遙感非監督分類方法步驟

Ⅰ 遙感圖像地質信息增強處理

地質信息遙感圖像增強處理目的是通過選擇合理的圖像處理方法，改善圖像的視覺效果，突出遙感地質調查所需要的有用信息。

4.3.1 常用的圖像增強處理方法

在遙感地質應用方面，圖像增強處理方法按照主要增強的信息內容可分為波(光)譜特徵增強和空間特徵增強兩大類。

4.3.1.1 圖像波(光)譜特徵增強處理

圖像波(光)譜特徵增強處理是基於多波段數據，對每個像元的灰度進行變換達到圖像增強的目的。其圖像增強結果便於識別不同性質的地質體、岩石類型、地質異常(如蝕變帶、熱異常等)、規模較大的線性和圓形構造。

(1)灰度變換方法

當原始圖像的直方圖比較窄，灰度分布較集中，圖像層次較少時，進行灰度變換是最基本的要求。對於灰度接近正態分布的圖像通常進行線性拉伸就可達到改善圖像視覺效果的目的。對於直方圖呈多峰狀、部分地物過亮或過暗的圖像，應針對圖像的特點採用不同的灰度變換方法，包括分段線性拉伸、直方圖調整和高斯變換等非線性拉伸等。

分段線性拉伸是為了有效利用有限個灰度級，將整個灰度范圍劃分為幾個區間，分區間進行線性擴展，達到最大限度增強圖像中有用信息的目的。常用的非線性變換有指數變換法(增強原始圖像的高亮度值部分)、對數變換法(增強圖像的低亮度值部分)、高斯變換(增強圖像中間灰度范圍)及正切變換(可對圖像的暗、亮區進行增強)。

直方圖調整是通過改善圖像的直方圖形態來達到圖像增強的目的。其原理是用一種變換函數作用於原始圖像的直方圖，使之變成具有某種特定亮度分布形態的直方圖。這種方法著重於擴展高頻數亮度值之間的間隔，使直方圖中部所包含的地物反差得到增強，有利於地質體的區分。常用的直方圖調整方法有直方圖均衡化和直方圖正態化等。

(2)比值增強

比值增強是通過不同波段的同名像元亮度值之間的除法運算，生成新的比值圖像來實現的。比值處理對地質信息尤為敏感，成為遙感地質圖像處理中廣為應用的方法之一。其基本作用為:

1)可以擴大岩石和土壤的波譜差異，有利於這些地物的區分。

2)消除或減弱地形等環境因素對同類岩性的影響。

3)提取與礦化蝕變有關的信息。

4)比值彩色合成圖像能夠增強岩性和蝕變岩信息。

(3)主成分變換

主成分變換是多波段遙感圖像增強常用的一種方法。它是一種基於圖像統計特徵的多維正交線性變換，變換後的新組分圖像反映了地物總的輻射差異和某些波譜特徵，同時還具有分離信息、減少相關、突出不同地物的作用。利用不同新組分圖像進行彩色合成，可顯著提高彩色增強效果，有助於岩性的區分。在實際應用中，也常用比值或差值圖像與原始圖像一起進行主成分變換，會有利於某些專題信息的提取。

(4)IHS變換

在色度學中，把彩色圖像的RGB變換成亮度(I)、色度(H)、飽和度(S)稱為IHS變換，而IHS變換成RGB稱為反變換。利用IHS變換和反變換，可以進行多源遙感圖像之間的信息融合、高度相關圖像數據的色彩增強、圖像的特徵增強，以及改善圖像空間解析度等融合處理。如圖4.1所示，對研究區內的環形構造、岩體和地層都起到了一定的增強作用。

圖4.4 多波段相關性比值增強處理對比

圖4.5 圖像增強處理對比

(3)基於地物紋理的岩性識別

當岩性組成復雜，且分布尺度大於感測器的空間解析度時，遙感圖像就可能記錄到地物的結構組成信息，其影像就存在著明顯的紋理特徵。當存在著有別於背景地物的紋理結構特徵時，就可利用地物的光譜特徵與紋理特徵提取岩性信息。利用紋理識別岩性的方法步驟如下。

1)選擇一定大小的移動窗口，計算不同地物的紋理特徵，對待研究岩石類型的紋理特徵與周圍地物的紋理特徵進行比較分析。主要紋理特徵計算有:對數變差函數、平均歐式距法(一階)、方差法(二階)、斜度(三階)、峰度(四階)和共生矩陣法。從灰度共生矩陣中可以產生8種紋理測度，它們分別是局部平穩、對比度、相異性測度、均值測度、標准差、熵、角二階矩及相關等。

2)分析研究岩石裸露區和背景地物之間的紋理指數和圖像，尋找岩石類型與紋理特徵的關聯規律，採用合適的閾值，識別和提取岩石信息。

(4)基於形狀知識識別岩性信息

1)增強地物之間的邊界，提取出邊界信息。進行形狀指數的計算。主要測定基於周長和面積的指數、基於面積的指數以及基於面積和區域長度的指數。

2)根據岩石的形狀知識指數值，對不同形狀指數的岩性進行定性定位識別和提取，結合不同岩性的形狀特徵賦予一定的地質屬性信息。

(5)主成分變換多層次信息分析識別岩性信息

基於主成分分析的多層次信息分解技術是增強地質岩性弱信息的一種常用方法，在岩性增強和識別中的實施過程如下。

1)多波段圖像的統計特徵分析。對多波段圖像數據進行統計特徵分析，計算波譜圖像的灰度動態范圍、均值與中值、波段圖像的相關系數矩陣、波段圖像的協方差陣。

2)求出多波段圖像的協方差陣的特徵值與特徵向量，用特徵向量構成KL變換的系數矩陣A。

3)主成分變換後處理。根據岩性識別目的和各主分量與矩陣向量間的關系分析，選擇包含特定岩性信息的組分圖像、包含專題信息組分圖像的增強處理、組分圖像的彩色合成處理以及組分圖像與其他處理結果或波段圖像的信息復合分析。

