遥感图像分类方法研究综述
多源遥感影像数据的分类与识别研究
多源遥感影像数据的分类与识别研究摘要：多源遥感影像数据的分类与识别是当前遥感图像处理领域的关键研究方向之一。
随着遥感技术的迅速发展，获取到的遥感影像数据来源越来越多样化，包括航空影像、卫星影像、无人机影像等。
这种多样化的数据来源使得遥感影像数据的分类与识别面临着更大的挑战。
本文针对多源遥感影像数据的分类与识别问题进行综述，介绍了相关的研究进展和方法。
同时，分析了目前存在的问题，并提出了未来的研究方向。
一、引言遥感影像数据的分类与识别是将获取到的遥感影像数据按照其特征进行分类和识别的过程。
这一研究方向在农业、环境监测、城市规划等领域有着广泛的应用价值。
然而，由于多源遥感影像数据的源头多样性和大规模性，研究和开发高效准确的分类与识别方法仍然是一个挑战。
二、多源遥感影像数据的特点多源遥感影像数据具有以下几个特点：1. 高维度：多源遥感影像数据包含大量的像素信息，具有高维度的特点，使得数据处理和分析变得困难。
2. 数据冗余：不同源数据中可能存在相同的信息，这导致数据的冗余性增加，处理和分析效率下降。
3. 数据分辨率不统一：不同源数据的空间分辨率和波段分辨率可能不一致，这要求在分类和识别过程中考虑到数据的分辨率差异。
4. 数据矛盾性：不同源数据中的信息可能具有相互矛盾的情况，这需要在分类和识别过程中进行数据校正和一致性检验。
三、多源遥感影像数据的分类与识别方法目前，针对多源遥感影像数据的分类与识别存在多种方法，包括基于特征提取的方法、基于深度学习的方法等。
1. 基于特征提取的方法基于特征提取的方法是将多源遥感影像数据转换为特征向量，然后利用分类算法进行分类和识别。
常用的特征包括纹理特征、形状特征和光谱特征等。
这种方法通常需要人工选择和提取特征，然后利用分类算法进行分类和识别。
虽然这种方法具有较好的可解释性，但是对于高维度的遥感影像数据处理效率较低，并且容易受到特征选择的影响。
2. 基于深度学习的方法基于深度学习的方法是利用深度神经网络模型对多源遥感影像数据进行特征提取和分类。
遥感图像分类技术研究综述
遥感图像分类技术研究综述随着遥感技术的不断发展，遥感图像已成为一种常用的数据来源，特别是在地理信息系统、城市规划、资源开发等领域中。
而图像分类是遥感应用中的重要研究方向之一，其主要任务是根据遥感数据和相关的语义信息，将图像划分为不同的类别或物体。
目前，图像分类技术已经成为遥感应用中的一个热点问题。
本文将从三个方面来论述遥感图像分类技术的研究综述。
一、遥感图像分类技术背景遥感图像分类技术是指根据遥感数据进行图像分类的技术，它主要应用于土地利用覆盖、城市建设规划、农业灾害监测、水利资源管理、生态监测等领域。
遥感图像分类技术存在的主要问题是如何提高分类的准确度和效率。
目前，遥感图像分类技术主要涉及三个方面：特征提取、分类方法和分类精度评价。
其中，特征提取是图像分类的基础，其目的是将图像中的信息提取出来，以便于分类识别。
分类方法则是根据遥感图像特征和分类规则进行分类的过程，其分类精度的高低直接影响分类结果的质量。
而分类精度评价则是对分类结果进行评价和验证，它是图像分类的关键环节之一。
二、遥感图像分类技术研究进展近年来，随着遥感技术的快速发展，遥感图像分类技术得到了广泛的研究。
在特征提取方面，传统的灰度共生矩阵、纹理特征等被广泛应用，而基于卷积神经网络的深度学习算法也逐渐成为图像特征提取中的热点。
在分类方法方面，支持向量机、决策树、朴素贝叶斯等传统分类方法仍然占据主导地位，但是现在越来越多的研究者开始关注深度学习算法在图像分类中的应用。
分类精度评价方面，传统的混淆矩阵、Kappa系数等指标已不能满足需求，现在更加注重用样本数据集和交叉验证的方式进行分类精度评价。
三、遥感图像分类技术发展趋势随着遥感图像数据量急剧增加和计算机技术的不断革新，未来遥感图像分类技术也将呈现出以下发展趋势：1、深度学习算法的应用。
随着深度学习算法在计算机视觉领域的成功应用，未来更多的研究者也将关注深度学习算法在遥感图像分类中的应用。
高光谱遥感图像分类方法综述
高光谱遥感图像分类方法综述张蓓（长安大学理学院陕西·西安710064）摘要高光谱遥感技术已经成为遥感技术的前沿领域，受到国内外的广泛关注。
而地物目标分类是高光谱数据处理的一个基本内容。
