基于ENVI的遥感影像监督分类方法的研究

童威

摘  要：随着遥感技术的发展和遥感图像采集方式的多样性，对遥感图像处理技术的要求更高。文章介绍了三种常见的监督分类算法：支持向量机、最大似然法、BP神经网络;并利用上述三种算法对南泥湾地区同一幅SuperView-1遥感影像进行了分类，获得分类解果并评估准确性;然后对三种算法进行了比较，分析三种算法的优缺点，得出支持向量机分类精度最低，最大似然法次之，神经网络最高;最后得出结论，BP神经网络是一种较为优良的遥感影像分类算法。

关键词：监督分类;支持向量机;最大似然法;BP神经网络;遥感影像

中图分类号：P237 文献标志码：A 文章编号：2095-2945（2019）23-0006-04

Abstract： With the development of remote sensing technology and the diversity of remote sensing image acquisition methods， there is higher demand for remote sensing image processing technology. This paper introduces three common supervised classification algorithms： support vector machine， maximum likelihood method and BP neural network. The same SuperView-1 remote sensing image in Nanniwan area is classified by using the above three algorithms， and the classification results are obtained and the accuracy is evaluated. Then， the three algorithms are compared， and the advantages and disadvantages of the three algorithms are analyzed. It is concluded that the classification accuracy of support vector machine is the lowest， the maximum likelihood method is the second， and the neural network is the highest. Finally， it is concluded that BP neural network is an excellent remote sensing image classification algorithm.

Keywords： supervised classification; support vector machine; maximum likelihood method; BP neural network; remote sensing image

引言

隨着遥感技术的迅速发展，遥感图像采集方法也越来越多样化，其应用也越来越广泛。这对遥感图像处理技术提出了很高的要求，尤其是对遥感图像的解释和分类，因此有必要对遥感图像的分类及其算法进行研究。遥感图像分类是指通过计算机对遥感图像的像素进行分类。据特征选择后的规则或算法分析光谱信息和空间信息，将每个像素划分为不同的类别[1]。遥感图像分类技术可以分为监督分类和非监督分类两大类，前者需要训练样本，而后者不需要;目前，遥感图像分类新方法层出不穷，本文主要选取几种常见的监督分类方法，进行实验，并比较它们各自的优缺点，为遥感图像分类算法选择提供指导。

1 遥感影像监督分类方法

1.1 支持向量机

基于统计训练，Vapnik提出了支持向量机（SVM）理论，基于最小化空间物体空间结构风险的原理的非线性映射将样本投射到高维空间中。构造VC维度（Vapnik-Chervonenkis）并使用可能的最佳超平面作为分类平面，并最小化分类风险的上限，使分类算法具有最佳的泛化能力[2-4]。解决优化问题并将特征向量从低维空间映射到多维空间。在多维特征空间中找到最优分类超平面，从而解决复杂数据分类问题[5-7]。

在图1所示的二维情况下，实心点和空心点分别代表两种不同类型的样本，虚线是分类线，两条实线分别是最接近分类线并平行于分类线的直线。它们之间的距离称为分类间隔，分类的最佳平面是超平面，它在最大分类间隔上正确地分离两种类型的样本[8]。

1.2 最大似然法

最大似然分类使用遥感卫星的多频带数据的分布作为多维正态分布来构造判别分类函数。基本思想是每类已知像素在平面或空间中形成特定的点群;每种类型数据的每个维度在数轴上形成正态分布，并且该类的多维数据构成多维正态分布，具有各种类型的多维分布模型，对于任何未知类别的数据源，可以被反转以找出它属于每种类型的概率;根据概率的大小，比较哪种类型的概率大，这个像元就属于这个类[10]。

最大似然分类法的判别规则为，如果某个待分类像元x满足下式：

（12）

则x∈wi，其中M表示影像大小，b表示类别大小，n表示影像波段数[11]。在最大似然法的实际计算中，常采用经过对数变换的形式：

式中：p（wk）是某一类wk在图像中的概率，在预先不知道p（wk）是多少的情况下，可以认为所有的p（wk）都相同，即p（wk）=1/c，？撞k为第k类的协方差矩阵，mk为该类的均值向量。对于任何一个像元值xi，其在哪一类中gk（xi）最大，就属于哪一类。

1.3 BP神经网络

20世纪80年代，Rumelhart等[12]提出了反向传播算法，后来逐渐发展为BP神经网络。BP神经网络是一种多层结构的多层前馈神经网络。常用的BP神经网络模型由三层组成，初始层为输入层，中间层为隐藏层，最后一层为输出层。相邻的神经元层通过连接权值相互连接，而每一层的神经元不连接。如图2所示。

网络的实现分为前向传播和反向传播两个过程。在前向传播的情况下，在将训练样本输入网络后，输入层神经元获得学习样本的活性化值，经由输入层和中间层的处理传播到输出层，输出层的各神经元得到网络的输入响应后，所得到的输出被输入到网络，与期望的输出进行比较。如果实际输出不等于预期输出，则进入反向传播过程，根据减少目标输入的方向和实际误差，从输出层逐层校正连接权重通过每个中间层，最后返回到输入层并重复，直到获得最小错误，以获得最佳结果[13]。

