遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展

和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。关键词：遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面：1.多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。2.微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要巨大的。个领域的发展都离不开计算的支持，将计算机技术引入遥感也是遥感技术发展的必然趋势。遥感图像分类是利用计算机通过对遥感数据的光谱信息和空间信息进行分析、特征选择，并按照某种规则或算法将图像中每个像元划分为不同的类别。在遥感分类中，有两种分类方法：第一种是象元光谱分类法，即只利用象元的光谱特征对各象元进行分类。这样分分类方法是现阶段比较简单的分类方法，也是计算集机分类中用的比较多的一种。这种方法实现比较简单，但是由于仅仅只运用了遥感图像的象元光谱特征这一种性质，而遥感图像中反应的其他大量的信息都被忽略，所以分类的精度不是很好，应用前景不是很广泛。第二种是面向对象分类法。这种分类方法不仅是考虑到象元的光谱特性，而且同时也考虑到象元的空间关系，使得计算机在分类的时候能够收集到更多的信息。面相对象分类法在今年发展很快，出现了很多新的方法，例如：神经网络法、支持向量机SVM分类法、专家分类法。同时，为了是分类精度提高，还引进了小波分析思想、分区分类思想等。三、遥感图像分类原理通常我们所指的遥感图像是指卫星探测到的地物亮度特征,它们构成了光谱空间。每种地物有其固有的光谱特征,它们位于光谱空间中的某一点。但由于干扰的存在,环境条件的不同,例如:阴影,地形上的变化,扫描仪视角,干湿条件,不同时间拍摄及测量误差等,使得测得的每类物质的光谱特征不尽相同,同一类物质的各个样本在光谱空间是围绕某一点呈概率分布,而不是集中到一点,但这仍使我们可以划分边界来区分各类。因此,我们就要对图像进行分类。图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数,将特征空间划分为不相重叠的子空间,进而把影像内诸像元划分到各子间去,从而实现分类。分类方法可以分为统计决策法(判别理论识别法)模式识别和句法模式识别。统计决策法模式识别指的是:对研究对象进行大量的统计分析,抽出反映模式的本质特点、特征而进行识别。主要的有监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇准则法和非监督分类中的按批修改的逐步聚类法、等混合距离法。此外还可以将两者结合起来,互相补充以获得较好的效果。句法模式识别则需要了解图像结构信息,从而对其进行分类。四、传统统计的遥感分类方法先从传统的遥感分类方面说起，该分类方法是目前运用较多，算法比较成熟的方法。分为监督分类和非监督分类，他们的原理都是根据图像象元的光谱特征的相似度来进行的分类。监督分类用于用户对分类区比较熟悉，由用户自己控制，非监督分类则是将象元相似度大小进行归类合并。但是未充分利用遥感图像提供的多种信息，只考虑多光谱特征，没有利用到地物空间关系、空间位置形状、纹理等方面的信息。1、监督分类监督分类可根据应用目标和区域，有选择地决定分类类别，可控制样本的选择，避免了非监督分类中对光谱集群组的重新归类。但个人认为其人为主观因素较强，操作者所选择的训练样本有可能不是很典型并且有可能不能反映图像的真实情况，所以图像中同一类别的光谱差异和人为因素，有可能造成样本没有代表性，并且训练样本的选取和评估需要花费较多的人力和时间。2、非监督分类非监督分类过程不需要任何的先验知识，仅凭遥感影像地物光谱特征的分布规律，随其自然地进行分类。但是看文献时看到，非监督分类还有一个前提，那就是：假定遥感影像上同类地物在同样条件下具有相同的光谱信息特征。如果产生的光谱万一不一定对应于操作者想要的类别，且操作者较难对产生的类别进行控制，比如图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱无法保持其连续性，从而使不同图像之间的对比变得困难。五、分类新方法研究进展无论是监督分类还是非监督分类，都是依据地物的光谱特性的点独立原则来进行分类的，且都是采用的统计方法。该方法只是根据各波段灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元很多是混合像元，带有混合光谱信息的特点，致使计算机分类面临着诸多模糊对象，不能确定其究竟属于哪一类地物。而且，同物异谱和异物同谱的现象普遍存在，也会导致误分、漏分情况的出现，因此人们不断尝试新方法来加以改善和提高遥感图像分类的效率和质量。这些新方法主要有决策树分类法、综合阈值法、专家系统分类法、多特征融合法、神经网络分类法以及基于频谱特征的分类法等。近年来的研究大多将传统方法与新方法加以结合。即在非监督分类和监督分类的基础上，运用新方法来改进，减少错分和漏分情况，对遥感图像的分类精度有了一定程度的增强。六、发展前景与趋势1、更加自动化和智能化。目前遥感图像分类趋向于把知识理解和统计相结合，今后还将向自动化、智能化方向发展。神经网络法的发展和广泛应用显示了自动化、智能化是一个很重要的发展趋势，因为它可以模拟人脑，吸取前期分类的经验，对于后期的分类作调整，进一步提高分类精度。2、更加自动化和智能化。目前遥感图像趋向于把知识理解和统计相结合，今后还将向自动化、智能化方向发展。3、模糊分类与神经网络、基于知识的专家系统分类的结合也是一个发展方向。4、纯像元提取方法将进一步解决混合像元问题。如何提高分类结果的精度，一直是遥感图像分类所关注的热点问题，如果分类的精度达到90%以上，结果就比较理想了。但由于地面本身的复杂性，地物类型的多样性，使得遥感图像上存在着同物异谱、同谱异物的现象，这时候就要多分析，多实验，例如把地物光谱分的更加细致，多利用地物的其他有效的特征。5、从单一分类方法向复合分类方法发展。单一分类方法往往不能对所有类别进行有效识别,复合分类方法通过不同分类方法的组合,可实现优势互补,显著提高分类的数目和精度。6、从传统分类向智能分类方向发展。以人工神经网络、专家系统等为代表的智能分类方法能够模拟人脑的结构和功能,组合各种带有因果关系的知识进行推理并得出结论,实现智能化的分类。如何实现人工神经网络和专家系统的有机结合将成为今后研究的热点问题。参考文献：1、刘钦