杜斌　張煒

摘要：在遙感影像處理過(guò)程中，如何提高分類精度一直是備受關(guān)注的問(wèn)題，傳統(tǒng)的基于像元的分類方法，精度提高方面很難再有質(zhì)的飛躍。因此，面向?qū)ο蟮姆椒☉?yīng)運(yùn)而生。本文通過(guò)對(duì)比的方法，來(lái)比較基于像元的方法和面向?qū)ο蟮姆椒ǖ姆诸惥?。借助已有遙感軟件對(duì)內(nèi)蒙古自治區(qū)呼和浩特市某區(qū)的快鳥(niǎo)影像進(jìn)行分類試驗(yàn)，根據(jù)試驗(yàn)結(jié)果，得出面向?qū)ο蟮姆诸惙椒▽?duì)于高分辨率遙感影像的分類有著非常好的效果。

關(guān)鍵詞：像元；面向?qū)ο?；高分辨率；分割；影像分?/p>

1. 引言

遙感技術(shù)現(xiàn)已成為資源環(huán)境監(jiān)測(cè)和地表動(dòng)態(tài)變化研究的主要方法和手段，幫助人類獲取了多平臺(tái)、多時(shí)相、多光譜的實(shí)時(shí)信息。在遙感技術(shù)中，分類是獲取信息的前提。隨著遙感成像技術(shù)的不斷發(fā)展，圖像分類的精度也在提高，從單波段的數(shù)據(jù)到多波段的數(shù)據(jù)再到如今的高光譜圖像，應(yīng)用研究得到深入和擴(kuò)展。

早期在進(jìn)行圖像識(shí)別分類的時(shí)候，大多依靠目視解譯的方法，要求判讀人員具備相應(yīng)的判讀知識(shí)，能夠提取相關(guān)的空間信息，但是這種方法，效率非常低，而且跟判讀員的主觀意識(shí)存在一定關(guān)系。這種方法目前仍然廣泛應(yīng)用，并且與計(jì)算機(jī)相結(jié)合，輔助計(jì)算機(jī)進(jìn)行自動(dòng)識(shí)別分類。計(jì)算機(jī)分類的方法主要是針對(duì)圖像上的光譜信息和空間信息進(jìn)行采集、分析、特征識(shí)別及最終的信息提取，將每個(gè)像元按照一定的規(guī)則劃分到不同的類別當(dāng)中去。在計(jì)算機(jī)自動(dòng)識(shí)別分類領(lǐng)域，目前有兩類方法：第一類就是傳統(tǒng)的基于像元的分類方法，即處理的最小單位是像元，并且僅僅依靠像元的光譜特征進(jìn)行，通常采用監(jiān)督分類或者非監(jiān)督分類；第二類是面向?qū)ο蟮姆椒ǎ@種方法處理的最小單元就不再是像元，而是對(duì)象，并且利用的不止包括光譜信息，還包括空間關(guān)系等。

2. 遙感影像分類方法簡(jiǎn)介

2.1 基于像元的分類方法

基于像元的分類方法作為傳統(tǒng)方法，由于其在技術(shù)上已經(jīng)很成熟，所以至今仍然應(yīng)用廣泛，具體分類方法主要有兩類：即監(jiān)督分類和非監(jiān)督分類?；谙裨姆诸惙椒?，顧名思義，是以像元作為最基本的處理單元，依據(jù)地物的光譜特性來(lái)進(jìn)行歸類，由于同類地物體現(xiàn)出的光譜特征一致，所以在特征空間中呈現(xiàn)出聚類的特點(diǎn)，那么不同的地物就會(huì)呈現(xiàn)出不同的聚類區(qū)域。無(wú)論是監(jiān)督分類法還是非監(jiān)督分類法，都是對(duì)于一個(gè)一個(gè)的像元進(jìn)行處理，所以都屬于基于像元層次的分類方法。

監(jiān)督分類法又稱為場(chǎng)地訓(xùn)練分類法，是以先驗(yàn)知識(shí)作為基礎(chǔ)，選擇樣本進(jìn)行訓(xùn)練，以此建立統(tǒng)計(jì)識(shí)別函數(shù)，按照概率規(guī)則進(jìn)行類別的劃分。即首先選擇樣本，確定特征參數(shù)，根據(jù)特征參數(shù)，建立判別函數(shù)及判別規(guī)則，最后對(duì)未分類地區(qū)進(jìn)行模式識(shí)別的一種方法。這種方法的關(guān)鍵就是選擇樣本和確定判別規(guī)則，要求樣本必須具有較強(qiáng)的代表性和典型性，判別規(guī)則要滿足分類精度的要求，否則要重新確定分類規(guī)則。非監(jiān)督分類是指人們?cè)诜诸愔皩?duì)于分類過(guò)程不施加任何先驗(yàn)知識(shí)，僅僅依靠圖像上地物的光譜特征進(jìn)行盲目的分類，這個(gè)分類過(guò)程只是將不同類別進(jìn)行了區(qū)分，但是沒(méi)有確定類別的屬性，屬性要通過(guò)后期分析及實(shí)地調(diào)查方可確定。在實(shí)際工作中，由于監(jiān)督分類和非監(jiān)督分類都存在各自的局限性，故通常將二者結(jié)合使用。即首先通過(guò)非監(jiān)督分類來(lái)確定樣本結(jié)構(gòu)，再依據(jù)非監(jiān)督分類確定的樣本進(jìn)行監(jiān)督分類。這種方法可以使得人為產(chǎn)生誤差的機(jī)會(huì)大大減少，從而提升一定的分類精度。

