何 微

（湖北科技學院 數(shù)學與統(tǒng)計學院，湖北 咸寧 437000）

遙感是一門新興的綜合性探測技術(shù)科學，在其發(fā)展不到半個世紀的時間內(nèi)，已經(jīng)在地理學、地質(zhì)學、生態(tài)學、環(huán)境科學、大氣科學和海洋科學等領(lǐng)域得到了廣泛的研究和應(yīng)用。伴隨著科學技術(shù)的不斷發(fā)展，遙感圖像分辨率也在不斷提高，人們從遙感圖像中也獲得越來越多有用的數(shù)據(jù)和信息。近年來，遙感技術(shù)的應(yīng)用領(lǐng)域和深度不斷延伸，它在人類進行資源勘探、土地規(guī)劃與利用、災(zāi)害動態(tài)監(jiān)測、城市規(guī)劃、環(huán)境監(jiān)測、氣象預(yù)報、農(nóng)作物估產(chǎn)、農(nóng)業(yè)、林業(yè)、地質(zhì)礦產(chǎn)、軍事等領(lǐng)域的工作中有著深遠的影響，大大增強了人類在區(qū)域以及全球范圍上開發(fā)資源、制圖和監(jiān)測等能力，為社會發(fā)展作出了巨大貢獻，可以說遙感技術(shù)已成為當前人類研究地球資源環(huán)境的一種有力技術(shù)手段。在遙感技術(shù)的研究中，對遙感影像判讀識別各種目標是遙感技術(shù)發(fā)展的一個非常重要環(huán)節(jié)，無論是專業(yè)信息提取、動態(tài)變化預(yù)測，還是專題地圖制作和遙感數(shù)據(jù)庫的建立等都離不開分類。但是遙感影像數(shù)據(jù)類別多，含混度大，不同場合遙感圖像應(yīng)用所需的類別數(shù)據(jù)不同，那么對應(yīng)的遙感圖像處理方式也是不一樣，這也就使得圖像分類顯得尤為重要。而如何從已獲取的遙感圖像中得到所需的信息，現(xiàn)已有一些經(jīng)典的分類方法和算法，其中最為人們所知的方法有監(jiān)督分類和非監(jiān)督分類。

非監(jiān)督分類：遙感圖像上的同類地物在相同的條件下，一般具有相同或相近的光譜特征，從而表現(xiàn)出某種內(nèi)在的相似性，歸屬于同一個光譜空間區(qū)域。而不同的地物，光譜特征不同，歸屬于不同的光譜空間區(qū)域，這是非監(jiān)督分類的理論依據(jù)。該分類方法主要是通過系統(tǒng)自動依據(jù)光譜數(shù)據(jù)在統(tǒng)計上的差別而進行分類的。主要算法有分級集群法、ISODATA法（迭代自組織數(shù)據(jù)分析技術(shù)）和K-Means法等。

監(jiān)督分類：與非監(jiān)督分類不同，監(jiān)督分類最顯著的特點是在分類前人們對遙感圖像上某些樣區(qū)中影像地物的類別屬性已有了先驗知識，也就是先要從圖像中選取所有要區(qū)分的各類地物的樣本，用于訓練分類器（建立判別函數(shù)）。一般是在圖像中選取具有代表性的區(qū)域作為訓練區(qū)，由訓練區(qū)得到各個類別的統(tǒng)計數(shù)據(jù)，進而對整個圖像進行分類。主要方法有線性判別法、最大似然法、最小距離法和平行多面體法等。

文章采用宜昌市區(qū)的遙感影像進行圖像處理，主要利用監(jiān)督分類法獲取整個城區(qū)類別的分布情況，探討了監(jiān)督分類中最小距離分類法和最大似然分類法的實現(xiàn)和分類結(jié)果的差異。

1 遙感圖像分類原理

遙感圖像分類主要依據(jù)是地物的光譜特征，即地物電磁波輻射的多波段測量值，這些測量值可以用作遙感圖像分類的原始特征變量。遙感圖像分類就是利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特征，并用一定的手段將特征空間劃分為互不重疊的子空間，然后將圖像中的各個像素劃歸到各個子空間去。由于遙感圖像中的同類地物在相同的條件下（紋理、地形、光照以及植被覆蓋等），具有相同或相似的光譜信息特征和空間信息特征，所以表現(xiàn)出同類地物某種內(nèi)在的相似性，于是有同類地物像素的特征向量將集群在同一特征空間區(qū)域，不同的地物其光譜信息和空間信息特征將不同，從而集群在不同的特征空間區(qū)域。在目前的遙感分類應(yīng)用中，用得較多的是傳統(tǒng)的模式識別分類方法，諸如最大似然法、最小距離法、ISODATA法、K-Means法等監(jiān)督和非監(jiān)督分類法。