4)根據各主分量的分析結果，對主分量圖像的各種後處理結果與單元結果對照進行影像目視解譯，確定能夠較好反映工作區岩性信息的主分量圖像，選取它們做彩色合成或信息復合，增強影像上的地質岩性弱信息。

(6)IHS變換法增強岩性信息

對多波段圖像選擇適當的代數運算後所產生的新圖像進行IHS變換，可起到突出岩性的目的。例如，利用TM波段比值進行IHS變換，可以識別火山岩地區的岩性和與礦化有關的蝕變特徵。

1)用TM5/TM7，TM3/TM4，TM3/TM2比值分別賦紅、綠、藍進行IHS變換。

2)在變換處理後的圖像上，Fe₂O₃含量高的玄武岩分布區呈醒目的褐色或紅色色調，不同岩性的火山岩類有不同的色調，可以相互區分;含黏土類礦物和三價鐵氧化物的礦化蝕變岩石分布區呈獨特的黃色。

(7)對遙感圖像進行最優多級密度分割提取岩性信息

目的是在植被稀少、基岩廣泛裸露的乾旱地區通過選擇最佳遙感識別圖像，通過最優多級密度分割，提取和識別岩石信息。

1)利用費歇爾准則對圖像進行密度分割，通過直方圖統計，找到使各分割段的段內離差總和最小、段間離差總和最大的分割法，稱為圖像的最優多級密度分割法。

2)對分割圖像按灰度級由高到低分別賦以不同的顏色，對照區域地質圖確定不同顏色的地質岩性屬性信息。

(8)岩性的自動分類識別

在乾旱、半乾旱地區，利用遙感圖像的光譜信息，使用非監督分類方法，可起到岩性自動識別和填圖的目的。

以TM或ETM⁺數據為例，說明非監督分類方法主要實施過程:

1)從TM或ETM⁺多波段圖像中選擇3個三波段組合，使波段間相關性小且重復利用的波段最少。

2)對所有波段組圖像用均衡反差增強技術進行反差增強，以優化每個波段的反差，消除彩色合成中可能出現的色彩偏差。

3)對每個三波段組合用RGB-IHS變換產生一個色度圖像，然後分別進行合成，產生色度合成圖像。

4)用三維特徵空間交互集群技術對色度合成圖像進行非監督集群分類。

5)用模板直方圖匹配分類技術對分類圖像進行空間再分類，以檢測感興趣類的結構和模式。

6)對分類圖像用空間濾波法和小類別合並技術進行平滑處理和空間簡化處理。

7)根據野外檢查與類別的波譜曲線形態，參照地質圖，將類別賦以岩性或按其他地物類型術語進行識別和描述。

8)進行互動式類別編輯。用類別區域編輯法將代表不同地帶的不同岩性按位置進行分解，用類別分組法將相同岩性或地物類型一致的類別歸入一組。

9)用邊緣檢測技術，檢測地物類別邊緣。

10)對調整後的分類圖像進行互動式著色，並將反映地形背景的強度圖像疊加到岩性分類圖中，形成岩性影像圖。

(9)基於岩塊分類的岩石類型識別

適用於乾旱、半乾旱基岩裸露區岩石類的識別。以TM數據為例具體說明主要實施過程:

1)對TM圖像進行地形校正，生成數字視反射率圖像R₁、R₂、R₃、R₄、R₅、R₇。

2)用TM6與R₁～R₇進行空間集群法非監督分類，編制平面分類圖。

3)用TM6與R₁～R₇數據進行監督分類，首先用已知樣本作為訓練區，訓練區樣本為厚層單岩性岩塊、簡單岩性組合岩塊，復雜岩性組合岩塊和標志性薄層岩塊，然後逐個像元提取同類目標並編制平面圖。

4)對分類圖像中的各類別進行均值、最小、最大值，標准差、協方差等參量統計。

5)進行紋理分析及分類，編制紋理類型平面圖。

6)對非監督分類、監督分類及紋理分類平面圖進行疊合，通過人機交互目視解譯歸並整理，編制岩石遙感類型平面圖。

7)岩石填圖。將已知岩石屬性信息填繪於同類的空白區域中，未知空白區域待野外檢查確定岩性屬性後填入。

(10)用高光譜資料來識別岩性

利用成像光譜資料，定量檢測岩石和單種或多種礦物的波譜特徵，提取和識別岩性和礦物信息，編制專題岩性和礦物圖件。主要實施方法是:

1)確定工作區岩性和礦物的一些標志性波譜特徵。

2)利用高光譜成像數據提取地物的波譜曲線，與岩石的野外光譜曲線和某些標志性礦物的實驗室實測典型曲線對比，半定量地確定岩性和標志性礦物的存在。

3)通過岩性和標志性礦物的檢測，達到找礦和編制岩性分布圖的目的。

4.3.2.2 斷裂構造及地質界線圖像增強處理

主要利用空間濾波、自動線性提取等方法增強或提取斷裂構造信息。

(1)空間方向濾波方法

對原始圖像進行方向濾波，突出某一方向的紋理信息，增強地質體的空間結構。

1)按其所需要的方向信息確定濾波運算元見表4.1。

2)對多波段圖像進行主成分變換，利用定向濾波法對第一主分量圖像進行邊緣梯度增強。

3)增強圖像的局部邊緣梯度，壓制整個圖像的反差，再結合一些平滑處理方法對構造蝕變帶和環形構造進行增強。

4)圖像反差擴展。採用拉伸、直方圖變換、比值、濾波等，突出圖像中的線、邊緣、紋理結構特徵，增強岩性、線形構造和環形構造影像特徵。

5)高通濾波增強空間頻率高的地表形跡，提取幾十到幾百米的線性體(如節理、裂隙和斷裂等一些地質構造形跡);低通濾波增強空間頻率低的地表形跡，提取延伸長、規模大的斷裂帶和蝕變帶等地質形跡。

6)用高斯卷積濾波突出地質體邊界輪廓細節，區分紋理差異大的岩體。

(2)傅里葉功率譜紋理增強法

1)取一定大小的窗口圖像，分別作行、列傅氏變換。

2)求功率譜矩陣，作對數變換。

3)計算紋理測度，形成紋理圖像。

4)紋理圖像解譯，提取線性體信息和岩性地質界線。

(3)圖像紋理統計法

通過紋理特徵變化推測斷裂活動的差異、岩石成分的變化等，圈定活動斷裂帶范圍，解釋斷裂活動方式。

(4)線、環狀影像特徵法

1)對圖像進行高通濾波和線狀影像增強

2)從22.5°～67.5°、67.5°～112.5°、292.5°～337.5°及337.5°～22.5°四個方向進行方向濾波。

3)計算單位面積(2.5km×2.5km)線狀影像密度及等密度圖。

4)對線、環狀影像平面圖進行目視分析，篩除非地質邊緣點，並進行疊合與歸並，劃分線狀影像區、帶和等級，環狀影像之間的空間結構及其組合關系。

5)進行線、環狀影像地質屬性解譯。

(5)線性體自動提取法

1)採用定向濾波法對多波段圖像的KL變換第一分量進行邊緣梯度增強。

2)對梯度圖像進行二值化處理，提取邊緣點圖像。

3)人機交互去掉干擾和孤立的邊緣點。

4)利用Hough變換進行線性體的連接和統計，輸出線性體分布圖和密度圖。

5)線性構造提取與地質分析。

(6)圖像亮溫法

選擇適當季節和時間的熱紅外遙感圖像，以熱紅外波段圖像的亮溫分布的極值線為標志，提取構造信息。

(7)多重主成分分析方法

首先應用各種方法，包括一般主成分分析、選擇主成分分析(特徵主成分選擇)、波段比值等，盡可能提取圖像中較弱的地質構造信息，然後提取顯示最好或較好的專題信息，進行二次處理。處理方法包括兩種:一是進行不同的彩色組合或疊加，以突出專題信息;二是選取對專題信息提取最有利的結果和原始波段再次進行主成分分析，進行地質信息的二次提取和增強。

(8)基於融合處理的構造信息提取方法

不同感測器獲取同一地區的圖像，由於其波長范圍不同、幾何特性不同、解析度不同等因素而具有不同的應用特點，基於不同感測器圖像的融合處理，可以綜合不同感測器圖像的優點，提高對構造信息的識別能力。下面以TM和SAR圖像融合處理為例進行說明。

1)首先，對SAR圖像濾波，進行雜訊消除。

2)其次，把單波段SAR圖像和多光譜TM圖像進行幾何配准和融合，TM3、4、5進行IHS變換，用濾波後的SAR圖像代替I分量，做IHS反變換，再用TM3、4、5與SAR圖像作主成分變換，最後將IHS反變換得到的G分量、TM4波段和主成分變換的第一主分量圖像進行彩色合成，作為地質解譯圖像。

3)融合後的圖像可以直觀地提取斷裂構造信息，利用SAR圖像一定的穿透性，可以提取隱伏斷裂構造信息。

4.3.2.3 區域地質穩定性的綜合處理與遙感信息的輔助提取

1)獲取多時相多平台遙感衛星數據，收集地面控制點數據和區域地質環境資料。

2)進行圖像幾何精校正和配准處理。首先，對地形圖進行高精度掃描，形成數字圖像;然後，對數字地形圖進行投影變換、配准和鑲嵌，進行區域圖像的合成與鑲嵌;最後，建立地質活動區域的DEM和三維地形地貌可視化影像。

進行人機交互解譯。以精校正的數字衛星圖像為基礎，一方面進行增強構造活動帶、滑坡及其發育環境信息的各種圖像處理;一方面進行目視解譯，確定區域地質穩定性信息，在計算機上定位，劃分邊界、製作圖形。獲取遙感解譯信息，綜合其他環境資料和綜合處理進行分析、比較和修改。

4.3.2.4 隱伏地質信息提取與增強

利用重磁資料與不同類型的遙感圖像復合處理技術提取隱伏地質信息。

1)利用重磁網格數據和三維歐拉反褶積方法確定地下構造位置(邊界)和深度。

2)利用遙感圖像解譯地表的構造特徵，將重磁數據提取的相應位置的構造信息疊加到遙感構造圖像上，把不同深度的構造在圖像上分別表現出來，利用圖像上構造的不同深度信息，輔助進行隱伏地質體和構造帶信息提取。

4.3.3 遙感地質信息自動提取方法

計算機自動信息提取的目的是把地質專家用於目視解譯的知識定量化表達，從根本上實現知識參與的自動提取。現有的計算機自動信息提取方法主要包括:光譜特徵模型法、計算機自動分類法和基於空間數據挖掘與知識發現信息提取方法。