文中列举了一些高光谱遥感图像的分类方法，并对每种方法作简要介绍。
关键词高光谱遥感图像处理分类中图分类号：TP751文献标识码：A1高光谱遥感的简介高光谱遥感技术是上世纪80年代发展起来的一种新兴的遥感技术，高光谱遥感利用很多窄的电磁波段（通常波段的宽度小于10nm）从感兴趣的物体中获取图像数据，一般它是在电磁波谱的可见光，近红外，中红外和热红外波段范围内，设置了几十甚至几百个连续波段，其光谱分辨率可高达纳米（nm）数量级。
由于许多地表物质的吸收特性仅表现在20~40nm的光谱分辨率范围内，高光谱遥感图像可以识别在宽波段遥感中不可探测的物质。
现在，遥感应用领域也更加拓宽，涉及全球环境，土地利用，资源调查，自然灾害，以及星际探测等方面。
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。
2高光谱遥感图像的分类方法依据是否使用类别的先验知识，可分为监督分类和非监督分类。
2.1非监督分类非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类；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，以及与实地调查数据相比较后确定的。
非监督分类主要的方法有K-均值聚类，ISODATA分类等。
K均值分类方法属于动态聚类法,其假定被用来表示样本空间的聚类中心的个数是预先知道的,这种假定本身在某种程度上限制了这一类方法的利用,它使聚类域中所有样本到聚类中心的距离平方和最小，这是在误差平方和准则的基础上得到的。
K均值分类方法简便易行。
基于深度学习的遥感图像分类与识别研究
基于深度学习的遥感图像分类与识别研究摘要随着遥感技术的快速发展，遥感图像分类与识别的研究变得越来越重要。
深度学习作为一种强大的机器学习方法，具有在遥感图像分类和识别任务中取得显著效果的潜力。
本文主要探讨了基于深度学习的遥感图像分类与识别的研究现状和未来发展方向，并提出了一种基于卷积神经网络（Convolutional Neural Network，CNN）的遥感图像分类与识别框架。
1. 引言遥感图像分类与识别是分析和解释遥感图像所具有的地物和地表覆盖类型的过程。
传统的遥感图像分类与识别方法需要手动提取特征并设计分类器，但这些方法对图像特征的选择和分类器的设计非常依赖于专业知识和经验。
而深度学习通过自动学习高级特征和特征表达，可以有效地解决这个问题。
2. 基于深度学习的遥感图像分类与识别方法2.1 卷积神经网络卷积神经网络是一种前馈神经网络，能够自动从数据中学习特征。
卷积神经网络通过卷积层、池化层和全连接层构成。
卷积层可以自动提取图像中的局部特征，池化层能够减小特征的维度并保持其空间结构信息，全连接层用于进行分类。
2.2 数据预处理在应用深度学习方法进行遥感图像分类与识别之前，需要对数据进行预处理。
常见的预处理方法包括图像增强、数据增广和特征标准化等。
图像增强可以提升图像的质量，数据增广可以增加数据的多样性，特征标准化可以使数据具有可比性。
2.3 深度学习模型训练与优化深度学习模型的训练与优化是遥感图像分类与识别中的关键环节。
训练深度学习模型的主要步骤包括初始化模型参数、选择损失函数、选择优化算法和定义评估指标等。
常用的优化算法有随机梯度下降法（Stochastic Gradient Descent，SGD）、Adam算法等。
3. 实验与结果本研究使用了公开的遥感图像数据集进行实验，包括地表覆盖分类、目标检测和场景识别等任务。
实验结果表明，基于深度学习的遥感图像分类与识别方法相比传统方法具有更高的准确率和泛化能力。
遥感影像变化检测技术研究
遥感影像变化检测技术研究摘要：随着遥感技术的快速发展，遥感影像变化检测技术在许多领域得到了广泛应用。
本文对遥感影像变化检测的基本原理、常见方法以及未来的发展趋势进行了综述。
我们介绍了影像变化检测的研究背景和意义，详细描述了遥感影像变化检测的基本原理和工作流程。
随后，我们对常见的遥感影像变化检测方法进行了分类和介绍，包括基于像素、目标和时序的变化检测方法。
最后，我们探讨了遥感影像变化检测技术的应用前景以及未来的研究方向。
1. 引言随着遥感数据获取技术的发展，遥感影像变化检测在土地利用变化、城市扩张监测、环境保护等许多领域得到了广泛应用。