本文基于像元的分類方法采用的是ENVI4.5平臺(tái)。

2.2 面向?qū)ο蟮姆诸惙椒?/p>

對(duì)于遙感圖像而言，除了光譜信息外，還包含很多信息，比如空間信息、語(yǔ)義信息和上下文信息。為了充分利用這些信息，面向?qū)ο蟮姆椒☉?yīng)運(yùn)而生。這種方法在進(jìn)行分類處理時(shí)，最小單元就不再是像元，而是由若干像元組成的對(duì)象，這種對(duì)象就不僅包含像元的光譜信息，同時(shí)包含像元之間的語(yǔ)義信息、拓?fù)湫畔⒑图y理信息。

面向?qū)ο蟮挠跋穹诸惙椒ㄊ紫葘?duì)圖像進(jìn)行分割，獲得對(duì)象，再依據(jù)對(duì)象的光譜特征、紋理特征、形狀特征和布局特征等，根據(jù)模糊分類方法對(duì)影像進(jìn)行分類及信息提取。在這個(gè)過(guò)程中，形成了面向?qū)ο蠓椒ǖ膬蓚€(gè)特點(diǎn)：第一，可以利用對(duì)象的多特征，即光譜特征和其他特征；第二，可以利用不同的分割尺度形成不同大小的對(duì)象，并且每一尺度可形成一個(gè)對(duì)象層，在多尺度層下根據(jù)不同地物的特點(diǎn)選擇適當(dāng)尺度層進(jìn)行提取，可以充分利用地物的各種特征。分割尺度決定了形成對(duì)象的異質(zhì)度，尺度較大，則分割過(guò)程中地物的很多細(xì)節(jié)被忽略，因此產(chǎn)生的對(duì)象數(shù)量就較少，每個(gè)對(duì)象的面積較大。反過(guò)來(lái)，分割尺度較小，則地物細(xì)節(jié)體現(xiàn)的就較多，對(duì)象數(shù)量較多，對(duì)象的面積就較小。

本文面向?qū)ο蟮姆诸惙椒ú捎玫氖莈Cognition7.0平臺(tái)。

3. 遙感影像分類試驗(yàn)

3.1 基于像元的分類試驗(yàn)

試驗(yàn)流程如圖1所示。

（3）對(duì)影像進(jìn)行分割：在Process tree列表中單擊右鍵，選擇Append New，彈出Edit Process對(duì)話框，修改名稱為學(xué)校，點(diǎn)擊OK。在Process Tree中選中學(xué)校，點(diǎn)擊右鍵選擇Insert Child，在對(duì)話框中重命名為Segmentation。在Process Tree中選中Segmentation，點(diǎn)擊右鍵選擇Insert Child，在算法4）在Class Hierarchy中點(diǎn)擊右鍵選擇Insert Class，并選擇顏色。由此創(chuàng)建道路，裸地，陰影，植被，建筑物等類別。在菜單欄的空白處點(diǎn)擊右鍵選擇sample editor。選取典型樣本（classification→ samples → select samples），在sample editor的工作欄中的active class選擇當(dāng)前激活的類，如：建筑物、綠地等，在影像上雙擊想要選擇為樣本的對(duì)象。樣本選擇完畢后，選擇feature space optimization。在feature空白處選擇需要添加的特征，選擇相應(yīng)的level點(diǎn)擊calculate，系統(tǒng)將會(huì)根據(jù)樣本自動(dòng)計(jì)算出最優(yōu)化的分類特征組合。點(diǎn)擊advanced，選擇apply to classes。現(xiàn)在我們雙擊class hierarchy中的任意一類，類描述中出現(xiàn)最鄰近分類的特征。在process tree 中添加新的process （process tree中點(diǎn)擊鼠標(biāo)右鍵，選擇append new），算法選擇classification，設(shè)置相關(guān)的參數(shù)。單擊execute執(zhí)行，得到分類結(jié)果。

4. 總結(jié)

通過(guò)上述試驗(yàn)，對(duì)于基于像元的傳統(tǒng)分類方法和基于面向?qū)ο蟮男路诸惙椒ㄟM(jìn)行了比較?；谙裨姆诸惙椒?，分類精度稍低于面向?qū)ο蟮姆椒?。面向?qū)ο蟮姆诸惣夹g(shù)，首先對(duì)遙感影像進(jìn)行分割，然后進(jìn)行分類。影像分割是面向?qū)ο蟾叻直媛蔬b感影像分的前提和關(guān)鍵，分割結(jié)果的好壞將直接影響分類精度。在分割過(guò)程中選擇的分割尺度為100進(jìn)行圖像分割，這個(gè)尺度相對(duì)比較合理，從分類結(jié)果來(lái)看，基于像元的分類效果確實(shí)不如基于面向?qū)ο蠓诸惡侠恚傊嫦驅(qū)ο蠓诸惙椒▽?duì)于高分辨率遙感影像更加合適，能夠提高其分類的精度。

參考文獻(xiàn)：

[1] 翟涌光，王耀強(qiáng).基于點(diǎn)特征的多源遙感影像高精度自動(dòng)配準(zhǔn)方法[J]. 遙感技術(shù)與應(yīng)用.2010.6（3）：404-409.

[2] 翟涌光，王耀強(qiáng).基于分辨率融合的多尺度遙感影像分類技術(shù)研究[J].測(cè)繪與空間地理信息.2010.4（2）：109-113.

[3] 翟涌光.多尺度分割技術(shù)對(duì)遙感影像分類精度影響問(wèn)題的研究[D].內(nèi)蒙古農(nóng)業(yè)大學(xué).2010.

[4] 籍曉婧，郝蕾.基于面向?qū)ο蠓椒ǖ母叻直媛蔬b感影像城市用地分類研究[J].西部資源，2013（6）.

[5] 張美香，白亞彬.基于高分辨率遙感影像的城市規(guī)劃設(shè)計(jì)研究[J].西部資源，2014（1）.