4.3.3.1 光譜特徵模型法

一般利用統計回歸建立一個遙感信息模型，根據具體圖像的實際情況不斷對模型參數進行調整，最終使模型適用於該影像。遙感信息模型是在現有地面實驗基礎上提煉出來的地物的反演模型，由於圖像數據影響因素很多，因此地物在衛星圖像上的反映並非與地面實測數據一一對應，把遙感信息理論和實際圖幅影像有效結合在一起來進行專題信息自動提取，應用范圍和精度都很有限。岩石地層單元建模技術就是一種光譜特徵模型法。具體步驟如下。

1)把一些具有特殊影像特徵的礦源層、賦礦地層以及諸如含多元素黑色炭質頁岩、蛇綠岩帶、混雜岩帶和超基性岩體等岩石地層作為一種基本單元，它們的多波段遙感像元灰度值是波段的函數，不同單元具有不同的函數曲線。

2)對有一定地質意義的單元進行光譜特徵統計，確定特定單元在各波段的亮度范圍和同一單元類別在多維空間的聚集性。

3)根據單元類別的變差參數(均值和標准差)，建立基於遙感圖像亮度值區間的岩石地層單元模型，輸入的閾值參數和多波段遙感數據，自動提取岩石地層單元信息。

4.3.3.2 分類方法

在遙感信息自動提取方面，分類方法佔有重要地位。其核心是對遙感圖像進行自動分割。現有的計算機自動分類方法，主要利用的是遙感圖像數據，雖然有時可以自動加入其他方面的地學知識，但遠沒有充分利用人腦在分析圖像時所應用的知識，因此很難達到很高的精度。利用分類方法進行岩性自動填圖是遙感圖像處理中最復雜、最難的一個問題，而對於像植被、水體、土地和冰雪等一些大面積分布均勻的特定目標信息的提取，自動分類可起到良好的應用目的。

4.3.3.3 基於數據挖掘和知識發現技術

基於數據挖掘和知識發現技術理論的遙感專題信息自動提取，其基本內容包括知識的發現、應用知識建立提取模型，利用遙感數據和模型提取遙感專題信息。在知識發現方麵包括從單一遙感圖像上發現有關地物的光譜特徵知識、空間結構與形態知識、地物之間的空間關系知識;從多時相遙感圖像中，除了可發現以上知識外，還可以進一步發現地物的動態變化過程知識;從GIS資料庫中發現各種相關知識。利用所發現的某種知識、某些知識或所有知識建立相應的遙感專題信息提取模型，利用遙感數據實現從單知識、單模型的應用到多知識、多模型的集成應用，從單數據的使用到多數據的綜合使用的自動信息提取。

Ⅱ 各種遙感數據分類方法比較

常用的遙感數據的專題分類方法有多種，從分類判別決策方法的角度可以分為統計分類器、神經網路分類器、專家系統分類器等；從是否需要訓練數據方面，又可以分為監督分類器和非監督分類器。

一、統計分類方法

統計分類方法分為非監督分類方法和監督分類方法。非監督分類方法不需要通過選取已知類別的像元進行分類器訓練，而監督分類方法則需要選取一定數量的已知類別的像元對分類器進行訓練，以估計分類器中的參數。非監督分類方法不需要任何先驗知識，也不會因訓練樣本選取而引入認為誤差，但非監督分類得到的自然類別常常和研究感興趣的類別不匹配。相應地，監督分類一般需要預先定義分類類別，訓練數據的選取可能會缺少代表性，但也可能在訓練過程中發現嚴重的分類錯誤。

1.非監督分類器

非監督分類方法一般為聚類演算法。最常用的聚類非監督分類方法是 K-均值（K-Means Algorithm）聚類方法（Duda and Hart，1973）和迭代自組織數據分析演算法（ISODATA）。其演算法描述可見於一般的統計模式識別文獻中。

一般通過簡單的聚類方法得到的分類結果精度較低，因此很少單獨使用聚類方法進行遙感數據專題分類。但是，通過對遙感數據進行聚類分析，可以初步了解各類別的分布，獲取最大似然監督分類中各類別的先驗概率。聚類分析最終的類別的均值矢量和協方差矩陣可以用於最大似然分類過程（Schowengerdt，1997）。

2.監督分類器

監督分類器是遙感數據專題分類中最常用的一種分類器。和非監督分類器相比，監督分類器需要選取一定數量的訓練數據對分類器進行訓練，估計分類器中的關鍵參數，然後用訓練後的分類器將像元劃分到各類別。監督分類過程一般包括定義分類類別、選擇訓練數據、訓練分類器和最終像元分類四個步驟（Richards，1997）。每一步都對最終分類的不確定性有顯著影響。

監督分類器又分為參數分類器和非參數分類器兩種。參數分類器要求待分類數據滿足一定的概率分布，而非參數分類器對數據的概率分布沒有要求。

遙感數據分類中常用的分類器有最大似然分類器、最小距離分類器、馬氏距離分類器、K-最近鄰分類器（K-Nearest neighborhood classifier，K-NN）以及平行六面體分類器（parallelepiped classifier）。最大似然、最小距離和馬氏距離分類器在第三章已經詳細介紹。這里簡要介紹 K-NN 分類器和平行六面體分類器。

