（电路与系统专业论文）城市tm遥感图像分类方法研究.pdf

城市 tm 遥感图像分类方法研究 i 城市 t m 遥感图像分类方法研究 研究生姓名: 吴学军 导师姓名: 王修信 年级: 2 0 0 4 级 专业: 电路与系统 研究方向: 数字图像处理 中文摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并 满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识 别地物的目的。遥感图像分类主要有两类分类方法：一种是非监督分类方法，另一种是监 督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程， 需要一定的先验知识。非监督分类由于不能确定类别属性，因此直接利用的价值很小，研 究应用也越来越少。而监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。 从传统的基于贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经 网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的 应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然 分类法、决策树分类法和 b p 神经网络分类法对北京市 t m 遥感图像进行了分类研究。在对 分类实现中，首先对分类过程中两个必不可少的，并影响分类效果的步骤也进行了详细地 研究，分别是分类样本和分类特征；然后详细介绍三种方法的分类实验；最后分别分析分 类结果图和采用混淆矩阵和 k a p p a 系数对三种方法的分类结果进行精度评价。三种分类方 法的分类总体精度计算都达到 8 0 以上，满足分类要求。通过综合分析发现本次研究 b p 神经网络方法分类精度较低，最大似然法和决策树法分类精度较高。因此本文有必要进一 步研究神经网络分类方法，提高该方法的分类精度。 本文分为六部分。第一章为绪论，主要介绍本次研究的目的、意义以及遥感图像识别 与分类技术发展和研究现状，并提出本研究的主要内容和研究方法；第二章为遥感图像分 类技术的基本理论，介绍遥感图像分类的整个过程的基本原理，传统的监督、非监督分类 的基本算法，分类精度评价方法，为本研究提供理论基础；第三章介绍本次分类研究区典 型地物类型样本的确定原则和方法，并提出了本次分类实验样本的选取方案；第四章介绍 本次研究中分类特征的分析和选取；第五章为本次分类实验的具体方法和结果，展示了遥 感图像分类的全过程，并分析不同分类方法的分类效果；第六章为总结和展望，总结本次 的研究工作和不足，对未来的研究展开思路打下铺垫。 关键词：t m 遥感，图像分类，决策树，b p 神经网络，分类精度 城市 tm 遥感图像分类方法研究 ii the study of city tm remote sensing classification methods graduate: wuxuejun director: wangxiuxin grade:2004 major: circuit net.trainparam.show=200; net.trainparam.epochs=2000; net.trainparam.goal=0.01; net=init(net); net=train(net,p1,t); yc=sim(net,p2); 其中，n e w f f 是创建b p 网络函数，i n i t 是初始化函数，t r a i n 是训练函数，s i m 是仿真函数； p 1 是输入训练样本向量，t 是输出向量，p 2 是输入的未知样本的数据向量。为了保证网络 更好的达到训练目标，在研究中对输入向量进行归一化处理，将输入数据处理为区间( 0 , 1 ) 之间的数据，归一化方法有多种形式，这里采用如下公式： minmax min xx xx x = 公式（5 3 ） 在样本训练完成后，权矩阵已经满足要求，可以对图像进行分类。