多分类器组合方法在基于遥感图像的土地利用分类方面的应用
来源:用户上传
作者:
摘 要:介绍了基于遥感图像的土地利用分类方面应用的研究背景、国内外研究现状,给出了使用提出的多分类器组合方法指导应用实例的研究方法。
关键词:监督分类方法 综合分类方法 多分类器组合法
中图分类号:P237 文献标识码:A 文章编号:1007-9416(2010)12-0077-01
1 研究背景
遥感不仅可以获得多波段、多分辨率的动态观测数据,而且对不同时相、不同传感器的遥感影像能够进行融合分析,可以及时可靠地从影像中提取出变化的信息,遥感作为一种采集地理信息的重要手段,在短短的几十年内,为地球科学研究提供了大量的第一手信息。
运用遥感技术进行土地利用现状调查,以摸清土地的数量及分布状况,是遥感应用中最早、研究最多的一项基础性工作。土地利用的分类研究是建立在制图、监测、管理等方面的研究工作基础上进行的,当前主要的土地利用分类技术主要是依赖于获取的土地利用信息以及对它的处理方法,但现有的信息获取会受到时间、空间和光谱分辨力的限制。
2 国内外研究现状
使用遥感技术获取土地利用信息的一个非常重要的中间环节就是分类。而当前的遥感影像分类中,常见的是非监督和监督分类方法:例如马氏距离分类,最大似然分类等监督分类方法。但是由于遥感图像中“同物异谱”以及“同谱异物”现象的存在,容易造成较多的错分、漏分情况,导致分类精度较低。伴随着遥感技术的发展,近年来出现了一些新的分类思想方法,如面向对象分类方法,多分类器组合方法等,使其分类精度有了大幅的提高。
2.1 基于传统方法的土地利用分类方法
传统的遥感图像的分类方法一般有两种:监督分类方法和非监督分类方法。
监督分类法是先学习后分类法。它是通过选取并训练训练样本,并以此作为图像分类的判别依据,并按照一定的分类标准对所有图像像元进行判别处理,将特征相似同时满足一定规则的像元归并到同一类别中。
非监督分类方法则是在没有先验知识的情况下,仅根据图像本身的统计特征以及自然点群的分布情况来对地物的种类进行分类处理,分类后,需要根据实际情况对分出的各种类别地物属性进行确认,也称作“边学习边分类法”
2.2 面向对象的分类方法
面向对象分类提取方法是近年来较为流行的一种新的信息提取方法。它与传统的分类方法相比,最大的差异是:面向对象分类方法不是基于单个像元,而是基于具体的影像对象或更直接一点说就是某个区域。影像对象就是对影像进行分割而形成的初始较为同质的影像对象,使得同类地物之间的光谱变化被减小,不同类型地物之间的光谱差异增大,增加了不同类别间的可分离性。
2.3 综合分类方法
虽然遥感图像的分类算法很多,但实际上还没有哪一种算法是普遍通用的,也就是说,几乎没一种算法都受到具体的实际条件的局限。而综合分类方法就是在这种条件下产生的,综合分类方法就是研究者根据研究区域的实际情况将其他分类方法进行综合来进行分类的一种方法,这种方法具有专一性,用于另外的研究区域可能就不适用了。田青等将David W.Goodall的基于概率的相近指数理论应用在遥感图像和其它空间数据综合分类中,并首次在GRASS环境下实现了基于David W.Goodall的相近指数的遥感图像和其它空间数据综合分类算法,同时对该算法进行了测试,将分类结果与其它几种较流行的分类方法结果进行了比较,取得了较好的效果。
2.4 多分类器组合法
探索新的技术与方法,对遥感影像图进行更精确的分类一直是遥感图像处理的关键性问题。经过几十年的发展,伴随着遥感图像分辨率的提高,基于遥感图像的土地利用信息自动提取技术取得了巨大进展。而随着人工智能技术和理论的发展,当前遥感图像分类的研究也向着更高层次的方向发展,目前,常见的土地利用信息提取技术主要包括三种,基于像元的提取技术、面向对象提取技术以及多分类器组合分类技术。但由于传统的基于像元的技术存在比较大的缺陷,研究家们开始尝试几种方法的结合(即多分类器组合)。对于高分辨率的遥感影像,尽管各种子分类器分类性能有所差异,而且针对某一种类的分类精度不尽相同,但被不同分类器错分的样本并不完全重合。即对于某个分类器错分的样本,运用其它子分类器有可能得到正确的分类结果,这表明不同分类器对于分类信息互补,因此可以将各子分类器进行组合,得到比单一子分类器更高的分类精度。
近十年来,在基于多分类器组合的遥感图像分类技术方面国外许多学者已经走在了前面,Bachmann等采用基于决策树的分类器组合方法应用于遥感分类,分类精度得到明显提高。Kumar等采用层次多类器组合方法进行高光谱影像特征提取,这种方法不仅自动化程度高,更重要的是结果比较准确。
同时,国内许多学者在这方面的研究也在深入进行,张秀英等采用ISODATA、马氏距离、最大似然、人工神经网络和专家系统法组成多分类器组合的方法对城市植被进行分类。精度评价表明:多分类器结合分类方法显著提高了信息识别的能力,而且多分类器结合的方法比单个子分类器获得的最高分类精度提高5.5%,Kappa系数提高7.4%。周伟等将线性组合多分类器应用于遥感图像分类中,并通过提出一种EPD熵值度量方法来度量各子分类器之间的差异性,实验结果表明:多分类器组合的分类性能得到显著提高。柏延臣等以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别采取了抽象级上相同训练特征的多分类器组合、抽象级上不同训练特征的多分类器组合以及测量级上的多分类器组合来进行土地覆被分类。结果表明:每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。
3 应用实例
本研究使用的是全国第二次土地调查山西省某县DOM正射影像图(2007年9月航拍)。本研究从某县共76幅正射影像中选取其中一幅包含了丰富地物类型的影像图来进行研究。由于图像包含的数据量过大,因此在进行分类研究前首先对影像进行裁剪。同时为了提高单分类器的分类精度,在正式分类前,先进行分类前预处理,如纹理滤波等,将纹理与图像叠加产生新的包含纹理属性的影像,在此基础上,首先选取ROI样本进行子分类器的训练,子分类器方法主要有两种,非监督分类与监督分类。非监督分类方法采用的是:ISODATA方法及K-MEANS。监督分类方法采用的是:平行六面体法、最小距离法、最大似然分类法、马氏距离法、支持向量机分类法、BP神经网络法、波谱角分类以及二进制编码分类法。研究中将该地区分为了七类:水浇地、旱地、林地、其他草地、水域(颜色较深的水域)、建设用地及水域2(颜色较浅的水域即浅滩)。然后选取分类性能以及多样性相对较好的三种分类器进行多分类器融合分类。分类借助于ENVI 4.5遥感图像处理软件及IDL等工具,研究重点在于多分类器组合中各子分类器的选取、多分类器算法的选择以及组合规则的制定。经过多次尝试确定组合多分类器的各子分类器以及算法之后,通过制定相应的分类规则对实验区遥感影像进行分类处理,获得了良好的分类结果。并将结果与传统的非监督分类和监督分类进行比较,得出相很好的结论。
参考文献
[1] 陈述彭.地学的探索―地球信息科学[M].北京:科学出版社,2003:89-91.
[2] 周成虎,骆建承,杨晓梅,等.遥感影像地学理解与分析[M].北京:科学出版社,2003:132-133.
转载注明来源:https://www.xzbu.com/8/view-9026077.htm
