胡伟强 鹿艳晶
郑州职业技术学院软件工程系 河南 郑州 450121
摘 要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结，对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。
教育期刊网 http://www.jyqkw.com
关键词 ：遥感图像；监督分类；分类精度
1 概述
遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。
2 传统遥感图像分类方法
2.1 非监督分类方法
非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A, ISODATA）等。
2.2 监督分类方法
对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification, MLC）、最小距离分类、K-近邻分类等。
3 基于新理论的遥感图像分类方法
3.1 基于人工神经网络的遥感图像分类
在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其中，主要的神经网络分类方法包括BP神经网络、径向基函数（Radial Basis Function, RBF）神经网络等。
3.2 遥感图像的复合分类方法
这种方法分类时，首先用监督分类法（或非监督分类法）将遥感图像概略地划分成几个大类，再用非监督分类法（或监督分类法）对第一步已分出的各个大类进行细分，直到满足要求为止。如靳文戟等提出的分级复合分类方法，结合了多层神经网络BP模型和非监督分类算法K-means算法。这样不仅避免了多层神经网络在识别类别多时学习速率慢，不易收敛的缺点，还使得迭代次数减少。
3.3 基于模糊理论的遥感图像分类方法
模糊理论是1965年扎德提出的，模糊理论往往用于对不确定性事物的描述。模糊模式分类是依据隶属原则进行判别。这种方法的关键是确定适当的隶属度函数。在实际的模式分类问题中，要分类的对象往往不是论域中的某个确定元素，而是论域中的模糊子集，此时研究的不是某元素对集合的隶属程度，而是两个模糊子集之间的贴近程度。
3.4 基于小波理论的遥感图像分类方法
小波分析是上个世纪80年代迅速发展起来的应用数学分支。小波理论具有良好的时频局部特性，从而能够从时域和频域的角度精确描述图像的特征。小波函数可以看作是一个带通滤波器的系统响应，小波变换是将原始信号用一组多尺度带通滤波器进行滤波，将信号分解到多个频带上分析。因而小波分析在图像降噪、分类、分割和压缩等领域得到了广泛的应用。
3.5 基于支持向量机的遥感图像分类方法
支持向量机是基于两类问题提出的，遥感图像涉及的一般是多类问题，需要将两类SVM进行扩展才能适合于多类别分类问题。为此不少学者提出了几种改进方法，①对于多类SVM，可以组合几个二类分类器；②构造一个更大的最优化问题来进行分类。
4 结束语
在遥感技术的研究中，提高遥感图像的分类精度是一个关键问题，具有十分重要的意义。虽然上述方法以及分类思想的出现比传统的方法在分类精度上有明显的提高，也无疑为遥感图像分类的发展注入了新的活力，但是这些方法同时存在一定的不足。所以还需要在此基础上进行改进，达到较好的分类效果。笔者认为可以从以下几个方面得到改进：
①BP算法与Cauchy训练的结合的方法。由于BP算法容易陷入局部极小点，而Cauchy训练是随机调整权值，可能背离寻找全局极小点。所以，将二者结合可以互相补充取得较好的效果。
②优化距离度量方法。
③选择多个代表类别的特征。如，将光谱体征和纹理特征相结合。基于像元的分析与基于光谱分析相结合。
④基于核函数的分类方法。在核函数上进行突破。
⑤遥感与地理信息系统一体化。
⑥基于小波的神经网络分类方法的进一步研究以及基于模糊理论的神经网络的分类方法的研究。
总之，为了进一步提高分类精度，综合利用各种方法进行遥感图像分类是提高遥感图像分类精度的一种有效方法。
教育期刊网 http://www.jyqkw.com
参考文献:
[1]Melgani F, Bruzzone L. Classification of Hyperspectral Remote Sensing Images with Support Vector Machines[J]. IEEE Transactions on Geoscience Remote Sensing, 2004, 42(8): 1778-1790.
[2]靳文戟,刘政凯.多类别遥感图像的复合分类方法[J].环境遥感， 1995,10(4):298-302.
[3]周前祥,敬忠良.高光谱遥感图像联合加权随机分类器的设计与应用[J].测绘学报，2004,33(3):254-257.
[4]李旭超,朱善安.小波变换和马尔可夫随机场在图像降噪与分割中的应用研究[D].浙江大学，2006.4.
[5]张志龙,沈振康. 基于遥感图像的重要目标中特征提取与识别方法研究[D]. 国防科技大学，2005.3.
[6]杜凤兰,天庆久,夏学齐.遥感图像分类方法评析与展望[J].遥感技术与应用，2004,19(6):521-525.