论文部分内容阅读
[摘要]随着遥感影像分辨率的不断提高，人们从影像上获得更多有效的信息。然而在图像处理分析过程中都离不开对类别的划分， 参照地物类型，便可以从图像上对地物分类。影像的分类是通过计算机将影像像素进行数值化，达到自动识别地物将其归类，但不同的方法有其不同优缺点，分类效果也受很多因素的影响。本文将对常用的几种分类方法进去对比分析。
[关键词]遥感图像分类 最大似然 面向对象 决策树分类 精度评价
[中图分类号]P217 [文献码] B [文章编号] 1000-405X（2015）-9-164-1
0引言
在当前遥感影像分类应用中，常用基于数理统计的监督分类， 其中的最大似然法在应用最为广泛。但是这种算法会因大量存在的“异物同谱”、“同物异谱”现象以及遥感图像自身的空间分辨率问题从而出现较多的漏分、错分的情况[1] 。随着遥感应用技术的不断发展，人们对遥感影像分类计算方法在分类精度、时间度等方面也不断提地提出了新的需求[2][ 3]，因此各种分类方法不断被研究发现。目前已经出现了多种新型分类方法， 比如模糊法、神经网络、专家系统、面向对象、支撑向量机等分类法。
1分类原理
本文将分别使用最大似然、面向对象、决策树这三种分类方法对美国陆地卫星landsat-5 TM多光谱遥感图像作为主要数据源进行分析和处理。并以分析和处理后的数据结果对这些分类方法在分类时间、分类精度和分类速度方面做出比较。
1.1最大似然分类方法
最大似然（maximum likelihood classifier）是通过算出遥感影像中的每个像元相对于每个地物类别的归属概率，然后把这个像元划分到出现概率最大的类别中。该方法假设训练区地物的特征符合随机现象，服从正态分布，利用训练区特征求出均值、方差和协方差等特征参数，求出总体的先验概率密度函数。最大似然分类方法是最常使用的监督分类方法之一。
1.2面向对象分类方法
面向对象分割原理：按照一定的规则将影像分割成具有不同特性、相互独立像元的集合过程。其分割结果是把影像分解成与实际地物相对应的不同部分， 一个集合即为一个实体。图像分割过程中同时利用影像的光谱信息和空间信息，在影像上识别和划分出合适的类别集合。
1.3决策树分类方法
决策树分类基本[4，5]原理是：参照一定的规则将影像数据集由上至下逐步划分，最终获得含有不同属性的子类别。分类决策数由一个根节点（Root nodes）、多个内部节点（Internal nodes）和终极节点（Terminal nodes）组成，一个内部节点往上只有一个父节点，往下有两个或多个子节点。在每一个内部节点处会按照一定的规则将该处的数据集划分为两个子集，如此往复直到所有的数据集被分为和预期设想的各个子集一致为止。决策树能够处理光谱信息、纹理信息和高程等多源数据。
2结论与分析
通常“同物异谱”与“异物同谱”在影像处理过程中存在，以及在样本选择中人为误差因素的影响，不同的分类方法的分类结果都会存在一定的误差，导致其结果不能完全准确的反应真实的地物。本文也采用误差矩阵总精度和Kappa系数来进行[6，7]。
实验结果进行对比与分析，得出在这三种方法中，最大似然分类法分类精度最高，较好的区分容易错分的地物，能精准的提取出实际地类。决策树分类法、面向对象方法的精度相对也较高，面向对象在对象建立过程中较为复杂，要做到精准还得靠先验知识的积累，最终人为因素导致精度受限。决策树的分类精度也受到一定的限制是因在规则的获取、量化及综合不确定性知识等方面是实验者较难处理的问题，需要时间和经验去验证结果。最大似然法由于分类精度高，且计算时间快，仍是使用较多的分类方法。
3结论
遥感图像分类是其在应用过程中必不可少的部分。在分类过程中，最终选择何种方法主要取决于图像特征、应用的要求，根据实际的需要，合理科学的运用分类方法，必要的时可混合使用两种或多种方法，使影像分类达到预期的目的。
參考文献
[1]杨凯.遥感图像处理原理和方法[M ]. 北京： 测绘出版社，1988.
[2]骆剑承，王钦敏，马江洪，等. 遥感图像最大似然分类方法的EM改进算法[ J ]. 测绘学报， 2002， 31 （3） ： 234 - 239.
[3]杨存建，周成虎. 基于知识的遥感图像分类方法的探讨[ J ]. 地理学与国土研究， 2001， 17 （1） ： 72 - 77.
[4]徐会明，靳小兵，季海，等.决策树法在雷电潜势预报中的应用[J].高原山地气象研究，2008，28（4）：55-58
[5]Friedl M A，Brodley C E，Strahler A H.Maximizing Land Cover Classification Accuracies Produced by Decision Trees at Continental to Global Scales[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37（2）：969-977
[6]吴健平，杨星卫.遥感数据分类结果的精度分析[J].遥感技术与应用1995，10（1）：17-24.