当输入待分类像素 时，通过网络的向前传播过程可得到该像素的类别输出向量。根据输出向量就可以判断该 像素所对应的地物类型。其b p n n 分类的结果如下图5 6 （见5 . 4 节）。 2 ) 、变换特征的分类 在对遥感图像分类研究中，经常对原始波段进行变换提取分类特征参与分类。本部分 对原始波段图像分别进行主成分分析( k l 变换) 和缨帽变换( k t 变换) ，然后利用k l 变换的前 三个分量（p c a 1 、2 、3 ）和k t 变换的前三个分量（k t 1 、2 、3 ）作为b p 神经网络分类的输 入特征进行图像分类。在实验中首先分别利用两种不同的变换特征分类，然后两种一起参 与分类，后者分类结果图见图5 7 （见5 . 4 节）。 两种变换特征的分类能力的分析：分别将p c a 1 、2 、3 和k t 1 、2 、3 作为分类特征，分 类的总体精度没有原始波段分类精度好，而且单个类型的分类精度要低。分析原因有两点： 1 、研究区域地物类型较多，而且部分地物特征非常相似。2 、对原始波段进行变换后的主 城市 tm 遥感图像分类方法研究 44 分量特征与原波段特征也是一种平行关系，其分类能力只相当于原始波段中三个波段的分 类能力。3 、分类特征太少，不足以区分较多的地物类型。 鉴于以上原因，本部分将两种变换的主分量特征一起用于分类。从分类效果看（如表 5 2 ），分类要好于两种特征单独分类的效果，但是差别不是很大，而且分类精度都达到 分类要求。 特征 总体精度( % ) k a p p a k l 1 2 3 9 2 . 4 3 0 . 9 1 3 3 k t 1 2 3 9 1 . 9 4 0 . 9 0 7 6 分类特性 不同变换 k t k l 9 3 . 2 0 0 . 9 2 2 1 表5 2 两种变换主分量分类能力比较 5 . 4 分类结果对比分析 遥感图像分类精度评价是指把分类结果图像与标准数据、图件或地面实测值进行比 较，以正确分类的百分比来确定分类的准确程度的过程。分类结果的精度评价是分类结果 是否可用的一种度量。评价分类结果的正确与否，需要客观、合理的方法。分类结果精度 评价方法比较复杂，它受到每个类型在空间上的分布和每个同类型地块的形状和大小、检 测样点的分布、选取，以及不同类型间的相似程度等多种因素的影响。 本文除了利用常用的混淆矩阵方法和 kappa 分析方法比较分类结果，还利用对分类图 像的目视解译结果评价分类精度。 5 4 1 不同分类方法分类结果图 下面是最大似然分类、决策树分类、b p 神经网络分类结果图( 图 5 - 4 , 5 - 5 , 5 - 6 , 5 - 7 ) 。 为了能够比较图中的分类效果， 我们参照 t m 5 4 1 合成的假彩色合成图像与之比较分析。 从分类结果图上看，我们可以看到，由于阴影的存在，阴影与水体的光谱特征相似，从而 导致分类中出现误分类为水体或阴影的现象。如果这种误分现象过多的话，那么对于城市 地物分类来讲，分类的效果必然很差。从四张分类结果图上看，可以看到： 1 、对于原始波段特征的 b p 神经网络分类图上，在城区内出现了很多误分的阴影，即是很 多不是水体的像元被误分为阴影； 2 、对于主成分分析和缨帽变换特征的 b p 神经网络分类图上，在城区内出现很多误分的水 体，即是很多不是水体的像元被分成水体； 3 、对于原始波段特征的最大似然法分类图，虽然也有误分为阴影的像元，但是很少。对 于城区这些少量的阴影，我们可以利用对其修改，将它归为与其临近的像元类别； 4 、对于利用原始特征和变换特征的决策树分类图，被误分为阴影的像元基本没有，只有 很少的误分为水体的像元。 因此从上面的分析评价分类精度，可以得出：最大似然法和决策树法分类精度较高； 原始波段特征 bp 神经网络法出现误分过多阴影现象， 主成分分析与缨帽变换特征 bp 神经 网络法出现误分过多水体现象，即是 bp 神经网络分类法分类精度较低。 