遥感图像分类方法的国内外研究现状与发展趋势.doc

遥感图像分类方法的国内外研究现状与发展趋势.doc

《遥感图像分类方法的国内外研究现状与发展趋势.doc》由会员分享，可在线阅读，更多相关《遥感图像分类方法的国内外研究现状与发展趋势.doc（9页珍藏版）》请在冰豆网上搜索。

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，且主要集中在一些技术发达国家，对其数据的研究和应用还十分有限。

近10年来情况出现了转机，1999年末第一台中分辨率成像光谱仪（MODIS）随美国EOSAM-1平台进入轨道，“新千年计划”第一星EO一1携带两种高光谱仪随后进入了太空。

此外，欧洲空间局的中分辨率成像光谱仪（MERIs）、日本ADEOS一2卫星的全球成像仪（Gu）以及美国轨道图像公司的轨道观察者4号（ORB一ⅥE1孵4）均相继升空。

一个高光谱群星灿烂的局面将展现在我们面前，可望形成遥感的突破性发展。

总之，不断提高传感器的性能指标，研制出新型传感器，开拓新的工作波段，获取更高质量和精度的遥感数据是今后遥感发展的一个必然趋势。

3.遥感的综合应用不断深化目前，遥感技术综合应用的深度和广度不断扩展，表现为从单一信息源分析向包含非遥感数据的多源信息的复合分析方向发展；从定性判读向信息系统应用模型及专家系统支持下的定量分析发展；从静态研究向多时相的动态研究发展。

地理信息系统为遥感提供了各种有用的辅助信息和分析手段，提高了遥感信息的识别精度。

另外，通过遥感的定量分析，实现了从区域专题研究向全球综合研究发展，从室内的近景摄影测量到大范围的陆地、海洋信息的采集乃至全球范围内的环境变化监测。

多时相遥感的动态监测，可获取我国当前城市化过程、耕地面积和生态环境变化的基本资料。

与此同时，国际上相继推出了一批高水平的遥感图像处理商业软件包，用以实现遥感的综合应用。

其主要功能包括影像几何校正与辐射校正、影像增强处理与分析、遥感制图、地理信息分析、可视化空间建模等。

4.商业遥感时代的到来随着卫星遥感的兴起，计算机与通信技术的进步以及各时期军事情报部门的需要，数字成像技术有了极大的提高。

世界各主要航天大国相继研制出各种以对地观测为目的的遥感卫星，并逐步向商用化转移。

因此，国际上商业遥感卫星系统得到了迅速发展，产业界特别是私营企业直接参与或独立进行遥感卫星的研制、发射和运行，甚至提供端对端的服务，也是目前遥感发展的一大趋势。

联合国制定的有关政策，在一定程度上鼓励了卫星公司制造商业高分辨率地球观测卫星的计划，这类卫星多为私营公司拥有，其地面分辨率为1～,5m。

如美国的IKONOS系列、QUICKBIRD系列、ORBVIEW系列和以色列的EROS系列等。

商业卫星遥感系统的特点是以应用为导向，强调采用实用技术系统和市场运行机制，注重配套服务和经济效益，成为非常重要的遥感信息的补充。

、此外，商用小型地球观测卫星计划正在实施之中，这种小卫星具有灵活的指向能力，可以获取高空间分辨率的图像并快速传回到地面，它投资小、研制周期短，备受重视。

二、遥感图像计算机分类方法

从1946年2月14日，世界上第一台电脑ENIAC诞生在宾夕法尼亚大学。

将近六十年过去了。

计算机从以前简单的只会计算到如今的集工作、娱乐各种功能于一身，从以前的巨型机到现在的微型机，历经着翻天覆地的变化。

面对这一个从满未知的领域，人们对其期待是巨大的。

个领域的发展都离不开计算的支持，将计算机技术引入遥感也是遥感技术发展的必然趋势。

遥感图像分类是利用计算机通过对遥感数据的光谱信息和空间信息进行分析、特征选择，并按照某种规则或算法将图像中每个像元划分为不同的类别。

在遥感分类中，有两种分类方法：

第一种是象元光谱分类法，即只利用象元的光谱特征对各象元进行分类。

这样分分类方法是现阶段比较简单的分类方法，也是计算集机分类中用的比较多的一种。

这种方法实现比较简单，但是由于仅仅只运用了遥感图像的象元光谱特征这一种性质，而遥感图像中反应的其他大量的信息都被忽略，所以分类的精度不是很好，应用前景不是很广泛。

第二种是面向对象分类法。

这种分类方法不仅是考虑到象元的光谱特性，而且同时也考虑到象元的空间关系，使得计算机在分类的时候能够收集到更多的信息。

面相对象分类法在今年发展很快，出现了很多新的方法，例如：

神经网络法、支持向量机SVM分类法、专家分类法。

同时，为了是分类精度提高，还引进了小波分析思想、分区分类思想等。

三、遥感图像分类原理

通常我们所指的遥感图像是指卫星探测到的地物亮度特征,它们构成了光谱空间。

每种地物有其固有的光谱特征,它们位于光谱空间中的某一点。

但由于干扰的存在,环境条件的不同,例如:

