基于地物字典的遥感图像分类方法研究

王林刚

（宝鸡文理学院 地理与环境学院，陕西 宝鸡 721013）

0 前言

遥感是一种通过非直接接触来判定、测量分析目标性质的综合性技术学科。它随着空间技术、传感器与数字图像处理技术的发展而迅速发展。现代空间遥感技术总体上呈现“五多”趋势,即多平台、多传感器、多时相、多光谱、多角度的多源遥感数据快速处理和分析。近年来，以航空遥感和卫星遥感技术为代表的现代遥感技术，已逐步实现动态、快速、准确、及时地提供多种观测数据。由于遥感所具有的观测范围大、采集信息量大、获取信息速度快的特点，它正广泛应用于资源勘探、土地规划与利用、灾害动态监测、城市规划、环境监测、气象预报、农作物估产、农业、林业、地质矿产、水文、城市建设与管理、测绘、军事、国土资源调查等领域，深入到很多学科，成为获取地球表面多层次、多视角、多方位信息的重要手段。对经济和社会发展有很重要的作用。而如何从已获取的遥感图像中得到所需的信息，则是遥感图像应用研究的主要课题。

在遥感技术的研究中，通过遥感影像判读识别各种目标是遥感技术发展的一种重要环节，无论是专业信息提取，动态变化预测，还是专题地图的制作和遥感数据库的建立等都离不开分类。

1 目前流行的分类方法

目前采取的主要措施是基于统计特征的模式识别技术。各种分类方法均以地物光谱特征为前提，按照一定的假设或准则形成决策流程，从而实现数字图像的信息判别。常用方法有监督分类和非监督分类。

1.1 监督分类

监督分类又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性，判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止，常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。

1.2 非监督分类

非监督分类的前提是假定遥感影像上同类地物在相同条件下具有相同的光谱信息特征。非监督分类是遥感影像地物的属性不具有先验知识，纯粹依靠不同光谱数据组合在统计上的差别来进行“盲目分类”。事后再对已分出各类地物属性进行确认的过程。主要采用聚类分析的方法。常用的算法有：ISODATA法、K-Mean算法、分级集群法、动态聚类法等。

2 目前出现的分类新方法

上面两种方法都是根据地物的光谱特性的点独立原则来分类，且都采用的是统计方法，而一般图像的像元都带有综合光谱信息的特点，致使计算机分类面临诸多模糊现象。还有由于遥感影像存在“同物异谱”和“同谱异物”的弊端。因此人们不断尝试新方法来改善，下面介绍近年来出现的计算机分类的新方法。

2.1 神经网络分类器

最常用的是BP神经元网络模型。此模型适用于多层网络的学习，对网络中各层的权重系数进行修正，是一种有导师指导的模型。建立在梯度下降法的基础上，它含有输入层、输出层以及处于输入层和输出层之间的隐层，采用神经网络算法进行遥感影像分类，可以在一定程度上消除传统的遥感影像分类所带来的模糊性和不确定性。但也存在许多有待解决的问题。

2.2 基于小波神经网络遥感图像分类

小波分析的基本思想是用一族函数去表示和接近一信号或函数，这一族函数称为小波函数系，它是通过基本小波函数的不同尺寸的平移和伸缩构成的。小波变换还具有如线性叠加性，平移公变性，能量守恒性，居于正则性等优点。此法在只要用相同的学习样本训练，才会有高的精度。

2.3 树分类器

该分类方法的基本思想是：首先计算所有类别之间的距离，合并距离最近的两类形成一个新类，然后计算新类与其他类别之间的距离，重新前面的工作，直到最终所有类别都合并为一大类，形成整个树结构的根部，每次合并产生树结构的一个结点，分类树由多个结点和分枝组成，最下面一层的结点称为根节点，最上面一层的结点为终端结点，每个终端结点包含为原始一类。这种树结构反映了各地物的光谱特征的相似程度，因此这种树的形成，实质上是按光谱特征的相似程度由强到弱逐步合并的。还有其他的一些分类在这里不一一列举。总之，它们都是新出现的新分类方法。

3 基于地物字典的分类方法

3.1 分类方法的背景思路

遥感是获取地物信息的新兴技术。它的优势大家都清楚。如何能准确获取我们想要的地物信息是我们每个人的愿望。我们如果能像查字典那样的准确的容易的区分地物是多么快乐的一件事啊。该分类方法设想就是构造遥感图像的地物字典，像查字典那样容易的进行分类获取地物信息。

