【導讀】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別并滿足一定的精度，是遙感圖像研究中的一個關(guān)鍵問題，具有十分重要的意義。遙感圖像的計算機分類是通過計算機對遙感圖像像素進行數(shù)值處理，達到自動分類識別地物的目的。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)督分類方法是一個聚類過程，而監(jiān)督分類則是一個學習和訓練的過程，需要一定的先驗知識。非監(jiān)督分類由于不能確定類別屬性，因此直接利用的價值很小，研究應用也越來越少。但是不同的方法有其不同優(yōu)缺點，分類效果也受很多因素的影響。本文在對國內(nèi)外遙感圖像分類方法研究的進展進行充分分析的基礎(chǔ)上，應用最大似然分類法、ISODATA分類法對鶴壁市Geoeye遙感圖像進行了分類研究。通過綜合分析發(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、我們能夠計算這個類型的生產(chǎn)者精度，通過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，％，這個結(jié)果是比較好的。假如就此為止，可能會得出這樣一個結(jié)論：盡管總體精度是還可以(％)，但對B 類來說、分類精度是足夠了。得出這樣一個結(jié)論可能會導致一個嚴重錯誤。讓我們計算一下使用者精度，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，％B類被正確分類為B，％為實際的B類。仔細看一下分類精度矩陣，就會發(fā)現(xiàn)許多C類和D類被錯分為B類。因此，％的B類，但對這張分類圖的使用者來說，％是真正的B。在大多數(shù)情況下，對某一類的分類結(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缺點是像元類別的小變動可能導致其百分比變化，運用這些指標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量，在誤差矩陣基礎(chǔ)上利用各種統(tǒng)計分析技術(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)計分析技術(shù)，它在統(tǒng)計意義上反映分類結(jié)果在多大程度上優(yōu)于隨機分類結(jié)果，并可以用于比較兩個分類器的誤差矩陣是否具有顯著差別。Kappa 分析用來決定兩個誤差矩陣之間是否有顯著性的差別，其產(chǎn)生的評價指標被稱為 KHAT 統(tǒng)計，Khat統(tǒng)計是一種測定兩幅圖之間吻合度或精度的指標，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是總的用于精度評價的像元數(shù)量?？傮w精度只用到了位于對角線上的像元數(shù)量，而Khat則既考慮了對角線上被正確分類的像元，同時也考慮到了不在對角線上各種漏分和錯分的誤差。因此，這兩個指標往往并不一致。 此次實驗對所用影像圖進行的兩種分類方法結(jié)果的精度驗證及kappa系數(shù)見下 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)勢在于如果空間聚類呈現(xiàn)正態(tài)分布，那么它會減少分類誤差，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。 本章主要介紹應用最大似然方法和ISODATA方法對研究區(qū)進行分類實驗，詳細介紹每種分類方法的實現(xiàn)過程，并綜合了對分類結(jié)果圖的分析和利用混淆矩陣和Kappa 系數(shù)計算結(jié)果對分類結(jié)果進行精度評價。通過本次實驗，我們發(fā)現(xiàn)這兩種不同的方法總體精度的計算結(jié)果較高，但是從某種實際應用中，可能達不到需要的要求，比如要想很好地統(tǒng)計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此類問題。三種不同的方法各有優(yōu)缺點，從總體上看ISODATA分類精度較低，沒有最大似然方法分類效果好。 5總結(jié)與展望 遙感圖像的計算機分類是遙感應用的一個重要組成部分。其實質(zhì)是通過計算機對遙感圖像像元進行數(shù)值處理，達到自動識別地物的目的。近年來，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越多。 本文把握遙感數(shù)字圖像分類的整個過程，對分類過程中的主要環(huán)節(jié)——樣本的確定、分類特征的選擇與提取、分類實現(xiàn)與分類精度評價等進行分析研究，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用。具體作了以下幾個方面的研究工作： 1）對近年來國內(nèi)外對遙感圖像分類方法的研究成果和最新進展進行搜集、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程。詳細介紹了在本文分類實現(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)計與不同分類方法的實現(xiàn)。 3）具體分析了兩種分類方法的對于本研究區(qū)的分類實驗結(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)計計算對分類結(jié)果進行了詳細的精度評價。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研究領(lǐng)域，內(nèi)容繁多，同時也由于時間和研究水平的限制，使得論文存在一些不完善之處，還有許多問題有待進一步研究: 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)的影像不是一個時間段的，加上目視解譯的判斷，因而對研究區(qū)地物類型判斷上出現(xiàn)偏差，進而影響分類樣本。 2）分類中使用分類特征只是基于光譜特征，過于單一，有待進一步研究。在實驗中，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。未來遙感圖像分類技術(shù)發(fā)展趨勢: 1)對于分類特征的選擇除了考慮光譜特征外，還可進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，并對所有特征綜合選擇。 2)綜合運用取長補短“。一般非監(jiān)督分類只用作分類輔助，實際分類中很少單獨使用非監(jiān)督分類方法。通過參考非監(jiān)督分類的結(jié)果，可以對監(jiān)督分類進行修改和調(diào)整。高光譜遙感圖像的特征是把地物波譜分的更加細致。因此對于存在“‘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)缺點和使用條件。因此需要對這些方法不斷的深入研究，以期待著對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下完成的。在我的論文完成的整個階段，成老師都給予了指導和熱心的幫助，他經(jīng)常開會，給我們思想指導，為我們訂正開題報告不足之處，細心指出我們每個學生的缺點，一切一切歷歷在目。在此謹向老師表示最崇高的敬意和最衷心的感謝。同時，論文的完成也得到了其他老師的幫助，在大學四年里，你們一絲不茍的教學態(tài)度和謙虛謹慎的處世態(tài)度深深影響了我，教給了我大量科學知識，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，才使得我有信心和毅力順利完成學業(yè)。還要感謝幫助我的同學和朋友，在這即將畢業(yè)的彌留之際，我們精誠合作，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的謝意！由于作者水平和時間有限，論文中難免有不當之處，誠摯的感謝各位專家、老師給予批評指正，最后衷心感謝各位專家、老師在百忙之中評閱我的論文！參考文獻 [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:武漢大學出版社，2003 [6] 戴昌達，姜小光，[M]. 北京:清華大學 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 應用—，2006，22(2): 4649. [13] [M].任翔，王建，:武漢大 學出版社，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用 ，2006: 4446. [16] 翁永鈴， 2003:4953.[17] 學學報(自然科學版)，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，馮學智， ，2003，7(4): 309314.[22] [J]中國農(nóng) 學通報2009(8).[23] [J]中國 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用[D]碩士 2006.[26] [D]博士 2006。[27] [J]中國圖 象圖形學報 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