搜索
14·北京测绘·2011年第3期基于ENVI的遥感图像监督分类方法比较研究闫琰董秀兰李燕(安徽理工大学测绘学院，安徽淮南232001)［摘要］基于监督分类方法在遥感影像分类中的普遍应用，介绍了四种ENVI提供的常用的监督分类方法。对同一TM图像运用这四种方法进行分类，并对分类结果进行了对比，从而分析了这四种方法分类精度之间的差异。［关键词］遥感;图像分类;最小距离法;最大似然法;神经网络;支持向量机［中图分类号］P237［文献标识码］A［文章编号］1007－3000(2011)03－4随着遥感技术的发展，遥感作为采集地球数据及这里主要讨论的是ENVI提供的在遥感图像监其变化信息的重要技术手段，在世界范围内以及我国督分类中常用的四种分类方法:的许多政府部门、科研单位和公司得到广泛的应1)最小距离分类法:是在有先验知识的前提下，用［1］。由于不同领域遥感图像的应用对遥感图像处利用训练样本数据计算出每一类的均值向量和标准理提出了不同的要求，所以图像处理中重要的环差向量，然后以均值向量作为该类法特征空间中的中节———图像分类也就显得尤为重要［2］。心位置，计算输入图像中每个像元到各类中心的距遥感图像通过亮度值或像元值的高低差异(反映离，到哪一类中心的距离最小，该像元就归入到哪地物的光谱信息)及空间变化(反映地物的空间信一类。息)来表示不同地物的差异。这是区分不同图像地物2)最大似然分类法:是图像处理中最常用的一种的物理基础。遥感图像分类就是利用计算机通过对监督分类方法，它建立在Bayes准则的基础上，偏重遥感图像中各类地物的光谱信息和空间信息进行分于集群分布的统计特性，分类原理是假定训练样本数析，选择特征，将图像中每个像元按照某种规则或算据在光谱空间的分布是服从高斯正态分布规律的，做法划分为不同的类别，然后获得遥感图像中与实际地出样本的概率密度等值线，确定分类，然后通过计算，［3］。目前标本(像元)属于各组(类)的概率，将标本归属于概物的对应信息从而实现遥感图像的分类随着各种新理论新方法的相继涌现，遥感图像存在多率最大的一组［4］。种分类方法，所以本文主要是选取几种常用的分类方3)神经网络分类法:是模拟人脑神经系统的结构法用实验结果表明它们之间存在的差异。和功能为基础而建立的一种数据分析处理系统。一1遥感图像分类个神经元有多路输入，接收来自其它神经元的信息，通常遥感图像的分类方法可分为非监督分类和并将反馈信息经由一条路线传递给另一个神经元。监督分类。一个神经元与多个神经元以突触相连，进入突触的信非监督分类方法是在没有先验类别(训练场地)号作为输入(激励)，通过突触而被“加权”，所有输入作为样本的条件下，即事先不知道类别特征，主要根的加权之和即为所有权重输入的总效果。若该和值据像元间相似度的大小进行归类合并(将相似度大的等于或大于神经元阈值，则该神经元被激活(给出输像元归为一类)的方法。其常用方法有:分级集群法、入)否则即不被激活。神经网络可以视为简化了的人动态聚类法。脑神经系统的数学模型［5］。监督分类方法。首先需要从研究区域选取有代4)支持向量机(SupportVectorMachine)分类法:表性的训练场地作为样本。根据已知训练区提供的是由Vapnik提出的，结构风险理论、二次优化理论、样本，通过选择特征参数(如像素亮度均值、方差核空间理论是SVM的三大基础理论。它提供了一个等)，建立判别函数，据此对样本像元进行分类，依据与问题维数无关的函数复杂性的有意义刻划，用事先样本类别的特征来识别非样本像元的归属类别［1］。定义的非线性变换函数集，把向量映射到高维特征空监督分类的关键是训练样本和训练场地的选择，其选间中，按照支撑向量与决策曲面的空隙极大化的原则择的质量关系到分类能否取得良好的效果。来产生最优超平面，然后再把高维特征空间的线性决［收稿日期］2011－03－13［作者简介］闫琰(1985—)，女，汉族，安徽淮南人，在读硕士研究生，研究方向为数字城市与矿山空间信息技术。2011年第3期·北京测绘·15策边界映射到输入空间的非线性决策边界［6］。2应用试验本文以某城市由7个波段组成的TM多光谱图像作为数据源即原始的遥感图像(如图1)，以波段5、4、3模拟真彩色图像合成RGB进行显示，根据图像的光谱特征，通过人工判读把图像中的地物分为6类:林地、耕地、草地、裸地、沙地和其他。然后通过绘制多边形选择感兴趣区进行样本的选取，每类地物的感兴趣区均用不同颜色加以区别。图3最小距离分类结果图图1原始遥感图像流程如图1:图2流程图3分类结果对比分析本文利用ENVI软件中的监督分类模块对同一TM图像分别用最小距离法、最大似然法、神经网络法、支持向量机法四种分类方法进行监督分类，同时这四种分类都采用了相同的训练样本，这样能更好的比较这四种分类方法。图3，4，5，6分别为采用最小距离法，最大似然法、神经网络法、支持向量机法对原始图像进行分类的结果。