遥感影像监督分类与非监督分类的比较

第34卷第3期

2004

年9月河南大学学报(自然科学版)JournalofHenanUniversity(NaturalScience)Vol.34　No.3Sep.2004

遥感影像监督分类与非监督分类的比较

赵春霞,钱乐祥3

(河南大学环境与规划学院,河南开封475001)

摘　要:遥感影像的分类方法按照是否有先验类别可以分为监督分类和非监督分类,这两种分类法有着本质的区别但也存在一定的联系.从分类原理、分类过程、分类方法等不同角度分析了这两种方法的区别与联系,并展望了遥感影像分类的发展趋势与发展前景.

关键词:影像分类;监督分类;非监督分类

中图分类号:P237　　　文献标识码:A文章编号:1003-4978(2004)03-0090-04ComparativeStudyofSupervisedandUnsupervisedication

inRemoteImZHAOChunxia(CollegeofU,China)

Abstractintothesupervisedclassificationandtheunsupervisedtothereistheextantcategory.Thetwomethodshavedifferenceinessence,buttheyareconnectedeachother.Thearticlehasanalyzedthedifferenceandrelationofthetwomethodsfromdifferentaspectssuchastheprinciple,thecourseandwaysofclassification,andforecastedthetendencyandprospectoftheimageclassification.

Keywords:imageclassification;supervisedclassification;unsupervisedclassification

遥感影像分类是影像分析的一个重要内容,它是利用计算机通过对影像中不同地物的空间信息和光谱信息进行分析,选择特征,并将特征空间划分为互不重叠的子空间,然后将影像中各个像元划归到子空间去.目前国内国际上对影像分类的研究主要集中在应用具体的物理的、数学的方法等对影像进行的分类研究方面[1-8],对于影像分类方法的研究,从不同的方面可以划分为不同的类型.按照利用图像要素的不同,影像分类大体可以分为三种:一是基于图像灰度值的分类,二是基于图像纹理的分类,三是基于多源信息融合的分类[9].用计算机对影像进行分类应用的主要是模式识别技术,根据具体应用的数学方法不同又可分为:统计法(决策分类法)、语言结构法(句法方法)、模糊法以及神经网络法.在影像分类过程中,根据是否已知训练样本的分类数据,影像分类方法又可以分为监督分类和非监督分类.本文主要从分类原理、分类过程、分类方法等方面来探讨这两种分类方法的区别与联系.

1　监督分类的主要方法

最大似然判别法.也称为贝叶斯(Bayes)分类,是基于图像统计的监督分类法,也是典型的和应用最广的监督分类方法.它建立在Bayes准则的基础上,偏重于集群分布的统计特性,分类原理是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的,做出样本的概率密度等值线,确定分类,然后通过计算标本　收稿日期:2004202209

　基金项目:河南省高等学校创新人才培养对象基金项目;河南省杰出青年科学基金项目(99200003);河南省自然科学基金项目(004070700)

　作者简介:赵春霞(1980-),女,河南大学硕士研究生1

　3通信联系人1

赵春霞,等:遥感影像监督分类与非监督分类的比较

　91(像元)属于各组(类)的概率,将标本归属于概率最大的一组.用最大似然法分类,具体分为三步:首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描影像各像元,将像元特征向量代入判别函数,求出其属于各类的概率,将待判断像元归属于最大判别函数值的一组.Bayes判别分类是建立在Bayes决策规则基础上的模式识别,它的分类错误最小精度最高,是一种最好的分类方法.但是传统的人工采样方法由于工作量大,效率低,加上人为误差的干扰,使得分类结果的精度较差.利用GIS数据来辅助Bayes分类,可以提高分类精度,再通过建立知识库,以知识来指导分类的进行,可以减少分类错误的发生[1],这正是Bayes分类的发展趋势和提高其分类精度的有效途径.

