土地利用_土地覆盖遥感分类方法的研究综述
第23卷,第3期
中国农业资源与区划Vol 123,No 13,pp21-25 2002年6月 Journal of China Ag ricultural Resour ces and Regional Planning June,2002 #技术方法#
土地利用/土地覆盖遥感分类方法的研究综述
张银辉,赵庚星
(山东农业大学资源与环境学院,泰安 271018)
摘 要 分类方法在土地利用/土地覆盖变化研究中占有重要的地位。基于遥感技术的土地利用/土地覆盖
分类首先涉及图像类型、时相的选择和图像预处理工作,概述了近十多年以来所使用的常规土地利用/土地
覆盖遥感分类方法及发展的一些新型分类器。
关键词 土地利用/土地覆盖 遥感技术 分类方法 人工智能
收稿日期:2001-03-05 张银辉为硕士研究生 赵庚星为教授
为有效保护和合理开发利用土地资源,必须首先有效地把握真实、准确和实时的土地利用现状数据,同时进行不同时期土地利用类型转换的监测亦变得越来越重要。采用遥感技术监测土地资源利用状况是一条行之有效的方法。不仅要获得土地利用变化信息,而且要获得变化的类型,其实质是获得不同监测时间的土地利用/土地覆盖分类信息。
一、图像预处理
(一)图像类型和时相的选择
一般来说,用于全球变化研究的土地利用与土地覆盖的遥感,大区域范围研究一般采用低分辨率的大尺度图像(如:NOAA/AVHRR 1km 数据),而局部区域的土地利用调查一般采用高精度高分辨率的M SS 图像、TM 图像、SPOT 图像或它们之间的结合等。因此,选择图像类型时,应考虑到研究区域的大小、研究的目的、意义等,以达到要求的精度,并避免造成不必要的浪费。
不同时相遥感图像的选择对分类精度具有很大的影响,因为植物物种、长势及生长阶段等不同而在遥感图像上有不同的光谱表现形式
[1]。在这一方面,已有学者做过专门阐述[2,3]。另一方面,在农作物分类中应用物候历,对提高分类精度有重要保证作用。(二)图像处理
图像处理包括图像预处理和图像增强。图像预处理主要涉及到图像的辐射恢复、几何校正、图像匹配和镶嵌及不同传感器或不同时相之间的图像配准等工作。图像增强方法有多种,如直方图修改技术、比值增强、线性组合、滤波处理及主成分分析等。土地利用/土地覆盖分类中应根据区域特点,图像纹理特征等选择相应的增强方法,以突出各类地物,使之层次分明。近年来,有关专家对增强方法进行了许多新的研究:如波段的彩色合成增强处理[4,5]、彩色变换[6,7]和各类信息的融合增强处理[8,9]等。
二、目视解译分类方法
目视解译就是根据样本的影像特征和空间特征(形状、大小、阴影、纹理、图型、位置和布局),与多种非遥感信息资料相结合,运用生物地学等相关规律,采用对照分析的方法,进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理[10]。
目视解译分类方法的应用主要有两种形式:一是通过航片、卫片或多种遥感图像资料的结合,进行人工判读之后,手工编汇土地利用图或数字化处理,由此得到土地利用分类信息。这种形式从开始采用遥感手段
22中国农业资源与区划2002年
进行土地利用调查,一直到现在,仍然被广泛使用着。如早期的/-三北.防护林遥感综合调查(1986~1991年)0[11]及原国家土地局主持的/全国土地利用现状调查0的前期工作等[12],近期的长江三角洲地区耕地变化遥感调查中,俞纯绅、张妙玲等以1:10万TM卫星影像图为基本信息源,采用了目视解译与野外调查相结合的方法进行。第二种形式主要是随着计算机技术和遥感图像处理技术的发展而形成的人机交互式目视解译方法。它通过遥感图像处理软件可对图像进行任意的放大、缩小,在对遥感图像进行各种增强处理,达到最佳目视判读效果之后,判读人员可根据影像中各地类的屏幕解译标志,直接用鼠标沿影像特征边缘准确地勾绘出地类界线。陈宁强、戴锦芳两人运用Corel DRAW!6软件对人机交互式土地资源遥感解译的条件、过程及主要特点做了探索性研究。张松岭、杨邦杰等人提出了基于GIS的耕地遥感监测人机交互式图像解译系统[13]。两项研究都证明人机交互式方法可充分发挥人与计算机的优势,并可实现解译、成图一次性完成,与传统遥感土地利用制图相比,大大减少了人力的浪费。
三、计算机自动分类
(一)非监督分类
所谓/非监督0,是仅凭遥感图像地物的光谱特征的分布规律,随其自然地进行分类。其分类的结果,只是对不同类别达到了区分,但(在联机过程中)并不确定类别的属性;其类属是通过事后对各类的光谱响应曲线进行分析,以及与实地调查时间相比较后确定的。非监督分类中,主要算法有混合距离法(ISOM IX)、循环集群法(ISODATA)和合成序列积群方法等。