从上面的分类结果图与原始图像相比较可以看出，不同的分类方法对于同一地物的类别有不同的判别，但是明显可以看出神经网络法和支持向量机法的分类效果更好。但是林地和草地出现了错分现象。虽然可以从分类结果图中看出分类效果和差异，但是为了进一步直观地分析不同分类方法的分类能力，在执行四种不同的监督分类方法后，使用同一种评价方法:混淆矩阵来评价分类结果，结果包括总体分类的精度、制图精度和用户精度、Kappa系数、混淆图4最大似然分类结果图图5神经网络分类结果图图6支持向量机分类结果图16·北京测绘·2011年第3期矩阵(概率)以及错分误差和漏分误差。为了定量地比较各个分类方法，本文选取总体分类精度和Kappa系数来评价这四种分类方法的分类精度。总体分类精度:等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数。Kappa系数:它是通过把所有真实参考的像元总数(N)乘以混淆矩阵对角线的和，减去某一类中真实参考像元数与该类中被分类像元总数之积后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。分类精度结果见表1:表1不同方法分类精度比较精度指标总体分类精度Kappa系数分类方法最小距离法79．6760%0．7350最大似然法96．6922%0．9560神经网络法96．9139%0．9589支持向量机法97．2549%0．9634对以上实验结果进行对比分析，可以得出这四种分类方法中，支持向量机分类法具有最高的分类精度，对于容易错分的地物也得到了比较好的区分，能更准确地提取出目标地物，但是计算时间长。最小距离分类法的分类精度最低，但是算法简单，计算时间相当短。最大似然分类法和神经网络分类法的精度也很高，但是最大似然法的计算时间很短，神经网络法的计算时间是这四种分类方法中最长的。所以像支持向量机分类法这样的新方法可以更加深入广泛地应用。同样的，若是神经网络模型建立合理，速度应该也会加快，甚至超过传统分类方法。最小距离分类法的精度不高，主要是受模式散布影响，在全图范围内一次性地对所有地物分类，分类地物之间容易由于相近的光谱信息互相干扰。最大似然法由于分类精度较高，且计算时间快，所以仍是使用较多的分类方法。4结语如何提高遥感影像分类精度，一直是众所关注的热点问题。本文主要介绍了最小距离法、最大似然法、神经网络法、支持向量机法四种分类方法，并比较了它们的优势与不足。其实每种分类方法都有最适合应用的范围和自身的局限性，没有一种是最普遍最佳的方法，所以必须灵活应用，综合应用多种分类方法，并且与其他图像处理技术结合起来实现最大精度的分类。将来必定会有更多的新理论、新技术来提高遥感影像分类的效果。希望本文能对在图像分类方面提供一定的参考。参考文献［1］梅安新，彭望琭，秦其明，刘慧平．遥感导论［M］．北京:高等教育出版社，2001．［2］李石华，王金亮，毕艳，陈姚，朱妙园，杨帅，朱佳．遥感图像分类方法研究综述［J］．国土资源遥感，2005，(2):1－6．［3］邓书斌．ENVI遥感图像处理方法［M］．北京:科学出版社，2010．［4］赵春霞，钱乐祥．遥感影像监督分类与非监督分类的比较［J］．河南大学学报(自然科学版)，2004，(3):90－93．［5］李爽，丁圣彦，许叔明．遥感影像分类方法比较研究［J］．河南大学学报(自然科学版)，2002，(2):70－73．［6］王圆圆，李京．遥感影像土地利用/覆盖分类方法研究综述［J］．遥感信息，2004，(1):53－59．TheComparativeStudyofRemoteSensingImageSupervisedClassificationMethodsBasedonENVIYANYanDONGXiu－lanLIYan(AnhuiUniversityofscienceandtechnology，Huainan，Anhui，232001，China)Abstract:ThispaperdescribesfourcommonlyusedmethodsofsupervisedclassificationENVIprovides，basedontheuniversalapplicationofsupervisedclassificationinremotesensingimageclassification．ThesameTMimageisclassifiedusingfourmeth-ods，theresultwasanalyzedessentially．Therefore，thepaperanalyzesthedifferencebetweentheclassificationaccuracyofthesefourmethods．Keywords:remotesensing;imageclassification;minimumdistance;maximumlikelihood;neuralnet;supportvectormachine