遥感图像分类中模糊模式识别和决策树方法的应用研究.pdf

《遥感图像分类中模糊模式识别和决策树方法的应用研究.pdf》由会员分享，可在线阅读，更多相关《遥感图像分类中模糊模式识别和决策树方法的应用研究.pdf（51页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、首都师范大学硕士学位论文遥感图像分类中模糊模式识别和决策树方法的应用研究姓名：罗来平申请学位级别：硕士专业：计算机应用技术指导教师：刘先林;宫辉力20060520首都师范大学硕士学位论文中文摘要摘要本文作为国家高新技术研究发展计划(8 6 3 计划)资助课题“遥感数据处理平台与应用”的一部分，对遥感图像分类中的一些关键技术和主要算法做了深入的研究。针对传统监督和非监督分类的不足，将模糊模式识别技术引入其中，并对模糊C 均值算法进行了改进，从而获得了更好的分类效果。文中根据前人提出的某些特定应用的决策树模型，建立了一个通用的知识规则符号库，并设计了一个通用的决策树分类平台，方便了决策树模型的建立

2、和分类。最后设计并开发了以“图像分类一分类后处理一精度评价”为一体的“遥感图像分类系统”。主要从事了以下研究工作：1)在分析了传统监督和非监督分类方法的基础上，分别给出了传统分类六种算法的分类思想和算法流程。并指出了这些基于统计模式识别的传统分类方法的不足，结合模糊数学的思想，将模糊模式识别技术引入遥感图像分类中。在研究了模糊C 均值算法的基础上，提出了一种适合于遥感图像的改进模糊C 均值算法，该改进算法结合邻域统计分析的思想来优化隶属度函数，能够获得更快的分类速度、更高的分类精度和更好的分类效果图。2)根据前人所建立的某些特定应用的决策树模型，建立了一个通用的知识规则符号库，通过该符号库和二

3、叉树结构显示界面的通用平台可快速地建立一个决策树模型。文中还对C-U H 决策树算法进行了改进，基于改进的算法可以很方便地进行遥感应用方面的决策树分类，并取得了较好的实验效果。3)最后基于以上的研究和国内对遥感图像处理软件的需求，实现了一个以“图像分类一分类后处理一精度评价”为一体的完善系统。关键词图像分类，模式识别，遥感，模糊聚类，决策树首都师范大学硕士学位论文英文摘要A B S T R A C TA sap a r to ft l l eR e s e a r c ho fP r o c e s s i n gH a ta n dA p p l i c a t i o ni I lR e

4、m o t eS e n s i n gD a t as u p p o n e db yt h eN a t i o n a lH i-N e w7 1 1 e c h n o l o g yR e s e a r c ha I l dD e v e l o p m e n tP l a n(8 6 3”P l 柚)P r o j e c t，t h et h e s i Sh a sm a d ead e e pT e s e a r c ho ns o m ek e yt e c h n i q u e sa n da 培o r i t h m so fr e m o t es e n

5、s i n gi m a g ec l a s s i f i c a t i o n I na l l u s i o nt ot h es h o r t c o m i n go ft r a d i d o n a ls u p e i s e da I l du n s u p e r v i s e dc l 弱s i 丘c a t i o n，f u z z yp a t t e mr e c o g n i t i o ni si n d u c t c di n t oc l a s s i 6 c a t i o n 锄di m p r o v e df u z z yc-

6、m e 卸sa l g o r i t l l l ni sp r o p o u n d e do b t a i n i I 培b e 仕e rd a s s i f i e de 纸c t。B a s e do nt h ed e d s i o nt r e e sm O d e l so fs o m es p e c i a la p p l i c a t i o nw h i c hi sp r o p o u n d e d b yt h ef o n n e rr e s e a r c h e r t l l et h e s i sb 蚰d sag c n e r a

7、l u l i l i t ys y m b o l、a r e h o u s eo fl【1 1 0 w l e d g er e g u l a t i o n s，a n dd e s i g n sag e n e r a l 一埘I 蛔d e d s i o nt r e ed a s s i f i c a t i o n 丑a tt h a tg i v i n gc o n v e n i e n c et ob u i l dd e c i s i o nt r e em o d da n dt od 舔s i 母A tl a s tap e r f e c ts y s

