基于地物字典的遙感圖像分類方法研究

王林剛

（寶雞文理學院 地理與環境學院，陜西 寶雞 721013）

0 前言

遙感是一種通過非直接接觸來判定、測量分析目標性質的綜合性技術學科。它隨著空間技術、傳感器與數字圖像處理技術的發展而迅速發展。現代空間遙感技術總體上呈現“五多”趨勢,即多平臺、多傳感器、多時相、多光譜、多角度的多源遙感數據快速處理和分析。近年來，以航空遙感和衛星遙感技術為代表的現代遙感技術，已逐步實現動態、快速、準確、及時地提供多種觀測數據。由于遙感所具有的觀測范圍大、采集信息量大、獲取信息速度快的特點，它正廣泛應用于資源勘探、土地規劃與利用、災害動態監測、城市規劃、環境監測、氣象預報、農作物估產、農業、林業、地質礦產、水文、城市建設與管理、測繪、軍事、國土資源調查等領域，深入到很多學科，成為獲取地球表面多層次、多視角、多方位信息的重要手段。對經濟和社會發展有很重要的作用。而如何從已獲取的遙感圖像中得到所需的信息，則是遙感圖像應用研究的主要課題。

在遙感技術的研究中，通過遙感影像判讀識別各種目標是遙感技術發展的一種重要環節，無論是專業信息提取，動態變化預測，還是專題地圖的制作和遙感數據庫的建立等都離不開分類。

1 目前流行的分類方法

目前采取的主要措施是基于統計特征的模式識別技術。各種分類方法均以地物光譜特征為前提，按照一定的假設或準則形成決策流程，從而實現數字圖像的信息判別。常用方法有監督分類和非監督分類。

1.1 監督分類

監督分類又稱訓練場地法，是以建立統計識別函數為理論基礎，依據典型樣本訓練方法進行分類的技術。即根據已知訓練區提供的樣本，通過選擇特征參數，求出特征參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓練區域具有典型性和代表性，判別準則若滿足分類精度要求，則此準則成立；反之，需重新建立分類的決策規則，直至滿足分類精度要求為止，常用算法有：判別分析、最大似然分析、特征分析、序貫分析和圖形識別等。

1.2 非監督分類

非監督分類的前提是假定遙感影像上同類地物在相同條件下具有相同的光譜信息特征。非監督分類是遙感影像地物的屬性不具有先驗知識，純粹依靠不同光譜數據組合在統計上的差別來進行“盲目分類”。事后再對已分出各類地物屬性進行確認的過程。主要采用聚類分析的方法。常用的算法有：ISODATA法、K-Mean算法、分級集群法、動態聚類法等。

2 目前出現的分類新方法

上面兩種方法都是根據地物的光譜特性的點獨立原則來分類，且都采用的是統計方法，而一般圖像的像元都帶有綜合光譜信息的特點，致使計算機分類面臨諸多模糊現象。還有由于遙感影像存在“同物異譜”和“同譜異物”的弊端。因此人們不斷嘗試新方法來改善，下面介紹近年來出現的計算機分類的新方法。

2.1 神經網絡分類器

最常用的是BP神經元網絡模型。此模型適用于多層網絡的學習，對網絡中各層的權重系數進行修正，是一種有導師指導的模型。建立在梯度下降法的基礎上，它含有輸入層、輸出層以及處于輸入層和輸出層之間的隱層，采用神經網絡算法進行遙感影像分類，可以在一定程度上消除傳統的遙感影像分類所帶來的模糊性和不確定性。但也存在許多有待解決的問題。

2.2 基于小波神經網絡遙感圖像分類

小波分析的基本思想是用一族函數去表示和接近一信號或函數，這一族函數稱為小波函數系，它是通過基本小波函數的不同尺寸的平移和伸縮構成的。小波變換還具有如線性疊加性，平移公變性，能量守恒性，居于正則性等優點。此法在只要用相同的學習樣本訓練，才會有高的精度。

2.3 樹分類器

該分類方法的基本思想是：首先計算所有類別之間的距離，合并距離最近的兩類形成一個新類，然后計算新類與其他類別之間的距離，重新前面的工作，直到最終所有類別都合并為一大類，形成整個樹結構的根部，每次合并產生樹結構的一個結點，分類樹由多個結點和分枝組成，最下面一層的結點稱為根節點，最上面一層的結點為終端結點，每個終端結點包含為原始一類。這種樹結構反映了各地物的光譜特征的相似程度，因此這種樹的形成，實質上是按光譜特征的相似程度由強到弱逐步合并的。還有其他的一些分類在這里不一一列舉。總之，它們都是新出現的新分類方法。

3 基于地物字典的分類方法

3.1 分類方法的背景思路

遙感是獲取地物信息的新興技術。它的優勢大家都清楚。如何能準確獲取我們想要的地物信息是我們每個人的愿望。我們如果能像查字典那樣的準確的容易的區分地物是多么快樂的一件事啊。該分類方法設想就是構造遙感圖像的地物字典，像查字典那樣容易的進行分類獲取地物信息。