城市 tm 遥感图像分类方法研究 45 图 5 - 4 最大似然法分类结果图 图 5 - 5 决策树法分类结果图 低层建筑地 林地 草地 农业用地 水体 高层建筑地 裸土地 水泥地 低层建筑地 林地 草地 农业用地 水体 高层建筑地 裸土地 水泥地 城市 tm 遥感图像分类方法研究 46 图 5 - 6 原始波 b p n n 分类结果图 图 5 - 7 k l 、k t 变换特征 b p n n 分类结果图 低层建筑地 林地 草地 农业用地 水体 高层建筑地 裸土地 水泥地 低层建筑地 林地 草地 农业用地 水体 高层建筑地 裸土地 水泥地 城市 tm 遥感图像分类方法研究 47 5 4 2 三种分类器分类精度计算分析 为了进一步分析不同分类器的分类能力，我们从样本集中随机选取一组训练样本和验 证样本（表 5 3 ），然后对训练样本分别采用最大似然法、决策树法、原始波段特征 b p 神经网络法训练分类器的生成，然后用检验样本进行分类精度的评价，并将分类结果相互 比较。 类别编号 地物类型 训练样本数 验证样本数 1 草地 5 2 1 3 2 6 2 林地 7 0 2 2 8 6 3 农业用地 7 7 2 3 6 4 4 水体 8 0 2 2 0 2 5 山地阴影 3 4 6 1 5 4 6 建筑物阴影 2 3 9 9 5 7 低层建筑地 1 3 2 9 5 4 6 8 高层建筑地 1 5 5 7 5 6 7 9 水泥地 7 6 6 3 0 6 1 0 裸土地 7 4 9 4 7 4 总样本数 7 7 8 3 3 3 2 0 表 5 3 各类地物类型的样本数 三种不同的分类器分类精度计算结果如下表 5 4 、5 5 、5 6 所示: 表 5 4 最大似然分类精度统计表 参考数据 类型 草地 林地 农业 用地 水体 阴影 低层 建筑 地 高层 建筑 地 水泥 地 裸土 地 行数 据和 使用者 精度% 草地 3 1 9 1 8 0 0 0 0 0 0 3 2 8 9 7 . 2 5 林地 5 2 7 0 2 6 0 0 0 8 0 0 3 0 9 8 7 . 3 8 农 业 用 地 2 1 0 3 2 0 0 0 4 0 0 1 3 3 7 9 4 . 9 5 水体 0 0 0 2 0 0 1 2 0 0 0 0 2 1 2 9 4 . 3 4 阴影 0 0 0 2 1 4 2 0 0 0 0 1 4 4 9 8 . 6 1 低层建筑地 0 5 4 0 0 4 3 0 8 8 0 5 8 5 8 5 7 3 . 5 0 高层建筑地 0 0 0 0 0 1 0 6 4 7 1 0 0 5 7 7 8 1 . 6 3 水泥地 0 0 0 0 0 4 0 3 0 4 1 3 0 9 9 8 . 3 8 裸土地 0 0 6 0 0 2 0 2 4 1 4 4 2 4 9 7 . 6 4 列数据和 3 2 6 2 8 6 3 6 4 2 0 2 1 5 4 5 4 6 5 6 7 3 0 6 4 7 4 3 2 2 5 生产者精度 9 7 . 8 5 9 4 . 4 0 8 7 . 9 1 9 9 . 0 1 9 2 . 2 1 7 8 . 7 5 8 3 . 0 7 9 9 . 3 4 8 7 . 3 4 k a p p a 0 . 8 7 3 8 最大似然法分类数据 总体精度2 8 7 0 / 3 2 2 5 8 8 . 9 9 % 城市 tm 遥感图像分类方法研究 48 表 5 5 决策树分类精度统计表 表 5 6 原始波段特征 b p 神经网络分类精度统计表 参考数据 类型 草地 林地 农业 用地 水体 阴影 低层 建筑 地 高层 建筑 地 水泥 地 裸土 地 行数 据和 使用者 精度% 草地 3 2 6 0 1 1 0 0 0 0 0 0 3 3 7 9 6 . 7 3 林地 0 2 8 5 2 7 0 0 1 2 0 0 3 1 5 9 0 . 4 8 农 业 用 地 0 0 3 1 8 0 0 1 1 0 0 0 3 2 9 9 6 . 6 6 水体 0 0 0 2 0 2 3 0 0 0 0 2 0 5 9 8 . 5 4 阴影 0 0 0 0 1 5 0 0 0 0 0 1 5 0 1 0 0 低层建筑地 0 1 1 0 0 3 5 4 6 5 0 1 1 4 3 2 8 1 . 