8、t e mo fR e m o t eS e n s i n gC l a s s i f i c a t i 蚰i Sd e s i g n e da n d妇p l e m e n t e da sab o d yw i t h”i m a g ed a s s i f i c a t i o n f p o s t-p r o c e s s i l l ga n da c c u r a c ya s s e s s 加屺n t”皿em a i nr e s e a r c hw D r ki sa sf b l l a w s：1)A f c e r 蛐a l y z i I l g

9、t h em e t h o d S t r a d i t i o n a ls u p e n，i s e da 1 1 dl I n s u p e r v i s e dc l a s s i 缸c a t i o n，t h et h e s i sp r e s e m sd a s s i f i e dt h o u g l l ta n da l g o r i t l l I n i cf l o wt os i xl d n d s o ft r a d i t i o n a ld a S s i f i c a t i o na l g o r i t h m s P

10、 o i n t i n go u tt h es h o r t c 0 I n i n go ft r a d i t i o n a ld a s s i f i c a d o nm e t h o db 船e do ns t a t i s t i c sp a t t e mr e c o g n i t i o na n dc o m b i I l i I l gw i t ht h em e t h o do ff I l z z ym a t h e m a t i c s，f I】_ z z yp a t t e mr e c o g n i t i o ni si n

11、d u c t e di l l t ot h er e m o t es e n s i I l gi l n a g ec l a s s i f i c a t i o n 0 n 也ef o u n d a t i o no ff I l z z yc-m e a n sa 1 9 0 r i t h m sf e s e a r c h，t h et h e s i sp r o p o 岫d s 锄i m p m V e df l l 盟yc m e a n sa l g o r i t h mm a ti sf i tf o rr e m o t es e n s i n gi

12、m a g ed a s s i f i c a t i o n I tc a b eo b t a：i n e db e t t e rs p e e d，h i g h c ra c c u r a c yo fd a s s i f i c a t i o na I l db e 仕e re 腧c t 缸-a g e sb yu s i n gt h ei m p r o v e da l g o r i t h mw h i c hi sc o m b i J l h 培n e i g h b o rs t a t i s t i c sm e t h o dt oi m p r o

13、v em ep i x e ls u b j e c t i o nd e g r e ef I l I l c t i o n 2)B a s e do nt h ed e c i s i o n 慨e sm o d e l so fs o m es p e d a la p p l i c a t i o nw h i c hi sp r o p o u n d e db y 也ef o 衄e f 托s e a f c _ h e r，t h et h e s i sb u n d Sag e n e r a l-u t i l i t ys y m b o lw a r e h o u

14、s eo fl【l l o w l e d g er e g L I l a t i o n s，a n dd e s i g n sag e n e r a l-u t i l i t y龇i o nh e ec l a s 鳓论a t i o nn a tt h 缸g i v i n gc o n v e n i e n c et ob 试l dd e d s i o nt r e em o d e la n dt od od e d s i o nt r e ed a s s i f i c a t i o no nr e m o t es e n s i I l ga p p l i

15、c a t i o n 3)A tl a s tb a s e do nt h ea b o V er e s e a r c h e s，ap e r f e c ts y s t e mi sd e S i g n e d 锄dI I首都师范大学硕士学位论文英文摘要i m p l e m e n t e da sab o d yw i t h”i m a g ec l a s s i f i c a t i o n，p o s t-p r o c e s s i n g 姐da c c u r a c ya s s e s s m e n t”，a c c o r d i n gt ot

16、h ed o m e s t i cu 唱e n td e m a n df o rR e m o t eS e n s i I l gI m a g em a n i p u l a t i o nS o f 啊a r e K E YW o 肪SI m a g eC l a s s i 6 训o n，P a t t e mR e c o g n i t i o I l R e m o t eS e n s 吨，弛z yC l u s t e r i n g，D e c i s i o nT r e e I I I首都师范大学硕士学位论文图表目录表目录表2-l 三种模式识别方法的比较1 3表3

