基于遥感影像的土地覆盖分类方法研究.docx

基于遥感影像的土地覆盖分类方法研究摘要；90年代卫星遥感在全球和区域尺度土地覆盖研究与应用方面取得了突破性进展土地利用/覆盖遥感研究的新方法不断出现。本文对国内外土地覆盖遥感图像分类的研究现状进行了综合阐述初步探讨了提高土地覆盖遥感影像分类精度的方法与途径关键词：土地覆盖；遥感图像；分类；专家系统；分类精度中图分类号：D651.1文献标识码：A文章编号：0引言常规的土地利用调查是通过实例测绘的方法来进行工作量大调查周期长。但随着近年来高时间高空间高光谱分辨率的遥感传感器的出现遥感技术已经能完全胜任不同尺度的土地利用/土地利用覆盖调查。遥感技术的引用大大节省了调查成本和时间本文以阜新市为例利用美国陆地卫星LandsatTM遥感图像及其遥感图像处理软件ERDASIMAGE9.1为主要技术手段对遥感图像的分类方法进行研究。本文主要围绕五大问题来进行研究和阐述：其一研究目前现有的遥感图像分类方法；其二选择适合土地覆盖遥感图像的分类方法并对监督分类和专家系统分类两种方法重点研究；其三研究研究区内地物的光谱特征、纹理特征；其四采用人工方法获取地物分类规则建立知识库并实现分类；其五对分类后图像进行后处理并进行精度评定。1遥感影像分类原理1.1图像分类原理图像分类（ImagineClassification）的目的是将图像中的每个像元根据其不同波段的光谱亮度、空间结构特征或者其他信息按照某种规则或算法划分成不同的类型。其最终目的是实现对遥感图像的理解。其基础工作是遥感数字图像的计算机分类[4]。利用遥感图像进行分类是以区别图像中所含的多个目标物为目的对每个像元或比较匀质的像元组给出对应其特征的名称这些名称称为分类类别(class)。在分类中所注重的是各像元的灰度及纹理等特征。用这样的多个特征量（特征矢量）所定义的空间叫特征空间。分类也可以说是按照若干分类基准对特征空间进行分割对其中所含的像元或匀质区域给出相同的名称。分类原理如图2-1所示：计算机遥感图像分类是统计识别技术在遥感领域中的具体应用。统计模式识别的关键是提取待识别模式的一组统计特征值然后按照一定准则做出决策从而对数字图像进行计算机分类。计算机处理图像的一般过程如图2-2所示：图2-2计算机图像处理流程1.2监督分类法监督分类方法又称“训练场地法”或“先学习后分类”法它的基本特点是在分类前人们对遥感影像上某些地物的类别属性己有一定的先验知识这些先验知识通常是通过实地的抽样调查地形图或配合目视判读技术来获得的。选好训练区后计算机对训练区进行“学习”得到训练组数据（已知类别）的统计数据和特征参数然后根据所选定的判别规则对像元进行分类。监督分类要比非监督分类的分类精度要高但是涉及运算量较大。根据判别规则的选择不同常见的监督分类方法有最小距离分类法、平行多面体分类法和最大似然分类法等。1.3：非监督分类法非监督分类方法完全按照像元的光谱特性进行统计分类原始图像的所有波段都参与分类运算分类方法简单。非监督分类主要采用聚类分析技术聚类分析也叫集群分析是依据特征空间中相似性样品集合于一定空间范围而形成集群的原理确定一种反映个体间内在联系的分类结构（谱系图或树状图）即按照亮度值向量或波谱样式在特征空间聚集的情况划分点群或类别的分类方法。聚类分析的过程是动态的非监督分类的核心问题是初始类别的选定以及它的迭代调整问题根据分类过程中的差异常用的方法有K-均值聚类法和ISODATA分类法。1.4混淆矩阵分类精度的计算是以混淆矩阵为基础的。混淆矩阵的形式见下表3-1所示：表2-1混淆矩阵表2-2分类精度与Kappa统计值2遥感影像分类试验2.1非监督分类实验2.2监督分类实验2.3专家分类器分类实验2.4分类后精度分析1可以得出专家分类的总体分类精度和Kappa系数均高于监督分类方法和非监督分类方法。2非监督分类中不能对产生的类别进行控制因此产生的类别也并不是让人满意另外非监督分类所产生的光谱集群组并不一定对应着分析者想要的类别。3专家系统分类中还存在着漏分现象。3结论本文通过对各种土地利用分类方法的研究尤其是采用了专家分类器这种逐渐在国际上流行的方法比较了非监督分类、监督分类和专家分类器的分类精度并对各种方法的优缺点进行了比较并取得了有益的成果。参考文献[1]李爽丁圣彦.遥感影像分类方法比较研究[J].河南大学学报2004.(6).33～50.