9 4 高层建筑地 0 0 0 0 1 1 5 5 5 0 0 0 5 3 7 0 9 7 0 . 5 2 水泥地 0 0 0 0 0 2 0 3 0 5 0 3 0 7 9 9 . 3 5 裸土地 0 0 7 0 0 2 3 0 1 4 1 0 4 4 1 9 2 . 9 7 列数据和 3 2 6 2 8 6 3 6 4 2 0 2 1 5 4 5 4 6 5 6 7 3 0 6 4 7 4 3 2 2 5 生产者精度 1 0 0 9 9 . 6 5 8 7 . 3 6 1 0 0 9 7 . 4 0 6 4 . 8 3 8 8 . 1 8 9 9 . 6 7 8 6 . 5 0 k a p p a 0 . 8 6 6 7 决策树分类数据 总体精度2 8 5 0 / 3 2 2 5 8 8 . 3 7 % 参考数据 类型 草地 林地 农业 用地 水体 阴影 低层 建筑 地 高层 建筑 地 水泥 地 裸土 地 行数 据和 使用者 精度% 草地 3 2 6 0 4 0 0 0 0 0 0 3 3 0 9 8 . 7 9 林地 0 2 8 6 8 0 0 0 9 0 0 3 0 3 9 4 . 3 9 农 业 用 地 0 0 3 4 5 0 0 0 0 0 0 3 4 5 1 0 0 水体 0 0 0 2 0 2 1 0 0 0 0 2 0 3 9 9 . 5 1 阴影 0 0 0 0 1 5 3 0 1 0 0 1 5 4 9 9 . 3 5 低层建筑地 0 0 7 0 0 4 5 2 3 0 0 4 2 5 3 1 8 5 . 1 2 高层建筑地 0 0 0 0 0 8 9 5 2 7 0 0 6 1 6 8 5 . 5 5 水泥地 0 0 0 0 0 0 0 3 0 6 0 3 0 6 1 0 0 裸土地 0 0 0 0 0 5 0 0 4 3 2 4 3 7 9 8 . 8 5 列数据和 3 2 6 2 8 6 3 6 4 2 0 2 1 5 4 5 4 6 5 6 7 3 0 6 4 7 4 3 2 2 5 生产者精度 1 0 0 1 0 0 9 4 . 7 8 1 0 0 9 9 . 3 5 8 2 . 7 8 9 2 . 9 4 1 0 0 9 1 . 1 4 k a p p a 0 . 9 3 0 4 b p 神 经 网 络 分 类 数 据 总体精度3 0 2 9 / 3 2 2 5 9 3 . 9 2 % 城市 tm 遥感图像分类方法研究 49 从上面的分类精度计算的数据显示，结果如下： 最大似然法分类总精度为 8 8 . 9 9 ，生产者精度范围从低层建筑地的 7 8 . 7 5 到水体 的 9 9 . 0 1 ，用户精度范围从低层建筑地的 7 3 . 5 0 到阴影的 9 8 . 6 1 。分类精度高。 决策树方法分类总精度为 8 8 . 3 7 ，生产者精度范围从低层建筑地的 6 4 . 8 3 到草地、 水体的 1 0 0 ，用户精度范围从高层建筑地的 7 0 . 5 2 到阴影的 1 0 0 。 b p神经网络方法分类总精度为 9 3 . 9 2 ，生产者精度范围从低层建筑地的 8 2 . 7 8 到 草地、林地、水体、水泥地的 1 0 0 ，用户精度范围从低层建筑地的 8 5 . 1 2 到水泥地的 1 0 0 。 从各地物的分类精度计算结果看：城市中水体、草地、林地、水泥地等分类精度较好； 而低层建筑地和高层建筑地的分类效果较差。经分析，这两类分类精度低的主要原因是他 们的光谱特征非常相近，分类过程中存在相互错分的现象。这两类的区分将是进一步研究 的方向。 对于三种分类方法的总体分类精度( 8 8 . 9 9 % , 8 8 . 3 7 % , 9 3 . 9 2 % ) 和 k a a p a 系数而言，三者 的计算结果都较高，而且相差不大。虽然 b p神经网络分类的精度要高一点，但不能说神 经网络的分类效果好。分类精度的评价必须从多个方面综合评价才能得出结论。我们从前 面对分类结果图像的分析来看，b p 神经网络分类中明显存在很多误分的像元。再来看分类 使用的训练样本和检验样本是从样本区中随机选取的，在分类结果中误分的像元不在检验 样本中。