论文部分内容阅读
摘要：本文就遥感影像分类的定义、理论依据和分类目的，将其划分为监督分类、非监督分类和其他分类三种主要的分类方法。近年来，随着遥感技术的纵深发展，遥感数据的时间、空间和光谱分辨率不断提高，使得我们必须研究新的方法来适应它。
绪论
遥感影像由于具有丰富的纹理信息，同时具有获取方便、经济、快捷等特点，现已成为探测地物目标综合信息的最直观、最丰富的载体, 在数字城市建设中占有重要地位。因此，研究如何最大限度地提取遥感信息具有重大的现实意义。其中对于遥感影像的分类就是进行信息提取的一种主要方法。
遥感影像的传统分类方法
遥感影像的传统分类方法可分为监督分类和非监督分类。
（一）监督分类即用被确认类别的样本像元去识别其他未知类别像元的过程。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计信息，用每个像元和训练样本作比较，按照不同的规则将其划分到与其最相似的样本类。
下面主要介绍其常用的几种算法：
①平行算法
平行算法是根据训练样本的亮度值范围形成一个多维数据空间，其他像元的光谱值如果落在亮度值所对应的区域内，就会被划分到其对应的类别中。这种算法简明、直接，缺点是当类别较多时，各类别所定义的区域容易重叠。
②最小距离法
最小距离法是利用训练样本中各类别在各波段的均值，根据各像元离训练样本平均值距离的大小来决定其类别。当训练数据较小时，其分类精度可能比最大似然分类精度高，并能保持一定方向的灵敏性。
③最大似然法
最大似然法可以同时定量地考虑二个以上的波段和类别，是一种最广泛应用的分类器。但是这种算法要求有足够的训练样本，其计算量比前面提到的算法大。该方法的分类精度最高，不确定性程度最小。
（二）非监督分类是在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，仅需极少的人工初始输入，计算机按照一定规则自动地根据像元光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。这里仅简述最常用的ISODATA算法。
ISODATA即重复自组织数据分析技术。经过ISODATA算法得到的图，分析者将一些易于识别的组归类后,做成一个黑白掩膜图像，用到原图像中，过滤掉归类的部分，留下难以归类的图像，对这个残余图像重新运行ISODATA算法，直到所有的集群组都能正确归类。
新的分类方法
传统的分类方法是以经验风险最小化为归纳原则，只有当训练样本数趋于无穷时，其性能才能达到理论上的最优。当样本不足时，传统的分类方法往往不能达到理想的分类精度。所以我们研究新的理论和方法来提高遥感影像分类水平都具有十分重要的意义。
（一）模糊分类就是以模糊数学为基础的一种由计算机处理不精确概率的理论，它可用于空间数据的不确定性研究。简单地说就是允许根据其混合类型的百分比将一个像元归到几个类型。
（二）纹理是遥感影像的一个重要特征，反映的是亮度的空间变化情况。纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称为确定性纹理，后者呈随机性纹理，有效的利用这些纹理信息对于遥感影像分类具有重要的实用价值。
（三）专家分类首先需要建立知识库，根据分类目标提出假设，然后应用知识库自动进行分类。其精确程度直接取决于知识库的完善程度，如在今后能将DEM等辅助信息加入到知识库中，则利用其他辅助信息光谱特征综合分类的分类精度有望进一步提高。
（四）人工智能神经元网络法是利用计算器模拟人类学习的过程，这种程序通过重复地输入和输出训练，来增强和修改输入和输出数据之间的联系。神经网络法从其本质上讲应属于非监督分类的范畴，因简单实用, 在一定程度上满足了遥感影像分类的精度, 又恰好能有效解决遥感图像处理中常见的困难，因此它很快得到了广泛地应用，现已成为遥感影像分类的有效手段。
第四章 遥感影像分类方法研究的趋势和前景
近年来，一些新的分类方法层出不穷，借助这些新的分类方法来分析遥感数据往往会事半功倍，是目前遥感信息提取的发展趋势。神经网络法现已成为遥感应用研究领域的一个重点，逐渐被广泛应用并已经取得了较好的效果。但毕竟神经网络法也存在着一定局限性，我们在今后的研究中有几点必须注意：一方面，遥感图像分析与处理本身具有复杂性和多目标性，这样就要求我们在具体工作中必须设计出适合问题的模型，另一方面，人工神经网络在图像重建、图像压缩、图像去噪等方面的应用，虽然不如在遥感影像分类中应用的那么广泛，但也已经显示出其优势和意义，有待我们进一步研究。还要注意将人工神经网络与其它理论技术结合起来，这样它将有更加广阔的应用前景。
参考文献：
梅安新, 彭望录, 秦其明, 劉慧平. 遥感导论. 北京：高等教育出版社, 2001.
郭健, 王崇倡, 刘艳春, 张楠楠. 遥感影像分类方法研究. 第九届东北三省测绘学术与信息交流会论文集(上). 哈尔滨地图出版社, 2007.