通过遥感影像变化检测技术，可以实现对地球表面环境变化的监测和评估，为相关决策和规划提供科学依据。
2. 遥感影像变化检测的基本原理遥感影像变化检测的基本原理是利用不同时间获取的遥感影像数据进行比对和分析，以判断地表目标在不同时间段内的变化情况。
变化检测可以分为像素级、目标级和时序级三个层次。
2.1 像素级变化检测像素级变化检测通过比较不同时间点的像素值差异，判断地表目标的变化情况。
常用的像素级变化检测方法包括差异图像比较、阈值分割和基于特征提取的方法。
2.2 目标级变化检测目标级变化检测通过目标提取和分类识别的方法，从变化影像中检测和识别目标的变化情况。
常用的目标级变化检测方法包括基于多变量统计分析、机器学习和人工智能的方法。
2.3 时序级变化检测时序级变化检测通过分析目标在一段时间内的变化趋势，判断地表目标的变化类型和变化趋势。
常用的时序级变化检测方法包括基于时间序列分析和基于时空相关性分析的方法。
3. 遥感影像变化检测的方法分类和介绍根据变化检测的目标和方法的不同，遥感影像变化检测可以分为监督和非监督两类方法。
3.1 监督变化检测方法监督变化检测方法需要事先准备一定数量的训练样本，通过训练分类器（如支持向量机、随机森林等）实现变化检测。
这些方法能够获得较高的精度，但需要大量的训练数据和人工标注，适用于较复杂且需要精确检测的场景。
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。
遥感图像分类方法_文献综述
遥感图像分类方法研究综述摘要本文概述了遥感图像分类的概念和原理，详细探讨了传统的遥感分类方法，对各种方法的进行了定性的比较与分析。
然后介绍了分别基于GPU、计算机集群和刀片机服务器的三种加快分类速度的途径，最后展望了遥感图像分类方法的发展方向和研究热点。
关键词：遥感；图像分类；监督分类；非监督分类；GPU；机群系统；刀片机1．引言在遥感图像处理的研究中，无论是专业信息提取，地物变化预测，还是专题地图制作等都离不开分类。
遥感图像分类有类别多，混合度大和计算量大的特点，分类方法的优劣直接关系到分类的精度和速度。
由于遥感图像本身的空间分辨率以及“同物异谱”和“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]，如何实现图像分类识别并满足一定的分类精度，是当前遥感图像研究中的一个关键问题, 也是研究的焦点[2]。
2．遥感图像分类原理遥感图像通过亮度值或像素值的高低差异及空间变化表示不同地物的差异，如不同类型的植被、土壤、建筑物及水体等，这也是区分不同地物的理论依据。
利用光谱特征（地物电磁波辐射的多波段测量值）或纹理等空间结构特征，按照某种规则就能对地物在遥感图像上的信息进行识别与分类。
图像分类的目标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，进而把影像诸像元划分到各子空间去，从而实现分类[3]。
3．传统分类方法遥感影像的计算机分类方法可分为两种：统计判决分类和句法模式识别。
前者通过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。
后者则需要了解图像结构信息, 从而对其进行分类。
传统的分类方法一般为统计判决分类, 如最大似然法、K均值法等。
近年来发展的分类新方法则多采用句法方法, 如专家系统法和决策树分类法等。
根据是否已知训练样本的分类数据，统计模式方法可分为监督分类、非监督分类。
下面将具体介绍监督分类、非监督分类以及其它分类（如模糊分类和人工神经网络分类）的典型算法及其主要步骤。
遥感影像样本数据集研究综述
遥感影像样本数据集研究综述引言遥感影像样本数据集在遥感图像分析和机器学习领域起着至关重要的作用。
通过对遥感影像样本数据集的研究，可以提高遥感影像的解译精度和自动化程度，进一步推动遥感技术的发展。
本文将对遥感影像样本数据集的研究进行综述，包括数据集的构建方法、常用数据集的介绍以及应用案例的分析。
一、遥感影像样本数据集的构建方法1. 人工标注法人工标注法是构建遥感影像样本数据集最常用的方法之一。
通过专业人员对遥感影像进行目标标注，手动绘制目标的边界框或进行像素级别的标注，从而得到具有真实标签的样本数据集。