因而综合对分类结果图的分析，我们得出：b p 神经网络的分类精度较低。 5 4 3 不同特征的 b p 神经网络分类结果对比分析 分别利用图像的原始波段特征和其变换特征作为神经网络的输入特征进行分类，并利 以上使用的训练样本和验证样本，得到的精度结果如表 5 7 。 表 5 - 7 不同分类特征的 b p n n 分类精度统计表 从上面的精度计算结果可以看到：k l变换主分量特征和 k t变换主分量特征单独作为 分类特征的分类精度要比原始波段 t m 1 5 、7 六个波段作为分类特征的分类精度低。而 k l 变换主分量特征和 k t变换主分量特征一起作为分类特征的分类精度和原始波段 t m 1 - 5 、7 六个波段作为分类特征的分类精度差不多，总体精度分别为 9 3 . 2 0 和 9 3 . 9 2 。 精度统计（） 特征 草 地 林地 农业 用地 水 体 阴影 低层 建筑地 高层 建筑地 水泥 地 裸土 地 总体 精度 k a p p a k l 1 2 3 1 0 0 9 8 . 6 0 8 4 . 6 2 1 0 0 9 6 . 7 5 8 1 . 5 0 9 1 . 0 1 1 0 0 9 4 . 3 0 9 2 . 4 3 0 . 9 1 1 3 k t 1 2 3 1 0 0 9 9 . 3 9 5 . 3 3 1 0 0 9 2 . 8 6 8 1 . 3 2 9 1 . 1 8 9 8 . 3 7 8 4 . 6 0 9 1 . 9 4 0 . 9 0 7 6 k t k l 1 0 0 9 7 . 5 9 9 3 . 6 8 1 0 0 9 2 . 8 6 8 2 . 5 8 9 2 . 6 0 1 0 0 9 1 . 3 5 9 3 . 2 0 0 . 9 2 2 1 不同分类特性 t m 1 - 5 、 7 1 0 0 1 0 0 9 4 . 7 8 1 0 0 9 9 . 3 5 8 2 . 7 8 9 2 . 9 4 1 0 0 9 1 . 1 4 9 3 . 9 2 0 . 9 3 0 4 城市 tm 遥感图像分类方法研究 50 5 5 小结 本章主要介绍应用最大似然方法、决策树方法和 b p神经网络方法对研究区进行分类 实验，详细介绍每种分类方法的实现过程，并综合了对分类结果图的分析和利用混淆矩阵 和 k a p p a 系数计算结果对分类结果进行精度评价。通过本次实验，我们发现三种不同的方 法总体精度的计算结果较高，但是从某种实际应用中，可能达不到需要的要求，比如要想 很好地统计低层建筑地和高层建筑地的面积大小，那么误差就较大，特别是在城区中出现 较多的误分为水体或阴影的像元。今后研究的方向将着重解决此类问题。三种不同的方法 各有优缺点，从总体上看，本次实验得出 b p神经网络分类方法得到的分类精度较低，没 有最大似然方法和决策树分类效果好。 城市 tm 遥感图像分类方法研究 51 第六章 总结与展望 遥感图像的计算机分类是遥感应用的一个重要组成部分。其实质是通过计算机对遥感 图像像元进行数值处理，达到自动识别地物的目的。近年来，随着遥感理论技术发展，遥 感数字图像分类处理方法和手段越来越多。 本文把握遥感数字图像分类的整个过程，对分类过程中的主要环节样本的确定、 分类特征的选择与提取、分类实现与分类精度评价等进行分析研究，主要讨论了最大似然 法、决策树、b p 神经网络分类方法在遥感图像分类中的具体应用。具体作了以下几个方面 的研究工作： 1 ）对近年来国内外对遥感图像分类方法的研究成果和最新进展进行搜集、整理和总 结。 2 ）总结介绍了遥感图像分类技术的基本理论和具体过程。详细介绍了在本文分类实 现中所需的样本的选取方法、分类特征的分析与选取、分类器设计与不同分类方法的实现。 3 ）具体分析了三种分类方法的对于本研究区的分类实验结果，并且综合分类结果图 像的分析和利用混淆矩阵和 k a p p a 系数的统计计算对分类结果进行了详细的精度评价。在 使用相同样本的条件下得出：b p 神经网络分类方法分类精度较低，没有最大似然法和决策 树分类效果好。 