[7]Rasim Latifovic， Ian Olthof. Accuracy assessment using sub-pixel error matrices of globalland cover products derived from satellite data[J]. Remote sensing of Environment， 2004，90：l53-165.
[关键词]遥感图像分类 最大似然 面向对象 决策树分类 精度评价
[中图分类号]P217 [文献码] B [文章编号] 1000-405X（2015）-9-164-1
0引言
在当前遥感影像分类应用中，常用基于数理统计的监督分类， 其中的最大似然法在应用最为广泛。但是这种算法会因大量存在的“异物同谱”、“同物异谱”现象以及遥感图像自身的空间分辨率问题从而出现较多的漏分、错分的情况[1] 。随着遥感应用技术的不断发展，人们对遥感影像分类计算方法在分类精度、时间度等方面也不断提地提出了新的需求[2][ 3]，因此各种分类方法不断被研究发现。目前已经出现了多种新型分类方法， 比如模糊法、神经网络、专家系统、面向对象、支撑向量机等分类法。
1分类原理
本文将分别使用最大似然、面向对象、决策树这三种分类方法对美国陆地卫星landsat-5 TM多光谱遥感图像作为主要数据源进行分析和处理。并以分析和处理后的数据结果对这些分类方法在分类时间、分类精度和分类速度方面做出比较。
1.1最大似然分类方法
最大似然（maximum likelihood classifier）是通过算出遥感影像中的每个像元相对于每个地物类别的归属概率，然后把这个像元划分到出现概率最大的类别中。该方法假设训练区地物的特征符合随机现象，服从正态分布，利用训练区特征求出均值、方差和协方差等特征参数，求出总体的先验概率密度函数。最大似然分类方法是最常使用的监督分类方法之一。
1.2面向对象分类方法
面向对象分割原理：按照一定的规则将影像分割成具有不同特性、相互独立像元的集合过程。其分割结果是把影像分解成与实际地物相对应的不同部分， 一个集合即为一个实体。图像分割过程中同时利用影像的光谱信息和空间信息，在影像上识别和划分出合适的类别集合。
1.3决策树分类方法
决策树分类基本[4，5]原理是：参照一定的规则将影像数据集由上至下逐步划分，最终获得含有不同属性的子类别。分类决策数由一个根节点（Root nodes）、多个内部节点（Internal nodes）和终极节点（Terminal nodes）组成，一个内部节点往上只有一个父节点，往下有两个或多个子节点。在每一个内部节点处会按照一定的规则将该处的数据集划分为两个子集，如此往复直到所有的数据集被分为和预期设想的各个子集一致为止。决策树能够处理光谱信息、纹理信息和高程等多源数据。
2结论与分析
通常“同物异谱”与“异物同谱”在影像处理过程中存在，以及在样本选择中人为误差因素的影响，不同的分类方法的分类结果都会存在一定的误差，导致其结果不能完全准确的反应真实的地物。本文也采用误差矩阵总精度和Kappa系数来进行[6，7]。
实验结果进行对比与分析，得出在这三种方法中，最大似然分类法分类精度最高，较好的区分容易错分的地物，能精准的提取出实际地类。决策树分类法、面向对象方法的精度相对也较高，面向对象在对象建立过程中较为复杂，要做到精准还得靠先验知识的积累，最终人为因素导致精度受限。决策树的分类精度也受到一定的限制是因在规则的获取、量化及综合不确定性知识等方面是实验者较难处理的问题，需要时间和经验去验证结果。最大似然法由于分类精度高，且计算时间快，仍是使用较多的分类方法。
3结论
遥感图像分类是其在应用过程中必不可少的部分。在分类过程中，最终选择何种方法主要取决于图像特征、应用的要求，根据实际的需要，合理科学的运用分类方法，必要的时可混合使用两种或多种方法，使影像分类达到预期的目的。
參考文献
[1]杨凯.遥感图像处理原理和方法[M ]. 北京： 测绘出版社，1988.
[2]骆剑承，王钦敏，马江洪，等. 遥感图像最大似然分类方法的EM改进算法[ J ]. 测绘学报， 2002， 31 （3） ： 234 - 239.
[3]杨存建，周成虎. 基于知识的遥感图像分类方法的探讨[ J ]. 地理学与国土研究， 2001， 17 （1） ： 72 - 77.
[4]徐会明，靳小兵，季海，等.决策树法在雷电潜势预报中的应用[J].高原山地气象研究，2008，28（4）：55-58
[5]Friedl M A，Brodley C E，Strahler A H.Maximizing Land Cover Classification Accuracies Produced by Decision Trees at Continental to Global Scales[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37（2）：969-977
[6]吴健平，杨星卫.遥感数据分类结果的精度分析[J].遥感技术与应用1995，10（1）：17-24.
[7]Rasim Latifovic， Ian Olthof. Accuracy assessment using sub-pixel error matrices of globalland cover products derived from satellite data[J]. Remote sensing of Environment， 2004，90：l53-165.