17、 1 本论文改进算法分类结果的混淆矩阵2 4表3 2P c IG e o m a 廿c a 模糊C 均值分类结果混淆矩阵2 4表3-3 本论文改进算法分类整体精度报告2 5表3 _ 4P c IG e o m a t c a 模糊C 均值分类整体精度报告2 5图目录图2-1 特征点集群分布情况7图2 2 计算机分类处理的基本过程7图2 _ 3 识别系统的原理框图1 3图3 1 改进的模糊C 均值算法流程图2 0图3-2 本论文实现的改进模糊C 均值分类界面：2 l图3-3P c IG e o m a t 哟中的模糊C 均值分类。2 1图3 q 原始T M 图像f r M S 删4，T M 3)

18、波段合成彩色图2 2图3 5P c IG e o m a 廿c a 软件中的模糊C 均值效果图2 2图3-6 本论文实现的改进模糊C 均值分类效果图2 3图3-7 用精度评价系统进行精度测试2 3图4 _ 1 决策树分类主要流程图。2 7图牛2 友好的交互界面3 0图4 _ 3 改进的决策树算法3 l图4 4 改进的数据结构3 2图4-5 _ M 原始影像和分类专题图。3 3图4-6 决策树分类结果图3 3图5-1 系统流程图图5-2 系统模块构成3 S图5 3 系统主界面和菜单3 6图5 _ 4 传统监督分类界面3 6图S-5 监督分类集成的算法流程图3 7图5 6K 均值分类主界面图5-7

19、I S o D 盯A 分类主界面。3 7图S _ 8C O M 对象的包容和聚合3 9首都师范大学硕士学位论文第一章绪论1 1 研究背景和研究意义第一章绪论遥感技术作为一种信息时代的产物和工具，具有周期动态性、信息量丰富、获取效率高等显著优势，因此可以说遥感技术是当前人类获取时空信息的最有效的技术和手段之一【1 1。近年来，遥感传感器的载体从飞机发展到卫星，传感器从简单的全色相机发展到多光谱、高光谱，探测的范围从可见光发展到红外、微波，探测方式也从单一的他动(M S S 和1 M 等)发展到被动(微波辐射计等)和主动(雷达)，而且图像的空间分辨率不断提高l Z J。这给我们带来了大量的、丰富的

20、遥感信息，它不仅大大开阔了人们的视野和对世界的理解，而且为进行遥感技术的应用提供了基础。特别是随着航空和航天平台技术、数据通讯技术的飞速发展，现代遥感技术从早期粗略的、宏观的、定性研究转变为精细的、微观的定量研究，如今己进入了一个能够动态、快速、准确、及时、多手段地提供多种对地观测数据的新阶段1 3 1。从而广泛应用于农林业管理、土地规划、海洋观测、气象预报、环境保护、灾害监测与估计、地矿与石油勘探等国民经济建设领域，并且在军事预警、地形地貌侦察、目标识别与精确打击、空间对抗等军事应用方面发挥着巨大的作用H。但同时我们也看到，目前遥感技术的应用水平却明显滞后于空间遥感技术的发展【5】，突出地表

21、现在遥感数据的挖掘和利用上，如何从遥感数据中获得人们所需的最大信息一直是遥感技术研究的重要内容。利用遥感图像获得信息的一个重要中间环节就是分类嘲。早期的遥感图像分类方法是目视解译分类。这种方法需要目视判读者具有丰富的地学知识和目视判读经验，可以充分利用判读人员的知识，灵活性好，擅长提取空间相关信息。但这种方法具有很大的主观性，往往会带来定位不准确、时效性差、可重复性差、信息获取周期长、劳动强度大等缺点。特别是由于遥感数据具有海量级别，仅仅依靠专业人员的人工能力远远无法承担海量数据的识别任务。于是人们开始尝试利用计算机模式识别技术来进行遥感图像的分类，其实质是确定不同地物类别间的判别界面和判别准

22、则，具有可重复性好、定位比较准确、处理时间短、时效性好等特点。然而遥感图像因其自身特点又不同于其他的计算机模式识别，遥感图像类别多、含混度大、维数高，且图像经常会出现同谱异物、同物异谱、混合像元等情况，因此分类过程中常常出现错分、漏分等问题，导致分类精度不高和分出的图斑比较零乱。总之，高精度多类别的遥感图像分类具有很大的难度。如何更加准确的获取遥感图像中所包含的信息，一直是遥感应用领域的一个非常活跃的研究主题。首都师范大学硕士学位论文第一章绪论1-2 遥感图像分类方法的研究现状1 2 1 研究历史及现状从2 0 世纪7 0 年代起，随着第一颗陆地卫星发射成功，人们就开始利用计算机进行卫星遥感图

