基于TM数据的遥感分类方法对比研究

秦及茹,徐天蜀

(西南林业大学林学院,云南 昆明 650224)

基于TM数据的遥感分类方法对比研究

秦及茹,徐天蜀

(西南林业大学林学院,云南 昆明 650224)

摘要:以香格里拉县2009年Landsat5~TM遥感影像为实验数据,利用最大似然法(MLC)以及最小距离法两种方法进行了遥感分类方法研究,主要从分类精度方面对两种方法进行了对比分析,结果表明:最大似然法分类结果明显优于最小距离法,但作为传统的分类方法,二种方法分类精度都不够高。

关键词:遥感;最大似然法;最小距离法;分类精度

1引言

遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线,对目标进行探测和识别的技术。现代遥感技术主要包括信息的获取、传输、存储和处理等一些环节。在识别地物时,可以采用人工目视解译法或计算机自动识别的方法,在目前遥感分类方法中,应用得较多的是传统的监督与非监督分类法,如:模式识别分类方法,诸如最小距离法、平行六面体法、最大似然法(MLC)、支持向量机(SMV)、循环集群法(ISODATA)等。本文采用最大似然法以及最小距离法两种方法对遥感图像进行分类,从分类精度方面对两种方法进行对比分析。

2研究区与数据收集

2.1　研究区概况

香格里拉县位于青藏高原南部,横断山脉腹地,三江并流区。隶属迪庆藏族自治州,位于云南省西北部、迪庆州东北部。全县总面积141739hm2,境内雪山林立、江河纵横、草原遍布、湖泊众多,其地貌分为山地、高原、盆地、河谷地貌。境内共有大小河流244条,高原湖泊298个,面积在0.67hm2以上的湖泊有34个[1]。

2.2　数据收集

遥感影像数据采用2009年11月24日Landsat 5经过香格里拉县时的影像。其中1、2、3、4、5、7波段为可见光以及近红外波段,空间分辨率为30m,第6波段为热红外波段,空间分辨率为60m。所获TM数据已经进行了预处理,但在实际操作中仍需进行进一步处理,使其达到分类要求,提高分类精度。本研究数据用1∶50000的地形图数据对影像进行了辐射校正、几何校正与地理编码等多项处理。

3研究方法

3.1　训练样本的选取

训练样本是选取信息的首要步骤,对分类精度具有至关重要的影响。训练样本的选取必须遵循2个原则:首先,样本点的选取要具有典型性及代表性,也就是说选出的样本点必须是该地物类型的“蓝本”,并且能够较好的代表该地物类型的光谱分布模式。这就要求在训练样本选择时,要在一个区域的中间位置选择其像元点,这样其光谱代表性好,受到的“异类”光谱影响就会比较小。其次,样本点的选取还应具有完备性,图像中待分类的每一种类,如果其存在许多亚类,就必须从其亚类中选择像元点构成一组较为复杂的训练样本作为其大类的训练区,这也就使得训练区的统计结果能够充分反映每一类型中光谱类别的所有组成。根据上述原则,现在已获取的遥感图像中选取合格的样本单元,并将研究区域分为六大类:林地、雪地、城镇、农牧地、裸地、水体,如表1所示。

表1　香格里拉县TM 影像各类型地物目视解译标志

3.2　最大似然法分类

最大似然法是通过求出每个像素对于各类别的归属概率,把该像素分到归属概率最大的类别中区的方法。其分类器被认为是一种稳定性、鲁棒性好的分类器[2]。

分类过程为在建立好分类所用的样本数据后,启用监督分类模块下最大似然分类工具,对TM数据进行分类,并对分类结果进行后处理,得到最终分类结果如图1所示。

图1　最大似然分类结果输出

3.3　最小距离法分类

最小距离(又称光谱距离)判别规则,计算像素向量与每一个模板的平均向量的光谱距离。这种方法的优点是,由于每一个象素总归有一个样本平均值与之最为靠近,因此不存在不分类的象素;计算量小,只计算均值参量,而且矩阵计算也比较简单,因此这种方法节省计算机机时;另外,这种方法只用均值一个参数,避免用协方差矩阵就避免了在样本数较少的情况下,协方差矩阵计算不准确而引起的误差[3]。

分类所用的样本数据建立好后,启用监督分类模块下最小距离分类工具,对TM数据进行分类,并对分类结果进行后处理,得到最终分类结果如图2所示。

图2　最小距离法分类结果输出

4分类精度评价

为了在时效性上保证精度验证的可靠性,现将2009年的森林资源二类调查数据作为真实样本数据,与影像的分类结果进行分类精度验证实验。按照本研究的分类系统将香格里拉县森林资源二类调查数据归并提取后,采用分层随机抽样的方法提取分类中6个地类一定数量的样本数据,将该数据作为精度验证的真实参考地类样本数据,对分类结果采用混淆矩阵法进行精度评价。精度评价结果见表2、表3。

表2　最大似然法精度评价结果

表3　最小距离法精度评价结果

5结语

通过比较可以得出,传统的最大似然法分类结果优于最小距离法,但二者分类精度都较低。近年来,随着遥感技术和计算机技术的不断

发展,专家系统、神经网络、模糊技术和数学形态学等一些原来实现困难的新方法也在遥感图像分类中开始发挥作用,这些新的方法比传统的方法在分类精度上有明显提高[4]。与此同时,为了进一步提高遥感图像分类精度,综合利用各种数据进行遥感图像分类也将势在必行,而这也是遥感应用科学家们一直探索的方向之一。

参考文献:

[1] 齐乐,岳彩荣.基于CART决策树方法的遥感影像分类[J].林业调查规划,2011,36(2):62~66.

[2] Ediriwickrema J,Khorram S.HierarchicalMaximum-Likelihood Classification for Imp roved Accuracies[J].IEEE Trans.on Geosci2 ence and Remote Sensing,1997,35(4):810~816.

[3] 黎微.基于遥感影像的城市绿地信息提取及分析[D].上海:华东师范大学,2007.

[4] 李石华,王金亮,毕艳,等.遥感图像分类方法研究综述[J].国土资源遥感,2005,64(2):1~6.

中图分类号:T98

文献标识码:A

文章编号:1674-9944(2015)01-0272-03

通讯作者:徐天蜀(1964—),女,云南昭通人,教授,博士,主要从事森林资源管理及林业信息化的教学和科研工作。

作者简介:秦及茹(1990—),女,山西五寨人,西南林业大学林学院硕士研究生。

收稿日期:2014-11-13