遥感图像分类方法综述.doc

《遥感图像分类方法综述.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、遥感图像分类方法综述刘佳馨摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。关键词：遥感图像；图像分类；分类方法1引言遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等

2、多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。2遥感图像分类基本原理遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示

3、出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。3遥感图像传统分类方法遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervisedcl

4、assification）和非监督分类(UnsupervisedClassification)。3.1监督分类（supervisedclassification）监督分类（supervisedclassification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练样区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练样区具有典型性和代表性。判别准则若满足分类精度要求，则此准则成

5、立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：最大似然比分类(maximumlikelihoodclassification)，最小距离分类(minimumdistanceclassification)。3.2非监督分类(UnsupervisedClassification)非监督分类(UnsupervisedClassification)是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法

6、。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：迭代自组织分类(IterativeSelf-OrganizingDateAnalysisTechniquesA),K-均值聚类分类(K-MeanClassification)。4遥感图像近代分类方法4.1神经元网络分类法神经网络属于非参数分类器。神经元网络分类法是一种通过模拟人

7、脑神经元对信息进行加工、处理、储存和搜索的过程。由于神经元网络分类方法不需要进行任何关于统计分布的先验知识，因此与传统方法相比，在用于遥感图像分类时，不必考虑一像元统计分布特征。另外，神经元网络分类法还可以广泛的应用于多源遥感数据分类。神经元网络分类法的特点包括以下几个方面：在存储信息时采用分布式存储，并且可以并行对信息的处理和推理的过程，对信息的处理还具有自学习、自组织等特点。4.2模糊聚类分类法模糊分类，是近年来采用一种模糊数学的方法，对不确定性事物进行分析。但由于对模糊分类的研究实例较少，各国学者对于遥感

8、分类模糊处理的成果数量不多，还有一系列相关的问题等待研究人员进行进一步的探讨，但在已发布的成果中可以看出，利用模糊数学方法进行遥感图像处理是完全可能的，并且是十分必要的。参考模糊聚类分类法对遥感图像分类处理的有效性，此方法具有广阔的应用前景。4.3决策树分类法决策树分类法利用树结构原则，定义决策树的各个分支，由下而上，根据各个类别的相似程度，逐级向上聚类的过程。在数据结构以节点代表子集