遙感專題分類圖不確定性評級方法研究

張英杰

摘 要：隨著遙感影像的分類理論和技術水平的不斷完善，從遙感數據中提取專題類別信息是當前遙感數據最主要的應用領域之一，遙感專題分類圖不確定性評價受到越來越多的關注。本文主要研究了如何在Matlab下采用貝葉斯分類器對影像進行分類，并采用基于像元尺度上的分類不確定性評價方法進行評價，最后進行可視化實現。

關鍵詞：遙感影像；像元尺度；不確定性；貝葉斯；精度；可視化

傳統的遙感數據專題分類不確定性的表達和評價方法，包括基于誤差矩陣的方法、基于模糊集的方法以及其它各種方法，他們的共同點在于：1）都是將分類不確定性表達在類別尺度上；（2）都需要空間采樣過程；（3）這些方法要么需要精確確定參考數據類別，要么需要人為給定采樣點參考數據的類別的模糊隸屬度；（4）分類不確定性不能可視化表達。像元尺度上的不確定性評價方法可以有效地解決這些問題，避免不確定性評價的偏差，便于可視化表達[1]。本文主要研究對遙感影像圖在ERDAS下對進行分類，對分類后的圖像用基于像元尺度上的不確定性評價方法進行不確定性評價，并且對評價結果進行可視化。

1 基于像元尺度分類不確定性評價方法及可視化

1.1 基于像元尺度的不確定性評價方法原理

本文用貝葉斯分類器對圖像進行分類，對分類的不確定性采用基于像元尺度的評價方法進行研究并實現可視化。用貝葉斯分類器進行分類后，可得到像元x屬于某一每一類別的后驗條件概率。

從概率矢量中，可以衍生出許多分類不確定性的測量。最大后驗概率本身可以作為分類不確定性的一個度量。最大后驗概率越大，表示分類不確定性越小。或者，可以定義概率殘差（probabilityresidual）

作為不確定性的度量[2]

描述分類不確定性的參數主要有為四個：

（1）絕對不確定性（2）相對不確定性（3）混合像元程度（4）證據不完整性

除了以上四個不確定性度量，還可以從概率矢量中得出其它分類不確定性度量。最常用的是概率熵（entropy）。概率熵是一個信息論中的概念，它與一個統計變量不同測量值的不確定性有關，表達統計變量測量值不確定性的分布和范圍。

一般在分類時像元的真實類別是未知的，因此判斷一個像元所屬類別所需要的信息量也是未知的。像元的概率熵可因此定義為反映像元所屬類別所需信息的期望的信息內容。當像元屬于每一類別的后驗概率平均分布時，這些概率矢量等于沒有提供關于像元屬于哪一類的信息，因此這時分類所需的信息量最大，概率熵達到最大值；當最大后驗概率為1時，該像元100%屬于最大后驗概率所指的類別，不再需要額外信息，這時概率熵達到最小。用概率熵表達分類不確定性的最大優點在于它將整個矢量中所包含的信息總結在一個單一的值。

1.2 不確定性的可視化表達

遙感分類信息中都存在著不確定性， 如果僅僅對其進行不確定性程度上的數學度量， 而忽略其在空間域和時間域上的分布特征， 則很難完整準確地描述和理解遙感信息中的不確定性[11]。從視覺感知角度表現不確定性信息是不確定性建模的重要組成部分， 而利用現有的計算機可視化技術來表達遙感分類信息的不確定性則是一種直觀有效的方法， 可以更加完整地理解遙感數據及其分類信息中不確定性的大小、分布、空間結構和趨勢。不確定性可視化技術分為靜態可視化、動態可視化和特征可視化三種類型[12]。在本文中我們采用直觀明確的靜態可視化來進行試驗。

2 Matlab下遙感影像不確定性評價及可視化試驗

2.1 遙感影像分類的流程

本文選取某地區的多波段遙感影像為例來進行試驗。由于全色遙感影像是級數為256的灰度影像，其特點是影像數據量小，包含的信息也相對的較少，但它相應的優點就是每一幅影像其實就是一個大的矩陣，矩陣的維數對應于影像的長度和寬度值，矩陣中的每一個數值（0～255）對應于影像中每個像素的亮度值。正因為全色影像具有諸多優點使得它很容易進行計算機處理。處理的流程為：

1）首先，進行直方圖修正技術使影像具有統一的均值和方差，以部分消除光照條件的影響。

2） 在ERDAS下打開圖像，對每一類各采12個樣本點，記錄這48個樣本點在1、2、4波段的亮度值。在Matlab軟件下利用這些樣本點計算出建立貝葉斯判別函數所需的數據。

3）在Matlab下采用貝葉斯分類器來實現對影像的分類。

4）分類后處理，由于分類的精度問題，從最初分類結果上我們會看到很多“噪聲”，即分類錯誤的情況，為了得到更真實的分類結果我們還要對初分類結果進行濾波來消除“噪聲”，實驗中采用效果比較好的中值濾波來平滑噪聲。

5）針對分類結果進行精度評定。

6）采用基于像元尺度上的方法進行不確定性評價。本次實驗采用概率熵來進行不確定性的度量。

7）實現可視化。

2.2 遙感影像的監督分類實驗

本次實驗的目的是如何通過貝葉斯分類器對圖像進行分類，然后采用基于像元尺度的評價方法來實現影像的不確定性評價，最后進行可視化實現。

用貝葉斯分類器對影像進行分類，編寫貝葉斯分類函數代碼，利用貝葉斯分類器對影像進行分類，經過中直濾波處理后，顯示出分類結果。

在可視化的結果中，顏色越深的地方不確定性越低，即分類的精度較高；顏色越淺的地方不確定性越高，即分類的精度較低。可視化后可以清楚地看出分類中不確定性的大小、分布、空間結構和趨勢，能夠完整準確地描述和理解遙感信息中的不確定性。

3 結論

本文主要研究了如何在Matlab下利用貝葉斯分類器對遙感影像進行分類，并采用基于像元尺度上的分類不確定性評價方法對分類的不確定性進行評價并可視化。本文所做的工作主要包括以下幾點：

1）在Erdas下選取樣本點，計算貝葉斯分類所需要的參數。本文對菜地、房屋、農田1和農田2四類地物樣本分別選取樣本點，然后在Matlab下利用樣本點的像素值計算貝葉斯分類所需的各個參數，作為分類的基礎。

2）在Matlab下實現遙感影像的分類，采用貝葉斯分類器將遙感影像分為菜地、居民地和農田，獲取圖像中每一個像元屬于每一類的概率值。

3）完成遙感影像的分類后處理工作，對分類結果采用中值濾波進行去噪處理。

4）采用基于像元尺度的評價方法對分類的不確定性進行評價。本文采用概率熵參數來實現不確定性評價。

5）對評價后的結果采用靜態可視化的方法進行可視化，以圖像的形式顯示出來。

本文采用靜態可視化的方法實現對不確定性的表達，在視覺效果上不如動態可視化更加直觀有效。在分類過程中，計算程序較復雜，對matlab軟件的掌握還不夠熟練，在可視化時程序運行緩慢，時間太長，有待進一步改進。

參考文獻：

[1] 章孝燦等. 遙感數字圖像處理[M].第一版. 杭州：浙江大學出版社，1997.

[2] 李爽，丁圣彥等. 遙感影像分類方法比較[J].鐵路航測，2003.