K-NN分類器是一種非參數分類器。該分類器的決策規則是：將像元劃分到在特徵空間中與其特徵矢量最近的訓練數據特徵矢量所代表的類別（Schowengerdt，1997）。當分類器中 K=1時，稱為1-NN分類器，這時以離待分類像元最近的訓練數據的類別作為該像元的類別；當 K ＞1 時，以待分類像元的 K 個最近的訓練數據中像元數量最多的類別作為該像元的類別，也可以計算待分類像元與其 K 個近鄰像元特徵矢量的歐氏距離的倒數作為權重，以權重值最大的訓練數據的類別作為待分類像元的類別。Hardin，（1994）對 K-NN分類器進行了深入的討論。

平行六面體分類方法是一個簡單的非參數分類演算法。該方法通過計算訓練數據各波段直方圖的上限和下限確定各類別像元亮度值的范圍。對每一類別來說，其每個波段的上下限一起就形成了一個多維的盒子（box）或平行六面體（parallelepiped）。因此 M 個類別就有M 個平行六面體。當待分類像元的亮度值落在某一類別的平行六面體內時，該像元就被劃分為該平行六面體代表的類別。平行六面體分類器可以用圖5-1中兩波段的遙感數據分類問題來表示。圖中的橢圓表示從訓練數據估計的各類別亮度值分布，矩形表示各類別的亮度值范圍。像元的亮度落在哪個類別的亮度范圍內，就被劃分為哪個類別。

圖5-1 平行六面體分類方法示意圖

3.統計分類器的評價

各種統計分類器在遙感數據分類中的表現各不相同，這既與分類演算法有關，又與數據的統計分布特徵、訓練樣本的選取等因素有關。

非監督聚類演算法對分類數據的統計特徵沒有要求，但由於非監督分類方法沒有考慮任何先驗知識，一般分類精度比較低。更多情況下，聚類分析被作為非監督分類前的一個探索性分析，用於了解分類數據中各類別的分布和統計特徵，為監督分類中類別定義、訓練數據的選取以及最終的分類過程提供先驗知識。在實際應用中，一般用監督分類方法進行遙感數據分類。

最大似然分類方法是遙感數據分類中最常用的分類方法。最大似然分類屬於參數分類方法。在有足夠多的訓練樣本、一定的類別先驗概率分布的知識，且數據接近正態分布的條件下，最大似然分類被認為是分類精度最高的分類方法。但是當訓練數據較少時，均值和協方差參數估計的偏差會嚴重影響分類精度。Swain and Davis（1978）認為，在N維光譜空間的最大似然分類中，每一類別的訓練數據樣本至少應該達到10×N個，在可能的條件下，最好能達到100×N以上。而且，在許多情況下，遙感數據的統計分布不滿足正態分布的假設，也難以確定各類別的先驗概率。

最小距離分類器可以認為是在不考慮協方差矩陣時的最大似然分類方法。當訓練樣本較少時，對均值的估計精度一般要高於對協方差矩陣的估計。因此，在有限的訓練樣本條件下，可以只估計訓練樣本的均值而不計算協方差矩陣。這樣最大似然演算法就退化為最小距離演算法。由於沒有考慮數據的協方差，類別的概率分布是對稱的，而且各類別的光譜特徵分布的方差被認為是相等的。很顯然，當有足夠訓練樣本保證協方差矩陣的精確估計時，最大似然分類結果精度要高於最小距離精度。然而，在訓練數據較少時，最小距離分類精度可能比最大似然分類精度高（Richards，1993）。而且最小距離演算法對數據概率分布特徵沒有要求。

馬氏距離分類器可以認為是在各類別的協方差矩陣相等時的最大似然分類。由於假定各類別的協方差矩陣相等，和最大似然方法相比，它丟失了各類別之間協方差矩陣的差異的信息，但和最小距離法相比較，它通過協方差矩陣保持了一定的方向靈敏性（Richards，1993）。因此，馬氏距離分類器可以認為是介於最大似然和最小距離分類器之間的一種分類器。與最大似然分類一樣，馬氏距離分類器要求數據服從正態分布。

K-NN分類器的一個主要問題是需要很大的訓練數據集以保證分類演算法收斂（Devijver and Kittler，1982）。K-NN分類器的另一個問題是，訓練樣本選取的誤差對分類結果有很大的影響（Cortijo and Blanca，1997）。同時，K-NN分類器的計算復雜性隨著最近鄰范圍的擴大而增加。但由於 K-NN分類器考慮了像元鄰域上的空間關系，和其他光譜分類器相比，分類結果中「椒鹽現象」較少。

平行六面體分類方法的優點在於簡單，運算速度快，且不依賴於任何概率分布要求。它的缺陷在於：首先，落在所有類別亮度值范圍之外的像元只能被分類為未知類別；其次，落在各類別亮度范圍重疊區域內的像元難以區分其類別（如圖5-1所示）。

各種統計分類方法的特點可以總結為表5-1。

二、神經網路分類器

神經網路用於遙感數據分類的最大優勢在於它平等地對待多源輸入數據的能力，即使這些輸入數據具有完全不同的統計分布，但是由於神經網路內部各層大量的神經元之間連接的權重是不透明的，因此用戶難以控制（Austin，Harding and Kanellopoulos et al.，1997）。

神經網路遙感數據分類被認為是遙感數據分類的熱點研究領域之一（Wilkinson，1996；Kimes，1998）。神經網路分類器也可分為監督分類器和非監督分類器兩種。由於神經網路分類器對分類數據的統計分布沒有任何要求，因此神經網路分類器屬於非參數分類器。

