邱德艷

摘 要： 鑒于遙感監(jiān)督分類方法的普遍應(yīng)用，本文介紹了五種常用的監(jiān)督分類方法：平行六面體法、最小距離法、馬氏距離法、最大似然法和人工神經(jīng)網(wǎng)絡(luò)分類法，就同一地區(qū)TM影像應(yīng)用這五種方法進(jìn)行土地利用分類，對比分析這五種方法的分類精度，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)對土地覆蓋與利用的分類精度高于最大似然法，最大似然法分類精度優(yōu)于平行六面體法、最小距離法和馬氏距離法，所得結(jié)論對有關(guān)遙感圖像分類工作具有指導(dǎo)和借鑒意義。

關(guān)鍵詞： 遙感圖像分類平行六面體法 最小距離法 馬氏距離法 最大似然法 人工神經(jīng)網(wǎng)絡(luò)分類

遙感圖像是通過亮度值或像素值的高低差異及空間變化而表示不同地物的差異，如不同類型的植被、土壤、巖石及水體等，這是我們區(qū)分不同影像地物的物理依據(jù)。遙感圖像分類就是利用計(jì)算機(jī)對遙感圖像中各類地物的光譜信息和空間信息進(jìn)行分析，選擇特征，并用一定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子空間。遙感圖像分類特征是反映地物光譜信息和空間信息，并可用于遙感圖像分類處理的變量，如多波段圖像的每個波段都可作為特征，多波段圖像的各種處理結(jié)果也以作為分類的特征空間構(gòu)成一個特征向量。

1.遙感圖像分類原理簡介

遙感圖像分類的理論依據(jù)是：遙感圖像中的同類地物在相同的條件下（紋理、地形、光照及植被覆蓋等），應(yīng)具有相同或相似的光譜信息特征和空間信息特征，從而表現(xiàn)出同類地物的某種內(nèi)在相似性，即同類地物像素的特征向量將集群在同一特征空間區(qū)域；而不同的地物其光譜信息和空間信息特征不同，將集群在不同的特征空間區(qū)域。由于地物的成分、性質(zhì)、分布情況的復(fù)雜性和成像條件，以及一個像素或瞬時視場里往往有兩種或多種地物的情況，即混合像素，使得同類地物的特征向量不盡相同，而且使得不同地物類型的特征向量之間的差別不都是截然相反的。

遙感圖像分類方法可分為非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類是在沒有先驗(yàn)類別知識的情況下，根據(jù)圖像本身的統(tǒng)計(jì)特征及自然點(diǎn)群的分布情況劃分地物類別的分類處理，它并不需要具體地物的已知知識，可更好地獲取目標(biāo)數(shù)據(jù)內(nèi)在的分布規(guī)律，主要方法有：K均值分類（K-means）、ISODATA方法。

監(jiān)督分類是一種常用的精度較高的統(tǒng)計(jì)判決分類，它是在已知類別的訓(xùn)練場地上提取各類訓(xùn)練樣本，通過選擇特征變量、確定判別函數(shù)或判別規(guī)則，把圖像中的各個像元劃歸到各個給定類的分類方法。其主要步驟包括：選擇特征波段；選擇訓(xùn)練區(qū)；選擇或構(gòu)造訓(xùn)練分類器；對分類精度進(jìn)行評價(jià)。主要方法有：平行六面體分類（Parallelepiped）、最小距離分類（Minimum Distance）、馬氏距離分類（Mahalanobis Distance）、最大似然分類（Maximum Likelihood）、人工神經(jīng)網(wǎng)絡(luò)分類法等。

2.案例分析

本文以呼和浩特市地區(qū)7個波段組成的TM影像為原始數(shù)據(jù)，以波段5、4、3模擬真彩色RGB合成，選取涼城縣岱海區(qū)域做分類實(shí)驗(yàn)，以確定該區(qū)域土地覆蓋應(yīng)采取的分類方法。