尽管非监督分类较少受人为因素的影响,不需要对地面有许多实际的了解,但由于/同谱异质0、/同质异谱0以及混合像元等现象的存在,许多专家认为非监督分类的结果不如监督分类令人满意,非监督分类不适用于对山区耕地的精确分类,只适用于图像中的类已知且特别规则和做大概的分类。如Jose A.在进行土地覆盖/土地利用制图时,先采用非监督分类大体确定类别,然后再进行细致分类[14]。而Hegarat-Mascle S.Le et al在利用多时相的ERS图像和雷达数据识别土地覆盖类型时,则强调了非监督分类的优势[15]。Thomas
H.C.et al则提出了一种多时相比值数据非监督分类法,并强调了该法不仅简单易行,而且精度高[16]。
(二)监督分类
监督分类又称训练区分类,它的最基本特点是在分类之前人们通过实地的抽样调查,配合人工目视判读,对遥感图像上某些抽样区中影像地物的类别属性已有了先验的知识,计算机便按照这些已知类别的特征去/训练0判决函数,以此完成对整个图像的分类。经典的监督分类法有最大似然法、平行六面体法、Maha-l anobis距离法和最小距离法等。
与非监督分类相比,监督分类有一定的优势,但其所产生的分类结果往往也有较多的错分、漏分情况,导致分类精度降低。因此,在提取土地利用信息时,为了提高监督分类精度,总会在图像分类前或分类过程中采取一些措施。图像分类前采取的措施主要是针对训练区的,因为监督分类的精度与训练区的选择是密切相关的。吴健平和杨星卫两人提出了训练样本纯化的理论和方法,并经试验研究表明,训练样本纯化后,各类型间的发散度、样本像元的概率密度函数、高斯分布的拟合度以及分类结果的精度都得到不同程度的提高。Baban S.M.J.和Luker C.两人通过问卷调查选择训练区,在保证训练区选择无误的基础上,提高了分类精度[17]。有的学者还针对传统的手工训练区提取方法的局限性,提出了训练区自动[18]或半自动[19]提取方法,有的则研究了组成训练集的样本之间的距离对分类精度的影响[20]。基于分类过程中的/同质异谱0、/同谱异质0现象,许多专家提出了改善方法。在对青岛市的数据进行监督分类时,平宗良对/同质异谱0现象使用了分别采样的方法,从而得到了令人满意的结果。潘贤章、曾志远在处理长江三峡地区资源遥感图像时,提出了/同质异谱0问题可采用类型细分的方法来解决,/同谱异质0带来的错分类,可引进地理控制系统对其校正,从而提高成图精度[21]。莫源富、周立新在利用TM数据监测土地利用动态变化时,提出并采用了
分区分类方法,认为该法可避免大量混分、错分现象。除了上述光谱分类算法自身的改进之外,人们还采取一些辅助的处理措施,以设法改善分类效果,如上分析法、辅以纹理特征的光谱特征分类法。此外,人们还致力于研究各种辅助数据在遥感影像计算机分类中的应用。辅助数据的来源较为广泛,除地形图、航片判读草图、土壤图、植被图、地质图等各种图件资料外,还包括有关的地面实测数据和统计资料等,如杨凯和陈军两人着重介绍了配合有太阳入射角数据、辐射校正分类法和按高程分层分类法等三种方法[22]。
四、遥感图像计算机分类新方法
常规的遥感统计分类方法主要是根据地物光谱的反射特征,基于单个像元进行操作,但由于遥感数据一般带有综合光谱信息的特点(即一个像元有时是地面各类地物光谱的总和),致使计算机分类面临着诸多模糊对象,导致精度降低。为此,人们不断研究尝试新的分类方法。
(一)多时相、多源遥感数据复合分类方法
充分利用遥感数据多平台、多传感器、多波段、多分辨率、多时相等众多优势,可使各种遥感数据相互补充,提高地物识别率。多源数据复合已被证明是提高遥感分类精度的有效途径,而且它是解决充分利用已有遥感信息资源的有效手段。如Fuller et al 制作英国土地利用图时,使用了冬夏两个时相的数据和最大似然法分类,从而提高了分类精度[23]。Curtis k.M unechika 等人提出在多光谱数据与高空间分辨率数据融合时,
若保证光谱辐射的整体性,可提高分类精度
[24]。近10年来,对雷达和光学数据、多光谱和高空间分辨率数据的融合用于土地利用/土地覆盖的研究逐渐增多,如SAR 和MSS 图像、SAR 和TM 图像、TM 和SPOT 数
据、SPOT 全色与其多光谱数据的融合等。
(二)GIS 支持下的遥感分类方法遥感和GIS 的研究对象都是自然界中的空间实体,GIS 作为空间数据处理和分析的有效工具,可为遥感应用提供良好环境,使得遥感图像在GIS 支持下可得到较高的分类精度。Paul M.et al 研究了在GIS 支持下对SPOT 分类结果作矩阵叠加分析,以使分类图像与土地利用分区信息结合起来,精度提高到78%[25]。Paul V.Bolstad 利用土壤质地、地形等空间专题信息,提高了TM 数据的土地利用分类精度[26]。刘行华在利用T M 数据进行分类及辅助制图研究时,指出GIS 辅助分类,不仅能提高分类精度,而且能提高可靠性。黎夏在他的研究中也提出了利用GIS 技术来提取形状信息和改善分类精度的新方法,从而使一些容易混淆的分类得到纠正[27]。