4 ）初步探讨小波变换应用在 t m 遥感图像进行纹理特征提取实验研究。 由于遥感图像分类的研究涉及到众多的科学研究领域，内容繁多，同时也由于时间和 研究水平的限制，使得论文存在一些不完善之处，还有许多问题有待进一步研究: 1 ）在样本的确定上，由于缺乏足够的参考信息和足够多的实地调查信息，参考的高 分辨率影像与所研究区的影像不是一个时间段的，加上目视解译的判断，因而对研究区地 物类型判断上出现偏差，进而影响分类样本。 2 ）分类中使用分类特征只是基于光谱特征，过于单一，有待进一步研究。 3 ）对于决策树分类没有显示出更好的效果，主要是因为决策规则是通过人工选择确 定，不是很合理，缺乏自动选择特征及优化决策树的措施 7 1 。 4 ）由于 b p 神经网络也存在一定的局限性，本次分类使用 b p 神经网络方法效果最差， 有待进一步分析研究。 5 ）对于实验中的程序开发，使用了 e n v i和 m a t l a b不同的软件。对于不同软件的局 限性，程序应用起来不是很方便。 鉴于以上几个方面不足，今后可以继续进行以下几个方面的研究工作：1 ）对于分类 特征的选择除了考虑光谱特征外，还可进一步研究其他特征如地物的几何形状、纹理特征， 以及非光谱特征等，并对所有特征综合选择。2 ）进一步对决策树分类进行研究，决策规 则的确定可以自动选择特征并增加一些优化措施。3 ）进一步研究 b p 神经网络分类在本次 实验中的分类效果，还可以研究其它一些神经网络模型在遥感图像分类中应用。4 ）程序 的开发上，可以利用 i d l 的开发功能，将 m a t l a b 中的程序移植到 e n v i 软件中。 城市 tm 遥感图像分类方法研究 52 随着遥感技术不断发展，遥感图像分类应用要求不断提高，遥感图像分类方法也在不 断发展，各种分类新方法新工具不断引入分类系统中，但是各种方法各有其优缺点和使用 条件。因此需要对这些方法不断的深入研究，以期待着对遥感图像分类方法有新的突破。 城市 tm 遥感图像分类方法研究 53 参考文献 1 梅安新.遥感导论m.北京:高等教育出版社,2001,1- 3. 2 朱述龙,张古睦.遥感图像获取与分析m.北京:科学出版社,2000. 3 赵英时.遥感应用分析原理与方法m.北京:科学出版社,2005. 4 孙家柄,舒宁,关泽群.遥感原理、方法和应用m,北京:测绘出版社,1997. 5 周成虎,骆剑承,杨晓梅等.遥感影像地学理解与分析m.科学出版社，1999 6 曾志远.卫星遥感图像计算机分类与地学应用研究m.北京:科学出版社，2004. 7 张银辉,赵庚星.土地利用/土地覆盖遥感分类方法的研究综述j.2002,23(3),21- 25. 8 陈宁强,戴锦芳.人机交互式土地资源遥感解译方法研究j,遥感技术与应用,1998, 13 (2): 15- 20 9 张松岭,杨邦杰,王飞,等.基于gis的耕地遥感监测人机交互式图像解译系统j,农业工程 学报, 1999,15(2):185- 188. 10 杜凤兰,田庆久,夏学齐.遥感图像分类方法评析与展望j.遥感技术与应用.2004,19 (6) :521- 525. 11 wilkinson g g.a review of current issues in the integration of gis and remote sensingdataj.geographical information systems.1996,10(1):85- 101 12 inzana j,kusky t,higgs g,tucker r.supervised classifications of landsat tm band ratioimages and landsat tm band ratio image with radar for geological interpretations ofcentral madagascarj.journal of african earth sciences, 2003,37(l- 2)：59- 72 13 骆剑承,王钦敏,马江洪,周成虎,梁怡.