23、像的解译研究。最初是利用数字图像处理软件对卫星数字图像迸行几何纠正与位置配准，在此基础上采用人机交互方式从遥感图像中获取有关地学信息。这种方法的实质仍然是遥感图像目视判读，它依赖于图像解译人员的解译经验与水平，在遥感图像分类方法上并没有新的突破。2 0 世纪8 0 年代，主要是利用统计模式识别方法进行遥感图像的计算机分类p l，例如s 仃a h i e 1 9 8 0)使用最大似然法对遥感影像数据进行分类，G o l 曲e r 联1 9 8 3)运用光谱特征对多波段卫星影像进行分类，从中获取森林资源信息。这种方法的特点是根据图像中地物的光谱特征对影像中的地物进行分类。这些方法对遥感图像计算机分

24、类的发展起到了推动作用。2 0 世纪9 0 年代期间至今，涌现出了大量的遥感图像分类方法，这些方法在一定条件下都可以取得较好的效果。主要表现在：1、在改进波段信息方面，w i l k i n s o n G G(1 9 9 6)通过增加空间结构信息来辅助分类【8】；h 咖J(2 0 0 3)采用波段比值【9】，骆剑承、王钦敏等(2 0 0 2)用基于有限混合密度理论的期望最大但M)算法来作为最大似然函数(M 参数估计的方法一E N+M L c【1 0】。2、一些成熟的数学工具也在不断地引入遥感影像的分类中，例如神经网络、遗传规划以及支持向量机等。(a)神经网络算法用于遥感图像分类始于1 9 8

25、 8 年。因其具有对信息的分布式存储，并行处理、自组织、自学习等特点，在遥感图像分类领域中有较为广泛的应用。如M u m l H(1 9 9 7)提出了基于神经网络和知识发现的分类方法【儿】，李厚强等(1 9 明应用B P 网络和自适应神经网络相结合的方法对s P O T 卫星图像进行分类【1 2】。张友水、冯学智(2 0 0 4)采用主成分分析对遥感图像进行预处理，结合地理辅助数据的量化输入训练出勋h o n 自组织图后对融合有地理辅助数据的图像进行土地利用分类，取得了较高的分类精度【1 3】。(b)2 0 世纪9 0 年代，斯坦福大学的K 0 z a【1 4】提出了遗传规划算法。直到2 0

26、 0 0 年，尉s h o r c等人【1 5】才首次将G P 应用于多类别模式分类问题。随后，T 功v e a“1 6 1，B c c b i 衄【切R R F M e n d 龉【1 A n d ys 一1 9 1，M u n i 脚等人先后提出了不同的基于G P 的多类别计算机分类算法。(c)支撑向量机是由V a p n j k 提出的。其基本思想是由事先定义的非线性变换函数集，把向量映射到高维特征空间中，按照支撑向量与决策曲面的空隙极大化的原则来产生最优超平面，然后再把高维特征空间的线性决策边界映射至0 输入空间的非线决策2首都师范大学硕士学位论丈第一章绪论边界。C H u a n g

27、 等人认为支撑向量机是在高维数据分类上最好的机器学习算法，而且可以在小样本的情况下就获得较高的准确率。夏建涛博士在其博士论文中也论述了支撑向量机进行遥感图像分类的优点l“】。3、结合其它知识进行分类。例如基于G I S 空间数据库知识挖掘的遥感影像分类算法，结合影像纹理信息的分类算法等。另外由于复合分类器法可以弥补单分类器的不足，集中各分类器的优势，正被逐步应用。1 9 9 2 年P i l l z 等人提出了一种简单的两种分类器结合用于多光谱图像分类的方法；1 9 9 7 年R o l i 等人用多种方法将统计分类器和神经网络分类器结合用于遥感图像分类；1 9 9 7 年G i a c i

