李 楠，王雪林

（1.浙江煤炭測(cè)繪院有限公司，浙江 杭州 310020；2.核工業(yè)井巷建設(shè)集團(tuán)有限公司，浙江 湖州 313000）

隨著遙感技術(shù)的發(fā)展，遙感已逐步成為采集地球數(shù)據(jù)及其變化信息的重要技術(shù)手段和重要信息來(lái)源，其中遙感圖像分類一直是遙感領(lǐng)域的重要研究?jī)?nèi)容。將遙感圖像中存在的光譜信息經(jīng)過(guò)一系列的算法后將圖像中的特征信息進(jìn)行劃分，獲得遙感圖像與實(shí)際地物的對(duì)應(yīng)信息，從而實(shí)現(xiàn)遙感圖像的分類[1-2]。當(dāng)前，遙感圖像有多種分類方法，而如何應(yīng)用不同分類方法，解決多類別的遙感圖像分類識(shí)別問(wèn)題，并滿足一定的精度，是遙感圖像分類領(lǐng)域的重要研究方向?；诖?，本文基于ENVI平臺(tái)，利用該平臺(tái)自帶的Landsat tm5數(shù)據(jù)Can_tmr.img多光譜遙感圖像作為主要的數(shù)據(jù)源，進(jìn)行遙感圖像監(jiān)督分類應(yīng)用實(shí)驗(yàn)，并對(duì)其分類結(jié)果進(jìn)行精度比較，其研究成果對(duì)遙感圖像分類領(lǐng)域具有一定參考意義。

1 遙感圖像分類方法

監(jiān)督分類與非監(jiān)督分類是遙感圖像的兩大分類方法。本文主要采用監(jiān)督分類法，其又被稱為訓(xùn)練分類法。通過(guò)對(duì)事先選擇的已知類別的訓(xùn)練場(chǎng)提取各類訓(xùn)練樣本，建立分類器，然后將圖像中各像元?jiǎng)澐值礁鹘o定的具體類別中，從而實(shí)現(xiàn)圖像分類。分類前，需要對(duì)遙感圖像進(jìn)行目視解譯或者野外調(diào)查，從而對(duì)圖像中的各種地物類別有一定的先驗(yàn)認(rèn)識(shí)，有利于訓(xùn)練樣本的選擇。利用選取的訓(xùn)練樣本，選擇特征參數(shù)，建立判別函數(shù)，并對(duì)判別函數(shù)進(jìn)行訓(xùn)練，使其符合分類要求。然后根據(jù)訓(xùn)練結(jié)束的判別函數(shù)對(duì)其他圖像中的像元數(shù)據(jù)進(jìn)行分類，按照不同的方法將像元?jiǎng)澐值脚c其最相似的樣本分類中，從而完成整個(gè)遙感圖像的分類。監(jiān)督分類的關(guān)鍵是訓(xùn)練樣本和訓(xùn)練場(chǎng)地的選擇，其選擇的質(zhì)量關(guān)系到分類能否取得良好的效果[3-4]。

監(jiān)督分類主要分為平行六面體分類法、最小距離分類法、馬氏距離分類法、最大似然分類法、神經(jīng)網(wǎng)絡(luò)分類法、支持向量機(jī)分類法[5]。本文分別對(duì)這6種分類方法進(jìn)行應(yīng)用實(shí)驗(yàn)。

2 監(jiān)督分類方法的應(yīng)用實(shí)驗(yàn)

1）實(shí)驗(yàn)數(shù)據(jù)。本文以ENVI自帶的Landsat tm5數(shù)據(jù)Can_tmr.img多光譜遙感圖像作為主要數(shù)據(jù)源，以波段5，4，3模擬真彩色圖像合成RGB進(jìn)行顯示，根據(jù)圖像的光譜特征，通過(guò)人工判讀把圖像中的地物分為林地、草地、耕地、裸地、沙地、水體6類，見(jiàn)圖1。通過(guò)繪制多邊形感興趣區(qū)進(jìn)行訓(xùn)練樣本選取，并對(duì)每類地物的感興趣區(qū)用不同顏色加以區(qū)分。

圖1 原始遙感圖像

2）分類實(shí)驗(yàn)。創(chuàng)建6類感興趣區(qū)分別為林地、草地、耕地、裸地、沙地、水體，并以此定義訓(xùn)練樣本。各個(gè)樣本類型之間的可分離性，用Jeffries-Matusita距離和轉(zhuǎn)換分離度參數(shù)表示，根據(jù)可分離性值的大小，從小到大列出感興趣區(qū)組合。這兩個(gè)參數(shù)的值在0～2.0之間，大于1.9說(shuō)明樣本之間可分離性好，屬于合格樣本；小于1.8，需重新選擇樣本[6]。訓(xùn)練樣本可分離性計(jì)算報(bào)表見(jiàn)表1，可見(jiàn)各樣本分離性均在1.9以上，說(shuō)明各類感興趣區(qū)分離性較好，選擇該感興趣區(qū)作為訓(xùn)練樣本較為合適。