(三)人工神经网络分类方法
人工神经网络,是以模拟人体神经系统的结构和功能为基础而建立的一种信息处理系统,是一种人工智能。它的研究已有近35年的历史。目前这种技术在遥感图像分类处理中应用的较为广泛和深入,从单一的BP(Back Propagation,反向传播)网络发展到模糊神经网络、多层感知机、学习向量分层)2网络、Kohonen 自组织特征分类器、Hybrid 学习向量分层网络等多种分类器。除了神经网络自身分类器的改进之外,专家们还研究了神经网络与其它处理技术相结合的方法,以更好地提高分类精度,如章杨清和刘政凯两人在使用神经网络方法的同时,引入分维向量来强化输入模式在纹理特征上的信息表达,使总体识别精度更上一层楼[28];熊桢等人将神经网络技术与分层处理技术相结合提出并设计了分层神经网络分类方法[29]。许多研究实验表明,神经网络在数据处理速度和地物分类精度上均优于最大似然分类法的处理速度和分类精度,容错能力强,对不规则分布的复杂数据具有很强的处理能力,而且它能够促进目视解译与计算机自动分类的相结合。
(四)专家系统分类方法专家系统也是人工智能的一个分支,它是采用人工智能语言如:C 、LESP 、PROLOG 语言,将某一领域的23
第3期 张银辉等:土地利用/土地覆盖遥感分类方法的研究综述
24中国农业资源与区划2002年
专家分析方法或经验,对地物的多种属性进行分析、判断,从而确定各地物的归属。匡霞等人对待分类图像首先利用现有的统计分类技术进行预分类,并检测出/不确定0像元,然后综合光谱、地理、土壤类型、早期判别结果、目视判读经验等各种知识和信息,充分发挥专家系统的推理判断能力,对/不确定0像元的类别作进一步判别,使得整幅图像的分类精度得到改善[30]。在利用DTM和TM数据进行林区分类时,Andrew k. Skidmore的实验证明由专家系统分类器得到的结果要比常规分类法的精度高[31]。专家系统方法由于总结了某一领域内专家分析方法,可容纳更多信息按某种可信度进行不确定性推理,因而具有较强大的功能。
(五)模糊数学分类方法
模糊数学分类方法是一种针对不确定性事物的分析方法,它是以模糊集合论作为基础。Wang在研究遥感图像分类方法时,给出了模糊分类方法的详细步骤,其中主要包括地理信息的模糊集表达、模糊参数的估计和光谱空间的模糊划分等[32]。在运用黄土丘陵区数字地貌模型对影像的分层分类结果进行修正和细化时,张兵引入了模糊数学理论,分别建立起地貌、植被与土地利用之间的从属度关系[33]。尤淑撑等人将模糊分类技术用于多时相的Scan SAR的作物识别中,认为比传统的最大似然分类法有较高的识别精度[34]。使用模糊分类方法,必须首先确定训练样本中像元各类别的隶属度,过程比较麻烦,因而研究不多,也影响了该方法的推广应用。
四、小结
遥感分类方法和如何提高遥感数据计算机自动分类的精度一直是遥感技术研究的重要领域。人工目视解译可充分利用判读人员的知识,灵活性好,擅长提取空间相关信息,但花费时间较多,并存在个人差异;机助自动分类处理时间短,可重复性好,但由于较难以利用人的知识和不擅长提取空间相关信息[35],易造成错分、漏分。因此许多专家指出,两者结合会有利于提高分类精度。不但如此,Cihlar J.等人还指出,时至今日,目视解译仍是成功的分类方法[36]。新的分类方法的涌现,主要目的也是为了提高分类精度,但有些方法因为程序复杂、难以操作,因而未得到推广应用。因此,在目前的遥感技术水平条件下,应综合利用现有各种多时相、多源遥感数据,在GIS支持下,充分发挥人工智能优势,提高遥感数据分类精度。
参考文献
1Grandell J.et al.Subpixel land use clas sification and retrieval of forest s tem volume in th e boreal forest zone by em ploying SS M P I data.Remote sensing of Environment.1998,63:140~154
2John R.et al.Remote S ensing Inland Wetland:A M ulti spectral Approach.Photogrammetri c Engineering and Remote Sensing,1986,52(1):87~ 100
3Dale P.E.R.et al.Seasonal Consistency of S alt-M arsh Vegetation Classes Classifi ed from Large-Scale Color Infrared Aerial Photographs.
