基于分层分类法的遥感图像分类研究
遥感影像分类方法及其比较分析
遥感影像分类方法及其比较分析遥感影像分类是一种将遥感影像中的像素划分为不同类别的过程。
它是遥感技术中最重要的应用之一，可以提供大量详细的地表信息，对于农业、林业、城市规划等领域具有广泛的应用价值。
本文将探讨几种常用的遥感影像分类方法，并对它们进行比较分析。
一、基于像素的分类方法基于像素的分类方法是最常用的遥感影像分类方法之一。
它通过对遥感影像中的每个像素进行分类，将其划分为不同的类别。
这种方法的优点是简单易懂，适用于各种类型的遥感数据。
但是，由于忽略了像素周围的空间信息，容易在复杂地物的分类中出现错误。
同时，像素的分类结果不具备连续性，不适用于一些需要连续空间分布信息的应用。
二、基于对象的分类方法相比于基于像素的分类方法，基于对象的分类方法考虑到了空间信息。
它将相邻的像素组成的对象作为分类的基本单元，通过对对象进行分类来实现遥感影像分类。
这种方法能够更好地反映地物的形状和空间分布特征，提高分类的准确性。
但是，这种方法需要进行图像分割，对图像处理的要求较高，处理速度较慢。
三、基于特征的分类方法基于特征的分类方法是一种常见的遥感影像分类方法。
它通过提取遥感影像中的各种特征，如颜色、纹理、形状等，然后将这些特征作为分类的依据进行分类。
这种方法适用于各种类型的遥感数据，具有较高的分类准确性。
然而，在特征提取过程中，如何选择合适的特征以及如何克服特征间的冗余和相关性仍然是一个挑战。
四、基于深度学习的分类方法近年来，深度学习技术在遥感影像分类中的应用越来越广泛。
深度学习通过构建多层网络，能够自动学习特征，提高分类的准确性。
它能够处理大量的数据，适用于各种类型的遥感影像分类。
然而，深度学习技术需要大量标记好的训练样本，并且对计算资源的要求较高。
综上所述，不同的遥感影像分类方法各有优缺点。
在实际应用中，应根据具体的需求和问题选择适合的方法。
如果需要考虑地物的空间信息，可以选择基于对象的分类方法；如果需要提高分类准确性，可以选择基于特征的分类方法；如果拥有足够的标记好的训练样本和计算资源，可以选择基于深度学习的分类方法。
遥感图像自动分类
类间散布矩阵表示了不同类别间相互散布的程度
3）总体散布矩阵：
类间散布矩阵表示了不同类别间相互散布的程度
8.3、监督分类
自动识别分类
监督分类法
非监督分类法
监督分类法是选择有代表性的试验区
来训练计算机，再按一定的统计判别规则 对未知地区进行自动分类的方法。
监督分类的思想：
1）确定每个类别的样区 2）学习或训练 3）确定判别函数和相应的判别准则 4）计算未知类别的样本观测值函数值 5）按规则进行像元的所属判别
4 比值变换
– 比值变换图像用作分类有许多优点，它可以增强土 壤，植被，水之间的辐射差别，压抑地形坡度和方 向引起的辐射量变化。由于地形的影响，一般情况 下各种地物光谱反射率ρi乘上一个相近的因子α ,当 使用比值变换时，
– R12 = x1/x2 = αρ1/αρ2 = ρ1/ρ2
5 生物量指标变换 NDVI (NIR R) (NIR R)
距离判别函数是设法计 算未知矢量X到有关类别集 群之间的距离，哪类距离它 最近，该未知矢量就属于那 类。
距离判别函数不象概率
判别函数那样偏重于集群分 布的统计性质，而是偏重于 几何位置。
距离判别规则是按最小 距离判别的原则。
最小距离法中常使用的三种距离判别函数
➢ 马氏（Mahalanobis）距离 ➢ 欧氏（Euclidean）距离 ➢ 计程（Taxi）距离
虽然每一种图像数据都可能包含了一些可用 于自动分类的信息，但是就某些指定的地物 分类而言，并不是全部获得的图像数据都有 用，如果不加区别地将大量原始图像直接用 来分类，不仅数据量太大，计算复杂，而且 分类的效果也不一定好
