国际卫星遥感技术和应用的研究进展
自从高分辨率遥感器诞生以来,卫星影像作为空间信息的一个主要源泉的应用,在众多领域内得到广泛的研究。这些研究及其成果,使高分辨率遥感技术应用(特别是用于地类调查)的价值和意义,得到普遍的认可。不过情况是不尽平衡的:在地貌地物较单纯、均匀的地区,一般成绩较好;而在地况复杂的地区,例如异类地物紧密交错、地势起伏频繁的地区,信息的提取遭遇到较大的困难。其中一个最主要的“瓶颈”仍然是混合象元问题。这是因为,现今高分辨率遥感数据的分辨率(10~30米)恰好大于或相当于城镇区域和结构复杂的农区(包括我国江南农村)中的很多重要地物,如房屋单体、树、小池塘和道路宽度等的尺度,以致相当多的遥感象元仍然包含不同的土地覆盖类别。例如,某个象元,即一个瞬间视场中可能包括树、树间草地和部分房体等,象元的反射谱值是这些不同成分的谱响应混合的产物,亚象元(sub一pixel)层次的不同土地覆盖成分各自的谱响应被淹没、平均到总体效应中。显然,仅依据反映总效果的象元谱值,是难以确切地把象元归于一个LU/LC(压nduse/物nd。over,即土地利用/土地覆盖)类别的。混合象元也发生在不同地类之间的边界上,地类变化频繁的区域也将因此而遇到更多的混合象元问题。尽管如此,近十年来遥感技术和应用领域仍然不断取得令人欣慰的进步,其中相当一些正是来自于解决混合象元困难的努力。这些新进展的特点大体上可归纳为下述四个方面。
1、分类方法的改进
大量文献指出了传统的遥感分类(信息提取)方法的局限性,这种方法采取逐个象元(Per一Pixel)分类的基本思想,即仅仅基于每一个象元的谱反射特征把象元指派到一个预先选定的类别中(Woodeoek等,1987;Bamsley等,1992,1996)。在这里,可能提取混合象元内部信息,即推断亚象元层次成分的信息资源,如象元的空间位置及其与相邻象元的谱反应之间的关系等,被忽略掉了。进一步说,在逐个象元的监督分类中,由于混合象元的存在,作为分类前提的训练区的样本难以正确地定义(Gong等,1992),训练样本常常显示出多峰性分布和大的标准差。前者与统计分类(又称参数化分类,如最大似然法)的样本正态分布的假设相冲突,后者导致谱空间中各类别分布区的明显重叠。这样,训练区的选取以一种随意的、难以琢磨的方式影响着分类过程(Bamsley等,1996)。
解决上述问题所进行的各种尝试包括:
度量图像纹理(Texture)以辅助分类。这一般可分为两类:统计的和结构的方法。前者把纹理看作图像中灰度级的空间分布的反映,因而可以通过协方差矩阵提取信息;后者把纹理看作是基本主图案(Pattem)的重复,因而能通过傅利叶变换来研究。显而易见,这两种方法皆通过考查象元间的空间关系来促进分类研究(Riou等,1997)。借助于各种有参照意义的、辅助的空间数据,包括GIS数据层,来加强分类程序(Bruzzone等,1997)。
后分类(post一elassifieation)的空间处理,也称为空间的或Contextual再分类。再分类方法检验遥感图像中的空间变异性,它把分类过程分为两个阶段:前者一般是一个标准的、逐个象元的图像分类;第二阶段涉及到这些分类数据的后分类空间处理。这种思路是Wharton(1982)首次建议的。后分类空间处理又通常有两种途径。第一是利用能认证某些该地区空间分布特征的卷积模板(。onvolutionkemel)来改善第一阶段图像分类的结果(Gumey和肠wnshend,1953;Barnsley等,1996)。在第二种方法中,前分类图像中有相同分类值的象元的组合,一般称为片块(segrnent),被作为一个空间单位来处理,通过其大小、形状和它们的空间安排等来判断最可能的分类修正值(Barr,1992;Johnsson,l今94),这样的判断需要对于当地实际的较深刻的理性认识或专家知识。为此,其中一些工作实际上进人了专家系统的范畴。