PE&RS,1986,52(2):243~250
4戴昌达,雷莉萍.TM图像的光谱信息特征与最佳波段组合,环境遥感,1989,4(4):282~292
5M ausel P.W.et al.Optimum Band Selection for Supervised Classi fication of M ultispectral Data.PE&RS,1990,56(1):50~60
6李旭文.主成分变换和彩色变换在T M图像信息提取中的应用)))以苏州市为例,环境遥感,1992,7(4):251~260
7孙丹峰,周光源,杨冀红.变化信息监测的时域HIS变换,国土资源遥感,2000,(3):53~56
8贾永红,李德仁.四种HIS变换用于SAR与TM影像复合的比较,遥感学报,1998,2(2):103~106
9李军,周月琴,李德仁.影像局部直方图匹配滤波技术用于遥感影像数据融合,测绘学报,1999,28(3):226~231
10陈宁强.戴锦芳.人机交互式土地资源遥感解译方法研究,遥感技术与应用,1998,13(2):15~20
11林培,张玮.中国农业遥感发展的回顾与展望[M].见:徐冠华主编.遥感在中国,北京:测绘出版社,1996,57~62
12陈述彭.地学的探索)遥感应用[M].北京:科学出版社,1990
13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
14Jose A.M artinpz-Cas asnovas.A Cartographic and Database Approach for Land Cover P Use M appi ng an d Generalizati on from Remotely Sensed Data.Int.J.Remote Sensing,2000,21(9):1825~1842
15 S.Le Hegarat -M ascle,A.Puesney,et https://www.360docs.net/doc/1313272881.html,nd Cover Discriminati on from M ultitemporal ERS Images and M ultispectral Landsat Images:a Study
Case in Agricultural Area in France.Int.J.Remote sensing,2000,21(3):435~456
16 T homas H.C.Lo.et https://www.360docs.net/doc/1313272881.html,e of M ultitemporal S pectral Profiles in Agri cultural Land -Cover Classification.PE&RS,1986,52(4):535~544 17 Baban S.M.J.M appi ng Agricultural Land U si ng Retrospective Ground Referenced Data,Satellite S ensor Imagery and GIS.Int.J.Remote Sens -
ing,2000,21(8):1757~1762
18 Steven D.et al.An Automated,Objective Procedure for Selecting Representative Field Sample Sites.PE&RS ,1990,56(3):333~335
19 M artin P.et al.Sem-i automated T raining Field Extraction and Analysis for Efficient Di gital Image Classification.PE&RS,1989,55(9):1347~
1355
20 Labovitz M.L.Is sues Arising from S ampling Designs and Band Selecti on in Discriminating Ground Reference Attributes Using Remotely Sensed
Data.PE&RS ,1986,52(2):201~211
21 潘贤章,曾志远.长江三峡地区资源遥感图像处理中的几个技术难题,环境遥感,1994,9(3):209~214.
22 杨凯,陈军.辅助数据在遥感影像计算机分类中的应用,环境遥感,1986,1(3):213~220
23 Fuller R M et al.T he Land Cover M ap of Great Britai n :An Automated Classificati on of Landsat Thematic M apper Data.Photogramm etric Eng-i
neering and Remote S ensing,1994,60(5):553~562
24 Curtis K.et al.Resolution Enhancement of M ultispectral Image Data to Improve Classi fication Accuracy.Photogrammetric Engineering an d Re -
mote Sensing,1993,59(1):67~72
25 Paul M.et al.Application of Satellite and GIS T echnologies for Land -Cover and Lan d -Use M apping at the Rura -l U rban Fringe:A Case Study.
Photogrammetric Engineering and Remote Sensing,1992,58(4):439~448
26 Paul V.Bols tad.Rule -Based Classificati on M odel s:Flexi ble Integration of S atellite Imagery and Thematic S patial Data.Photogrammetric Eng-i
neeri ng and Remote S ensing,1992,57(2):965~971
27 黎夏.形状信息的提取与计算机自动分类,环境遥感,1995,10(4):279~287
28 章杨清,刘政凯.利用分维向量改进神经网络在遥感模式识别中的分类精度,环境遥感,1994,9(1):68~72