圖1 圖像分類基本流程圖

文章所選的遙感影像數(shù)據(jù)已做過預(yù)處理，主要運用監(jiān)督分類方法進行分類，在此，只需做特征提取，即訓練區(qū)的選擇，再對圖像進行分類。

1.1 特征提取

對監(jiān)督分類而言，訓練區(qū)的選擇是非常重要的，如果大量原始的測量數(shù)據(jù)不做分析，直接作為分類特征，不僅數(shù)據(jù)量太大，計算復(fù)雜，浪費計算機處理時間，而且分類的效果也不一定好。因此，為了獲得滿意的分類結(jié)果，訓練數(shù)據(jù)必須既有代表性，同時還要具有完整性。用于圖像分類訓練區(qū)的統(tǒng)計結(jié)果，一定要充分反映各種信息類型中光譜類別的所有組成。根據(jù)影像中的地物，確定選擇具有代表性的訓練區(qū)。對于“同物異譜”現(xiàn)象，將此種地物作為兩個類別進行訓練區(qū)的輸入選擇。對每種類別訓練區(qū)樣本選擇后，檢查樣本的質(zhì)量，利用圖表顯示法剔除不好的樣本，對剩余樣本進行合并，從而建立分類模板。

1.2 分類方法

目前，在遙感圖像分類處理中，主要有傳統(tǒng)分類方法中的監(jiān)督分類和非監(jiān)督分類，還有多級切割分類法、決策樹分類法，以及近年來發(fā)展起來的神經(jīng)網(wǎng)絡(luò)分類等。在這里，主要介紹以下分類方法。

（1）最大似然法。最大似然分類是圖像處理中最常采用的分類方法之一，它是求出像元數(shù)據(jù)對于各類別的似然度，把該像元分到似然度最大的類別中去的方法。似然度是指當觀測到像元數(shù)據(jù)X時，它是從分類類別k中得到的（后驗）概率，設(shè)從類別k中觀測到X的條件概率為P（X/k），則似然度蘊k可表示為下式（1）：

其中P（k）為類別k的先驗概率，通常假定它在每個類別中都是一樣的。X屬于似然度蘊k取值最大的那一類。

通常都是利用最大似然比分類，所以就要求知道總體的概率密度函數(shù)P（X/k）。一般都是假設(shè)概率密度函數(shù)為多維正態(tài)分布，通過訓練數(shù)據(jù)，按最大似然度測定其平均值、方差及協(xié)方差。此時，蘊k可表示為下式（1）：

式中：n：特征空間的維數(shù)；det：矩陣的行列式；t：逆矩陣和轉(zhuǎn)置矩陣；X：像元數(shù)據(jù)（n維列矢量）；μk：類別k的平均矢量（n維 t列矢量）；：類別k的方差、協(xié)方差矩陣（n×n矩陣）；蘊（kX）：像元數(shù)據(jù)X歸并到類別k的似然度。

最大似然法的分類步驟：①確定需要分類的地區(qū)和使用的波段和特征分類數(shù)，檢查所用各波段或特征分量是否相互已經(jīng)位置配準；于根據(jù)已經(jīng)掌握的典型地區(qū)的地面情況，在圖像上選擇訓練區(qū)；③計算參數(shù)，根據(jù)選出的各類訓練區(qū)的圖像數(shù)據(jù)，計算和確定先驗概率；④分類，將訓練區(qū)以外的圖像像元逐個逐類代入公式，對于每個象元，分幾類就計算幾次，最后比較大小，選擇最大值得出類別；⑤產(chǎn)生分類圖，給每一類別規(guī)定一個值，如果分k類，就定每一類分別為1，2，3…k，分類后的象元值便用類別值代替，最后得到的分類圖像就是專題圖像；⑥檢驗結(jié)果，如果分類中錯誤較多，需重新選擇訓練區(qū)再做以上各步，直到結(jié)果滿意為止。

（2）最小距離法。最小距離分類法是用特征空間的距離表示象元數(shù)據(jù)和分類類別特征的相似程度，在距離最小（相似程度最大）的類別上對象元數(shù)據(jù)進行分類的方法。特征空間中的距離通常用以下方式表達:

歐氏距離公式：

Mahalanobis距離（馬氏距離）公式：

其中式（3）和式（4）中表示特征空間的距離，其它符號意義同式（2）。另外，從式（2）和（4）可以看到，當各類別的方差、協(xié)方差矩陣中的行列式相等時，這兩個公式相等，也就是似然度等于馬氏距離。

最小距離公式：

式中：n為波段數(shù)，即維數(shù)；k為某一特征波段；i為某一聚類中心；Mi為第i類樣本均值；Mik為第i類中心第k波段的像素值；d（X，Mi）為象素點X到第i類中心Mi的距離。