28、n t 等人将多个神经网络分类器结合进行遥感图像分类；2 0 0 0 年S u e n 等人通过结合多个自组织图进行遥感数据分类，等等。总的来说，遥感图像分类算法的发展是朝着精确、快速的方向发展。但这些方法在遥感图像分类精度上还有待于提高。自从1 9 6 5 年扎德教授提出模糊集理论以来，有关模糊信息处理的理论和应用均取得了重大的进展，并由此产生了模糊模式识别方法。后来陆续应用于文字识别、图像分割和语音识别中，并取得了很好的效果。但迄今为止，作为一种较好的研究方法，在遥感图像分类中这方面的文献仍不多见。由于地球表层信息的复杂性和开放性，地表信息是多维的、无限的，遥感信息传递过程中的局限性以及遥

29、感信息之间的复杂相关性，决定了遥感信息的分析具有不确定性、多解性和模糊性，实际上遥感图像所包含的不一定是单纯的地物信息，特别是空间分辨率低的或者是地表复杂度高的影像单元中，往往是多种地物的综合反映(即模糊性)。这一特点使得基于模糊模式识别分类成为遥感影像分类研究中的一个重要趋势。1 2 2 现有商用软件的现状在国外，在遥感图像处理领域卓有成效的有美国E R n A S 公司推出的E I u m 峪I M A G 矾E、澳大利亚B 气R 1 HR E S O U R C EM A P P 矾G 公司(以下简称E R M)开发的研制的E RM 印p c r、美国R S I 公司的E N v I、加

30、拿大P c I 公司开发的P C IG e 锄a t i c a 软件等。这些商用软件通常提供基础级他s e m i a l s)、高级(A d v a l l t a g c)和专用级(P r o f e s s i o n 枷三级模块软件。在专业级遥感图像处理模块是在其他两级的基础上，增加用于遥感与地理分析专业的综合工具，如分类技术、雷达分析、可视化空间建模工具等。特别是E R n A SI M A G 矾E不仅具有常用的监督和非监督分类技术，而且具有子像元分类器(s u b p i】【e 1a 硒s i f i e r)及结合专家系统的专家分类器饵x p e na a s s i f i

31、 e r)。子像元分类模块是功能强大的多光谱图像研究工具，具有较高水平的光谱区分能力和分类精度。专家分类器通过建立专家系统，既充分利用光谱信息，又将空间关系信息(纹理特征)引入，并且需要建立并运行复杂的推理机制，从而生成土地覆盖图和其他信息类别。因而除了该软件具有相当高的价格外，对软件使用者的地学知识和经验以及建模能力又相当高的要求。3首都师范大学硕士学位论文第一章绪论国内在G I s 和遥感图像处理领域的发展较晚，加之产品功能单一，因而在市场上的份额较小。进入9 0 年代以来，随着国际上微机平台的遥感图像处理系统的兴起和国内地理信息系统等相关领域的迅速发展，我国遥感图像处理系统的研制有了新的

32、发展。武汉大学开发的M A P G I S 等国内先进的基于微机w i n d o w s 平台上的G I s 软件已包含了遥感图像处理模块，但其相对功能较弱。中科院遥感所开发的m S A 遥感图像系统只能提供传统的基于统计模式识别的监督和非监督分类模块。另外像T e l l u xI n l a g c r 是北京诺瓦信息技术有限公司推出的独立架构的遥感图像处理软件，但遥感图像分类技术单一仅能提供最大似然法分类，因而分类效果相对较差。1 3 选题来源遥感图像分类一直是遥感应用领域的一个非常活跃的研究主题。目前国际上对遥感图像分类的研究非常活跃。国际电气与电子工程师协会m E E 为遥感技术专

33、门设置了刊物，每年都有大量的关于遥感图像分类的论文发表。美国N A s A 也设立了庞大的遥感技术研究机构。欧空局E s A 和日本国家空间发展局N A 缸缓也都是大型遥感技术研究机构。虽然国内也有很多科研机构从事遥感数据处理方面的工作，但与国外相比，尚有一定差距。如何缩短我国的遥感技术水平与世界先进水平的差距，使遥感技术在国民经济和国防建设等各个领域发挥更大的作用，己经成为当前我国遥感领域的一项迫切任务，引起了各应用部门越来越广泛的重视。本次研究和软件实现是在国家高技术研究发展计划(8 6 3 计划)一遥感数据处理平台与应用(2 0 0 2 A A l 3 3 毗O)项目支持下进行的，研究的