29 熊桢,郑兰芬,童庆禧.分层神经网络分类算法.测绘学报,2000,29(3):229~234
30 匡霞,陈贻运,戴昌达.专家系统在TM 图像分类中的应用,环境遥感,1989,4(4):257~265
31 Andrew K.Skidmore.An Expert System Classifies Eucalipt Forest Types U si ng Thematic M apper Data and a Digi tal Terrain M odel.PE&RS ,
1989,55(10):1449~1464
32 W ang F.Fuzzy Supervised Classi fication of Remote S ensing Images.IEEE Transacti on on Geoscience and Remote Sensing,1990,28(2):194~
201
33 张兵.黄土丘陵区数字地貌模型与遥感影像分类.环境遥感,1996,11(4):254~259
34 尤淑撑,张玮,严泰来.模糊分类技术在作物类型识别中的应用,国土资源遥感,2000(1):39~43
35 [日]遥感研究会编.遥感精解,刘勇卫、贺雪洪译.北京:测绘出版社,1993
36 魏文秋,陈秀万,谢淑琴.土地利用的遥感识别方法研究,国土资源遥感,1993,(4):46~53
37 甘甫平,王润生等.基于遥感技术的土地利用与土地覆盖的分类方法,国土资源遥感,1999,(4):40~44
38 Cihlar J.et al.Classification by Progressive generalizati on:A new automated methodology for remote sensing multichannel data.Int.J.Remote
Sensi ng,1998,19(14):2685~2704
C LASSIFIC ATION METHODS OF LAN
D US
E P C OVER BASED
ON REMOTE SENSING TECHNOLOGIES
Zhang Yinhui ,Zhao Gengxing
(The College of Environment an d Res ources of Shandong Agriculture U niversity,Tai c an 271018)
Abstract Classification methods play an important role in the study of land cover P use.T he classification of land use P cover based on remote sensing technologies first involves image processing and the selection of image types and data.Then it sums up the conventional classification methods and some new classifiers developed in the past ten y ears.Keywords Land use P cover;Remote sensing technologies;Classification methods;Artificial intelligence 25第3期 张银辉等:土地利用/土地覆盖遥感分类方法的研究综述
遥感图像几种分类方法的比较
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。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且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。从传统的基十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、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中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；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
遥感图像分类方法综述
龙源期刊网 https://www.360docs.net/doc/1313272881.html, 遥感图像分类方法综述 作者：胡伟强鹿艳晶 来源：《中小企业管理与科技·下旬刊》2015年第08期 摘要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结， 对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。 关键词：遥感图像；监督分类；分类精度 1 概述 遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。 2 传统遥感图像分类方法 2.1 非监督分类方法 非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。 2.2 监督分类方法 对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification，MLC）、最小距离分类、K-近邻分类等。 3 基于新理论的遥感图像分类方法 3.1 基于人工神经网络的遥感图像分类 在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
遥感图像分类方法研究综述
第2期,总第64期国 土 资 源 遥 感No.2,2005 2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明 650092;2.云南省寄生虫病防治所,思茅 665000; 3.云南开远市第一中学,开远 661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751 文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0 引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1 遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分 现象,导致分类精度不高[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2 基于统计分析的遥感图像分类方法 2.1 监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。