8.2 特征变换及特征选择
（1）特征变换，是将原有的m测量值集合 并通过某种变换，产生n个新的特征。n<=m ➢特征变换将原始图像通过一定的数字变换 生成一组新的特征图像，这一组新图像信息 集中在少数几个特征图像上，这样，数据量 有所减少。 （2）特征选择，是从原有的m个测量值集 合中，按某一准则选择出n个特征。 ➢特征选择就是在原始图像或特征影像中， 选择一组最佳的特征影像进行分类。
遥感图像处理应用实验报告 西北农林科技大学2010 实习二
实验二分层分类法一、实验原理：面对自然界复杂的事物或现象，我们不可能用一个统一的分类模式来描述或进行区域景物的识别与分类。
需要深入研究它们的总体规律及内在联系，理顺其主次或因果关系，建立一种树状结构的框架。
即建立所谓的分类树，来说明它们的复杂关系，并根据分类树的结构逐级分层次地把所研究的目标一一区分、识别出来。
这就是分层分类法二、实验数据：杨凌2003年0614影像，分类模板12类地物。
实验一通过训练区区分的12类地物的统计结果，均值，标准差。
三、实验步骤：设计叠合光谱图根据12类地物的统计结果，以均值为中心，标准差长度为星线表示各类地物各个波段平均光谱响应，将导出的数据导入到Excel里，在Excel里进行数据处理，制作叠合光谱图。
横坐标为灰度值，纵坐标为地物类型，12种地物分别为1=水库，2=河流，3=柏油路，4=水泥路，5=农村，6=城市，7=乔木林，8=灌木林，9=果园，10=草地，11=有作物，12=无作物。
根据叠合光谱图进行分层分类首先根据1波段将十二种地物划分成1,2,9,10,11与7,8与3,12与4,5,6四种，然后根据4,5波段将1,2,9,10,11分成1与2与9,10,11，根据4,6波段将7,8地物分开，根据2,3,5,6波段将3,12地物分开，根据第3波段将4,5,6分成4,5与6，最后根据第6波段将9,10,11划分成9,11与10，根据第7波段将4,5地物分开。
形成判别树根据上述依据画出将12种地物区分开的分层分类树。
四、实验结果：五、实习总结：制作分层分类树时用到了Excel制作图表的知识，使用时学到了很多Excel制表方面的知识。
它使用到分类模板，导出报表，使用报表中的标准差，协方差来进行制图处理。
得到图表以后，通过不同地物之间的交叉重叠等，区别出不同的地物，然后根据依据的波段画出分层分类树。
为遥感解译提供依据。
基于语义分割的遥感图像分类
基于语义分割的遥感图像分类遥感图像是近年来在各行各业中广泛使用的一种技术手段。
利用遥感图像可以对地球表面进行高精度的监测和识别，具有非常重要的应用价值。
然而，遥感图像的分类是一个非常复杂的问题，因为遥感图像中的信息量非常大，需要大量的计算和分析才能进行有效的分类。
为了解决这个问题，近年来涌现出了许多基于语义分割的遥感图像分类方法，这些方法将遥感图像分割为不同的区域，并将每个区域与其所属的类别进行关联，从而实现遥感图像的自动分类。
基于语义分割的遥感图像分类方法可以分为两大类：基于光谱信息的方法和基于空间信息的方法。
基于光谱信息的方法采用了传统的图像分类技术，通常使用机器学习算法（如SVM）来训练分类器，并使用像素级别的光谱信息作为输入特征。
然而，这种方法往往不能充分考虑遥感图像的空间信息特征，分类精度有限。
因此，近年来越来越多的研究者开始采用基于空间信息的方法来解决遥感图像分类问题。
基于空间信息的方法是指将遥感图像分割为不同的区域，然后对每个区域进行分类。
这种方法通常使用语义分割技术进行遥感图像分割，然后使用语义分割结果中的每个区域作为输入进行分类。