遥感图像最大似然分类方法的 em 改进算法j. 测绘学报. 2002,31(3):234- 239 14 徐丽华,岳文泽,李先华,梅安新,章皖秋.基于二维小波变换的遥感分类研究j.遥感技术 与应用, 2003,18(5):317- 321 15 foschi p g, smith d k. detecting sub- pixel woody vegetation in digital imagery using twoartificial intelligence approachesj.photogrammetric engineering & remote sensing.1997, 63 (5):493- 500 16 骆剑承,周成虎,杨艳.具有部分监督的遥感影像模糊聚类方法研究及应用j.遥感技术 与应用,1999,14(4):37- 43 17 friedl m a,brodeley c e.decision tree classification of land cover from remotely senseddata j.remote sense environ,1997,(61):399- 409 18 李爽,张二勋.基于决策树的遥感影像分类方法研究j.地域研究与开发, 2003, 22 (1): 17 21 19 董广军,范永弘,罗睿.基于粗糙集理论的遥感影像分类研究j.计算机工程与应用. 2003, 13 :103- 105 20 mural h，omatu sremote sensing image analysis using a neural network and 城市 tm 遥感图像分类方法研究 54 knowledge- based processing jremote sensing1997，18(4)：811- 828 21 李厚强,王宜主,刘政凯.一种适用于多类别遥感图像分类的新方法- - - - 复合神经网络分 类方法j遥感学报1997，1(4)：257- 261 22 张友水,冯学智,阮仁宗,麻土华.kohonen 神经网络在遥感影像分类中的应用研究j.遥 感学报,2004,8(2)：178- 184 23 李朝峰.神经网络和知识推理结合的卫星影像分层提取方法研究j.测绘学报.2003, 32(2):148152. 24 李霆,陈学佺等.基于遗传聚类算法和小波变换特征的自动分类研究j.计算机工 程.2003,29（2）：153154. 25 马建文,李启青,哈斯巴干等.遥感数据智能处理方法与程序设计m.北京:科学出版社， 2005. 26 赵英时.遥感应用分析原理与方法m北京：科学出版社，2005. 27 杨凯等.遥感图像处理原理与方法m.北京：测绘出版社.1988. 28 梅安新,彭望禄,秦其明,等.遥感导论m北京：高等教育出版社，2001 29 周成虎,等.遥感图像地学理解与分析m北京:科学出版社，2001. 30 边肇棋,张学工模式识别m ，北京：清华大学出版社，2000. 31 骆剑承,周成虎,杨艳.基于径向基函数(rbf)映射理论的遥感影像分类模型研究j.中国 图象图形学报,2000,5(2): 94- 99. 32 刘建平,赵英时,孙淑玲,高光谱遥感数据最佳波选择方法试验研究， 遥感技术与应用j， 2001(16):7- 13 33 朱述龙.快速近似主成分分析算法j.遥感学报,1999,3: 43- 47. 34 杨存建,周成虎.tm 影像的居民地信息提取方法研究j.遥感学报,2000,4:146- 150. 35 黄昕,张良培,李翠琳.基于小波的影像纹理特征提取试验j.测绘信息与工程,2005, 30 (6): 7- 9. 36 朱小鸽.多重主成分分析及在地质构造信息提取中的应用j.遥感学报,2000,4:299- 303. 37 毛建旭,王耀南.基于神经网络的遥感图像分类j.测控技术,2001,20(5):29- 32 38 骆剑承,周成虎,杨艳.人工神经网络遥感影像分类模型及其与知识集成方法研究j.遥 感学报,2001,5(2):122- 129. 39 李朝峰.基于知识发现和决策规则的遥感影像城区土地覆盖/利用分类方法j.