2 实验过程及结果

2.1 实验数据

本实验选取SuperView-1拍摄的延安市南泥湾附近的遥感影像，空间分辨率为2m左右，如图3所示。影像大小为2900像素×2900像素;从影像上可以看出，其中分布着田地，林地，建筑物，裸地等，且影像分辨率较高，适合遥感影像的分类。

2.2 定义训练样本

从RGB彩色图像上获取ROI以创建感兴趣区域。本文共创建4种训练样本，分别为田地，林地，建筑物，裸地，对应颜色分别为红色，绿色，蓝色，黄色，并且分别画出相应的感兴趣区（如图4所示）。

2.3 评价训练样本

ROI可分性工具用于计算所有类别之间的统计距离，并且两个类别之间的差异程度由距离确定。计算该测试的可分离性，具体见图5。

计算Jeffreys-Matusita距离和感兴趣区域的每个组合的Transformed Divergence。这两个参数的大小决定了训练样本选择的合理性。各种参数值的含义如下：（1）当参数值为1.9-2.0时，样本之间具有良好的可分离性，即合格样本;（2）当参数值为1.0-1.8时，样本必须重新选择;（3）当参数为0.1-1.0时，两种类型样本中的差异很小，样本合并为一种[14]。从图5可以看出：林地与建筑物、裸地，田地与林地的参数值均大于1.9，可分离性好;而田地与建筑物、裸地，建筑物与裸地的参数值小于1.8;这是由于建筑与田地的光谱特征非常接近，经过反复试验，最终获得了可用的训练样本。

2.4 执行分类

通过监督分类对图像分别用支持向量机、最大似然法、BP神经网络进行分类，为了对比三种不同算法的精度及优缺点，试验采用了相同的训练样本。支持向量机、最大似然法、BP神经网络分类结果如图6-8所示。图4中大部分为红色和绿色，即田地与林地。经过目视比对，可以明显看出田地与林地分类精度较高。

2.5 分类结果评价

为了定量评估上述三种分类结果的优缺点，采用混淆矩阵法对三种方法进行了评价。混淆矩阵通过将地表真实图像与分类图像进行比较，在混淆矩阵中显示分类结果的准确性。通过上述方法，以田地为例对相关精度进行分析和比较，比较和总结了三种不同分类方法和Kappa系数的准确性;从表1中可以看出：BP神经网络的总体精度和Kappa系数均为最高，是一种较为优良的分类算法。

3 结束语

遥感影像分类精度的提高一直是研究的热点问题。通过对三种常见监督分类方法的比较分析，发现BP神经网络中的土地利用分类最接近实际情况，分类精度最高。最大似然法次之，支持向量机的精度最低。BP神经网络优于传统的分类方法：

（1）BP神经网络法对于数据分布的特征没有任何假定前提。无论数据是正态分布还是非连续分布，可以在特征空间形成任意边界的决策面，每次重复都能动态地调整决定区域，表明BP神经网络的强有力的稳定性和优势。

（2）BP神经网络的监督分类与常规的统计监督分类非常相似。主要区别在于训练和分类的过程：最大似然方法的平均值和方差仅计算一次，而BP的神经网络方法使用迭代算法直到计算结果与实际值之间的差异结果符合要求。

（3）BP的神经网络方法是非线性的，与传统的分类方法相比，可以处理复杂的数据集并准确识别模型，并且可以使用多源数据来提取潜在信息。

当然，目前每一种方法在分类上都有局限性，而且没有一种方法是绝对最佳的。因此，必须合理地使用这些方法。根据遥感图像的光谱特征、纹理特征和所需精确度选择分类算法;在确保准确性的前提下，尽可能提高分类的效率。

参考文献：

[1]金杰，朱海岩，李子潇，等.ENVI遥感图像处理中几种监督分类方法的比较[J].水利科技与经济，2014，20（01）：146-148+160.

[2]Vapnik V N.Statistical Learning Theory[M].New York：Wiley，1998.

[3]张勇.基于SVM遥感图像专题信息提取研究[D].中南大学，2005.

[4]刘江华，程君实，陈佳品.支持向量机训练算法综述[J].信息与控制，2002（01）：45-50.

[5]刘志刚，李德仁，秦前清，等.支持向量机在多类分类问题中的推广[J].计算机工程与应用，2004（07）：10-13+65.

[6]李毅，徐守时.基于支持向量机的遥感图像舰船目标识别方法[J].计算机仿真，2006（06）：180-183.

[7]杨娜，秦志远，张俊.基于支持向量机无限集成学习方法的遥感图像分类[J].测绘科学，2013，38（01）：47-50.

[8]李航.统计学习方法[M].北京：清华大学出版社，2012.

[9]李萌.基于支持向量机的高分遥感影像分类技术研究与应用[D].中国地质大学（北京），2015.

[10]刘志刚.支持向量机在光谱遥感影像分类中的若干问题研究[D].武漢大学，2004.

[11]王增林，朱大明.基于遥感影像的最大似然分类算法的探讨[J].河南科学，2010，28（11）：1458-1461.

[12]谭玉敏，夏玮.基于最佳波段组合的高光谱遥感影像分类[J].测绘与空间地理信息，2014（4）：19-22.

[13]闻新，周露，熊晓英.Matlab神经网络应用设计[M].北京：科学出版社，2000.

[14]邓书斌.ENVI遥感图像处理方法[M].高等教育出版社，2014.