遙感數據分類中最常用的神經網路是多層感知器模型（multi-layer percep-tron，MLP）。該模型的網路結構如圖5-2所示。該網路包括三層：輸入層、隱層和輸出層。輸入層主要作為輸入數據和神經網路輸入界面，其本身沒有處理功能；隱層和輸出層的處理能力包含在各個結點中。輸入的結構一般為待分類數據的特徵矢量，一般情況下，為訓練像元的多光譜矢量，每個結點代表一個光譜波段。當然，輸入結點也可以為像元的空間上下文信息（如紋理）等，或多時段的光譜矢量（Paola and Schowengerdt，1995）。

表5-1 各種統計分類器比較

圖5-2 多層感知器神經網路結構

對於隱層和輸出層的結點來說，其處理過程是一個激勵函數（activation function）。假設激勵函數為f（S），對隱層結點來說，有：

遙感信息的不確定性研究

其中，p_i為隱層結點的輸入；h_j為隱層結點的輸出；w為聯接各層神經之間的權重。

對輸出層來說，有如下關系：

遙感信息的不確定性研究

其中，h_j為輸出層的輸入；o_k為輸出層的輸出。

激勵函數一般表達為：

遙感信息的不確定性研究

確定了網路結構後，就要對網路進行訓練，使網路具有根據新的輸入數據預測輸出結果的能力。最常用的是後向傳播訓練演算法（Back-Propagation）。這一演算法將訓練數據從輸入層進入網路，隨機產生各結點連接權重，按式（5-1）（5-2）和（5-3）中的公式進行計算，將網路輸出與預期的結果（訓練數據的類別）相比較並計算誤差。這個誤差被後向傳播的網路並用於調整結點間的連接權重。調整連接權重的方法一般為delta規則（Rumelhart，et al.，1986）：

遙感信息的不確定性研究

其中，η為學習率（learning rate）；δ_k為誤差變化率；α為動量參數。

將這樣的數據的前向和誤差後向傳播過程不斷迭代，直到網路誤差減小到預設的水平，網路訓練結束。這時就可以將待分類數據輸入神經網路進行分類。

除了多層感知器神經網路模型，其他結構的網路模型也被用於遙感數據分類。例如，Kohonen自組織網路被廣泛用於遙感數據的非監督聚類分析（Yoshida et al.，1994；Schaale et al.，1995）；自適應共振理論（Adaptive Resonance Theory）網路（Silva，S and Caetano，M.1997）、模糊ART圖（Fuzzy ART Maps）（Fischer，M.M and Gopal，S，1997）、徑向基函數（駱劍承，1999）等也被用於遙感數據分類。

許多因素影響神經網路的遙感數據分類精度。Foody and Arora（1997）認為神經網路結構、遙感數據的維數以及訓練數據的大小是影響神經網路分類的重要因素。

神經網路結構，特別是網路的層數和各層神經元的數量是神經網路設計最關鍵的問題。網路結構不但影響分類精度，而且對網路訓練時間有直接影響（Kavzoglu and Mather，1999）。對用於遙感數據分類的神經網路來說，由於輸入層和輸出層的神經元數目分別由遙感數據的特徵維數和總的類別數決定的，因此網路結構的設計主要解決隱層的數目和隱層的神經元數目。一般過於復雜的網路結構在刻畫訓練數據方面較好，但分類精度較低，即「過度擬合」現象（over-fit）。而過於簡單的網路結構由於不能很好的學習訓練數據中的模式，因此分類精度低。

網路結構一般是通過實驗的方法來確定。Hirose等（1991）提出了一種方法。該方法從一個小的網路結構開始訓練，每次網路訓練陷入局部最優時，增加一個隱層神經元，然後再訓練，如此反復，直到網路訓練收斂。這種方法可能導致網路結構過於復雜。一種解決辦法是每當認為網路收斂時，減去最近一次加入的神經元，直到網路不再收斂，那麼最後一次收斂的網路被認為是最優結構。這種方法的缺點是非常耗時。「剪枝法」（pruning）是另一種確定神經網路結構的方法。和Hirose等（1991）的方法不同，「剪枝法」從一個很大的網路結構開始，然後逐步去掉認為多餘的神經元（Sietsma and Dow，1988）。從一個大的網路開始的優點是，網路學習速度快，對初始條件和學習參數不敏感。「剪枝」過程不斷重復，直到網路不再收斂時，最後一次收斂的網路被認為最優（Castellano，Fanelli and Pelillo，1997）。

神經網路訓練需要訓練數據樣本的多少隨不同的網路結構、類別的多少等因素變化。但是，基本要求是訓練數據能夠充分描述代表性的類別。Foody等（1995）認為訓練數據的大小對遙感分類精度有顯著影響，但和統計分類器相比，神經網路的訓練數據可以比較少。

分類變數的數據維對分類精度的影響是遙感數據分類中的普遍問題。許多研究表明，一般類別之間的可分性和最終的分類精度會隨著數據維數的增大而增高，達到某一點後，分類精度會隨數據維的繼續增大而降低（Shahshahani and Landgrebe，1994）。這就是有名的Hughes 現象。一般需要通過特徵選擇去掉信息相關性高的波段或通過主成分分析方法去掉冗餘信息。分類數據的維數對神經網路分類的精度同樣有明顯影響（Battiti，1994），但Hughes 現象沒有傳統統計分類器中嚴重（Foody and Arora，1997）。

Kanellopoulos（1997）通過長期的實踐認為一個有效的ANN模型應考慮以下幾點：合適的神經網路結構、優化學習演算法、輸入數據的預處理、避免振盪、採用混合分類方法。其中混合模型包括多種ANN模型的混合、ANN與傳統分類器的混合、ANN與知識處理器的混合等。

