遥感图像分类方法比较研究

邱德艳

摘 要： 鉴于遥感监督分类方法的普遍应用，本文介绍了五种常用的监督分类方法：平行六面体法、最小距离法、马氏距离法、最大似然法和人工神经网络分类法，就同一地区TM影像应用这五种方法进行土地利用分类，对比分析这五种方法的分类精度，发现人工神经网络对土地覆盖与利用的分类精度高于最大似然法，最大似然法分类精度优于平行六面体法、最小距离法和马氏距离法，所得结论对有关遥感图像分类工作具有指导和借鉴意义。

关键词： 遥感图像分类平行六面体法 最小距离法 马氏距离法 最大似然法 人工神经网络分类

遥感图像是通过亮度值或像素值的高低差异及空间变化而表示不同地物的差异，如不同类型的植被、土壤、岩石及水体等，这是我们区分不同影像地物的物理依据。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，并用一定手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像素划归到各子空间。遥感图像分类特征是反映地物光谱信息和空间信息，并可用于遥感图像分类处理的变量，如多波段图像的每个波段都可作为特征，多波段图像的各种处理结果也以作为分类的特征空间构成一个特征向量。

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。

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。

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。

当然，目前每种方法都有分类的局限性，没有哪一种是绝对最好的。因此必须针对具体问题，灵活应用，综合应用多种分类方法，将来必有更新的理论与方法提高遥感影像分类精度。

参考文献：

[1]梅安新等.遥感导论[M].北京：高等教育出版社，2001.

[2]包亮，郭晓虹.遥感与土地资源监测实验指导书（修订稿）[Z].2008.

[3]钱茹茹.遥感影像分类方法比较研究[C].西安：长安大学，2007：1-30.

[4]王圆圆，李京.遥感影像土地利用/覆盖分类方法研究综述[J].遥感信息，2004：53-59.

[5]罗来平.遥感图像分类中模糊模式识别和决策树方法的应用研究[D].北京：首都师范大学，2006.

[6]费鲜芸，高祥伟.土地利用/土地覆盖遥感分类研究综述[J].山东农业大学学报（自然科学版），2002：391-394.

[7]纪仰慧，李国春，关宏强.土地利用/覆盖遥感分类研究综述[J].农业网络信息，2005： 36-38.

[8]刘慧平等.遥感实习教程[M].北京：高等教育出版社，2001.

[9]潘建刚，赵文吉，宫辉力.遥感图像分类方法的研究[J].首都师范大学学报（自然科学版），2004：56-91.

[10]王一达，沈熙玲，谢炯遥.感图像分类方法综述[J].遥感信息，2006：67-71.

[11]张若琳，万力，张发旺，等.土地利用遥感分类方法研究进展[J].南水北调与水利科技，2006：39-42.

[12]李爽，丁圣彦，许叔明.遥感影像分类方法比较研究[J].河南大学学报（自然科学版），2002：70-73.

[13]李石华，王金亮，毕艳遥.感图像分类方法研究综述[J].国土资源遥感，2005：1-6.

[14]黄宁，刘小军，朱敏慧.遥感图像分类技术研究[J].华北工学院测试技术学报，2001：86-92.

[15]郭欣.遥感图像的分类[D].北京：北京化工大学，2006.