最小距離法的分類步驟如下：①確定地區(qū)和波段，配準備分量；于選擇訓練區(qū)；③根據(jù)各訓練區(qū)圖像數(shù)據(jù)，計算Mi；④將訓練區(qū)外圖像象元逐類代入上式，按判別規(guī)則比較大小，得到類別；⑤產(chǎn)生分類圖像；⑥檢驗結(jié)果，如果錯誤較多需要重新選訓練區(qū)；⑦輸出專題圖。

2 分類實驗

2.1 實驗區(qū)和數(shù)據(jù)

文章是以湖北宜昌市城區(qū)為試驗區(qū)，選用的遙感資料是經(jīng)過預(yù)處理后2001年的ASTER數(shù)據(jù)，此影像數(shù)據(jù)有9個波段（Band1，Band2，Band3，Band4，Band5，Band6，Band7，Band8，Band9），其中Band1是綠色波段，Band2是紅色波段，Band3是近紅外波段，Band4是短波紅外，Band5、Band6和Band7是中紅外，Band8和Band9是熱紅外，ASTER數(shù)據(jù)沒有藍色波段。原始數(shù)據(jù)在可見光的分辨率是15m，短波紅外分辨率是30m，熱紅外分辨率是90m，而此處是采用了經(jīng)過預(yù)處理的數(shù)據(jù)，重采樣后的空間分辨率為30m。如圖2所示，圖像大小為719行×661列。本實驗主要運用ENVI4.4軟件對影像數(shù)據(jù)進行分類處理。

圖2 初始圖

2.2 實驗結(jié)果

在圖像上選取了164個訓練樣本點和164個不同于訓練樣本點的檢驗點，這兩組點選取都具有普遍性。然后在軟件ENVI4.4中對影像實現(xiàn)最大似然法的算法原理進行實現(xiàn)分類，主要有植被、河流、長江、建筑四大類，得到結(jié)果圖為如圖3所示。

圖3 最大似然分類結(jié)果圖

然后，在軟件ENVI4.4中對初始影像最小距離法算法原理進行實現(xiàn)分類，也是主要有植被、河流、長江、建筑四大類，得到的實驗結(jié)果為圖4所示。

圖4 最小距離分類結(jié)果圖

3 分類結(jié)果比較

由上面兩種分類法所得的圖像，首先通過人工目視解譯，可看到這兩種方法得的分類效果的差異，其中可看到圖3比圖4的效果要好，因為圖3中斑點面積要小，也比較少。另一方面，通過對這兩種分類法進行混淆矩陣如表1和2所示，并比較。

根據(jù)表1、表2可以看出，最大似然分類的總體精度要高于最小距離分類，Kappa系數(shù)也是最大似然的要好，并且表1中，所有類別的用戶精度和生產(chǎn)精度相差很小，而表2中，類別建筑和類別長江它們的用戶精度和生產(chǎn)精度相差比較大，從而導(dǎo)致了整體分類精度的降低。同時在圖4中也明顯看到長江有一部分被誤分為建筑。所以，在此實驗中，用最大似然法分類要優(yōu)于最小距離法。

表1 影像的最大似然分類結(jié)果混淆矩陣

表2 影像的最小距離分類結(jié)果混淆矩陣

4 結(jié)語

文章主要是對宜昌市城區(qū)采用監(jiān)督分類的兩個基本方法的分類討論，分類后的結(jié)果圖可以為繪制成土地利用分類題圖或土地利用現(xiàn)狀圖做一些參考，也可以為以后土地管理、調(diào)查、更新提供基礎(chǔ)資料。但是由于這些分類結(jié)果沒有與實地調(diào)查相結(jié)合比較，所以其中會有一些混合像元被誤分，也會導(dǎo)致分類精度不夠好。在今后的研究中可以通過解決如下問題進而提高分類精度：①選用高分辨率的影像數(shù)據(jù)；于怎樣選擇才能使訓練樣本更具有代表性和普遍性；③進行實地調(diào)查；④改進分類算法。

［1］ 浦瑞良，宮鵬.高光譜遙感及其應(yīng)用［M］.北京：高等教育出版社，2000.

［2］ 李石華，王金亮，畢艷，等.遙感圖像分類方法研究綜述［J］.國土資源遙感，2005，（2）：1-5.

［3］ 王一達，沈熙玲，謝炯.遙感圖像分類方法綜述［J］.遙感信息，2006，（5）：67-70.

［4］ 劉桂生，葛根旺.基于遙感影像的土地利用監(jiān)督分類探討［J］.城市勘測，2008，（3）：43-46.

［5］ 賈永紅.數(shù)字圖像處理［M］.武漢：武漢大學出版社，2006.

［6］ 楊存健，周成虎.基于知識的遙感圖像分類方法的探討［J］.地理學與國土研究，2001，17（1）：72-77.