遥感图像计算机分类新方法

地理国情监测

　　常规的遥感统计分类方法主要是根据地物光谱的反射特征,基于单个像元进行操作,但由于遥感数据一般带有综合光谱信息的特点(即一个像元有时是地面各类地物光谱的总和),致使计算机分类面临着诸多模糊对象,导致精度降低。为此,人们不断研究尝试新的分类方法。
　　1、多时相、多源遥感数据复合分类方法
　　充分利用遥感数据多平台、多传感器、多波段、多分辨率、多时相等众多优势,可使各种遥感数据相互补充,提高地物识别率。多源数据复合已被证明是提高遥感分类精度的有效途径,而且它是解决充分利用已有遥感信息资源的有效手段。如Fuller et al制作英国土地利用图时,使用了冬夏两个时相的数据和最大似然法分类,从而提高了分类精度。Curtis k.Munechika等人提出在多光谱数据与高空间分辨率数据融合时,若保证光谱辐射的整体性,可提高分类精度。近10年来,对雷达和光学数据、多光谱和高空间分辨率数
　　据的融合用于土地利用/土地覆盖的研究逐渐增多,如SAR和MSS图像、SAR和TM图像、TM和SPOT数据、SPOT全色与其多光谱数据的融合等。
　　2、GIS支持下的遥感分类方法
　　遥感和GIS的研究对象都是自然界中的空间实体,GIS作为空间数据处理和分析的有效工具,可为遥感应用提供良好环境,使得遥感图像在GIS支持下可得到较高的分类精度。Paul M.et al研究了在GIS支持下对SPOT分类结果作矩阵叠加分析,以使分类图像与土地利用分区信息结合起来,精度提高到78%。
　　Paul V.Bolstad利用土壤质地、地形等空间专题信息,提高了TM数据的土地利用分类精度。刘行华在利用TM数据进行分类及辅助制图研究时,指出GIS辅助分类,不仅能提高分类精度,而且能提高可靠性。黎夏在他的研究中也提出了利用GIS技术来提取形状信息和改善分类精度的新方法,从而使一些容易混淆的分类得到纠正。
　　3、人工神经网络分类方法
　　人工神经网络,是以模拟人体神经系统的结构和功能为基础而建立的一种信息处理系统,是一种人工智能。它的研究已有近35年的历史。目前这种技术在遥感图像分类处理中应用的较为广泛和深入,从单一的BP(Back Propagation,反向传播)网络发展到模糊神经网络、多层感知机、学习向量分层)2网络、Kohonen自组织特征分类器、Hybrid学习向量分层网络等多种分类器。除了神经网络自身分类器的改进之外,专家们还研究了神经网络与其它处理技术相结合的方法,以更好地提高分类精度,如章杨清和刘政凯两人在使用神
　　经网络方法的同时,引入分维向量来强化输入模式在纹理特征上的信息表达,使总体识别精度更上一层楼;熊桢等人将神经网络技术与分层处理技术相结合提出并设计了分层神经网络分类方法。许多研究实验表明,神经网络在数据处理速度和地物分类精度上均优于最大似然分类法的处理速度和分类精度,容错能力强,对不规则分布的复杂数据具有很强的处理能力,而且它能够促进目视解译与计算机自动分类的相结合。
　　4、专家系统分类方法
　　专家系统也是人工智能的一个分支,它是采用人工智能语言如:C、LESP、PROLOG语言,将某一领域的专家分析方法或经验,对地物的多种属性进行分析、判断,从而确定各地物的归属。匡霞等人对待分类图像首先利用现有的统计分类技术进行预分类,并检测出/不确定0像元,然后综合光谱、地理、土壤类型、早期判别结果、目视判读经验等各种知识和信息,充分发挥专家系统的推理判断能力,对/不确定0像元的类别作进一步判别,使得整幅图像的分类精度得到改善。在利用DTM和TM数据进行林区分类时,Andrewk.Skidmore的实验证明由专家系统分类器得到的结果要比常规分类法的精度高。专家系统方法由于总结了某一领域内专家分析方法,可容纳更多信息按某种可信度进行不确定性推理,因而具有较强大的功能。
　　5、模糊数学分类方法
　　模糊数学分类方法是一种针对不确定性事物的分析方法,它是以模糊集合论作为基础。Wang在研究遥感图像分类方法时,给出了模糊分类方法的详细步骤,其中主要包括地理信息的模糊集表达、模糊参数的估计和光谱空间的模糊划分等。在运用黄土丘陵区数字地貌模型对影像的分层分类结果进行修正和细化时,张兵引入了模糊数学理论,分别建立起地貌、植被与土地利用之间的从属度关系。尤淑撑等人将模糊分类技术用于多时相的Scan SAR的作物识别中,认为比传统的最大似然分类法有较高的识别精度。
　　使用模糊分类方法,必须首先确定训练样本中像元各类别的隶属度,过程比较麻烦,因而研究不多,也影响了该方法的推广应用。本文摘自《土地利用/土地覆盖遥感分类方法的研究综述》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：2863548516。