表1 樣本可分離性計(jì)算報(bào)表

本文對(duì)圖像進(jìn)行監(jiān)督分類實(shí)驗(yàn)，分類分別采用：平行六面體、最大似然、最小距離、馬氏距離、神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)6種方法。圖2為采用監(jiān)督分類結(jié)果圖。

圖2 監(jiān)督分類結(jié)果

3 結(jié)果精度分析

為了定量分析遙感圖像分類結(jié)果，采用混淆矩陣進(jìn)行評(píng)價(jià)。混淆矩陣以矩陣的形式羅列出地表真實(shí)圖像與處理后圖像對(duì)比的分類結(jié)果的各種精度，精度分為總體分類精度 （Overall Accuracy）和Kappa系數(shù)兩種?？傮w分類精度用分類后正確的像元數(shù)與真實(shí)圖像像元總數(shù)的比值表示。Kappa系數(shù)可以反映真實(shí)圖像像元與分類像元的一致程度。本文對(duì)各種分類結(jié)果的精度見(jiàn)表2及第65頁(yè)圖3。

表2 各種分類結(jié)果精度比較

從圖2、圖3和表2可以看出以下5點(diǎn)。

1）平行六面體法的總體分類精度為71.887 7%，Kappa系數(shù)為0.665 0，計(jì)算時(shí)間為5 s；最大似然法的總體分類精度為93.832 1%，Kappa系數(shù)為0.930 2，計(jì)算時(shí)間為3 s；最小距離法的總體分類精度為80.437 8%，Kappa系數(shù)為0.797 6，計(jì)算時(shí)間為3 s；馬氏距離法的總體分類精度為77.247 5%，Kappa系數(shù)為0.753 8，計(jì)算時(shí)間為4 s；神經(jīng)網(wǎng)絡(luò)法的總體分類精度為96.918 8%，Kappa系數(shù)為0.954 3，計(jì)算時(shí)間為20 s；支持向量機(jī)法的總體分類精度為97.539 1%，Kappa系數(shù)為0.964 7，計(jì)算時(shí)間為7 s。

圖3 各種分類結(jié)果精度對(duì)比圖

2）6種分類方法中支持向量機(jī)法具有最高的分類精度，分類效果最好，能夠較為準(zhǔn)確地提取目標(biāo)地物，但計(jì)算時(shí)間較長(zhǎng)；平行六面體法分類精度最低，效果最差，得到的結(jié)果容易出現(xiàn)重疊，混淆不清的結(jié)果，但算法較為簡(jiǎn)單，計(jì)算時(shí)間也短。

3）最大似然法和神經(jīng)網(wǎng)絡(luò)法也具有較高的分類精度，其中最大似然法計(jì)算時(shí)間較短，神經(jīng)網(wǎng)絡(luò)法計(jì)算時(shí)間相比于其他5種分類法均較長(zhǎng)。

4）最小距離法和馬氏距離法的精度并不是很高，其中最小距離法容易出現(xiàn)大面積沒(méi)有被分類成果的區(qū)域，但該算法較為簡(jiǎn)單，且計(jì)算時(shí)間較短。

5）針對(duì)本文采用的中低分辨率多光譜數(shù)據(jù)，6種分類方法的計(jì)算時(shí)間均可在20 s之內(nèi)完成，均較為短暫。但因在實(shí)際應(yīng)用中遙感數(shù)據(jù)的類型及大小不同，使用不同分類方法計(jì)算時(shí)具體計(jì)算時(shí)間會(huì)有所差異。

4 結(jié)論

本文利用基于ENVI平臺(tái)自帶的Landsat tm5多光譜遙感圖像，通過(guò)對(duì)其進(jìn)行監(jiān)督分類，分別介紹了監(jiān)督分類法中的平行六面體法、最小距離法、最大似然法、馬氏距離法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法6種分類方法，并且對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行精度分析。精度分析結(jié)果表明，6種監(jiān)督分類方法中支持向量機(jī)法和神經(jīng)網(wǎng)絡(luò)法雖然具有較高的分類精度，但計(jì)算時(shí)間較長(zhǎng)；最小距離法和馬氏距離法的分類精度一般，平行六面體法的分類精度較差，相比之下最大似然法分類精度較高，且計(jì)算時(shí)間相對(duì)較短，因此該分類方法為使用較多的分類方法，更適合中低分辨率多光譜遙感圖像分類工作。隨著遙感技術(shù)不斷發(fā)展、遙感理論知識(shí)不斷更新、研究領(lǐng)域不斷擴(kuò)大，未來(lái)將會(huì)有更多新理論和新技術(shù)提高遙感影像分類效果。