦神經(jīng)元活動的過程，包括對信息的加工、處理、存儲和搜索等過程。它具有分布式存儲信息，對信息的處理及推理的過程具有并行的特點。對信息的處理具有自組織、自學(xué)習(xí)等特點。神經(jīng)網(wǎng)絡(luò)的運行包括兩個階段： </p><p>　?、儆?xùn)練或?qū)W習(xí)階段（Training or Learnin

100、g Phase）。向神經(jīng)網(wǎng)絡(luò)提供一系列輸入-輸出數(shù)據(jù)組，通過數(shù)值計算方法和參數(shù)優(yōu)化技術(shù)，使節(jié)點連接的權(quán)重因子不斷調(diào)整，直到從給定的輸入能產(chǎn)生所期望的輸出為止。</p><p>　?、陬A(yù)測階段（Generalization Phase）。用訓(xùn)練好的網(wǎng)絡(luò)對為止的樣本進行預(yù)測。</p><p>　　在模式識別中，神經(jīng)網(wǎng)絡(luò)不需要對數(shù)據(jù)的概率分布做出任何假設(shè)，也不需要估計概率密度中的參數(shù)，通過對訓(xùn)練

101、樣本的直接學(xué)習(xí)，掌握樣本中隱含的規(guī)律，實現(xiàn)對數(shù)據(jù)的準確劃分。在模式識別領(lǐng)域中應(yīng)用最廣泛和最成功的是基于誤差后想傳播算法（簡稱BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)模型（Mult-layer Feed-forward Nueral Networks，MLFNN），徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function NN ,RBFNN）是另一種常用的前向型神經(jīng)網(wǎng)絡(luò)。</p><p>　　2.3.3 專家系統(tǒng)分類&l

102、t;/p><p>　　遙感圖像解譯專家系統(tǒng)是模式識別與人工智能技術(shù)相結(jié)合的產(chǎn)物。應(yīng)用人工智能技術(shù)，運用解譯專家的經(jīng)驗和方法，模擬遙感圖像目視解譯的具體思維過程，進行圖像解譯。專家系統(tǒng)分類的關(guān)鍵是知識的發(fā)現(xiàn)和推理技術(shù)的運用。目前在知識發(fā)現(xiàn)方面，主要是基于圖像的光譜知識、輔助數(shù)據(jù)和上下文信息等。孫秀邦等認為基于專家系統(tǒng)的土地覆被分類可以以專家的能力去解決分類過程中的復(fù)雜問題，然而在實際應(yīng)用過程中，知識的發(fā)現(xiàn)和定義往往很難

103、做到與實際情況一一對應(yīng)。</p><p>　　2.3.4 綜合閾值法</p><p>　　周興東等通過對徐州地區(qū)各類地物的光譜特征的綜合研究，以及對不同波段的組合分析，歸納出各種地物類型信息獲取的方法與途徑，提出采用綜合閾值法進行圖像分類處理。經(jīng)研究表明，該方法能夠很好地區(qū)分城鎮(zhèn)用地和裸地等不容易區(qū)分的地類，有效降低混合象元帶來的影響，提高土地利用分類的可靠性和準確性。陳定貴等怕。選取洪河

104、保護區(qū)作為研究區(qū)，應(yīng)用多期Landsat TM影像，采取基于專家經(jīng)驗的監(jiān)督分類方法進行群落尺度的分類。另外，歸一化植被指數(shù)(NDVI)具有識別植被蓋度與土壤、水體背景關(guān)系能力，以及比值植被指數(shù)(RVI)在中高蓋度植被中與面積指數(shù)和葉綠素濃度具有良好相關(guān)性，它們也被用來作為分類初檢驗評價的參考。在此基礎(chǔ)上，運用基于GIS規(guī)則的分類改進，主要進行了GIS疊加分析，并通過GIS空間相鄰關(guān)系特征設(shè)置查詢選項，執(zhí)行對該區(qū)域的誤分斑塊篩選，取得了較

