遥感的最终成果之一就是从遥感图像上获取信息,遥感分类是获取信息的重要手段。同时遥感图像分类也是目前遥感技术中的热点研究方向,每年都有新的分类方法推出。
本小节主要内容:
-
遥感分类基本概念
-
常见遥感分类方法
1 遥感分类概述
不同的地物具有不同的波谱特征,同类的地物具有相似的波谱特征,由不同探测波段组成的多波段数字图像是地物特征的量化,遥感图像分类正是基于图像中所反映的同类地物的光谱相似性和异类地物的光谱差异性的基础上进行的,根据图像的特征向量,建立判别函数,最终实现将遥感图像自动分成若干地物类型。遥感图像分类由于遥感图像的数据量大和成像复杂等特点,使得遥感图像具有一些特点和原则。
遥感图像分类比起一般的数字图像分类具有自身的特点,概况来讲遥感图像分类的特点有如下几点:
(1)数据量大。遥感图像通常具有较多的光谱波段,每个像元在不同波段具有不同的波谱特征,所以遥感图像分类是处理多波段的运算。
(2)复杂性。虽然大多数的地物符合“同类地物具备相同的波谱特征,不同地物具有不同的波谱特征”的原则,但是大多数情况下,研究的同类地物会具有不同的光谱特征,即“同物异谱”,而相同的光谱特征表示了不同的地物,即“异物同谱”。
(3)需要预处理。在对遥感图像分类前,往往需要做一定的预处理,原始图像的特征波段间往往存在比较强的相关性,同时由于处理多波段遥感数据的计算量大的原因,在分类前采用特征判别,决定一定的预处理方法,不但可以减少计算量,同时为可以处理多波段数据提供一种方式。
遥感图像分类方法狭义上可以归纳为三大类:基于光谱的计算机分类(监督分类与非监督分类),基于专家知识的决策树分类,面向对象图像分类。
图:图像分类方法
从广义上还有定量反演、遥感动态监测、DEM提取等。
2 基于光谱的计算机分类
(1) 非监督分类
非监督分类:也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对图像地物获取先验知识,仅依靠图像上不同类地物光谱(或纹理) 信息进行特征提取,再统计特征的差别来达到分类的目的,最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、链状方法等。遥感图像的非监督分类一般包括以下6个步骤:
图:非监督分类流程
1)
2)
3)
4)
5)
6)
(2) 监督分类
遥感图像的监督分类一般包括以下6个步骤:
图:监督分类一般流程
1)
2)
3)
4)
5)
6)
3 基于专家知识的决策树分类
基于知识的决策树分类是基于遥感影像数据及其他空间数据,通过专家经验总结、简单的数学统计和归纳方法等,获得分类规则并进行遥感分类。分类规则易于理解,分类过程也符合人的认知过程,最大的特点是利用的多源数据。
专家知识决策树分类的步骤大体上可分为四步:知识(规则)定义、规则输入、决策树运行和分类后处理。
图:基于专家知识的决策树分类一般流程
1)
2)
3)
4)
这步骤与监督/非监督分类的分类后处理类似。
4 面向对象图像分类
“同物异谱,同谱异物”会对影像分类产生的影响,加上高分辨率影像的光谱信息不是很丰富,还有经常伴有光谱相互影响的现象,这对基于像素的分类方法提出了一种挑战,面向对象的影像分类技术可以一定程度减少上述影响。
面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素,充分利用高分辨率的全色和多光谱数据的空间,纹理,和光谱信息来分割和分类的特点,以高精度的分类结果或者矢量输出。
如下表为三大类分类方法的一个大概的对比。
类型 | 基本原理 | 影像的最小单元 | 适用数据源 | 缺 陷 |
传统基于光谱的分类方法 | 地物的光谱信息特征 | 单个的影像像元 | 中低分辨率多光谱和高光谱影像 | 丰富的空间信息利用率几乎为零 |
基于专家知识决策树 | 根据光谱特征、空间关系和其他上下文关系归类像元 | 单个的影像像元 | 多源数据 | 知识获取比较复杂 |
面向对象的分类方法 | 几何信息、结构信息以及光谱信息 | 一个个影像对象 | 中高分辨率多光谱和全色影像 | 速度比较慢 |
面向对象图像分类主要分成两部分过程:影像对象构建和对象的分类。如下图为ENVI中的FX工具的面向对象图像分类流程。
图: FX操作流程示意图(*项为可选操作步骤)
1)
2)