相比于基于光谱信息的方法，基于空间信息的方法具有更好的分类精度和鲁棒性。
目前，基于空间信息的方法已经成为遥感图像分类的主流方法之一。
目前，基于语义分割的遥感图像分类研究主要集中在以下几个方向上：1. 基于深度学习的遥感图像分类方法近年来，深度学习（如卷积神经网络）在遥感图像分类中的应用越来越广泛。
这种方法可以利用大量标记数据进行训练，并能够自动学习光谱、空间和语义信息，从而实现更高的分类精度。
基于深度学习的遥感图像分类方法已经在遥感图像分类竞赛中取得了很好的成绩，是当前遥感图像分类研究的热点方向之一。
2. 基于多尺度特征的遥感图像分类方法遥感图像中往往存在着多个尺度的信息，因此采用多尺度特征进行分类可以提高分类精度。
目前，基于多尺度特征的遥感图像分类方法已经成为遥感图像分类的主要方法之一。
遥感图像分类方法与准确性评价指标
遥感图像分类方法与准确性评价指标遥感图像分类是利用遥感数据进行地物分类的过程，其目的是将遥感图像中的不同地物进行识别与分类。
在遥感图像分类中，有效的分类方法和准确性评价指标对于获得准确的分类结果至关重要。
一、常用的遥感图像分类方法1. 监督分类方法监督分类方法是指在进行分类之前，通过在选定的地物样本中确定其类别，并利用这些样本进行分类算法的训练。
常用的监督分类方法包括最大似然分类、支持向量机、决策树等。
最大似然分类是一种基于统计理论的方法，其基本假设是不同类别地物的像元值符合某种概率分布。
支持向量机是一种基于几何学原理的分类方法，其核心思想是将不同类别地物的像元用超平面分割成两个部分，以实现分类。
决策树是一种基于判定树的分类方法，通过根据不同属性进行逐级判定，最终将地物分类。
2. 无监督分类方法无监督分类方法是指在进行分类之前不需要先进行样本标签的确定，而是根据图像中像元之间的相似性和差异性进行聚类。
常用的无监督分类方法包括K-means 聚类、高斯混合模型等。
K-means聚类是一种基于距离度量的分类方法，其核心思想是将图像中的像元根据相似性进行分组，形成不同的类，实现地物分类。
高斯混合模型是一种基于概率统计的分类方法，通过假设图像像元符合多个高斯分布的线性组合，确定不同类别地物的概率分布。
二、遥感图像分类准确性评价指标1. 精度（Accuracy）精度是指分类结果中被正确分类的像元数占总像元数的比例。
精度越高，表示分类结果越准确。
在实际应用中，精度常常使用整体精度（Overall Accuracy）和Kappa系数进行评价。
整体精度是指分类正确的像元数占总像元数的比例，其范围为0到1之间，1表示分类完全正确。
Kappa系数是基于整体精度的一种校正指标，它考虑了分类结果与随机分类之间的差异性，范围也在0到1之间，1表示没有误分类。
2. 生产者精度（Producer's Accuracy）生产者精度是指在分类结果中，某一类地物被正确分类的像元数占该类地物实际像元数的比例。
基于多尺度分析的遥感图像分类技术研究
基于多尺度分析的遥感图像分类技术研究遥感技术作为一种高新技术，已经在城市规划、土地利用、水资源管理等多个领域得到了广泛的应用。
而基于遥感图像的分类技术则是应用遥感技术实现对地物信息自动提取的基础，因此在各个领域的研究中也得到了越来越多的关注。
本文主要讨论基于多尺度分析的遥感图像分类技术的研究。
一、遥感图像分类技术的基本原理遥感图像分类技术实际上是一种通过计算机算法对遥感图像中的地物信息进行区分的技术。
在实现这一目标的过程中，主要需要经历以下几个步骤：1、预处理：遥感图像在采集和传输过程中可能会受到照射角度、时间、环境等因素的影响，因此首先需要对采集的图像进行去除噪声、纠正偏差等预处理工作。
