遙感圖像分類方法比較研究
出類拔萃
作者：邱德豔
摘 要： 鑒於遙感監督分類方法的普遍應用，本文介紹了五種常用的監督分類方法：平行六麵體法、最小距離法、馬氏距離法、最大似然法和人工神經網絡分類法，就同一地區TM影像應用這五種方法進行土地利用分類，對比分析這五種方法的分類精度，發現人工神經網絡對土地覆蓋與利用的分類精度高於最大似然法，最大似然法分類精度優於平行六麵體法、最小距離法和馬氏距離法，所得結論對有關遙感圖像分類工作具有指導和借鑒意義。
關鍵詞： 遙感圖像分類平行六麵體法 最小距離法 馬氏距離法 最大似然法 人工神經網絡分類
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、岩石及水體等，這是我們區分不同影像地物的物理依據。遙感圖像分類就是利用計算機對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特征，並用一定手段將特征空間劃分為互不重疊的子空間，然後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，並可用於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果也以作為分類的特征空間構成一個特征向量。
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，從而表現出同類地物的某種內在相似性，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域。由於地物的成分、性質、分布情況的複雜性和成像條件，以及一個像素或瞬時視場裏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督分類和監督分類。非監督分類是在沒有先驗類別知識的情況下，根據圖像本身的統計特征及自然點群的分布情況劃分地物類別的分類處理，它並不需要具體地物的已知知識，可更好地獲取目標數據內在的分布規律，主要方法有：K均值分類（K-means）、ISODATA方法。
監督分類是一種常用的精度較高的統計判決分類，它是在已知類別的訓練場地上提取各類訓練樣本，通過選擇特征變量、確定判別函數或判別規則，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；選擇訓練區；選擇或構造訓練分類器；對分類精度進行評價。主要方法有：平行六麵體分類（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）、人工神經網絡分類法等。
2.案例分析
本文以呼和浩特市地區7個波段組成的TM影像為原始數據，以波段5、4、3模擬真彩色RGB合成，選取涼城縣岱海區域做分類實驗，以確定該區域土地覆蓋應采取的分類方法。
2.1遙感影像的目視解譯。
在利用ENVI進行監督分類之前，首先在ArcGIS中進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，並統計其麵積，以此評定各種分類方法的分類精度。
2.2遙感圖像的平行六麵體法、最小距離法、馬氏距離法、最大似然法分類。
采用ENVI軟件監督分類模塊進行平行六麵體法、最小距離法、馬氏距離法、最大似然法分類，分類時訓練區相同，以比較不同分類方法的精度。分類後對原始分類圖像進行聚類、過濾、去除後處理工作，並采用總體分類精度、Kappa係數（結果略）評定分類精度，發現最大似然法分類精度最高。
2.3.2參數設置：Select Classes from Regions：單擊Select All Items按鈕，選擇全部的訓練樣本。
Activation：選擇活化函數。備選函數為對數（Logistic）和雙曲線（Hyperbolic）函數，此處選擇對數函數；Training Threshold Contribution：輸入訓練貢獻閾值（0～1）。該參數決定了與活化節點級別相關的內部權重的貢獻量，它用於調節節點內部權重的變化，訓練算法交互式地調整節點間的權重和節點閾值，從而使輸出層和響應誤差達到最小。將該參數設置為0，不會調整節點的內部權重，適當調整節點的內部權重可以生成一幅較好的分類圖像，但是如果設置的權重太大，對分類結果就會產生不良影響，此值需多次試驗選擇；Training Rate：設置權重調節速度（0～1）。參數值越大則訓練速度越快，但也增加擺動或者使訓練結果不收斂；Training Momentum：輸入一個0～1的值。該值大於0時，在“Training Rate”文本框中鍵入較大值不會引起擺動，該值越大，訓練的步幅越大，該參數的作用是促使權重沿當前方向改變；Training RMS Exit Criteria：指定RMS誤差為何值時訓練應該停止。RMS誤差值在訓練過程中將顯示在圖表中，如圖6所示。當該值小於輸入值時，即使沒有達到迭代次數，訓練也會停止，然後開始分類；Number of Hidden Layers：所用隱藏層的數量。要進行線性分類，鍵入值為0（沒有隱藏層），不同的輸入區域必須與一個單獨的超平麵線性分離。要進行非線性分類，輸入值應該大於或等於1，當輸入的區域並非線性分離或需要兩個超平麵才能區分類別時，必須擁有至少一個隱藏層才能解決這個問題，兩個隱藏層用於區分輸入空間，空間中的不同要素不臨近也不相連；Number of Training Iterations：輸入用於訓練的迭代次數。這裏選默認值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於該閾值，在輸出的分類中，該像元將被歸入未分類（unclassified）中。