韩力群. 人工神经网络理论、设计及应用. 北京：化学工业出版社, 2002.
绪论
遥感影像由于具有丰富的纹理信息，同时具有获取方便、经济、快捷等特点，现已成为探测地物目标综合信息的最直观、最丰富的载体, 在数字城市建设中占有重要地位。因此，研究如何最大限度地提取遥感信息具有重大的现实意义。其中对于遥感影像的分类就是进行信息提取的一种主要方法。
遥感影像的传统分类方法
遥感影像的传统分类方法可分为监督分类和非监督分类。
（一）监督分类即用被确认类别的样本像元去识别其他未知类别像元的过程。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计信息，用每个像元和训练样本作比较，按照不同的规则将其划分到与其最相似的样本类。
下面主要介绍其常用的几种算法：
①平行算法
平行算法是根据训练样本的亮度值范围形成一个多维数据空间，其他像元的光谱值如果落在亮度值所对应的区域内，就会被划分到其对应的类别中。这种算法简明、直接，缺点是当类别较多时，各类别所定义的区域容易重叠。
②最小距离法
最小距离法是利用训练样本中各类别在各波段的均值，根据各像元离训练样本平均值距离的大小来决定其类别。当训练数据较小时，其分类精度可能比最大似然分类精度高，并能保持一定方向的灵敏性。
③最大似然法
最大似然法可以同时定量地考虑二个以上的波段和类别，是一种最广泛应用的分类器。但是这种算法要求有足够的训练样本，其计算量比前面提到的算法大。该方法的分类精度最高，不确定性程度最小。
（二）非监督分类是在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，仅需极少的人工初始输入，计算机按照一定规则自动地根据像元光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。这里仅简述最常用的ISODATA算法。
ISODATA即重复自组织数据分析技术。经过ISODATA算法得到的图，分析者将一些易于识别的组归类后,做成一个黑白掩膜图像，用到原图像中，过滤掉归类的部分，留下难以归类的图像，对这个残余图像重新运行ISODATA算法，直到所有的集群组都能正确归类。
新的分类方法
传统的分类方法是以经验风险最小化为归纳原则，只有当训练样本数趋于无穷时，其性能才能达到理论上的最优。当样本不足时，传统的分类方法往往不能达到理想的分类精度。所以我们研究新的理论和方法来提高遥感影像分类水平都具有十分重要的意义。
（一）模糊分类就是以模糊数学为基础的一种由计算机处理不精确概率的理论，它可用于空间数据的不确定性研究。简单地说就是允许根据其混合类型的百分比将一个像元归到几个类型。
（二）纹理是遥感影像的一个重要特征，反映的是亮度的空间变化情况。纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称为确定性纹理，后者呈随机性纹理，有效的利用这些纹理信息对于遥感影像分类具有重要的实用价值。
（三）专家分类首先需要建立知识库，根据分类目标提出假设，然后应用知识库自动进行分类。其精确程度直接取决于知识库的完善程度，如在今后能将DEM等辅助信息加入到知识库中，则利用其他辅助信息光谱特征综合分类的分类精度有望进一步提高。
（四）人工智能神经元网络法是利用计算器模拟人类学习的过程，这种程序通过重复地输入和输出训练，来增强和修改输入和输出数据之间的联系。神经网络法从其本质上讲应属于非监督分类的范畴，因简单实用, 在一定程度上满足了遥感影像分类的精度, 又恰好能有效解决遥感图像处理中常见的困难，因此它很快得到了广泛地应用，现已成为遥感影像分类的有效手段。
第四章 遥感影像分类方法研究的趋势和前景
近年来，一些新的分类方法层出不穷，借助这些新的分类方法来分析遥感数据往往会事半功倍，是目前遥感信息提取的发展趋势。神经网络法现已成为遥感应用研究领域的一个重点，逐渐被广泛应用并已经取得了较好的效果。但毕竟神经网络法也存在着一定局限性，我们在今后的研究中有几点必须注意：一方面，遥感图像分析与处理本身具有复杂性和多目标性，这样就要求我们在具体工作中必须设计出适合问题的模型，另一方面，人工神经网络在图像重建、图像压缩、图像去噪等方面的应用，虽然不如在遥感影像分类中应用的那么广泛，但也已经显示出其优势和意义，有待我们进一步研究。还要注意将人工神经网络与其它理论技术结合起来，这样它将有更加广阔的应用前景。
参考文献：
梅安新, 彭望录, 秦其明, 劉慧平. 遥感导论. 北京：高等教育出版社, 2001.
郭健, 王崇倡, 刘艳春, 张楠楠. 遥感影像分类方法研究. 第九届东北三省测绘学术与信息交流会论文集(上). 哈尔滨地图出版社, 2007.
韩力群. 人工神经网络理论、设计及应用. 北京：化学工业出版社, 2002.