【導(dǎo)讀】遙感圖像分類一直是遙感研究領(lǐng)域的重要內(nèi)容，如何解決多類別的圖像的分類識(shí)別并滿足一定的精度，是遙感圖像研究中的一個(gè)關(guān)鍵問(wèn)題，具有十分重要的意義。遙感圖像的計(jì)算機(jī)分類是通過(guò)計(jì)算機(jī)對(duì)遙感圖像像素進(jìn)行數(shù)值處理，達(dá)到自動(dòng)分類識(shí)別地物的目的。遙感圖像分類主要有兩類分類方法：一種是非監(jiān)督分類方法，另一種是監(jiān)督分類方法。非監(jiān)督分類方法是一個(gè)聚類過(guò)程，而監(jiān)督分類則是一個(gè)學(xué)習(xí)和訓(xùn)練的過(guò)程，需要一定的先驗(yàn)知識(shí)。非監(jiān)督分類由于不能確定類別屬性，因此直接利用的價(jià)值很小，研究應(yīng)用也越來(lái)越少。但是不同的方法有其不同優(yōu)缺點(diǎn)，分類效果也受很多因素的影響。本文在對(duì)國(guó)內(nèi)外遙感圖像分類方法研究的進(jìn)展進(jìn)行充分分析的基礎(chǔ)上，應(yīng)用最大似然分類法、ISODATA分類法對(duì)鶴壁市Geoeye遙感圖像進(jìn)行了分類研究。通過(guò)綜合分析發(fā)現(xiàn)本次研究ISODATA方法分類精度較低，最大似然法分類精度較高。

　　

【正文】 12223483197%C5520010211%D01811690188%E04006165%行數(shù)據(jù)和8315323621864754生產(chǎn)者精度%%%%%Khat=% 總體精度＝（77+122+200+169+61）/ 754 ＝ % ％。但是，假如我們最感興趣的是區(qū)分類型B的能力、我們能夠計(jì)算這個(gè)類型的生產(chǎn)者精度，通過(guò)B類中的正確分類數(shù)(122)與參考數(shù)據(jù)中B類總數(shù)(153)之比，％，這個(gè)結(jié)果是比較好的。假如就此為止，可能會(huì)得出這樣一個(gè)結(jié)論：盡管總體精度是還可以(％)，但對(duì)B 類來(lái)說(shuō)、分類精度是足夠了。得出這樣一個(gè)結(jié)論可能會(huì)導(dǎo)致一個(gè)嚴(yán)重錯(cuò)誤。讓我們計(jì)算一下使用者精度，即B類的正確像元數(shù)(122)與所有被分到B類的像元數(shù)的和(197)之比，％。換句話說(shuō)，％B類被正確分類為B，％為實(shí)際的B類。仔細(xì)看一下分類精度矩陣，就會(huì)發(fā)現(xiàn)許多C類和D類被錯(cuò)分為B類。因此，％的B類，但對(duì)這張分類圖的使用者來(lái)說(shuō)，％是真正的B。在大多數(shù)情況下，對(duì)某一類的分類結(jié)果，通常要求分類者精度和使用者精度都要達(dá)到某一精度。 Kappa 分析利用總體精度、生產(chǎn)者精度或使用者精度的一個(gè)缺點(diǎn)是像元類別的小變動(dòng)可能導(dǎo)致其百分比變化，運(yùn)用這些指標(biāo)的客觀性取決于采樣樣本以及方法。除了以上各種描述性的精度測(cè)量，在誤差矩陣基礎(chǔ)上利用各種統(tǒng)計(jì)分析技術(shù)可以用于比較不同的分類方法，其中最常用的是Kappa 分析技術(shù)。Kappa 分析技術(shù)是一種多變量統(tǒng)計(jì)分析技術(shù)，它在統(tǒng)計(jì)意義上反映分類結(jié)果在多大程度上優(yōu)于隨機(jī)分類結(jié)果，并可以用于比較兩個(gè)分類器的誤差矩陣是否具有顯著差別。Kappa 分析用來(lái)決定兩個(gè)誤差矩陣之間是否有顯著性的差別，其產(chǎn)生的評(píng)價(jià)指標(biāo)被稱為 KHAT 統(tǒng)計(jì)，Khat統(tǒng)計(jì)是一種測(cè)定兩幅圖之間吻合度或精度的指標(biāo)，其公式為： 公式（44）式中，r 為誤差矩陣中的總列數(shù)(即總的類別數(shù))；為誤差矩陣中第 i 行、第i列上像元數(shù)量(即正確分類的數(shù)目):和分別是第i行和第i列上總像元數(shù)量：N是總的用于精度評(píng)價(jià)的像元數(shù)量?？