遥感影像的分类处理
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
遥感技术在土地利用分类中的应用
遥感技术在土地利用分类中的应用 ——以秦皇岛为例 摘要：以LANDSAT TM遥感影像为数据源，经过波段选择、色彩合成、拼接裁剪、遥感图像增强和人机交互解译等步骤，将秦皇岛市土地利用类型分为耕地、林地、草地、水域湿地、建设用地和未利用土地等6类，绘制出秦皇岛市土地利用现状图。 关键字：遥感；土地利用；秦皇岛；土地分类 前言 土地是人类赖以生存和发展的物质基础，是社会生产的劳动资料，是农业生产的基本生产资料，是一切生产和一切存在的源泉[1]。土地是一种不可再生资源，且资源的数量是相对有限的，土地的利用是否合理直接关系着社会经济的未来发展。因此如何合理的配置现有的土地资源，使其不断满足经济、社会、环境等各方面的需求，逐渐成为学者们研究的焦点。 遥感技术具有高光谱分辨率、高空间分辨率、实时观测、重访周期短等特点，在土地利用中显示出明显的优势，在国内外得到了广泛应用[2]。本文以秦皇岛市为例，介绍遥感技术在土地利用分类中的应用。 1研究区域自然经济概况 秦皇岛市位于河北省东部沿海，处于北纬39o24'-40o37'，东经118o34'-119o51'。东邻辽宁、西接唐山、北靠燕山、南临渤海。西南距省会石家庄483km，西距首都北京280km，距天津220km。现辖海港区、山海关区、北戴河区3区和昌黎县、抚宁县、卢龙县、青龙满族自治县四县，为我国重要的综合性港口城市，著名的旅游城市。 随着秦皇岛市人口的增加和社会经济的发展，人类加大了对土地资源开发的力度，引起土地利用景观格局发生变化。对土地资源的过度和无序利用，导致秦皇岛市生态环境恶化，产生了土地退化、水土流失等严重威胁生存安全的生态问题。
2014年沈阳市遥感图像土地利用分类解析
《地理信息系统应用》 GIS软件应用项目综合研究 《2014年沈阳市土地利用分类》 班级：621202 学号：62120211 姓名：田博
前言 ?根据2005年土地利用现状变更调查，全市土地总面积为1288088公顷，其中农用地面积989964公顷，占土地总面积的76.86%；建设用地面积195853公顷，占土地总面积 15.20%，未利用地面积102271公顷，占土地总面积的 7.94%。 ?进行图例利用分类分析，围绕全面建设小康社会、实现老工业基地振兴、建设国家生态城市和东北地区中心城市的经济社会发展目标，全面实施严格保护耕地特别是基本农田战略、土地科学调控和城乡统筹发展战略、土地节约集约用地战略、中心城区土地利用结构和布局优化战略、协调土地利用与生态建设战略。 ?为了深入贯彻科学发展观和老工业基地振兴战略，切实落实“十分珍惜、合理利用土地和切实保护耕地”的基本国策，节约集约利用土地，统筹安排各类各区域用地，根据有关法律法规进行研究城市的土地利用变化，能够发现城市化发展的一些问题，有利于土地资源的合理配置。同时更好地统筹土地资源的开发、利用和保护，促进国民经济又好又快发展。 ?充分利用沈阳经济区核心城市的区位优势，建立与沈阳中心城市和现代化大都市地位相适应的土地利用结构和空间布局模式。保障科学发展用地、保护和合理利用农用地、节约集约利用建设用地、协调土地利用与生态建设、统筹安排各类各区域用地，构建资源节约、环境友好、和谐发展的土地利用模式。
①项目需求分析： 以邓小平理论和“三个代表”重要思想为指导，全面贯彻落实科学发展观，坚持节约资源和保护环境的基本国策，坚持最严格的耕地保护制度和节约集约用地制度，围绕全面建设小康社会、振兴东北老工业基地和建设东北地区中心城市的目标，优化土地利用结构、统筹各类各区域用地，为经济持续快速健康发展提供用地保障和服务，促进经济社会与环境的全面、协调、可持续发展。故进行土地利用分析是必不可少的。 ②项目研究内容、方法与技术方案： 1.项目研究内容： 对目前2014年5月份沈阳市的landsat遥感图像进行处理出图，继而进行土地利用分类统计分析。 2.研究方法： 利用ENVI5.0软件对数据进行叠合，镶嵌，裁剪，继而进行监督分类，在监督分类中用到了最小距离和马氏距离分类的方法，整理感兴趣区后进行数据矢量化为能够在Arcgis软件中打开文件，最后出图，导出地图。 3.技术方案： 查找下载沈阳市2014年原始遥感数据→整理数据（遥感图像叠合，镶嵌，裁剪）→监督分类（建立感兴趣区）→数据图像矢量化→导出地图。 ④数据来源与处理过程： 数据来源： 中科院遥感所，地理空间数据云。 处理过程： 1.查找下载沈阳市2014年原始遥感数据:
谈遥感技术在土地利用调查中应用
谈遥感技术在土地利用调查中应用 摘要:遥感技术在各个领域的应用越来越广，遥感技术在土地利用现状更新调查中也得到了应用。对于具体应用方式做了分析 关键词:遥感技术;土地利用 一、引言 遥感定义。从广义来讲，就是指遥远的感知,非接触远距离的探测技术。从狭义来讲，指借助于专门的探测仪器（传感器），把遥远的物体所辐射（或反射）的电磁波信号接收记录下来，再经过加工处理，变成人眼可以直接识别的图像，从而揭示出所探测物体的性质及其变化规律。遥感技术指从高空到地面各种对地球观测的综合性技术系统总称。它由遥感平台、探测传感器以及信息接受、处理与分析应用系统等组成，周期性地提供监测对象数据和动态情报。 主要的遥感软件 ENVI——美国Research System INC公司开发，1995年引入，适普代理，目前最高版本ENVI 3.7。 ERDAS Imagine——美国ERDASLLC公司开发。2003年6月在全球40多个遥感软件评比中，11个应用功能中的9个获得第一。蓝赛特阿波罗等都代理，目前最高版本ERDASImagine 8.6。 PCI Geomatica——加拿大PCI公司开发。加拿大阿波罗等都代理，目前最高版本PCI Geomatica 8.2。 IRSA—国家遥感应用技术研究中心CASM ImageInfo—中国测科院&四维公司。 二、遥感技术在土地利用现状更新调查中应用 1982年至1993年6月，全国采用大比例尺图件（包括航片和地形图）,完成了土地利用现状调查。这项工作历时10余年，耗资数十亿元，投入专业人员达50多万人次，堪称中华民族历史上前所未有的伟业。我国对土地遥感工作极其重视。《中华人民共和国土地管理法》第三十条规定:国家建立全国土地管理信息系统，对土地利用现状进行动态监测。朱总理明确指出:要采取最先进的技术手段，24小时监测土地动态变化情况，及时通报情况，确保我国耕地保护目标的实现。 三、遥感技术在土地利用现状更新调查中应用步骤 资料准备