计算机 工程与应用,2004,23(1):212- 215 40 李爽,丁圣彦,钱乐祥.决策树分类方法及其在土地覆盖分类中的应用j.遥感技术与应 用,2002,17(1):6- 11. 41 吴健平,杨星卫.遥感数据分类结果的精度分析j.遥感技术与应用.1995,10(1):17- 24. 42 rasim latifovic, ian olthof. accuracy assessment using sub- pixel error matrices of globalland cover products derived from satellite dataj. remote sensing of environment, 2004, 城市 tm 遥感图像分类方法研究 55 90:l53- 165. 43 肖鹏峰,刘顺喜,冯学智等.中分辨率遥感图像土地利用与覆被分类的方法及精度评价. 国土资源遥感.2004,62(4):41- 45. 44 冉有华,李文君,陈贤章.tm 图像土地利用分类精度验证与评估 以定西县为例j. 遥感技术与应用.2003.18(2):8l- 86. 45 章孝灿，黄智才，赵元洪.遥感数字图像处理m.杭州:浙江大学出版社，1997,187- 90. 46 濮静娟等.遥感图像目视解译原理与方法m.中国科学技术出版社.1990. 47 m .lillesand , ralph w .kiefer .遥感与图像解译（彭望碌,余先川,译者） m， 第 4 版北 京：电子工业出版社，2003. 48 xu lihua. remote sensing images classification based on primary component analysis and fuzzy neural network, geoscience and remote sensing symposium, 2005. igarss05. proceedings. 2005 ieee international. volume 2, 25- 29 july 2005 page(s): 1460- 1462. 49 北京星图环宇科技有限公司,首都师范大学资源环境与旅游学院,等.envi 遥感图像处 理实用手册.北京,内部培训资料,2005. 50 崔林丽.遥感图像解译特征综合分析与评价.中国科学院研究生院博士论文. 2005. 51 manusel p w,kramber j w.optimum band seletion for surperised classification of multispectral dataj. photogrametric engineering & remote sensing, 1990,56:55- 60. 52 陆灯盛,游先祥,崔赛华.tm 图像的信息分析及特征信息提取的研究j.环境遥感.1991, 6 (4) 282- 292. 53 孙华等.spot5 影像统计分析及最佳组合波段选择j.遥感信息，2006,4. 54 查勇.杨山等.一种利用 tm 图像自动提取城镇用地信息的有效方法j.遥感学报, 2003, 7 (1):37- 40. 55 rouse j w,haas r h,shell j a et al.monitoring vegetation system in the great plains with ertsj.third erts symposium,1973,nasa sf- 351,1:309- 317. 56 huete a r.a soil- adjusted vegetation indexj.remote sensing of envionment, 1998, 25:295- 309. 57 赵英时.遥感应用分析原理与方法m.北京:科学出版社,2005. 58 朱长青,杨晓梅.具有更佳分辨率小波分解的遥感影像纹理分类j.地理研究,1997,16(1): 54- 59. 59 徐丽华,岳文泽,李先华,梅安新,章皖秋.基于二维小波变换的遥感分