这种方法的优点是标注结果准确可靠，但标注过程相对耗时费力。
2. 半自动标注法半自动标注法是在人工标注的基础上，利用计算机辅助标注工具进行目标提取和标注。
例如，利用图像分割算法或目标检测算法，自动提取遥感影像中的目标并进行标注。
这种方法可以提高标注效率，但标注结果的准确性与算法的性能密切相关。
3. 数据增强法数据增强法是通过对已有样本数据进行一系列的变换和操作，生成更多的训练样本。
例如，旋转、缩放、翻转、加噪声等操作可以增加数据集的多样性。
数据增强法可以有效减少标注工作量，同时提高模型的泛化能力。
二、常用遥感影像样本数据集介绍1. NWPU-RESISC45NWPU-RESISC45是一个常用的遥感影像样本数据集，包含45个类别的遥感影像，共计31,500张图像。
该数据集涵盖了常见的城市和乡村地物，如建筑物、道路、田地等。
NWPU-RESISC45数据集广泛应用于目标识别、场景分类等任务。
2. UC Merced Land Use DatasetUC Merced Land Use Dataset是另一个常用的遥感影像样本数据集，包含了21个类别的遥感影像，共计2,100张图像。
该数据集涵盖了城市和乡村地物，如森林、河流、机场等。
UC Merced Land Use Dataset常用于地物分类和场景分析等研究领域。
- 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)。
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)02-0001-060 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。
国 土 资 源 遥 感2005年用改进的最大似然分类器提出了E M MLC遥感影像分类算法。
通过实际例子的综合比较,E M MLC方法对于比较接近的类别划分要优于传统的MLC方法,同时E M MLC保留了MLC方法Bayes先验知识融合的能力,使得辅助决策知识可以在Bayes理论的支持下参与分类,可以进一步提高分类的有效性。
但是,E M MLC只是一定程度上通过补充样本数据来纠正似然函数参数的估计,而每一个类别的分布仍然只是对单峰形式的逼近。
在密度分布特别复杂而呈现多峰形式,或者类别间相互交错等情况下, E M算法就需进一步扩展:①用E M算法对每一类密度分布进行再分解;②引进稳健统计理论排除密度分布之间或来自离散点的干扰[9]。
神经网络分类器无须考虑先验概率和条件概率密度函数模型,通过对样本反复训练得到判别函数,如B ischof等应用BP 网对T M图像分类[10],李祚泳应用BP网对机载MSS 的4波段图像分类[11],Salu等应用B inary D ia mond网对T M图像分类等[12]。
这2种类型的分类器都具有较好的分类效果,但是,在分类时他们都没有考虑图像类别的空间相关性。
通过将光谱空间上的图像像素类别标号过程看成一Markov随机场,可以实现含空间相关性的地物分类。
在应用Markov随机场模型分类时,使用的条件概率密度函数模型和参数估计的方法不同,实现也有很大差异,比如Ya mazaki等使用启发式的Markov模型对多光谱图像分类[13],条件概率密度函数采用MAR模型,参数估计使用最小均方误差估计,其精度高达98.28%。
于秀兰、莫红等用Markov 随机场模型进行多光谱遥感图像分类,其精度高于最大似然分类法[14]。
监督分类算法在解决分类问题中存在许多不足之处,要么仅仅能解决线性问题[15],要么虽能解决非线性问题,但是计算复杂度高[16],在效率上无法满足要求。
为此,近年来的研究热点———支持向量机(S VM)的3大基础理论(结构风险理论、二次优化理论、核空间理论)[17],用于解决非线性问题。
如胡自伸等利用葡萄牙里斯本地区T M图像做实验,并同采用神经网络方法的分类精度作比较,其精度高于基于神经网络分类的精度。
针对S VM核空间理论中核函数无法根据问题自适应地进行选择这一情况,刘伟强等又提出了一种核函数的选择策略———改进后的自适应最小距离分类法(K AMD)[16]。
通过实验,其分类精度明显高于自适应最小距离分类法的分类精度。