2、特征提取：在预处理完成之后，需要通过数学模型对图像进行特征提取，形成对地物的数学描述，包括颜色、纹理、形状等。
3、分类：得到了图像的特征之后，即可利用各种分类算法，在计算机上实现对图像信息的区分。
对于遥感图像分类技术而言，最重要的一环就是特征提取。
因为地物信息的复杂性和多样性，导致对其特征提取方法的研究也变得愈加复杂和细致。
二、多尺度特征分析在遥感图像分类中的应用2.1 多尺度概念多尺度概念是指在地学领域中，地球表面或生态系统的某一特定区域具有不同空间尺度和时间尺度上的过程或事件。
在遥感分类技术中，当空间分辨率太高以至于未能充分准确地捕捉到许多地物时，引入多尺度特征分析可以有效地提高分类的准确性。
2.2 多尺度特征提取方法多尺度特征提取方法可分为“多次下采样再分类”和“分级分析再集成”的两种方式。
1）多次下采样再分类针对传统的最常用的单尺度分类方式，这里提出了一种对于能耗和效率都更优的解决方案——多次下采样再分类。
其思路是在原始高分辨率遥感图像的基础上进行多次下采样，获得一系列不同空间分辨率的遥感图像，再分别对这些图像进行分类，最后将分类结果通过复合处理的方式得到最终分类结果。
这种方法不仅可以有效地避免过度拟合和欠拟合的问题，同时也可以提高计算效率。
遥感图像分类
原始遥感图像
对应的专题图像
用光谱信息 对影像逐个 像元地分类， 在结果的分 类地图上会 出现“噪声”
产生噪声的原因有原始影像本身的噪声，在地类 交界处的像元中包括有多种类别，其混合的幅射 量造成错分类，以及其它原因等
另外还有一种现象，分类是正确的，但某种类别 零星分布于地面，占的面积很小，我们对大面积 的类型感兴趣，因此希望用综合的方法使它从图 面上消失
简单集群分类方法
K-均值法（K-means Algorithm） Cluster分类法 迭代自组织数据分析技术方法（Iterative
Self-Organization Data Analysis Techniques， ISODATA）
通过自然的聚类，把它分成8类
K-均值算法的聚类准则是使每一聚类中，像元到 该类别中心的距离的平方和最小
A. 按照某个原则选择一些初始聚类中心 B. 计算像元与初始类别中心的距离，把像素分配
到最近的类别中
C. 计算并改正重新组合的类别中心 D. 过程重复直到满足迭代结束的条件
仅凭遥感影像地物的光谱特征的分布 规律，即自然聚类的特性，进行“盲 目”的分类
其分类的结果只是对不同类别达到了 区分，但并不能确定类别的属性；其 类别的属性是通过分类结束后目视判 读或实地调查确定的
遥感图像计算机分类
色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局
基于光谱的
基于空间关系的
遥感图像特征集
遥感图像 遥感图像计算机分类流程框图
将影像数据的连续变化转化为地图模式， 以提供给用户有意义的信息
获得关于地面覆盖和地表特征数据的更深 刻的认识
较目视解译客观，在分析大数据集时比较 经济
基本思想：通过迭代，逐次移动各类的中心，直 至得到最好的聚类结果为止
遥感图像分类算法的性能评估与优化研究
遥感图像分类算法的性能评估与优化研究遥感图像分类是遥感技术的重要应用领域之一，在农业、林业、环境监测等领域具有广泛的应用价值。
随着遥感技术的快速发展，遥感图像分类算法也在不断优化和改进。
本文将对遥感图像分类算法的性能评估与优化进行研究。
首先，我们将介绍遥感图像分类算法的基本原理。
遥感图像分类是将遥感图像中的像素点划分为不同的类别或类别组，常用的分类算法包括最大似然分类、支持向量机、随机森林等。
最大似然分类是基于统计学原理的一种分类方法，通过计算每个像素点属于每个类别的概率，从而实现分类。
