張英杰

摘 要：隨著遙感影像的分類(lèi)理論和技術(shù)水平的不斷完善，從遙感數(shù)據(jù)中提取專(zhuān)題類(lèi)別信息是當(dāng)前遙感數(shù)據(jù)最主要的應(yīng)用領(lǐng)域之一，遙感專(zhuān)題分類(lèi)圖不確定性評(píng)價(jià)受到越來(lái)越多的關(guān)注。本文主要研究了如何在Matlab下采用貝葉斯分類(lèi)器對(duì)影像進(jìn)行分類(lèi)，并采用基于像元尺度上的分類(lèi)不確定性評(píng)價(jià)方法進(jìn)行評(píng)價(jià)，最后進(jìn)行可視化實(shí)現(xiàn)。

關(guān)鍵詞：遙感影像；像元尺度；不確定性；貝葉斯；精度；可視化

傳統(tǒng)的遙感數(shù)據(jù)專(zhuān)題分類(lèi)不確定性的表達(dá)和評(píng)價(jià)方法，包括基于誤差矩陣的方法、基于模糊集的方法以及其它各種方法，他們的共同點(diǎn)在于：1）都是將分類(lèi)不確定性表達(dá)在類(lèi)別尺度上；（2）都需要空間采樣過(guò)程；（3）這些方法要么需要精確確定參考數(shù)據(jù)類(lèi)別，要么需要人為給定采樣點(diǎn)參考數(shù)據(jù)的類(lèi)別的模糊隸屬度；（4）分類(lèi)不確定性不能可視化表達(dá)。像元尺度上的不確定性評(píng)價(jià)方法可以有效地解決這些問(wèn)題，避免不確定性評(píng)價(jià)的偏差，便于可視化表達(dá)[1]。本文主要研究對(duì)遙感影像圖在ERDAS下對(duì)進(jìn)行分類(lèi)，對(duì)分類(lèi)后的圖像用基于像元尺度上的不確定性評(píng)價(jià)方法進(jìn)行不確定性評(píng)價(jià)，并且對(duì)評(píng)價(jià)結(jié)果進(jìn)行可視化。

1 基于像元尺度分類(lèi)不確定性評(píng)價(jià)方法及可視化

1.1 基于像元尺度的不確定性評(píng)價(jià)方法原理

本文用貝葉斯分類(lèi)器對(duì)圖像進(jìn)行分類(lèi)，對(duì)分類(lèi)的不確定性采用基于像元尺度的評(píng)價(jià)方法進(jìn)行研究并實(shí)現(xiàn)可視化。用貝葉斯分類(lèi)器進(jìn)行分類(lèi)后，可得到像元x屬于某一每一類(lèi)別的后驗(yàn)條件概率。

從概率矢量中，可以衍生出許多分類(lèi)不確定性的測(cè)量。最大后驗(yàn)概率本身可以作為分類(lèi)不確定性的一個(gè)度量。最大后驗(yàn)概率越大，表示分類(lèi)不確定性越小。或者，可以定義概率殘差（probabilityresidual）

作為不確定性的度量[2]

描述分類(lèi)不確定性的參數(shù)主要有為四個(gè)：

（1）絕對(duì)不確定性（2）相對(duì)不確定性（3）混合像元程度（4）證據(jù)不完整性

除了以上四個(gè)不確定性度量，還可以從概率矢量中得出其它分類(lèi)不確定性度量。最常用的是概率熵（entropy）。概率熵是一個(gè)信息論中的概念，它與一個(gè)統(tǒng)計(jì)變量不同測(cè)量值的不確定性有關(guān)，表達(dá)統(tǒng)計(jì)變量測(cè)量值不確定性的分布和范圍。