三、其他分類器

除了上述統計分類器和神經網路分類器，還有多種分類器被用於遙感圖像分類。例如模糊分類器，它是針對地面類別變化連續而沒有明顯邊界情況下的一種分類器。它通過模糊推理機制確定像元屬於每一個類別的模糊隸屬度。一般的模糊分類器有模糊C均值聚類法、監督模糊分類方法（Wang，1990）、混合像元模型（Foody and Cox，1994；Settle and Drake，1993）以及各種人工神經網路方法等（Kanellopoulos et al.，1992；Paola and Schowengerdt，1995）。由於模糊分類的結果是像元屬於每個類別的模糊隸屬度，因此也稱其為「軟分類器」，而將傳統的分類方法稱為「硬分類器」。

另一類是上下文分類器（contextual classifier），它是一種綜合考慮圖像光譜和空間特徵的分類器。一般的光譜分類器只是考慮像元的光譜特徵。但是，在遙感圖像中，相鄰的像元之間一般具有空間自相關性。空間自相關程度強的像元一般更可能屬於同一個類別。同時考慮像元的光譜特徵和空間特徵可以提高圖像分類精度，並可以減少分類結果中的「椒鹽現象」。當類別之間的光譜空間具有重疊時，這種現象會更明顯（Cortijo et al.，1995）。這種「椒鹽現象」可以通過分類的後處理濾波消除，也可以通過在分類過程中加入代表像元鄰域關系的信息解決。

在分類過程中可以通過不同方式加入上下文信息。一是在分類特徵中加入圖像紋理信息；另一種是圖像分割技術，包括區域增長/合並常用演算法（Ketting and Landgrebe，1976）、邊緣檢測方法、馬爾可夫隨機場方法。Rignot and Chellappa（1992）用馬爾可夫隨機場方法進行SAR圖像分類，取得了很好的效果，Paul Smits（1997）提出了保持邊緣細節的馬爾可夫隨機場方法，並用於SAR圖像的分類；Crawford（1998）將層次分類方法和馬爾可夫隨機場方法結合進行SAR圖像分類，得到了更高的精度；Cortijo（1997）用非參數光譜分類對遙感圖像分類，然後用ICM演算法對初始分類進行上下文校正。

Ⅲ 幾種分類方法的應用效果

（1）基於ISODATA演算法的非監督分類實現與效果

ISODATA法的實質是以初始類別為「種子」施行自動迭代聚類的過程。迭代結束標志著分類所依據的基準類別已經確定，它們的分布參數也在不斷的「聚類訓練」中逐漸確定，並最終用於構建所需要的判決函數。從這個意義上講，基準類別參數的確定過程，也是對判決函數的不斷調整和「訓練」過程。

此次實現過程是在基於 IDL 語言下的 ENVI4.0 環境下實現的。主要參數如下：擬分類個數（Number of Classes）：6；最大迭代次數（Maximum Iterations）：8；像元變化閾值（Change Thresh-old）：5%；一類中的最小像元數（Minimum Pixel in Class）：5；類的最大標准差（Maximum Class Stdv）：1；最小距離（Minimum Class Distance）：5；合並成對類別的最大值（Maximum Merge Pairs）：2；我們想要計算所有像元的DN值，故距離類別均值得標准差（Maximum Stdev From Mean）和所允許的最大距離誤差（Maximum Distance Error）均為預設DN值。

圖3-24是顯示康恩納德斑岩銅礦床周圍的影像為處理數據源的ISODATA非監督分類圖。

表3-17 康恩納德礦點ETM⁺遙感影像分類後類別比重表

Ⅳ 什麼是監督分類和非監督分類

監督分類又稱訓練場地法、訓練分類法，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，通過選擇特徵參數，求出特徵參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類。

非監督分類是以不同影像地物在特徵空間中類別特徵的差別為依據的一種無先驗類別標準的圖像分類，是以集群為理論基礎，通過計算機對圖像進行集聚統計分析的方法。根據待分類樣本特徵參數的統計特徵，建立決策規則來進行分類。

(4)遙感非監督分類方法步驟擴展閱讀

監督分類的主要優點如下：

（1）可根據應用目的和區域，充分利用先驗知識，有選擇地決定分類類別，避免出現不必要的類別；

（2）可控制訓練樣本的選擇；

（3）可通過反復檢驗訓練樣本，來提高分類精度，避免分類嚴重錯誤；

（4）避免了非監督分類中對光譜集群組的重新歸類。

缺點如下：

（1）其分類系統的確定、訓練樣本的選擇，均人為主觀因素較強，分析者定義的類別有可能並不是圖像中存在的自然類別，導致各類別間可能出現重疊；分析者所選擇的訓練樣本也可能並不代表圖像中的真實情形；

