曹天宇

摘要：隨著遙感影像的分類理論和技術(shù)水平的不斷完善，從遙感數(shù)據(jù)中提取專題類別信息是當(dāng)前遙感數(shù)據(jù)最主要的應(yīng)用領(lǐng)域之一，遙感專題分類圖不確定性評(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下采用貝葉斯分類器對(duì)影像進(jìn)行分類，并采用基于像元尺度上的分類不確定性評(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

0引言

傳統(tǒng)的遙感數(shù)據(jù)專題分類不確定性的表達(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）都是將分類不確定性表達(dá)在類別尺度上；（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)類別，要么需要人為給定采樣點(diǎn)參考數(shù)據(jù)的類別的模糊隸屬度；（4）分類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，對(duì)分類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

本文用貝葉斯分類器對(duì)圖像進(jìn)行分類，對(duì)分類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。用貝葉斯分類器進(jìn)行分類后，可得到像元x屬于某一每一類別的后驗(yàn)條件概率，可以用一個(gè)概率矢量來(lái)表達(dá)：

（1-1）

將概率矢量中的零元素刪除，并將其從大到小排序，則有如下的一個(gè)概率矢量：

（1-2）

式（1-1）中k是式（1-2）中非零元素的個(gè)數(shù)，且有

式（1-1）和式（1-2）是對(duì)同一最大似然分類過(guò)程中生成的概率矢量的不同形式的表達(dá)。不同的表達(dá)形式便于從中獲取不同的不確定性描述指標(biāo)。

從概率矢量中，可以衍生出許多分類不確定性的測(cè)量。在分類過(guò)程，像元被分類為式（1-2）中概率矢量第一個(gè)元素所屬的類別，即最大后驗(yàn)概率。最大后驗(yàn)概率本身可以作為分類不確定性的一個(gè)度量。最大后驗(yàn)概率越大，表示分類不確定性越小?；蛘?，可以定義概率殘差（probability residual）作為不確定性的度量[2]。概率殘差為概率矢量元素的和與概率矢量中最大概率隸屬度之差，表達(dá)為：

（1-3）

描述分類不確定性的參數(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。

一般在分類時(shí)像元的真實(shí)類別是未知的，因此判斷一個(gè)像元所屬類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別所需信息的期望的信息內(nèi)容。這樣，熵的度量就用于屬于不同類別的后驗(yàn)概率加權(quán)的不確定性的和來(lái)表示：

（1-4）

概率熵反映了要100%確定像元屬于某一類別還需要的信息量，也可以主觀地理解為像元屬于分類體系中各類別的后驗(yàn)概率的變異程度。當(dāng)像元屬于每一類別的后驗(yàn)概率平均分布時(shí)，這些概率矢量等于沒(méi)有提供關(guān)于像元屬于哪一類的信息，因此這時(shí)分類所需的信息量最大，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。

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)。

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

4）分類后處理，由于分類的精度問(wèn)題，從最初分類結(jié)果上我們會(huì)看到很多“噪聲”，即分類錯(cuò)誤的情況，為了得到更真實(shí)的分類結(jié)果我們還要對(duì)初分類結(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）實(shí)現(xiàn)可視化。

2.2 遙感影像的監(jiān)督分類實(shí)驗(yàn)

本次實(shí)驗(yàn)的目的是如何通過(guò)貝葉斯分類器對(duì)圖像進(jìn)行分類，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)。

2.2.1 在ERDAS下采點(diǎn)，記錄所需的像素值

在ERDAS下打開(kāi)要進(jìn)行分類的遙感圖像，即可看到影像大致可分為4類，并可看到影像各個(gè)波段的像素值。如圖2-1

在ERDAS下可看出本幅圖像為885×1545×4的圖像，圖像一共可分為四類，一共四個(gè)波段，按照類別從每一類中采12個(gè)樣本點(diǎn)，分別記錄這48個(gè)樣本點(diǎn)在1、2、4波段的像元值.

2.2.2用貝葉斯分類器對(duì)影像進(jìn)行分類

1）計(jì)算建立貝葉斯判別函數(shù)所需的數(shù)據(jù)，利用全部數(shù)據(jù)來(lái)計(jì)算建立貝葉斯判別函數(shù)所需的數(shù)據(jù)。

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

2.2.3可視化實(shí)現(xiàn)

在可視化的結(jié)果中，顏色越深的地方不確定性越低，即分類的精度較高；顏色越淺的地方不確定性越高，即分類的精度較低?？梢暬罂梢郧宄乜闯龇诸愔胁淮_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下利用貝葉斯分類器對(duì)遙感影像進(jìn)行分類，并采用基于像元尺度上的分類不確定性評(píng)價(jià)方法對(duì)分類的不確定性進(jìn)行評(píng)價(jià)并可視化。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)可視化更加直觀有效。在分類過(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)。