支持向量机则是一种基于间隔最大化的非线性分类器，通过寻找一个最优的超平面来划分不同类别。
随机森林是一种集成学习方法，通过构建多个决策树的集合来实现分类。
接下来，我们将探讨遥感图像分类算法的性能评估方法。
性能评估是衡量分类算法好坏的重要指标，常用的性能评估指标包括精度、召回率、F1值等。
精度是指分类器正确分类的样本占总样本数的比例，召回率是指分类器正确分类为某一类别的样本占该类别总样本数的比例，F1值则是精度和召回率的调和平均。
此外，我们还可以使用混淆矩阵来评估分类算法的性能，混淆矩阵展示了实际分类结果与分类器预测结果之间的关系。
针对遥感图像分类算法存在的问题，我们将提出一些优化策略。
首先，对于遥感图像的特征提取，可以采用多尺度分析技术，通过使用不同尺度的滤波器提取图像的多尺度特征，从而提高分类器对图像细节的识别能力。
其次，可以引入深度学习方法，例如卷积神经网络（CNN），CNN在图像分类领域有着卓越的表现，通过学习图像的特征表示，可以提高分类算法的准确性。
此外，还可以使用集成学习的方法，例如Bagging和Boosting，通过构建多个基分类器的集合来获得更好的分类性能。
最后，我们将对以上提到的优化策略进行实验验证和评估。
通过使用遥感图像分类数据集，我们将比较不同分类算法的性能，并评估优化策略的效果。
实验结果将说明我们所提出的优化策略是否有效，以及其在遥感图像分类中的应用潜力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Hot-Point Perspective
热点透视
DCW
131
数字通信世界
2019.04
作为全球变化的主要研究内容，土地利用/覆盖数据的获取工作格外重要，而随着遥感技术的发展与应用，该项工作的获取变得便利了许多，然而，尽管数据获取工作变得不再困难，但数据的精确度却成了各研究机构重要关注的问题。
分层分类法强调分级，不同级别的分类标准与方法均是不同的，利用此方法能够有效地提升遥感图像分类的精确度。
1 分层分类法简介
何谓分层分类法，分层分类法是一种分解方法，具有一定的针对性与原则性，其分解不仅需要遵循一定的原则，而且还要以不同的信息特点为主，在每一层级的分解过程中，子区特征与经验知识不同的层级，分类活动也应选择不同的波段或组合，决策树分类器便是分层分类法的一种[1]。
在决策树分类器中，不同层级的信息提取标准均有所不同，对遥感数据的收集应当以信息提取标准为主逐级细分，只有逐级细分后，遥感图像分类才能够形成。
一般情况下，决策树主要由三部分构成，第一部分为根节点，第二部分为内部节点，第三部分为终结节点，其中，终结节点需要多个，内部节点需要一系列，根节点只需要一个，此种方法对提高遥感图像分类的精度极为有效。
2 基于分层分类法的遥感图像分类方法
2.1 研究区概述
本文以辽宁抚顺矿区为例，对该矿区的遥感图像分类方法进行深入分析。
辽宁抚顺矿区位于辽宁省抚顺市浑河南岸，长18千米，宽2千米，总面积为36平方千米，气候为中温带大陆性季风气候，土地为典型的黑壤土地，类型多以林地与农田为主，树种比较丰富，红松、云杉、白桦等应有尽有，与同地区的其他矿区相比，辽宁抚顺矿区的林业较为发达，具有一定的研究意义。
2.2 影像的判读分类2.2.1分类系统的确定
辽宁抚顺矿区多以林地为主，但其中也分布着许多其他的土地类型，比如沼泽、水体、农业用地等，就连居民用地也分布在其中，基于此，并结合国家制定的分类标准，本文可以将辽宁抚顺矿区的土地覆盖分类系统确定为以下几种：（1）水体；（2）林地；（3）居民地，包括居民地中的道路与建筑；（4）农田；（5）沼泽。
