矿山多元遥感图像信息自动分类方法

彭治力

（贵州省第一测绘院，贵州 贵阳 550025）

遥感技术广泛应用的重要途径之一就是遥感图像分类，分类的精度直接影响遥感数据的应用水平和实用价值。非监督分类的方法相对简单一些，但精度差 ；而监督分类有先验知识做指导，精度相对较高，但是需要地面采样，成本比较高。下文结合实践，分析遥感图像分类原理基础上，对遥感图像分类方法进行探讨[1]。

1 遥感图像分类原理

对于遥感图像而言，是指卫星探测的地物亮度特征，而且这种光谱特征具有固定性，形成了一定的光谱空间，出于光谱空间内的一点上，然而，因存在干扰因素，环境条件的差异性，如阴影、干湿条件、扫描仪的视角和测量误差等，各种物质光谱特征存在很大的差异性，在光谱空间上相同物质的不同样本，呈概率围绕某一点进行分布，不是集中进行分布的，但能够通过边界划分来对各类进行区分。所以要进行遥感图像分类，利用分析各类地物波谱特征，对特征参数进行选择，划分特征空间使其形成不相重叠的子空间，将影像中各像元进行子空间划分，达到分类的效果[2]。

2 遥感图像分类

2.1 监督分类与非监督分类

对于监督分类而言，就是利用已经获知的判别类别以及样本类别，对判别的准则以及函数进行确定，将已知类别一定数量样本的观测值，来求解待定参数，之后将未知类别样本观测值，在这个函数中带入，对其进行判别，同时在依照有关判别准则，判定此样本所属类别。还有一种分类为非监督分类，这种分类方式没有已知类别标准，在分类过程中，通过各种图像中地物特征所具有的差别类别特征进行分类，集群理论是其分类的基础，通过计算机集聚统计分析图像，依照待分类样本特征参数，进行特性统计，构建相应的决策开展分类，这种分类不需要对类别特征先知道。依照一定相似性，对分布样本空间，进行分割或者合并形成一群集，各个群集所对应地物类别，应当开展实地调查，相互比较已知地物类型，方才能够确定，这是一种重要的模式识别手段。

2.2 遥感数字图像的计算机分类

2.2.1 神经网络分类法

这种分类方式更加趋于自动化与人脑化，人的思维非常相似。利用这种方法进行遥感图像分类，可以将遥感分类存在的不确定性以及模糊性得到有效消除。利用这种方式能够更好的选择与抽取遥感图像目标地物，同时，对学习训练和分类器设计有着重要的促进作用。随着相关研究的不断深入，很多学者也提出基于小波神经网络。这种分类方法为严格“非参”的，分类过程中先验统一分布知识，不需要参与其中，选取的网络训练样本以及拓扑结构是其分类精度的依赖。在选择网络拓扑结构方面，理论分析还存在很大不足，这对神经网络发展起到了很大的限制作用。

2.2.2 模糊分类法

像元隶属度函数的确定是是开展模糊分类法的关键，这种分类是明显的软分类器。模糊统计分类是基于模糊集合理论下的分类器，人工神经网络模糊分类是基于神经计算技术为前提的，模糊分类还有基于知识的分类方法。

2.2.3 专家系统分类法

对于专家系统分类法而言，是在一个特定领域中，通过输入专家知识到计算机内，对人们解决问题起到良好的辅助作用。该分类方法是通过解译专家的方法与经验进行遥感图像分类的一种重要方法，但是应用这种方法进行分类过程中，需要构建相应的知识库。

2.2.4 支持向量机SVW分类法

这种分类方法是支持向量机在最小化结构风险以及统计学习理论VC维理论下产生的分类方法，对小样本学习问题解决发挥着重要的作用，识别具有高维模式和非线性特点。相关试验发现，在分类精度上SVM具有非常高的精度，在分类过程中发挥着非常重要的作用，然而，因统计学理论，发展完善以及应用过程时间较短，有很多问题还没有得到有效解决。

2.2.5 面向对象的分类方法

这种方法在分类过程中，获取影像区域对象智能信息，区域对象，是因分割影像产生的相邻同质像元集合体。单个像元不再是影像的最小单元，是由多个同质像元构成的多边形对象，都是基于对象进行分析，处理后续影像。

2.2.6 决策树分类法

这种分类方式，最重要的是对决策树各分支进行定义，其组成特点主要是由于根节点（1个）与内部节点（多个）一级终极点组所构成。定义决策树的过程中，首先对中级类别样本数据进行预知，并依照不同类别相似程度，逐步的进行聚类，各个聚类产生一个树节点，并以此点选择向下细分的相关有效特征，并向上产生“原级”。这种分类方式为非参数分类器，操作起来比较简单，而且也非常容易理解，对工作人员的专业知识要求不是很高。

3 分类后的精度评定

检验分类专题图，也就是检核其可信度，这在定量分析遥感图像中发挥着重要的作用，通常难以检核整幅分类图，了解和掌握各个像元是否错误与正确，主要是通过分类误差来进行估计。

样本采集过程主要包括三种方式 ：监督分类训练区样方式，在检验分类图精度过程中这种方式最不好 ；而专门选定试验场是检核分类图精度中较好的方式，将一些特定试验场作为分析专用，均匀有目的性的在各区进行分布，很多场地为随机分布的，存在很多的数量与类别，计算机中存储测定数据，有的还需要进一步测定 ；随机取样，则是依照特殊应用研究区中的性质以及制图类别，对于采样区进行设计，通常不是对单个像元进行获取，而是随机获取相缘群，这样可以在地图以及航片上对应区位置进行确定，通过地面测量样区信息，在地图和航片中进行提取。

4 结语

在分类遥感图像地物信息过程中，如何保证其分类精度，当前重要的工作目标，目视解译，可以将判读人员的丰富的知识与经验充分地利用，具有非常好的灵活性，但是耗时却非常多，个人差异比较突出。通过计算机进行分类过程中，空间分析以及逻辑推理方面还比较弱。

仅仅可以依照一定数学模型，对很多具有重复性的数值进行计算，对目标定量定位信息进行获取，利用目视判读手段能够确定目标的性质。同时计算机解译的遥感结果，也应当通过这种方式开展抽样核实与检验工作。所以在实际应用过程当中，通常对遥感图像分类方法研究以及开展精度评定，来利用计算机数字图像处理技术增强和变换遥感图像，工作人员通过目视判读，对目标的性质进行确定，再通过计算机，开展复杂定位工作，进行定量计算，定量和定性描述目标，抽样检验以及核实过程中，也是通过目视解译手段来进行，充分有效将二者结合起来，大大保证了分类精度。

预处理图像以及新分类方法的出现，这些也是为了更好的保证分类精度，在实际应用时，应当对多时相多源遥感数据进行充分利用，通过遥感图像，将各种信息提供出来，将计算机分类传统以及新方法综合考虑，充分结合人工智能和模式识别技术，并于专家知识库中成像规律以及目标地物，解译经验充分结合，展开详细的分析与推理，更好地理解遥感图像，很好地完成对遥感图像的解译。