2.1遙感影像的目視解譯。

在利用ENVI進(jìn)行監(jiān)督分類之前，首先在ArcGIS中進(jìn)行遙感影像的矢量化操作，利用目視解譯畫出各類地物的邊界，并統(tǒng)計(jì)其面積，以此評定各種分類方法的分類精度。

2.2遙感圖像的平行六面體法、最小距離法、馬氏距離法、最大似然法分類。

采用ENVI軟件監(jiān)督分類模塊進(jìn)行平行六面體法、最小距離法、馬氏距離法、最大似然法分類，分類時訓(xùn)練區(qū)相同，以比較不同分類方法的精度。分類后對原始分類圖像進(jìn)行聚類、過濾、去除后處理工作，并采用總體分類精度、Kappa系數(shù)（結(jié)果略）評定分類精度，發(fā)現(xiàn)最大似然法分類精度最高。

2.3.2參數(shù)設(shè)置：Select Classes from Regions：單擊Select All Items按鈕，選擇全部的訓(xùn)練樣本。

Activation：選擇活化函數(shù)。備選函數(shù)為對數(shù)（Logistic）和雙曲線（Hyperbolic）函數(shù)，此處選擇對數(shù)函數(shù)；Training Threshold Contribution：輸入訓(xùn)練貢獻(xiàn)閾值（0～1）。該參數(shù)決定了與活化節(jié)點(diǎn)級別相關(guān)的內(nèi)部權(quán)重的貢獻(xiàn)量，它用于調(diào)節(jié)節(jié)點(diǎn)內(nèi)部權(quán)重的變化，訓(xùn)練算法交互式地調(diào)整節(jié)點(diǎn)間的權(quán)重和節(jié)點(diǎn)閾值，從而使輸出層和響應(yīng)誤差達(dá)到最小。將該參數(shù)設(shè)置為0，不會調(diào)整節(jié)點(diǎn)的內(nèi)部權(quán)重，適當(dāng)調(diào)整節(jié)點(diǎn)的內(nèi)部權(quán)重可以生成一幅較好的分類圖像，但是如果設(shè)置的權(quán)重太大，對分類結(jié)果就會產(chǎn)生不良影響，此值需多次試驗(yàn)選擇；Training Rate：設(shè)置權(quán)重調(diào)節(jié)速度（0～1）。參數(shù)值越大則訓(xùn)練速度越快，但也增加擺動或者使訓(xùn)練結(jié)果不收斂；Training Momentum：輸入一個0～1的值。該值大于0時，在“Training Rate”文本框中鍵入較大值不會引起擺動，該值越大，訓(xùn)練的步幅越大，該參數(shù)的作用是促使權(quán)重沿當(dāng)前方向改變；Training RMS Exit Criteria：指定RMS誤差為何值時訓(xùn)練應(yīng)該停止。RMS誤差值在訓(xùn)練過程中將顯示在圖表中，如圖6所示。當(dāng)該值小于輸入值時，即使沒有達(dá)到迭代次數(shù)，訓(xùn)練也會停止，然后開始分類；Number of Hidden Layers：所用隱藏層的數(shù)量。要進(jìn)行線性分類，鍵入值為0（沒有隱藏層），不同的輸入?yún)^(qū)域必須與一個單獨(dú)的超平面線性分離。要進(jìn)行非線性分類，輸入值應(yīng)該大于或等于1，當(dāng)輸入的區(qū)域并非線性分離或需要兩個超平面才能區(qū)分類別時，必須擁有至少一個隱藏層才能解決這個問題，兩個隱藏層用于區(qū)分輸入空間，空間中的不同要素不臨近也不相連；Number of Training Iterations：輸入用于訓(xùn)練的迭代次數(shù)。這里選默認(rèn)值1000；Min Output Activation Threshold：輸入一個最小輸出活化閾值。如果被分類像元的活化值小于該閾值，在輸出的分類中，該像元將被歸入未分類（unclassified）中。