（2）由於圖像中同一類別的光譜差異，造成訓練樣本沒有很好的代表性；

（3）訓練樣本的選取和評估需花費較多的人力、時間；

（4）只能識別訓練樣本中所定義的類別，若某類別由於訓練者不知道或者其數量太少未被定義，則監督分類不能識別。

Ⅳ 遙感數字圖像處理方法

1.直方圖法

    對於每幅圖像都可作出其灰度直方圖。根據直方圖的形態可大致推斷圖像的質量。由於圖像包含有大量的像元，其像元灰度值的分布應符合概率統計分布規律。假定像元的灰度值是隨機分布的，那麼其直方圖應該是正態分布。圖像的灰度值是離散變數，因此直方圖表示的是離散的概率分布。若以各灰度級的像元數占總像元數的比例值為縱坐標作出圖像的直方圖，將直方圖中各條形的最高點連成一條外輪廓線，縱坐標的比例值即為某灰度級出現的概率密度，輪廓線可近似看成圖像相應的連續函數的概率分布曲線。一般來說，如果圖像的直方圖輪廓線越接近正態分布，則說明圖像的亮度接近隨機分布，適合用統計方法處理，這樣的圖像一般反差適中；如果直方圖峰值位置偏向灰度值大的一邊，則圖像偏亮；如果峰值位置偏向灰度值小的一邊，則圖像偏暗；峰值變化過陡、過窄，則說明圖像的灰度值過於集中，後3種情況均存在反差小、質量差的問題。直方圖分析是圖像分析的基本方法，通過有目的地改變直方圖形態可改善圖像的質量。

2.鄰域法

    對於圖像中任一像元（i，j），把像元的集合{i+p，j+p}（j，p取任意整數）均稱為像元的鄰域，常用的鄰域如圖所示，分別表示中心像元的4-鄰域和8-鄰域。

    在圖像處理過程中，某一像元處理後的值g（i，j）由處理前該像元f（i，i）的小鄰域N（i，j）中的像元值確定，這種處理稱為局部處理，或稱為鄰域處理。一般圖像處理中，可根據計算目的差異，設計不同的鄰域分析函數。

3.卷積法

    卷積運算是在空間域內對圖像進行鄰域檢測的運算。選定一個卷積函數，又稱為「模板」，實際上是一個M×N的小圖像，例如3×3、5×7、7×7等。圖像的卷積運算是運用模板來實現的。模板運算方法如圖所示，選定運算模板φ（m，n），其大小為M×N，從圖像的左上角開始，在圖像上開一個與模板同樣大小的活動窗口f（m，n），使圖像窗口與模板像元的灰度值對應相乘再相加。計算結果g（m，n）作為窗口中心像元新的灰度值。模板運算的公式如下（若模板的和為0，則除以1）：

4.頻率域增強法

    在圖像中，像元的灰度值隨位置變化的頻繁程度可用頻率予以表示，這是一種隨位置變化的空間頻率。對於邊緣、線條、雜訊等特徵，如河流、湖泊的邊界，道路，差異較大的地表覆蓋交界處等具有高的空間頻率，即在較短的像元距離內灰度值變化的頻率大；而均勻分布的地物或大面積的穩定結構，如植被類型一致的平原，大面積的沙漠、海面等具有低的空間頻率，即在較長的像元距離內灰度值逐漸變化。例如，在頻率域增強技術中，平滑主要是保留圖像的低頻部分抑制高頻部分，銳化則是保留圖像的高頻部分而削弱低頻部分。

5.圖像運演算法

    對於遙感多光譜圖像和經過空間配準的兩幅或多幅單波段遙感圖像，可進行一系列的代數運算，以達到某種增強的目的。這與傳統的空間疊置分析類似，具體運算包括加法運算、差值運算、比值運算、復合指數運算等。

6.非監督分類法

    是指人們事先對分類過程不做任何的先驗知識，僅根據遙感影像地物的光譜特徵的分布規律，隨其自然地進行分類。其分類的結果，只是對不同類別進行區分，並不能確定類別屬性，其類別屬性是事後對各類的光譜曲線進行分析，以及與實地調查相比較後確定的。

    遙感圖像上的同類地物在相同的表面結構特徵、植被覆蓋、光照等條件下，一般具有相同或相近的光譜特徵，從而表現出某種內在的相似性，歸屬於同一個光譜空間區域；不同的地物，光譜信息特徵不同，歸屬於不同的光譜空間區域。這就是非監督分類的理論基礎。由於在一幅復雜的圖像中，訓練區有時不能包括所有地物的光譜樣式，這就造成了一部分像元找不到歸屬。在實際工作中為了進行監督分類而確定類別和訓練區的選取也是不易的，因而在開始分析圖像時，用非監督分類方法來研究數據的本來結構及其自然點群的分布情況是很有價值的。

    非監督分類主要採用聚類分析的方法，以此使得屬於同一類別的像元之間的距離盡可能小而不同類別上像元間的距離盡可能地大。在進行聚類分析時，首先要確定基準類別的參量。然而非監督分類中並無基準類別的先驗知識可利用，因而只能先假定初始的參量，並通過預分類處理來形成集群。再由集群的統計參數來調整預制的參量，接著再聚類、再調整。如此不斷地迭代，直到有關參數達到允許的范圍為止。

7.監督分類法

    與非監督分類不同，監督分類的最基本特點是在分類前人們對遙感圖像上某些抽樣區中影像地物的類別屬性已有了先驗知識，即先要從圖像中選取所有要區分的各類地物的樣本，用於訓練分類器（建立判別函數）。這里的先驗知識可來自於野外的實地考察，也可參照相關的其他的文字資料或圖件或者直接是圖像處理者本人的經驗等。訓練區中，具體確定各類地物各波段的灰度值，從而可確定特徵參數，建立判別函數。監督分類一般是在圖像中選取具有代表性的區域作為訓練區，由訓練區得到各個類別的統計數據，然後根據這些統計數據對整個圖像進行分類，其既可採用概率判別函數，也可採用距離判別函數。

8.圖像分割法

    它是數字圖像處理中的關鍵技術之一。圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。雖然目前已研究出不少邊緣提取、區域分割的方法，但還沒有一種普遍適用於各種圖像的有效方法。因此，對圖像分割的研究有待不斷深入。