需要注意的是，辽宁抚顺矿区的林地可以分为三种，一是针叶林，二是阔叶林，三是针阔混交林。
2.2.2信息提取
辽宁抚顺矿区研究使用的遥感影像为SPOT-5卫星影像，该影像的空间分辨率极高，但波段数量却极为有限，因此，根据这一特征，并结合实地考察结果以及相应的数据资料，辽宁抚顺矿区使用AOI 工具进行了训练区的选择，总共选择了150个典型的训练区，且这150个训练区中包含了全部七种地物类型，之所以这样选择，不仅是为了使信息提取的质量得以提升，而且更是为了使信息分类的精确性得以保证。
2.2.3分类流程
本文对辽宁抚顺矿区所选择的150个训练区进行了数值统
计，还绘制出了一份光谱响应曲线图，并得出如下结论：（1）水体在其他地物下的辐射亮度比较高，而在绿波段、短波段以及外波段的辐射亮度比较低，且数值变化明显；（2）林地在没有水体影响的情况下，红波段、短波段及外波段的亮度值比较低，而其他地物的亮度值比较高，数值变化依然十分明显；（3）居民地的NDVI 值为最低，这主要是由于缺少植被的覆盖，而第二波段的辐射亮度为最高；（4）农田及沼泽的亮度均值差异较小，针叶林、
阔叶林以及混交林的亮度均值差异较大。
图1 光谱响应曲线图
2.2.4分类后处理
本文所采用的分类方法为分层分类法，使用的工具为决策树分类器，最小处理单位为单个像元，因此，分类结果出现的问题较多，比如同一种类的地物之间缺少一定的空间连续性、孤岛问题较为严重等，而ENVI 软件可以很好的解决以上问题，这主要是因为该软件具有筛选以及集群功能，因此，辽宁抚顺矿区的分类后处理可选择ENVI 软件，结合该矿区的实际情况，最小阈值选择为5个像元[2]。
2.2.5精度评价
本文所选取的评价工具为ERDAS 软件，利用该软件的精度评估功能对精度进行评价，得出如下结论：（1）水体信息得到了完整提取，分类精度为100%；（2）针阔混交林的分类精度不够好，还未达到65%，常被分入针叶林或阔叶林中；（3）其他土地类型的分类精度还算良好，通常都能够达到80%；（4）该矿区的总体分类精度为77%，压力指数为0.724，为了证明分层分类法的精确度，本文还对该矿区进行了监督分类法，精度结果为69%，由此可以证明，分层分类法更为准确。
综上所述，本文将基于分层分类法的遥感图像分类作为主要研究内容，在阐述分层分类法定义的基础上，对研究区及影像的判读分类做出系统探究，研究结果表明，影像的判读分类主要为五种，一是分类系统的确定，二是信息的提取，三是分类的流程，四是分类后的处理，五是精度评价。
在未来，还需进一步加强对基于分层分类法的遥感图像分类的研究，进而确保遥感图像分类的精确率能够在研究的基础上得以提升。
参考文献
[1] 曹磊. 面向高分辨率遥感影像分类的分层策略研究[J]. 四川水泥，2017（5）：324-325.
[2] 刘炜，王聪华，赵尔平，et al. 基于分层分级的遥感图像植被分类方法[J]. 中国矿业大学学报，2016，45（4）：828-835.
基于分层分类法的遥感图像分类研究
陈 静，吴宇静
（广东工业大学华立学院，广州 511325）
摘要：本文针对基于分层分类法的遥感图像分类研究，将从分层分类法的简介入手，对基于分层分类法的遥感图像分类方法进行深入分析。
此次研究选用的是文献研究法，通过查找相关的文献，为文章的分析提供理论基础。
通过文章的分析得知，分层分类法中遥感影像的判读分类主要包括五个方面，希望本文的研究能在一定程度上为其他遥感图像分类的研究提供参考性意义。
关键词：分层分类法；遥感图像；信息提取doi ：10.3969/J.ISSN.1672-7274.2019.04.099中图分类号：TP751 文献标示码：A 文章编码：1672-7274（2019）04-0131-01。