地表有人工物和自然物，我們對于人工物的分類隨著分辨率提高和人工物的特定的形狀信息已經能很容易的區分。而自然物由于自然界的復雜性變的很不確定性。地理環境的各個要素是緊密聯系，相互影響的。如植被、土壤、氣候、地形、水文、地貌等要素的相互聯系性為我們區分地物提供了理論依據。就是說，植被是一定氣候類型和土壤類型的反映。世界上的自然帶有緯向的地帶性。對于我國來說。南方的樹種和北方的樹種就是不同的。不同土壤條件下的植被類型也是不同的。以土地利用分類為例。我們能知道了某個地區大體范圍，就能知道該地區的大體地物類別。再確定了該地區的所有類別的光譜特征，形狀和空間位置特征。然后建立這些特征的數據庫，基于人工智能的查詢和匹配技術的應用。只要把遙感影像輸入計算機，在數據庫中查詢匹配相關的類別信息，自動就提取出地物類別。這就是計算機式的查字典分類方法。

3.2 構建分類方法

3.2.1 地物類別的光譜特征，形狀和空間位置特征信息收集

我們國家在氣候自然帶類別上分為三大區：東部季風區，西北干旱半干旱區，青藏高原區。東部季風區包含東北，華北和部分黃土高原區，東南丘陵區。西北干旱半干旱區包括以賀南山為界的干旱和半干旱的分區。這些區的劃分就是基于地理自然要素綜合分類的結果。在每個區的植被，土壤，氣候，水文等要素是有區別的。這是我們首先在范圍上為地物類別進行區分。

世界和我們國家都建立有遙感衛星的輻射校正場，用來進行對遙感圖像的平臺傳感器和大氣等其他因素對遙感影像的誤差的校正。我覺得輻射校正場不光能校正還能獲取準確的地物光譜信息和其他信息。

我們在上述我國自然分區的的每個小區挑選一個比較特殊的有代表性的范圍做一個輻射校正場。來獲取地物信息。在輻射校正場進行校正的基礎上得到傳感器，大氣等影響的誤差參數。然后在輻射校正場分別確定地物類別信息。

1）同一平臺傳感器的地物類別信息獲取

我們在輻射校正場中設置各種地物類型，然后獲取各種地物的光譜類別。比如在傳感器一定條件下，夏天的植被和冬天的植被類別光譜信息就可以獲取。

2）同一天氣狀況下的地物類別信息獲取

比如，晴天，各種傳感器下同一地物的光譜信息獲取。陰天，各種傳感器下同一地物的光譜信息獲取。云多時的信息獲取。等等的各種條件下的地物類別的信息獲取。

3）同一種地形條件下的各種地物信息獲取

比如，在高原，山區，平原，丘陵，盆地等地形下，各種天氣狀況下，各傳感器平臺下的地物信息的獲取。

4）同一太陽光照的條件下的各種地物信息獲取

比如，早上，中午，下午的各種條件下的信息獲取。不同太陽高度角下的。有太陽和沒有太陽條件下的等等各個方面的信息的獲取。

3.2.2 各種條件下的地物類別信息數據庫建設

把從輻射校正場得到的各種地物信息組織好數據結構，檢查無誤后，全部導入數據庫。在入庫時注意數據組織方式要有利于人工智能化的查詢語言。

3.3 編寫人工智能查詢語言

把遙感圖像數字化存儲在計算機后，自動與數據庫的信息查詢匹配，然后可以得出正確的遙感圖像分類信息。但是在這個環節中關鍵是要有合適的人工智能查詢語言，因此需要采用適合的計算機語言來實現人工智能查詢語言。經過這個環節后基于地物字典的遙感圖像計算機分類方法就建成了。

4 結束語

基于地物字典的分類方法的目的是實現計算機分類的簡單化，智能化和精確化。這只是我的一個很不成熟的想法。這個想法中最主要的是建立地物類別的信息，這個工作的工作量非常大。但在技術層面上說，因為有輻射校正場的理論依據，數據庫技術的理論依據，人工智能的發展，所以是可行的。遙感技術是人們獲取地理信息的重要來源，應用的情景是非常廣闊的。人們會強烈要求能高效準確的獲取地物信息，這樣的趨勢下，該方法可能會有些用處。但是必須承認該方法的實現，是一個非常困難的事情，它的建立需要好多人的共同努力，工作量非常的大，而且費用也是個問題，同時時間會很長。僅在輻射校正場的各種地物信息的獲取從時間和工作量上是看，就是令人可畏的。該方法目前只是個想法，但只要遙感應用不停止，這個想法就可能是大家的共同愿望。希望該想法能給別人一些啟發，為共同的遙感事業做出一些微不足道的貢獻。

[1]湯國安，張友順，劉永梅，等.遙感數字圖像處理[M].科學出版社，2004，03.

[2]梅安新，彭望琭，秦其明，等.遙感導論[M].高等教育出版社，2010，11.

[3]王占昌.利用決策樹對衛星遙感數據進行分類[J].青海科技，2005(5)：28-32.

[4]盧玉東，尹黎明，何丙輝，等.利用TM影像在土地利用覆蓋遙感解譯中波段選取研究[J].西南農業大學學報：自然科學版，2005(27)4：79-82.

[5]梁肖.小波變換在遙感數字圖像處理中的作用[J].測繪與空間地理信息，2005(28)4：64-65.

[6]鄧開來，孫群，劉新貴.利用影像變化檢測更新空間數據庫的方法綜述[J].地理空間信息，2008(6)2：43-45.