遥感影像云识别方法综述
遥感影像云识别方法综述 国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。 1. 基于光谱特征的方法： 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。 算法主要由有五部分组成： （1）单一红外图像的空间对比试验。 （2）三个连续红处图像的时间对比试验。 （3）可见光和红外图像的空间/时间的累计统计合成。 （4）每5天的可见光和红处辐射的晴空合成。 （5）每个像元的可见光和红外辐射阈值勤的选取。 APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。
遥感影像土地利用分类方法研究进展
遥感影像土地利用分类方法研究进展 摘要: 为了研究遥感影像土地利用分类的方法，综述了国内外近10年的遥感图像分类研究。在分析当前主要遥感影像分类方法的基础上，从传统的分类方法和传统分类方法的改进两个方面，对遥感影像土地利用分类方法研究进展进行了阐述。本研究还存在不足，今后还需进一步研究利用各种遥感影像分类方法相互结合的应用。 关键词: 遥感影像；土地利用；分类方法 引言 土地利用变化研究是全球变化及其区域响应研究的核心领域，研究土地利用变化及其生态环境效应有助于提高人们对区域生态环境问题的认识，并可为有关部门的土地利用规划、管理与决策提供科学依据[1]。目前，利用遥感图像分类获得土地利用信息已经成为土地利用变化研究必不可少的一步。遥感图像分类就是把图像中的每一个像元或区域划分为若干类别中的一种，即通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将影像内各个像元划分到各子空间中去，从而实现分类。由于新的分类方法的大量涌现，遥感图像分类方法出现了很多问题。因此，本研究在分析当前主要遥感图像分类方法的基础上，将遥感图像分类方法划分为传统的分类方法、传统分类方法的改进两大类，从这两个方面对遥感图像土地利用分类方法的研究进展进行了阐述。 1 传统分类方法 1.1目视解译 目视解译是根据确定的分类系统和解译标志以及解译经验，对图像进行判读等方法来获取土地利用的分类，这种方法目前仍被广泛使用。它是人们通过遥感技术获取目标信息最直接、最基本的方法。李秀梅提出对于数据精度产生的尺度效应研究过程中，通常采用目视解译并依据转换误差最小原则栅格化矢量数据，以保障数据精度，这是一种比较成功的分类方法，具有简单易操作，利于空间信息提取，灵活性强等优点，但解译中显示尺度越小，带状、面积小和边界曲折的景观要素类型损失越严重，会影响数据精度[2]。由于解译人员的专业知识水平以及解译经验的限制，解译结果会存在差异，此方法受个人主观因素影响大。 1.2 基于统计分析的分类方法 基于统计的分类方法是在数理统计的基础上，进行遥感图像的自动分类，因而又称为计算机自动分类方法。它主要包括监督分类和非监督分类。 1.2.1 监督分类 监督分类，是指通过选择具有代表已知地面覆盖类型的训练样本区，用训练样本区中已知地面各类地物样本的光谱特性来训练计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知具有最大相似度的类别中。监督分类的主要方法有最小距离法、最大似然法、神经元网络分类法、马氏距离法等。其中，最大似然法是监督分类中最常用的方法。章恒等利用多源遥感影像对红树林信息提取方法进行比较，得出最大似然法与影像的特征光谱信息量相关性较强的结论[3]。孙琳等在对太湖流域HJ-1B影像分类过程中提出最大似然法的分类结果存在较严重的“椒盐噪声”现象，分类图像较破碎，而且从图像上能直观地发现林地分类误差[4]。对比改进后的传统分类方法，最大似然法在分类结果的精度上略显不足。 1.2.2非监督分类
遥感图像的分类
实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。
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
基于高分辨率遥感影像城市土地利用类型分类方法比较
基于高分辨率遥感影像城市土地利用类型分类方法比较摘要：本文是以面向对象的方法，高分辨率遥感影像为数据源，利用监督分类和基于专家知识的决策树分类对研究区进行城市土 地利用类型分类及对分类结果进行比较。实验证明，对于高分辨率遥感影像来说，以选择训练样区为基础的监督分类精度要高于结合专家知识的决策树分类效果。 关键字：spot影像，监督分类，决策树分类，envi，分类比较abstract: this article is based on the object-oriented method, high resolution remote sensing image as data sources, using supervised classification based on expert knowledge and decision tree category in the study area of urban land use type and classification of classification results are compared. experiments show that for high resolution for remote sensing image, to select the training sample area based supervision and classification accuracy than combining the expert knowledge decision tree classification effect. key word: spot image, supervision and classification, the decision tree classification, envi, classification comparison 1引言 随着深圳特特区一体化和城市化的快速发展，如何最大限度地利
遥感图像分类方法综述