傮w精度只用到了位于對(duì)角線上的像元數(shù)量，而Khat則既考慮了對(duì)角線上被正確分類的像元，同時(shí)也考慮到了不在對(duì)角線上各種漏分和錯(cuò)分的誤差。因此，這兩個(gè)指標(biāo)往往并不一致。 此次實(shí)驗(yàn)對(duì)所用影像圖進(jìn)行的兩種分類方法結(jié)果的精度驗(yàn)證及kappa系數(shù)見(jiàn)下 表42 最大似然分類法分類精度表分類waterbare landbuildingvegetationroad/yard使用者精度100.%%%%%生產(chǎn)者精度%%%%%總體精度%Kappa系數(shù) 表43 ISODATA分類精度表分類waterbare landbuildingvegetationroad/yard使用者精度100%%%%%生產(chǎn)者精度%%%%%總體精度%Kappa系數(shù)從上面兩個(gè)表中可以看出（監(jiān)督分類）最大似然分類法的分類精度比（非監(jiān)督分類）ISODATA分類法的分類精度高些?；谧畲笏圃淼谋O(jiān)督分類的優(yōu)勢(shì)在于如果空間聚類呈現(xiàn)正態(tài)分布，那么它會(huì)減少分類誤差，而且分類速度較快。監(jiān)督分類的主要缺陷是必須在分類前圈定樣本性質(zhì)單一的訓(xùn)練樣區(qū)。由于“同物異譜”和“同譜異物”現(xiàn)象的存在，容易產(chǎn)生混分現(xiàn)象。如：建筑和道路、林地和水域、草地和林地等容易混淆。不易區(qū)分。 本章主要介紹應(yīng)用最大似然方法和ISODATA方法對(duì)研究區(qū)進(jìn)行分類實(shí)驗(yàn)，詳細(xì)介紹每種分類方法的實(shí)現(xiàn)過(guò)程，并綜合了對(duì)分類結(jié)果圖的分析和利用混淆矩陣和Kappa 系數(shù)計(jì)算結(jié)果對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。通過(guò)本次實(shí)驗(yàn)，我們發(fā)現(xiàn)這兩種不同的方法總體精度的計(jì)算結(jié)果較高，但是從某種實(shí)際應(yīng)用中，可能達(dá)不到需要的要求，比如要想很好地統(tǒng)計(jì)低層建筑地和高層建筑地的面積大小，那么誤差就較大，特別是在城區(qū)中出現(xiàn)較多的誤分為水體或陰影的像元。今后研究的方向?qū)⒅亟鉀Q此類問(wèn)題。三種不同的方法各有優(yōu)缺點(diǎn)，從總體上看ISODATA分類精度較低，沒(méi)有最大似然方法分類效果好。 5總結(jié)與展望 遙感圖像的計(jì)算機(jī)分類是遙感應(yīng)用的一個(gè)重要組成部分。其實(shí)質(zhì)是通過(guò)計(jì)算機(jī)對(duì)遙感圖像像元進(jìn)行數(shù)值處理，達(dá)到自動(dòng)識(shí)別地物的目的。近年來(lái)，隨著遙感理論技術(shù)發(fā)展，遙感數(shù)字圖像分類處理方法和手段越來(lái)越多。 本文把握遙感數(shù)字圖像分類的整個(gè)過(guò)程，對(duì)分類過(guò)程中的主要環(huán)節(jié)——樣本的確定、分類特征的選擇與提取、分類實(shí)現(xiàn)與分類精度評(píng)價(jià)等進(jìn)行分析研究，主要討論了最大似然法、ISODATA分類方法在遙感圖像分類中的具體應(yīng)用。具體作了以下幾個(gè)方面的研究工作： 1）對(duì)近年來(lái)國(guó)內(nèi)外對(duì)遙感圖像分類方法的研究成果和最新進(jìn)展進(jìn)行搜集、整理和總結(jié)。 2）總結(jié)介紹了遙感圖像分類技術(shù)的基本理論和具體過(guò)程。詳細(xì)介紹了在本文分類實(shí)現(xiàn)中所需的樣本的選取方法、分類特征的分析與選取、分類器設(shè)計(jì)與不同分類方法的實(shí)現(xiàn)。 3）具體分析了兩種分類方法的對(duì)于本研究區(qū)的分類實(shí)驗(yàn)結(jié)果，并且綜合分類結(jié)果圖像的分析和利用混淆矩陣和Kappa 系數(shù)的統(tǒng)計(jì)計(jì)算對(duì)分類結(jié)果進(jìn)行了詳細(xì)的精度評(píng)價(jià)。