34、目的是在于借鉴国内外遥感图像分类成果的基础上，将改进的模式识别新方法应用到遥感图像分类中，实现一个功能完善的遥感图像分类系统，并集成到可以弥补国内空白的遥感数据处理通用平台中，以期在功能和性能上能够与国外同类软件相媲美。1 4 本文主要工作虽然遥感图像分类处理技术的研究历史比较长，也有了很多研究结果。但遥感技术，特别是硬件技术的进步不断促进着分类技术、理论研究的发展。针对遥感图像分类技术的研究始终是一个很有意义的研究课题。本文主要研究了模糊模式识别技术和决策树方法在遥感图像分类中的具体应用。首先比较深入地调研了遥感图像分类方法的国内外研究现状与发展趋势，详细地阐述了本文的选题来源及研究意义。接

35、着研究了遥感图像的分类原理。根据遥感图像的具体特点改进了模糊模式识别的分类方法；结合分层思想和知识规则原理建立了知识规则符号库。最后设计和实现了个完善的遥感图像分类系统。本文的主要工作重点是：首都师范大学硕士学位论文第一章绪论1 1 在分析了传统监督和非监督分类方法的基础上，分别给出了传统分类六种算法的分类思想和算法流程。并指出了这些基于统计模式识别的传统分类方法的不足，结合模糊数学的思想，将模糊模式识别技术引入遥感图像分类中。在研究了模糊C 均值算法的基础上，提出了一种适合于遥感图像的改进模糊c 均值算法，该改进算法结合邻域统计分析的思想来优化隶属度函数，能够获得更快的分类速度、更高的分类精

36、度和更好的分类效果图。2 1 根据前人所建立的某些特定应用的决策树模型，建立了一个通用的知识规则符号库，通过该符号库和二叉树结构显示界面的通用平台可快速地建立一个决策树模型。文中还对c A R T 决策树算法进行了改进，基于改进的算法可以进行遥感应用方面的决策树分类，取得较好的实验效果。3)最后基于以上的研究和国内对遥感图像处理软件的需求，实现了一个以“图像分类一分类后处理一精度评价”为一体的完善系统。1 5 论文组织结构本文正文共五章，内容概括如下：第一章：绪论。介绍了论文的研究背景和研究意义以及遥感图像分类方法的国内外研究现状；阐述了本文的选题来源以及本文主要工作和创新点。第二章：遥感图像

37、分类原理与传统分类方法。归纳了遥感图像的分类原理和总结了基于统计模式识别的传统分类六种算法的分类思想和算法流程；指出了传统分类方法的不足。第三章：模糊模式识别在遥感图像分类中的应用。引入模糊模式识别技术，提出了一种适合遥感图像分类的改进模糊c 均值算法，最后给出了实验对比。第四章：基于分层思想知识规则的决策树分类。根据前人所建立的某些特定应用的决策树模型，建立了一个通用的知识规则符号库；对决策树算法进行了改进，并设计了一个二叉树界面的通用平台，最后在这个平台进行了实验。第五章：遥感分类系统的设计与实现。介绍了系统的需求分析及开发环境；设计了系统流程图、系统模块框架、友好的用户界面和数据结构；分

38、析了系统关键技术，并给出了实现。第六章：结论与展望。总结了本文所做的工作，提出了以后研究工作的展望。5首都师范大学硕士学位论文第二章遥感图像分类原理与传统分类方法第二章遥感图像分类原理与传统分类方法2 1 遥感图像分类原理2 1 1 目视解译分类目视解译就是根据作业人员的经验和知识，即根据样本的影像特征和空间特征(形状、大小、阴影、纹理、图型、位置和布局)，与多种非遥感信息资料相结合，按照应用目的运用生物地学等相关规律，采用对照分析的方法，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理，从而识剐图像上的目标，并定性定量的提取目标的形态、构造功能、性质等信息的技术过程。由于目视判读可以充分