3.結(jié)語

如何提高遙感影像的分類精度，一直是關(guān)注的熱點(diǎn)。本文通過對五種監(jiān)督分類方法的對比分析，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)土地利用分類與實(shí)際情況最接近，分類精度最高。最大似然法次之，兩者分類精度皆高于平行六面體、最小距離法、馬氏距離法分類方法。

人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)分類方法相比，有其明顯優(yōu)點(diǎn)。

一方面，神經(jīng)網(wǎng)絡(luò)方法沒有對數(shù)據(jù)分布特征的任何假設(shè)前提。它不考慮數(shù)據(jù)是正態(tài)分布或是不連續(xù)分布，可以在特征空間上形成任意邊界的決策面，并在每次迭代過程中動態(tài)調(diào)節(jié)決策區(qū)域，顯示統(tǒng)計(jì)方法強(qiáng)大的穩(wěn)定性和優(yōu)越性。神經(jīng)網(wǎng)絡(luò)的監(jiān)督分類和標(biāo)準(zhǔn)的統(tǒng)計(jì)監(jiān)督分類非常相似。主要區(qū)別在于訓(xùn)練和分類在實(shí)現(xiàn)的細(xì)節(jié)上。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程和最大似然法計(jì)算均值和方差類似。所不同的是，最大似然法的均值和方差只計(jì)算一次，而神經(jīng)網(wǎng)絡(luò)法采用迭代算法，直到計(jì)算結(jié)果和實(shí)際結(jié)果的差異滿足要求。

另一方面，神經(jīng)網(wǎng)絡(luò)方法是非線性的，同傳統(tǒng)分類方法相比較，它可以處理復(fù)雜的數(shù)據(jù)集，識別精細(xì)的模式，且能利用多源數(shù)據(jù)，將潛在的信息提取出來。

當(dāng)然，目前每種方法都有分類的局限性，沒有哪一種是絕對最好的。因此必須針對具體問題，靈活應(yīng)用，綜合應(yīng)用多種分類方法，將來必有更新的理論與方法提高遙感影像分類精度。

參考文獻(xiàn)：

[1]梅安新等.遙感導(dǎo)論[M].北京：高等教育出版社，2001.

[2]包亮，郭曉虹.遙感與土地資源監(jiān)測實(shí)驗(yàn)指導(dǎo)書（修訂稿）[Z].2008.

[3]錢茹茹.遙感影像分類方法比較研究[C].西安：長安大學(xué)，2007：1-30.

[4]王圓圓，李京.遙感影像土地利用/覆蓋分類方法研究綜述[J].遙感信息，2004：53-59.

[5]羅來平.遙感圖像分類中模糊模式識別和決策樹方法的應(yīng)用研究[D].北京：首都師范大學(xué)，2006.

[6]費(fèi)鮮蕓，高祥偉.土地利用/土地覆蓋遙感分類研究綜述[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2002：391-394.

[7]紀(jì)仰慧，李國春，關(guān)宏強(qiáng).土地利用/覆蓋遙感分類研究綜述[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2005： 36-38.

[8]劉慧平等.遙感實(shí)習(xí)教程[M].北京：高等教育出版社，2001.

[9]潘建剛，趙文吉，宮輝力.遙感圖像分類方法的研究[J].首都師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2004：56-91.

[10]王一達(dá)，沈熙玲，謝炯遙.感圖像分類方法綜述[J].遙感信息，2006：67-71.

[11]張若琳，萬力，張發(fā)旺，等.土地利用遙感分類方法研究進(jìn)展[J].南水北調(diào)與水利科技，2006：39-42.

[12]李爽，丁圣彥，許叔明.遙感影像分類方法比較研究[J].河南大學(xué)學(xué)報(bào)（自然科學(xué)版），2002：70-73.

[13]李石華，王金亮，畢艷遙.感圖像分類方法研究綜述[J].國土資源遙感，2005：1-6.

[14]黃寧，劉小軍，朱敏慧.遙感圖像分類技術(shù)研究[J].華北工學(xué)院測試技術(shù)學(xué)報(bào)，2001：86-92.

[15]郭欣.遙感圖像的分類[D].北京：北京化工大學(xué)，2006.