加强的分类算法或手段。这方面的内容非常丰富,例如。ontextual分类器(Gumey,1952;伪ng和Howarth,1992)、线性混合模式(Foody和Cox,1994)等等,不胜枚举。但最多、最重要的改进来自两个领域:人工智能和模糊分类。在人工智能领域,又有两种手段是最常用的:一个是基于知识的专家系统(Mehldau等,1990;Johnsson,1994),另一个是神经网络(neural一network)。自从Rumelhart和MeClelland的书出版(1986)以来,对于利用神经网络,特别是反馈传播(back一propagation)型神经网络进行图像处理的兴趣不断增长,并成为近年来报道得最多的遥感文献类别之一(例如,civc。,1993;Yoshida和Omatu,1994;几ola等,1995;Gong等,1996:Fosehi和smith,r997;Bruzzone等,1997)。
这种类型的神经网络之所以特别适宜图像分类,首先是因为它能较显著地改善监督分类的样本训练质量。神经网络监督分类在训练阶段与最大似然法类似,但是,它不是作一次性计算,而是以一种反复迭代、自我训练的方式得到最满意的结果。这种思想也体现在分类阶段中。因此,神经网络分类不依赖于数据是否是正态分布,是一种非参数化的分类方法。相当多的文献报道了神经网络方法明显改善了分类效果。不过,随着这方面研究的更加深人,最近也有文献进一步阐述神经网络在一定条件下的局限性(Skidmore等,1997;Paola等,1997)。
解决混合象元困难的另一主要途径,是采用模糊分类思想。一反单个象元只能完全地属于一个地类的思想,wang(1990)修改了传统的最大似然法,他为每一地类计算模糊均值和模糊协方差矩阵,每一个象元对地类的贡献取决于它对该类的归属度,训练样本的归属度来自于预先确定的分类或来自最大似然法的概率。正如wang所显示的那样,模糊分类的象元归属度可以给出象元内部亚象元成分比例的正确评价。Fisher和Pathirana(1990)的工作也给出类似结论。自那以后,模糊分类的文献经常可见(Fisher等,1990;Foody,1994;等)。应当指出,尽管人工智能方法在很多研究中对探测亚象元层次信息有明显作用,但这种改善仍难涉及细致的分类层次。所报道的分类改进一般只限于Anderson二级类,其中相当一些仅作用于一级类。Anderson三级类至今难以区分(Sk记more等,1997)。Andersonl、fl、m大体相当于我国土地详查的一、二、三级类。众所周知,类级愈高,意味着深人到地面更细微的层次,因而愈难准确分类。
2、精度分析的深入
近年来也有相当多的文献专注于精度分析方面的工作,并取得不少进展。首先,在几何精度方面,Dogle(1997)评述了GPs测量技术所带来的与大地水准面、坐标转换、uTM和国际网以及地形高程等有关的问题;Mcgwire(1996)和kardoula。等(1996)分别讨论了图像几何精校正中的精度评价和利用GPS作控制点的问题。
同几何精度相比,图像分类精度似乎得到更多的关注,不仅所有的有关图像分类的文献皆讨论精度问题,而且分类精度评价的方法*河*论*蟹*本身也得以进一步讨论。很多作者评论了常用的分类误差矩阵或混淆矩阵作为分类精度的评价工具的缺点,不少工作被做出以弥补此不足,包括优化地面实况样本的策略(Rose‘e一d等,1952;stehman,x992),以及给出从混淆矩阵合理估计分类概率的方法(Green等,1993),等等。然而这些并不能从根本上解决混淆矩阵的不足,即它不能提供分类图像中不确定性的空间信息,不确定性度量和类别归属概率是对整个一个类别,而不是对个别象元而给出的。
传统的分类精度评价方法的局限性,归根到底,仍然还是来自于它的基本假定:图像中每一区域,每个象元,可以不含糊地被指派到一个单一的地类中。为了评价精度,专业人员必须选定一个地类指派给作为精度评价比较区的地面实况(groundtruth)中的每一个象元,而不理会混合象元的问题。
为了解决上述问题,近年来有不少新的误差模式,或者说分类精度评价模式被提出。其中,模糊分类方法由于能给出分类象元的地类归属度的信息,而在新的精度分析方法中占有较为显著的位置。例如,G叩al和woodcock(1994)论述了利用模糊集方法进行专题地图精度评价的理论和方法;Canters(1997)给出了一个从土地复盖模糊分类导出的地类面积值不确定性评价的新方法。
本文摘自《卫星遥戒技术及其在土地利用方面应用研究发展的思考》更多文献及空间地理信息数据请咨询地理国情监测云平台，电话：010-84896208转898，QQ：863548516。
页:
[1]