阴影,地形上的变化,扫描仪视角,干湿条件,不同时间拍摄及测量误差等,使得测得的每类物质的光谱特征不尽相同,同一类物质的各个样本在光谱空间是围绕某一点呈概率分布,而不是集中到一点,但这仍使我们可以划分边界来区分各类。

因此,我们就要对图像进行分类。

图像分类的任务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,进而把影像内诸像元划分到各子间去,从而实现分类。

分类方法可以分为统计决策法（判别理论识别法）模式识别和句法模式识别。

统计决策法模式识别指的是:

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。

主要的有监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇准则法和非监督分类中的按批修改的逐步聚类法、等混合距离法。

此外还可以将两者结合起来,互相补充以获得较好的效果。

句法模式识别则需要了解图像结构信息,从而对其进行分类。

四、传统统计的遥感分类方法

先从传统的遥感分类方面说起，该分类方法是目前运用较多，算法比较成熟的方法。

分为监督分类和非监督分类，他们的原理都是根据图像象元的光谱特征的相似度来进行的分类。

监督分类用于用户对分类区比较熟悉，由用户自己控制，非监督分类则是将象元相似度大小进行归类合并。

但是未充分利用遥感图像提供的多种信息，只考虑多光谱特征，没有利用到地物空间关系、空间位置形状、纹理等方面的信息。

1、监督分类

监督分类可根据应用目标和区域，有选择地决定分类类别，可控制样本的选择，避免了非监督分类中对光谱集群组的重新归类。

但个人认为其人为主观因素较强，操作者所选择的训练样本有可能不是很典型并且有可能不能反映图像的真实情况，所以图像中同一类别的光谱差异和人为因素，有可能造成样本没有代表性，并且训练样本的选取和评估需要花费较多的人力和时间。

2、非监督分类

非监督分类过程不需要任何的先验知识，仅凭遥感影像地物光谱特征的分布规律，随其自然地进行分类。

但是看文献时看到，非监督分类还有一个前提，那就是：

假定遥感影像上同类地物在同样条件下具有相同的光谱信息特征。

如果产生的光谱万一不一定对应于操作者想要的类别，且操作者较难对产生的类别进行控制，比如图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱无法保持其连续性，从而使不同图像之间的对比变得困难。

五、分类新方法研究进展

无论是监督分类还是非监督分类，都是依据地物的光谱特性的点独立原则来进行分类的，且都是采用的统计方法。

该方法只是根据各波段灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元很多是混合像元，带有混合光谱信息的特点，致使计算机分类面临着诸多模糊对象，不能确定其究竟属于哪一类地物。

而且，同物异谱和异物同谱的现象普遍存在，也会导致误分、漏分情况的出现，因此人们不断尝试新方法来加以改善和提高遥感图像分类的效率和质量。

这些新方法主要有决策树分类法、综合阈值法、专家系统分类法、多特征融合法、神经网络分类法以及基于频谱特征的分类法等。

近年来的研究大多将传统方法与新方法加以结合。

即在非监督分类和监督分类的基础上，运用新方法来改进，减少错分和漏分情况，对遥感图像的分类精度有了一定程度的增强。

六、发展前景与趋势

1、更加自动化和智能化。

目前遥感图像分类趋向于把知识理解和统计相结合，今后还将向自动化、智能化方向发展。

神经网络法的发展和广泛应用显示了自动化、智能化是一个很重要的发展趋势，因为它可以模拟人脑，吸取前期分类的经验，对于后期的分类作调整，进一步提高分类精度。

2、更加自动化和智能化。

目前遥感图像趋向于把知识理解和统计相结合，今后还将向自动化、智能化方向发展。

3、模糊分类与神经网络、基于知识的专家系统分类的结合也是一个发展方向。

4、纯像元提取方法将进一步解决混合像元问题。

如何提高分类结果的精度，一直是遥感图像分类所关注的热点问题，如果分类的精度达到90%以上，结果就比较理想了。

但由于地面本身的复杂性，地物类型的多样性，使得遥感图像上存在着同物异谱、同谱异物的现象，这时候就要多分析，多实验，例如把地物光谱分的更加细致，多利用地物的其他有效的特征。

5、从单一分类方法向复合分类方法发展。

单一分类方法往往不能对所有类别进行有效识别,复合分类方法通过不同分类方法的组合,可实现优势互补,显著提高分类的数目和精度。

6、从传统分类向智能分类方向发展。

以人工神经网络、专家系统等为代表的智能分类方法能够模拟人脑的结构和功能,组合各种带有因果关系的知识进行推理并得出结论,实现智能化的分类。

如何实现人工神经网络和专家系统的有机结合将成为今后研究的热点问题。

参考文献：

1、刘钦龙.基于人工神经网络模型的遥感图像分类方法研究[