地表有人工物和自然物，我们对于人工物的分类随着分辨率提高和人工物的特定的形状信息已经能很容易的区分。而自然物由于自然界的复杂性变的很不确定性。地理环境的各个要素是紧密联系，相互影响的。如植被、土壤、气候、地形、水文、地貌等要素的相互联系性为我们区分地物提供了理论依据。就是说，植被是一定气候类型和土壤类型的反映。世界上的自然带有纬向的地带性。对于我国来说。南方的树种和北方的树种就是不同的。不同土壤条件下的植被类型也是不同的。以土地利用分类为例。我们能知道了某个地区大体范围，就能知道该地区的大体地物类别。再确定了该地区的所有类别的光谱特征，形状和空间位置特征。然后建立这些特征的数据库，基于人工智能的查询和匹配技术的应用。只要把遥感影像输入计算机，在数据库中查询匹配相关的类别信息，自动就提取出地物类别。这就是计算机式的查字典分类方法。

3.2 构建分类方法

3.2.1 地物类别的光谱特征，形状和空间位置特征信息收集

我们国家在气候自然带类别上分为三大区：东部季风区，西北干旱半干旱区，青藏高原区。东部季风区包含东北，华北和部分黄土高原区，东南丘陵区。西北干旱半干旱区包括以贺南山为界的干旱和半干旱的分区。这些区的划分就是基于地理自然要素综合分类的结果。在每个区的植被，土壤，气候，水文等要素是有区别的。这是我们首先在范围上为地物类别进行区分。

世界和我们国家都建立有遥感卫星的辐射校正场，用来进行对遥感图像的平台传感器和大气等其他因素对遥感影像的误差的校正。我觉得辐射校正场不光能校正还能获取准确的地物光谱信息和其他信息。

我们在上述我国自然分区的的每个小区挑选一个比较特殊的有代表性的范围做一个辐射校正场。来获取地物信息。在辐射校正场进行校正的基础上得到传感器，大气等影响的误差参数。然后在辐射校正场分别确定地物类别信息。

1）同一平台传感器的地物类别信息获取

我们在辐射校正场中设置各种地物类型，然后获取各种地物的光谱类别。比如在传感器一定条件下，夏天的植被和冬天的植被类别光谱信息就可以获取。

2）同一天气状况下的地物类别信息获取

比如，晴天，各种传感器下同一地物的光谱信息获取。阴天，各种传感器下同一地物的光谱信息获取。云多时的信息获取。等等的各种条件下的地物类别的信息获取。

3）同一种地形条件下的各种地物信息获取

比如，在高原，山区，平原，丘陵，盆地等地形下，各种天气状况下，各传感器平台下的地物信息的获取。

4）同一太阳光照的条件下的各种地物信息获取

比如，早上，中午，下午的各种条件下的信息获取。不同太阳高度角下的。有太阳和没有太阳条件下的等等各个方面的信息的获取。

3.2.2 各种条件下的地物类别信息数据库建设

把从辐射校正场得到的各种地物信息组织好数据结构，检查无误后，全部导入数据库。在入库时注意数据组织方式要有利于人工智能化的查询语言。

3.3 编写人工智能查询语言

把遥感图像数字化存储在计算机后，自动与数据库的信息查询匹配，然后可以得出正确的遥感图像分类信息。但是在这个环节中关键是要有合适的人工智能查询语言，因此需要采用适合的计算机语言来实现人工智能查询语言。经过这个环节后基于地物字典的遥感图像计算机分类方法就建成了。

4 结束语

基于地物字典的分类方法的目的是实现计算机分类的简单化，智能化和精确化。这只是我的一个很不成熟的想法。这个想法中最主要的是建立地物类别的信息，这个工作的工作量非常大。但在技术层面上说，因为有辐射校正场的理论依据，数据库技术的理论依据，人工智能的发展，所以是可行的。遥感技术是人们获取地理信息的重要来源，应用的情景是非常广阔的。人们会强烈要求能高效准确的获取地物信息，这样的趋势下，该方法可能会有些用处。但是必须承认该方法的实现，是一个非常困难的事情，它的建立需要好多人的共同努力，工作量非常的大，而且费用也是个问题，同时时间会很长。仅在辐射校正场的各种地物信息的获取从时间和工作量上是看，就是令人可畏的。该方法目前只是个想法，但只要遥感应用不停止，这个想法就可能是大家的共同愿望。希望该想法能给别人一些启发，为共同的遥感事业做出一些微不足道的贡献。

[1]汤国安，张友顺，刘永梅，等.遥感数字图像处理[M].科学出版社，2004，03.

[2]梅安新，彭望琭，秦其明，等.遥感导论[M].高等教育出版社，2010，11.

[3]王占昌.利用决策树对卫星遥感数据进行分类[J].青海科技，2005(5)：28-32.

[4]卢玉东，尹黎明，何丙辉，等.利用TM影像在土地利用覆盖遥感解译中波段选取研究[J].西南农业大学学报：自然科学版，2005(27)4：79-82.

[5]梁肖.小波变换在遥感数字图像处理中的作用[J].测绘与空间地理信息，2005(28)4：64-65.

[6]邓开来，孙群，刘新贵.利用影像变化检测更新空间数据库的方法综述[J].地理空间信息，2008(6)2：43-45.