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（supervised classification）和非监督分类(Unsupervised
全国土地利用数据遥感信息提取土地利用数据说明
全国土地利用数据遥感信息提取土地利用数据说明北京揽宇方圆信息技术有限公司是中国科学院系统的遥感影像数据服务企业，专注于遥感影像数据一站式的基础卫星数据服务、卫星影像数据处理服务。 土地利用数据时间：1985年、1990年、1995年、2000年、2005年、2010年、2015年 土地利用数据源：Landsat TM影像Landsat ETM影像 土地利用数据遥感信息的提取：根据影像光谱特征，利用ARCGIS、易康软件、ENVI软件等，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析，提取土地利用信息。 土地利用/覆被变化信息的提取。采用arcgis与易康结合，它通过分析地物光谱特征和其他图像特征，充分利用高程、坡度等地理辅助信息可以有效地提高分类精度，比较适合于地形破碎、地物分布复杂的地区。基于Landsat TM遥感影像，采用全数字化人机交互遥感快速提取方法，同时参考国内外现有的土地利用/土地覆盖分类体系，以及遥感信息源的实际情况，将遥感影像进行解译并进行验证将土地利用数据类型划分为6个一级分类，24个二级分类以及部分三级分类的土地利用/土地覆盖数据产品，并结合本项目制定土地利用数据产品分类体系。 目视解译侧重于人的知识的参与，为了减少由于不同人员的主观差异性所造成的误差，提高遥感判读精度，因此建立统一解译标志是十分
必要的。根据影像光谱特征，结合野外实测资料，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析。 一、TM影像数据的预处理。遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影像进行裁剪。 二、土地利用变化信息提取。首先对其中的一期影像分别采用人工解译的方法，然后利用易康开始分类。 三、数据集成 对数据形式特征（如格式、单位、分辨率、精度）等和内部特征（特征、属性、内容等）做出全部或部分的调整、转化、合成、分解等操作，形成充分兼容的数据库。包括空间、属性和时间等对对象数据特征的处理。 四、质量控制方法 （1）遥感影像纠正采用投影变换方法（PROJECT），控制点要选择比较明显的地物，如道路交差点，坝址等，并与地形图相对应，分布要均匀，尽可能多的选择控制点，误差控制在一个像元，TM影像纠正的方根误差（a RES error）小于0.01，MSS影像纠正的方根误差（a RES error）小于0.08。 （2）地形图纠正采用有限元方法（Finite Element）。①经纬网 偏差不超过一个像素，②经线方向的方里网误差不超过2个像素，③纬线方向的方里网不超过3个像素。 （3）专题信息矢量化采用人机交互判读实现，分为基于遥感影像 的专题信息和分为基于地形图的专题信息。遥感影像解译精度保证耕地、
浅谈利用遥感技术进行土地利用调查
浅谈利用遥感技术进行土地利用调查 李志海 (新疆国地测绘工程有限责任公司 乌鲁木齐830063) 摘 要 利用遥感技术进行土地利用动态变更调查,能及时准确地获取变更信息和全局的土地利用动态变化信息,加快土地利用调查工作的速度,极大地提升了国土资源管理方式。本文首先叙述了传统的土地利用调查方法及其缺陷,然后概述了遥感技术和基于遥感影像的土地利用调查理论,最后主要对**市的土地利用现状更新调查工作的技术流程和数据更新流程进行了叙述,并与以前的年度变更调查的结果进行了比较分析。 关键词 土地 调查方法 遥感影像 遥感技术 土地利用 数据更新 目前,我国的土地资源的形势十分严峻。随着经济持续快速增长,用地量逐年增大,土地利用变化频繁,常规的土地调查方法已远远不能满足新形势对土地管理的要求,因此,改变传统国土资源管理工作方式,采用现代化技术手段,准确、快速地掌握国土资源利用状况,科学规划、配置、合理开发利用国土资源,实现国土资源决策、管理现代化和服务社会化,促进我国经济可持续发展和社会全面进步,是国土资源管理工作面临的当务之急,也是必须实现的战略目标。 遥感作为一种高效获取信息的手段,其蕴涵的信息量丰富、全天候、信息获取周期短和多光谱特性,在我国土地资源调查工作中得到广泛应用。 1 传统的土地利用调查方法及遥感技术 1.1 传统的土地利用调查方法 1984~1996年的12年间,我国各县级土地现状初始调查基本完成。由此获得的宝贵的土地利用现状基础数据成果,为各级政府制定国民经济发展计划提供了最基础的依据,为建立土地登记、土地统计制度,制定土地利用总体规划提供了第一手的数据。但是,近20年和今后的数十年内,都将是我国经济快速发展的时期,土地利用的形式将发生一系列的变化,因此随时摸清土地利用形式的变化、对土地利用图件和数据库进行及时更新,将是我国各级土地管理部门的一项重要的和经常性的工作。由于航空摄影测量成本很高,难以运用航片来进行每年的土地变更调查,目前我国土地管理部门进行数据更新的方法是在前期土地利用现状图的基础上,根据变更申报到现场勘查,在详查图上标绘宗地变化的边界位置、权属变化和利用类型的变化,然后到室内进行编绘更新。这种方法存在明显的缺点: 难以准确获取变化边界的地理坐标。仅从相邻关系进行外推量测,难以准确获取变化边界的空间位置坐标,因此图件更新精度达不到要求。 变化宗地的空间位置难以确定,面积量测不准确。 !不能主动监测变化。 ?方法落后且人为干扰大。 #变更数据获取速度慢,多次清绘误差累积。 ?工作效率低,费工费时费力,很多县市很难每年进行及时的变更。 %农村土地利用图斑多为不规则多边形,运用平板仪等测量工具只能测量拐点,不能连续测量整个边界,而且难于精确标绘到原土地利用现状底图上。 因此,可见该方法不能及时准确地获取全局的土地利用动态变化信息,因而无法实时掌握土地利用变化在空间上的分布和分析评价土地利用变化是否合理。此外,传统的方法即根据用地单位的上报数据以了解土地利用的变化状况不仅被动,且中间不可避免地存在误报、漏报的问题,对于地块的空间属性难以做到准确掌握,更不能满足动态变更及时准确的要求,所以利用卫星遥感技术进行土地利用动态变更调查,及时准确地获取变更信息,就有着十分重要的意义。 1.2 遥感技术 遥感(Rem ote Sensing),通常是指通过某种传感器装置,在不与研究对象直接接触的情况下,获得其特征信息,并对这些信息进行提取、加工、表达和应用的一门科学技术。 遥感的出现,扩展了人类对于其生存环境的认识能力,较之于传统的野外测量和野外观测得到的数据,遥感技术具有以下优点: 增大了观测范围。