一般在分類(lèi)時(shí)像元的真實(shí)類(lèi)別是未知的，因此判斷一個(gè)像元所屬類(lèi)別所需要的信息量也是未知的。像元的概率熵可因此定義為反映像元所屬類(lèi)別所需信息的期望的信息內(nèi)容。當(dāng)像元屬于每一類(lèi)別的后驗(yàn)概率平均分布時(shí)，這些概率矢量等于沒(méi)有提供關(guān)于像元屬于哪一類(lèi)的信息，因此這時(shí)分類(lèi)所需的信息量最大，概率熵達(dá)到最大值；當(dāng)最大后驗(yàn)概率為1時(shí)，該像元100%屬于最大后驗(yàn)概率所指的類(lèi)別，不再需要額外信息，這時(shí)概率熵達(dá)到最小。用概率熵表達(dá)分類(lèi)不確定性的最大優(yōu)點(diǎn)在于它將整個(gè)矢量中所包含的信息總結(jié)在一個(gè)單一的值。

1.2 不確定性的可視化表達(dá)

遙感分類(lèi)信息中都存在著不確定性， 如果僅僅對(duì)其進(jìn)行不確定性程度上的數(shù)學(xué)度量， 而忽略其在空間域和時(shí)間域上的分布特征， 則很難完整準(zhǔn)確地描述和理解遙感信息中的不確定性[11]。從視覺(jué)感知角度表現(xiàn)不確定性信息是不確定性建模的重要組成部分， 而利用現(xiàn)有的計(jì)算機(jī)可視化技術(shù)來(lái)表達(dá)遙感分類(lèi)信息的不確定性則是一種直觀(guān)有效的方法， 可以更加完整地理解遙感數(shù)據(jù)及其分類(lèi)信息中不確定性的大小、分布、空間結(jié)構(gòu)和趨勢(shì)。不確定性可視化技術(shù)分為靜態(tài)可視化、動(dòng)態(tài)可視化和特征可視化三種類(lèi)型[12]。在本文中我們采用直觀(guān)明確的靜態(tài)可視化來(lái)進(jìn)行試驗(yàn)。

2 Matlab下遙感影像不確定性評(píng)價(jià)及可視化試驗(yàn)

2.1 遙感影像分類(lèi)的流程

本文選取某地區(qū)的多波段遙感影像為例來(lái)進(jìn)行試驗(yàn)。由于全色遙感影像是級(jí)數(shù)為256的灰度影像，其特點(diǎn)是影像數(shù)據(jù)量小，包含的信息也相對(duì)的較少，但它相應(yīng)的優(yōu)點(diǎn)就是每一幅影像其實(shí)就是一個(gè)大的矩陣，矩陣的維數(shù)對(duì)應(yīng)于影像的長(zhǎng)度和寬度值，矩陣中的每一個(gè)數(shù)值（0～255）對(duì)應(yīng)于影像中每個(gè)像素的亮度值。正因?yàn)槿跋窬哂兄T多優(yōu)點(diǎn)使得它很容易進(jìn)行計(jì)算機(jī)處理。處理的流程為：

1）首先，進(jìn)行直方圖修正技術(shù)使影像具有統(tǒng)一的均值和方差，以部分消除光照條件的影響。

2） 在ERDAS下打開(kāi)圖像，對(duì)每一類(lèi)各采12個(gè)樣本點(diǎn)，記錄這48個(gè)樣本點(diǎn)在1、2、4波段的亮度值。在Matlab軟件下利用這些樣本點(diǎn)計(jì)算出建立貝葉斯判別函數(shù)所需的數(shù)據(jù)。

3）在Matlab下采用貝葉斯分類(lèi)器來(lái)實(shí)現(xiàn)對(duì)影像的分類(lèi)。

4）分類(lèi)后處理，由于分類(lèi)的精度問(wèn)題，從最初分類(lèi)結(jié)果上我們會(huì)看到很多“噪聲”，即分類(lèi)錯(cuò)誤的情況，為了得到更真實(shí)的分類(lèi)結(jié)果我們還要對(duì)初分類(lèi)結(jié)果進(jìn)行濾波來(lái)消除“噪聲”，實(shí)驗(yàn)中采用效果比較好的中值濾波來(lái)平滑噪聲。