在使用相同樣本的條件下得出：ISODATA分類方法分類精度較低，沒(méi)有最大似然法分類效果好。 由于遙感圖像分類的研究涉及到眾多的科學(xué)研究領(lǐng)域，內(nèi)容繁多，同時(shí)也由于時(shí)間和研究水平的限制，使得論文存在一些不完善之處，還有許多問(wèn)題有待進(jìn)一步研究: 1）在樣本的確定上，由于缺乏足夠的參考信息和足夠多的實(shí)地調(diào)查信息，參考的高分辨率影像與所研究區(qū)的影像不是一個(gè)時(shí)間段的，加上目視解譯的判斷，因而對(duì)研究區(qū)地物類型判斷上出現(xiàn)偏差，進(jìn)而影響分類樣本。 2）分類中使用分類特征只是基于光譜特征，過(guò)于單一，有待進(jìn)一步研究。在實(shí)驗(yàn)中，使用的ENVI軟件存在局限性。隨著遙感技術(shù)的不斷發(fā)展，遙感圖像的分辨率有了很大提高，但分類技術(shù)還跟不上遙感技術(shù)自身的發(fā)展。未來(lái)遙感圖像分類技術(shù)發(fā)展趨勢(shì): 1)對(duì)于分類特征的選擇除了考慮光譜特征外，還可進(jìn)一步研究其他特征如地物的幾何形狀、紋理特征，以及非光譜特征等，并對(duì)所有特征綜合選擇。 2)綜合運(yùn)用取長(zhǎng)補(bǔ)短“。一般非監(jiān)督分類只用作分類輔助，實(shí)際分類中很少單獨(dú)使用非監(jiān)督分類方法。通過(guò)參考非監(jiān)督分類的結(jié)果，可以對(duì)監(jiān)督分類進(jìn)行修改和調(diào)整。高光譜遙感圖像的特征是把地物波譜分的更加細(xì)致。因此對(duì)于存在“‘同物異譜”、“同譜異物”現(xiàn)象而且形狀特征也不明顯的地物用高光譜數(shù)據(jù)比常規(guī)遙感數(shù)據(jù)更容易加以區(qū)分如對(duì)于性質(zhì)相同而幾何特征不同的地物則可采取利用幾何特征和紋理特征發(fā)展的面向?qū)ο蟮姆诸惙椒āｋS著遙感技術(shù)不斷發(fā)展，遙感圖像分類應(yīng)用要求不斷提高，遙感圖像分類方法也在不斷發(fā)展，各種分類新方法新工具不斷引入分類系統(tǒng)中，但是各種方法各有其優(yōu)缺點(diǎn)和使用條件。因此需要對(duì)這些方法不斷的深入研究，以期待著對(duì)遙感圖像分類方法有新的突破。 致 謝本文是在成曉倩老師的悉心指導(dǎo)下完成的。在我的論文完成的整個(gè)階段，成老師都給予了指導(dǎo)和熱心的幫助，他經(jīng)常開會(huì)，給我們思想指導(dǎo)，為我們訂正開題報(bào)告不足之處，細(xì)心指出我們每個(gè)學(xué)生的缺點(diǎn)，一切一切歷歷在目。在此謹(jǐn)向老師表示最崇高的敬意和最衷心的感謝。同時(shí)，論文的完成也得到了其他老師的幫助，在大學(xué)四年里，你們一絲不茍的教學(xué)態(tài)度和謙虛謹(jǐn)慎的處世態(tài)度深深影響了我，教給了我大量科學(xué)知識(shí)，我表示衷心的感謝，謝謝你們的培育和教誨。感謝我的家人，正是由于他們的支持和鼓勵(lì)，才使得我有信心和毅力順利完成學(xué)業(yè)。還要感謝幫助我的同學(xué)和朋友，在這即將畢業(yè)的彌留之際，我們精誠(chéng)合作，互相討論，互相幫助，從中我受益頗多，在此我向他們表示真誠(chéng)的謝意！由于作者水平和時(shí)間有限，論文中難免有不當(dāng)之處，誠(chéng)摯的感謝各位專家、老師給予批評(píng)指正，最后衷心感謝各位專家、老師在百忙之中評(píng)閱我的論文！參考文獻(xiàn) [1] 梅安新，彭望，秦其明，[M]. 北京:高等教育出版社，2001 [2] [J].遙感信息，2001，1: 37381 [3] 陳述彭，[M]. 北京:測(cè)繪出版社，1990 [4] M. Oruc, A. M. Marangoz, G. Buyuksalih. COMPARISON OF PIXELBASED AND OBJECTORIENTED CLASSIFICATION APPROACHES USING LANDSAT7 ETM SPECTRAL BANDS [5] [M]. 武漢:武漢大學(xué)出版社，2003 [6] 戴昌達(dá)，姜小光，[M]. 