105、好的分類效果。針對監(jiān)督分類結(jié)果中存在的誤差，馬振剛等o”以洋河流域為研究區(qū)，分別進行了非監(jiān)督分類和監(jiān)督分類，對水域、植被、城鎮(zhèn)與工礦用地的提取分別選擇綜合閾值法、植被指數(shù)法、DEM數(shù)據(jù)輔助分析法進行了改進。結(jié)果表明，改進后的提取結(jié)果較監(jiān)督分類的結(jié)果有很大的改</p><p>　　2.3 圖像分類的一般過程</p><p>　?。?）遙感圖像的幾何糾正</p><p>

106、;　　當一幅影像存在變形時就需對其進行幾何糾正，使其符合地物的真實表達。這里采用一幅影像為標準，對另一幅未糾正的進行糾正。在具體操作上，先對未糾正影像進行幾何位置上的糾正，再對其進行灰度值重采樣。</p><p><b>　?。?）遙感圖像增強</b></p><p>　　遙感圖像增強和濾波是圖像預(yù)處理的一種方法，其基本原理是運用點運算和局部運算的數(shù)學(xué)模型將原圖像中每

107、一個像元的灰度級或被處理像元鄰近一些像元的灰度級，通過變換和輸出，得到一個新的灰度級，其圖像中各個像元的位置并不改變。</p><p>　　圖像增強和濾波方法有影像直方圖、直方圖均衡、分段線性拉伸、密度分割、平滑、銳化、邊緣增強、卷積濾波等。</p><p>　?。?）遙感圖像的融合</p><p>　　圖像融合是指將多源遙感圖像按照一定的算法，在規(guī)定的坐標系，生成

108、圖像的過程。為了對不同空間分辨率遙感圖像的融合處理，使處理后的遙感圖像既有較好的空間分辨率，又具有多光譜特征，從而達到圖像增強的目的。將高空間分辨影像與多光譜影像進行疊加，達到優(yōu)勢互補。</p><p>　?。?）圖像的計算機自動分類</p><p>　　圖像分類可分為監(jiān)督法分類和非監(jiān)督法分類。監(jiān)督法分類就是利用已知的先驗知識，對實地影像進行抽樣調(diào)查后，確定抽樣區(qū)屬性類別，要求計算機按已知

109、類別進行分類。非監(jiān)督法分類就是分類過程中不施加任何先驗知識，利用影像的光譜特征的分布規(guī)律，采用一定的判別函數(shù)進行盲目分類，最后的類別需要進一步確定。</p><p>　　圖像分類過程流程圖：</p><p>　　圖2-3 圖像分類流程</p><p>　　3 遙感圖像分類方法的應(yīng)用</p><p>　　3.1 幾種高分辨率商業(yè)遙感衛(wèi)星介紹

110、</p><p>　　（1）IKONOS衛(wèi)星</p><p>　　IKONOS 是世界上第一個獲取lm分辨率圖像的商業(yè)衛(wèi)星系統(tǒng)。1999年9月24目，空間成像公司（Space Imaging）的IKONOS衛(wèi)星在加利福利亞的空軍基地Vandenberg,由Lockheed Martin A-thena 四級火箭發(fā)射升空衛(wèi)星的設(shè)計壽命為70年。整個IKONOS衛(wèi)星系統(tǒng)重約726Kg，在海拔高

111、約680km處98min繞地球一周。它采用太陽同步軌道傾角，平均飛行高度681km，軌道周期98.3min，通過赤道當?shù)貢r間為上午10:30，在地面上空平均飛行速度為6.79km/s，衛(wèi)星平臺自身高1.8m，直徑1.6m。包括一個1m分辨率的全色傳感器和一個4m分辨率的多光譜傳感器。當衛(wèi)星在681km的高度飛行時，其星下點的地面分辨率在全色波段最高可達0.82m,多光譜可達3.828m,掃描寬度約為11km。傳感器可傾斜至立體成像，平均