5）針對(duì)分類(lèi)結(jié)果進(jìn)行精度評(píng)定。

6）采用基于像元尺度上的方法進(jìn)行不確定性評(píng)價(jià)。本次實(shí)驗(yàn)采用概率熵來(lái)進(jìn)行不確定性的度量。

7）實(shí)現(xiàn)可視化。

2.2 遙感影像的監(jiān)督分類(lèi)實(shí)驗(yàn)

本次實(shí)驗(yàn)的目的是如何通過(guò)貝葉斯分類(lèi)器對(duì)圖像進(jìn)行分類(lèi)，然后采用基于像元尺度的評(píng)價(jià)方法來(lái)實(shí)現(xiàn)影像的不確定性評(píng)價(jià)，最后進(jìn)行可視化實(shí)現(xiàn)。

用貝葉斯分類(lèi)器對(duì)影像進(jìn)行分類(lèi)，編寫(xiě)貝葉斯分類(lèi)函數(shù)代碼，利用貝葉斯分類(lèi)器對(duì)影像進(jìn)行分類(lèi)，經(jīng)過(guò)中直濾波處理后，顯示出分類(lèi)結(jié)果。

在可視化的結(jié)果中，顏色越深的地方不確定性越低，即分類(lèi)的精度較高；顏色越淺的地方不確定性越高，即分類(lèi)的精度較低?？梢暬罂梢郧宄乜闯龇诸?lèi)中不確定性的大小、分布、空間結(jié)構(gòu)和趨勢(shì)，能夠完整準(zhǔn)確地描述和理解遙感信息中的不確定性。

3 結(jié)論

本文主要研究了如何在Matlab下利用貝葉斯分類(lèi)器對(duì)遙感影像進(jìn)行分類(lèi)，并采用基于像元尺度上的分類(lèi)不確定性評(píng)價(jià)方法對(duì)分類(lèi)的不確定性進(jìn)行評(píng)價(jià)并可視化。本文所做的工作主要包括以下幾點(diǎn)：

1）在Erdas下選取樣本點(diǎn)，計(jì)算貝葉斯分類(lèi)所需要的參數(shù)。本文對(duì)菜地、房屋、農(nóng)田1和農(nóng)田2四類(lèi)地物樣本分別選取樣本點(diǎn)，然后在Matlab下利用樣本點(diǎn)的像素值計(jì)算貝葉斯分類(lèi)所需的各個(gè)參數(shù)，作為分類(lèi)的基礎(chǔ)。

2）在Matlab下實(shí)現(xiàn)遙感影像的分類(lèi)，采用貝葉斯分類(lèi)器將遙感影像分為菜地、居民地和農(nóng)田，獲取圖像中每一個(gè)像元屬于每一類(lèi)的概率值。

3）完成遙感影像的分類(lèi)后處理工作，對(duì)分類(lèi)結(jié)果采用中值濾波進(jìn)行去噪處理。

4）采用基于像元尺度的評(píng)價(jià)方法對(duì)分類(lèi)的不確定性進(jìn)行評(píng)價(jià)。本文采用概率熵參數(shù)來(lái)實(shí)現(xiàn)不確定性評(píng)價(jià)。

5）對(duì)評(píng)價(jià)后的結(jié)果采用靜態(tài)可視化的方法進(jìn)行可視化，以圖像的形式顯示出來(lái)。

本文采用靜態(tài)可視化的方法實(shí)現(xiàn)對(duì)不確定性的表達(dá)，在視覺(jué)效果上不如動(dòng)態(tài)可視化更加直觀(guān)有效。在分類(lèi)過(guò)程中，計(jì)算程序較復(fù)雜，對(duì)matlab軟件的掌握還不夠熟練，在可視化時(shí)程序運(yùn)行緩慢，時(shí)間太長(zhǎng)，有待進(jìn)一步改進(jìn)。

參考文獻(xiàn)：

[1] 章孝燦等. 遙感數(shù)字圖像處理[M].第一版. 杭州：浙江大學(xué)出版社，1997.

[2] 李爽，丁圣彥等. 遙感影像分類(lèi)方法比較[J].鐵路航測(cè)，2003.