39、利用判读人员的经验和知识，对于提取目标的空间信息、语义信息特别有效，因此，耳视判读仍是遥感图像应用过程中的主要作业方法之一。目视解译分类方法的应用主要是通过遥感图像与各种辅助资料(地形图、专题图、各种气象水文资料等)的结合，进行人工判读之后，手工编绘各种专题图。早期的遥感应用主要是采取这种方法。现在随着计算机技术和遥感图像处理技术的发展而形成了人机交互晷视解译方法，它通过计算机对遥感图像进行各种增强缩放和变换后，判读人员根据建立的解译标志，直接用鼠标沿影像特征边缘准确的勾绘出地类界限，从而达到地物分类。陈宁强等运用遥感处理软件，对人机交互式土地资源遥感解译的条件过程及主要特点做了探索性研列碉；

40、张松岭、杨邦杰等人提出了基于G I s 的耕地遥感监测人机交互式图像解译系绀捌；中科院遥感所在长期科技攻关的基础上制成了遥感图像人机交互判读系统，可较好地满足区域规划、管理和决策以及遥感农情速报、遥感专题制图等多方面的需要，在高新技术产业化方面具有广阔的发展应用前景和显著的社会经济效益。同时，遥感计算机解译的结果，也需要用居视解译的方法进行抽样核实或检验L z _，z 引。2 1 2 计算机自动分类的基本原理遥感图像计算机分类是通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空问，然后将图像内各个像元按照某种规则或算法划分到各个子空问中去，从而实现分类。遥感图像上地物的

41、光谱特征通常是通过地物在多光谱图像上的亮度来体现的。然而不同的地物在同一波段图像上表现的亮度一般互不相同；同时，不同地物在各个波段图像上的亮度所呈现的规律也不同，这就构成了区分不同地物的依据。在理想情况下，属于同一地物类别的像元应该具有相同的亮度值。但是由于各种外界因素的影响，使同类地物具有不同图像亮度值，因而图像亮度(光谱特征)的观测值构成一个随机变量z，于是，同类地物在不同波段图像中的观测值构成一个多维的随机变量X，称为光谱特6首都师范犬学硕士学位论文第二章遥感图像分类原理与待统分类方法征向量，即x p，工：，】7(其中n 为图像波段总数；耳为像元在第f 波段中的亮度值)。根据亮度值在特征

42、空间中可以找到像元对应的光谱特征点。由于同物异谱，同类地物的光谱特征点在特征空间中不可能只表现为同一点，而是形成一个相对聚焦的点集群，而不同类地物的点集群相对地相互远离。特征点集群在特征空间的分布大致可分为如下三种情况【2 6】：(1)理想情况一不同类别地物的集群至少在一个特征子空间中投影是完全可以相互区分开的，如图2 1(a)。但)典型情况一不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中却是可以完全分开的，如图2 1(b)。(3)一般情况无论在总的特征空间中，或在任一子空间中，不同类别的集群之间总是存在有重叠现象，如图2 1(c)。功秘电(a)理想情况(b)典型

43、情况(c)一般情况圈2 1 特征点案群分布情况分析：情况(1)可以在相应的子空间图像中采用简单的图像密度分割的方式实现分类。情况(2)利用单波段的图像不能实现完善的分类，而需要利用多光谱图像，在多维特征空间中，才可能实现精确的分类。情况(3)是遥感图像分类中最常见的情况，重叠部分的特征点所相应的地物，在分类对总会出现不同程度的分类误差。显然，对遥感图像进行分类，就是确定不同特征点分布集群之间的分类界线(面)，其关键问题就是对各集群的分布规律进行统计描述。我们通常是用特征点分布的概率密度函数来表征。一旦各类集群分布的概率密度函数可确定，则就可能计算任一个随机变量属于某类集群的条件概率，进而依据某

44、种进行概率比较的判决规则，即分类判决函数，就可实施分类处理。遥感图像计算机分类处理的基本过程，见图2 2，包括原始图像的预处理、特征选择和特征提取、分类、检验结果以及成果输出等。匾訇、咂三固咂堕回一咂亘回一咂堕因咂堕困固图2-2 计算机分类处理的基奉过程7首都师范大学硕士学位论文第二章遥感图像分类原理与传统分类方法2 2 遥感图像分类的传统方法2 2 1 引言遥感图像分类主要依据是地物的光谱特征，既地物电磁波辐射的多波段测量值，这些测量值可以用作遥感图像分类的原始特征变量。遥感图像分类技术发展至今，分类算法虽然已经很丰富，但大多数特别是传统的遥感图像分类主要利用统计模式识别方法，对遥感图像上每