北京:清華大學(xué) 出版社，2004 [7] 尤紅建，蘇林，李樹楷，“數(shù)字城市”的遙感信息獲取與處理 系統(tǒng)[J]. 國(guó)土資源遙感，2003（1）：1 4 [8] 景毅剛，張京紅. 遙感圖像處理系統(tǒng)ENVI及其在MODIS 數(shù)據(jù)處理中的 應(yīng)用[J]. 西安：陜西氣象，2004（1）：27 29 [9] Definients Image GmbH. Ecognition User Guider(R). Germany, 2000. 198210. [10] (自然科 學(xué)版)[J]，2005，25(2): 6972.[11] ， 1999，1: 1216. [12] 曹寶，秦其明， 遙感圖像分類中的 應(yīng)用—，2006，22(2): 4649. [13] [M].任翔，王建，:武漢大 學(xué)出版社，2003: 117130. [14] 羅旭，李春干， 用于林區(qū)高分辨率遙感圖像 ，2005，27(2): 4851. [15] 余明， 影像的水體信息提取以及在濕地分類中的應(yīng)用 ，2006: 4446. [16] 翁永鈴， 2003:4953.[17] 學(xué)學(xué)報(bào)(自然科學(xué)版)，2006，36(3): 5862.[18] 劉詠梅，李銳， 研究—，2006，22(1): 361365.[19] BAATZ,M. A. S. (2000) . Multiresolution segmentation optimization approach for high quality multiscaleimage segmentation. Angewandte Geographische Information sverarbeitung XI. England. p. 282.[20] 初佳蘭，張杰，、QuickBird衛(wèi)星遙感數(shù)據(jù)提取東沙島 ，2006，24(2): 7985.[21] 趙萍，馮學(xué)智， ，2003，7(4): 309314.[22] [J]中國(guó)農(nóng) 學(xué)通報(bào)2009(8).[23] [J]中國(guó) 農(nóng)業(yè)氣象2009(4).[24] 龔文瑜GIS輔助遙感影像分類概述[J]地理空間信息 2006(2).[25] 蒲智面向?qū)ο蟮募夹g(shù)在城市綠地信息提取中的應(yīng)用[D]碩士 2006.[26] [D]博士 2006。[27] [J]中國(guó)圖 象圖形學(xué)報(bào) 2005(12).[28] 黨安榮，王曉棟，陳曉峰，等. ERDAS IMAGINE遙感圖像處理方法. 北 京:清華大學(xué)出版社，2003.[29] Robert M Texture Features for Image Classification 1973(06).[30] Hush D R Progress in supervised neural networks[J] 1993(01).[31] Heermann P D Classification of multispectral remote sensing data using a back propagation neural network[J] 1992(1).[32] Haysin S Neural Networks:A Comprehensive Foundation 1994.[33] Boschof H Multispectral classification of landsatimages using neural networks[J] 1992.[34] Benedoltsson J A Neural network approaches versus statistical methods inclassification of multisource remote sensing data[J] 1990(4).[35] Devijve P. A Pattern Recognition:A statistical approach Englewood Cliffs 1982.[36] Unser M .Sum and difference histograms for texture classification [J] 1986. 39