但是,K AMD法仅在一个核函数集合里有效,不能保证它有效地映射到合适的高维空间。
如朱建华利用自适应最小距离方法的监督分类实验表明,该方法精度可达92.9%,适用于多类别遥感图像分类[15]。
2.2 非监督分类方法非监督分类是在没有先验类别知识的情况下,根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理。
非监督分类方法是依赖图像的统计特征作为基础的,它并不需要具体地物的已知知识。
采用非监督分类还可以更好地获得目标数据内在的分布规律。
非监督分类方法有贝叶斯学习、最大似然度分类以及聚类(Clustering)。
无监督的贝叶斯方法和最大似然度方法与有监督的贝叶斯学习以及最大似然度方法基本相同,唯一的区别在于无已知类别的样本可供参考。
聚类技术是基于相似度概念和算法将性质很相似的样本聚为一类。
目前有效的聚类方法有:(1)超空间分类算法。
如K-means聚类[18]。
K-means方法属于动态聚类法,它以误差平方和最小作为聚类的评判准则[19]。
其优点是通过最小空间距离达到均衡状态,缺点是不能自动确定聚类数。
例如陈华、陈书海等利用K-means算法进行遥感分类,取得了很好的效果[19]。
(2)I S ODAT A算法。
该算法虽可自迭代由少到多地确定类数,但参数确定困难,一些距离参数要随维数的变化作相应的调整[18～20]。
超空间聚类对维数比较高的超谱遥感数据的聚类效果不理想,许多超谱图像聚类算法从所有波段中选择起主要作用的子集,既减少维数,又保留主要信息,但可能同时又丧失一些关键的分类特征。
(3)主成分分析算法(PCA)。
通过K-L变换抑制具有较少信息量的系数来实现数据维的减少,但求协方差矩阵相当耗时,它将多维光谱信息转换成少数几个主成分,这几个成分包含了大多数的图像信息,提高了分类的效率[21]。
(4)独立分量分析(I CA)方法。
它能从观测信号出发,估计出已知的信息量很少的源信号,而所获得的源信号是互相独立的。
主成分分析是基于二阶统计量的协方差矩阵,而独立分量分析则基于高阶的统计量,不但能实现主成份分析的去相关特性,而且能获得分量之间相互独立的特性。
因此,独立分量分析能获得较主成分分析更好的效果。
(5)正交子空间投影(OSP)方法[22,23]。
该方法选择一些主要目标或方向作为基,然后对所有像素・2・第2期李石华,等: 遥感图像分类方法研究综述进行正交投影,并在投影数据上继续寻找次优目标或方向。
OSP方法主要的基可表示绝大部分信息,从而减少数据维,因其分类结果是混合像元在不同基上的灰度表示,以致分类效果不明显,且分类数受波段数的限制。
(6)基于夹角余弦的相似系数聚类方法。
如王志刚等[21]将其应用在岩性识别中,吴革洪等[24]将其应用在储层油藏分类中,贺德化等[25]也证明了夹角余弦作为聚类结果的相似性度量指标是合理的,对真实分类下的类内样品差异不敏感,对类间距离差异敏感。
通过上述分析可知,基于统计分类的监督和非监督分类方法由于单一地依靠地物的光谱特征,因此对某些地区和某些地物的分类效果不理想,如果对分类器加以改进或者与其它方法结合使用,效果会更好。
为此,许多科学工作者在此基础上发展了其它新的分类方法。
3 人工神经网络分类神经网络属于非参数分类器,该方法用于遥感分类始于1988年。
其中多层感知器模型应用最为广泛。
人工神经网络是基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经网络系统。
当然,这种人工神经网络只是大脑的粗略而简单的模仿,在功能和规模上都比不上真正的神经网络。
近年来,神经网络被广泛应用于遥感图像分类。
不同学者分别提出或应用BP网[11]、三维Hopfield网[26]、径向基函数神经网络[27]和小波神经网络[28]等对遥感图像进行监督分类。
这些神经网络在遥感图像自动分类上都有一定的应用,并取得较好的效果[27～32]。
目前常用的方法是Ru m lhart、McClelland等提出的前向多层网络的反向传播(Back Pr opagati on)学习算法(简称BP算法)。
如,李颖、赵文吉利用Landsat图像分别采用成熟统计方法和流行神经网络方法对北京某地区土地利用信息分类提取,结果表明,神经网络明显优于统计方法[33]。