45、个像素按照亮度值进行统计并按接近程度给出对应类别，以达到大致区分遥感图像中多种地物的目的。不管是何种分类方法，按照有无样本学习可以分为监督分类和无监督分类拉7，邛J；而按照寻找判别函数时是否需要估计数据的概率分布，又可以把分类算法大致分为参数分类器和非参数分类器。本节主要从监督分类和非监督分类这两个方面对传统分类算法进行描述和实现，并指出传统分类方法的不足。2 2 2 传统的监督分类监督分类方法首先需要从研究区域选取有代表性的训练场地作为样本。根据已知训练区域提供的样本，通过选择选择特征参数，建立差别函数，据此对样本像元进行分类。它主要有极大似然分类、最小距离分类、马氏距离分类、平行体等算法。

46、2 2 2 1 最大似然分类法最大似然分类是图像处理中最常用的一种监督分类方法，它利用了遥感数据的统计特征 1 0】，假定各类的分布函数为正态分布，在多变量空间中形成椭圆或椭球分布，也就是和中个方向上散布情况不同，按正态分布规律用最大似然判别规则进行判决，得到较高准确率的分类结果。(1)判决规则从概率统计分析，要想判决某位置的向量x 属于哪一类别，实际上，判别函数要从条件概率P(q，ft L 2，胁来决定，畔代表第f 个类别，共有m 类，P 表示在模式x 出现的条件下，x 为帆类的概率。(2)判决函数多变量正态类分布为P q，。赤6 印卜丢。一M?。一肼朋公式(2-1)式中是参加分类的特征数，

47、M；是均值向量，。为类别q 的协方差矩阵。首都师范大学硕士学位论文第二章遥感图像分类原理与传统分类方法对其取对数为l n g。)一l n P 。)一丢l n I；l 一言 一M；)7 i 1 一吖t)公式(2 2)2 2 2 2 最小距离分类法最小距离判别是在有先验知识的前提下进行的，不需要计算协方差矩阵，只需计算均值向量，用特征空间中训练样本的均值点的位置作为聚类中心，进行被分类的点与各类中心点的距离比较，距离哪个类别中心最近就判为哪一类。判决原理【】如下：这时判别函数可从距离公式求出。特征空间中表示为向量的某点到第i 类中心的距离为：，一除刊2 l，2式中，n 为波段总数，根据矩阵运算规则

48、，上式可以定成：d 0，M。)2 一O M；)7 一M i)展开后d O，M f)2 _ x 7 z 一2 f j 工+m：为了使判别函数形式简单，不同距离相比较时的公共项可以删去，g；O)一2 M j M M j M，公式(2 3)公式(2 4)公式(2 5)则上式可化为公式(2 6)去掉负号的原因是根据判别规则应求最大值，与最小距离的原则相反。这样，由判别规则，有m 类。如果g；O)g f O)，则工q。这种方法的优点是计算量小，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

49、不准确而引起的误差。2 2 2 3 马氏距离分类法这种定义考虑了变量间(样本)相关性的影响，是一种更广义的距离定义 3 0 1，表达为l妒萨慨，2 _ “啦，n式中，s 9 是m 个变量的协方差阵s 的逆矩阵中对应的元素，即刃t o 一心)：1 o 一心)其中：9公式(2 7)公式(2 8)首都师范大学硕士学位论文第二章遥感图像分类原理与传统分类方法x：像元数据(观测值)矢量置：特征空间的第i 维值n：特征空间的维数心：类别的平均值矢量小。：类别七的第f 维的平均值：分类类别k 的总体分布间的方差、协方差矩阵(n n)盯：在对角线上有方差值，其它所有的值均为零的n n 矩阵马氏距离分类利用了对

50、每一个类的统计，是一种对方向比较敏感的距离分类方法。除非指定一个距离阈值，否则所有像元都被分到最近的一个R o I 类中。有距离阈值时，可能有一些像元因达不到这个值而不能被分类。2 2 2 4 平行体分类法通过设定在各轴上的一系列分割点，将多维特征划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法m】。这种方法要求通过选取训练区，详细了解分类类别f 总体)的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。如落入某个特征子空间中，则属于该类，如落入所有特征子空间中，则属于未知类型，因此