神经元网络分类法.是最近发展起来的一种具有人工智能的分类方法,包括BP神经网络、Kohonen神经网络、径向基神经网络、模糊神经网络、小波神经网络等各种神经网络分类法.BP神经网络模型(前馈网络模型)是神经网络的重要模型之一,也是目前应用最广的神经网络模型,它由输入层、隐含层、输出层三部分组成,所采取的学习过程由正向传播过程和反向传播过程组成.传统的BP网络模型把一组样本的输入/输出问题作为一个非线性优化问题,它虽然比一般统计方法要好,但是却存在学习速度慢,不易收敛,效率不高等缺点.采用动量法和学习率自适应调整的策略,可以提高学习效率并增加算法的可靠性[3].

模糊分类法.由于现实世界中众多的自然或半自然现象很难明确划分种类,反映在遥感影像上,也存在一些混合像素问题,并有大量的同谱异物或者同物异谱现象发生,.模糊分类方法忽略了监督分类的训练过程所存在的模糊性,,、归类,并且具有代表性的目标(像素)构成.制、,.模糊神ART模型[4],使得模糊神经网络的监督分类.

Fisher判别分类法.它们都是基于图像统计的常用的监督分类法,偏重于几何位置.最小距离分类法的原则是各像元点划归到距离它最近距离的类别中心所在的类,Fisher判别分类采用Fisher准则即“组间最大距离”的原则,要求组间距离最大而组内的离散性最小,也就是组间均值差异最大而组内离差平方和最小.用这两种分类法进行分类,其分类精度取决于对已知地物类别的了解和训练统计的精度,也与训练样本数量有关.针对最小距离分类法受模式散布影响、分类精度不高的缺点,人们提出了一种自适应的最小距离分类法,在训练过程中,将各类样本集合自适应地分解为子集树,定义待分类点到子集树的距离作为分类依据[2],这种方法有效地提高了最小距离法的分类正确率和分类速度,效率较高.Fisher判别分类也可以通过增加样本数量进行严密的统计分类来增加分类精度.

2　非监督分类的主要方法

动态聚类.它是按某些原则选择一些代表点作为聚类的核心,然后将其余待分点按某种方法(判据准则)分到各类中去,完成初始分类,之后再重新计算各聚类中心,把各点按初始分类判据重新分到各类,完成第一次迭代.然后修改聚类中心进行下一次迭代,对上次分类结果进行修改,如此反复直到满意为止.动态聚类的方法是目前非监督分类中比较先进、也较为常用的方法.典型的聚类过程包括以下几步:选定初始集群中心;用一判据准则进行分类;循环式的检查和修改;输出分类结果.聚类的方法主要有基于最邻近规则的试探法、K-means均值算法、迭代自组织的数据分析法(ISODATA)等.其中比较成熟的是K-means和ISODATA算法,它们较之其他分类方法的优点是把分析判别的统计聚类算法和简单多光谱分类融合在一起,使聚类更准确、客观.但这些传统的建立在统计方法之上的分类法存在着一定的缺点:很难确定初始化条件;很难确定全局最优分类中心和类别个数;很难融合地学专家知识.基于尺度空间的分层聚类方法(SSHC)是一种以热力学非线性动力机制为理论基础的新型聚类算法[10],它与传统聚类算法相比最大的优点是其样本空间可服从自由分布,可获取最优聚类中心点及类别,可在聚类过程中融合后验知识,有更多的灵活性和实用性.

模糊聚类法.模糊分类根据是否需要先验知识也可以分为监督分类和非监督分类.事实上,由于遥感影像的复杂性和不精确性等特点,预先很难获得所有有代表性样本的各类别的精确含量,因此很多情况下用纯粹的监督方法作模糊分类并不现实.模糊聚类属于非监督分类的一种,它根据样本间的统计量的相似程度作为模糊隶属度,在无预知类别的前提下对数据集中各点作含量划分.模糊聚类算法有多种,如基于模糊等价

　92河南大学学报(自然科学版),2004年,第34卷第3期关系的模糊聚类分析法、基于最大模糊支撑树的模糊聚类分析法等[11],最典型的模糊聚类法是模糊迭代自组织的数据分析法———Fussy-ISODATA.但纯粹的非监督分类对影像一无所知的情况下进行所得到的结果往往与实际特征存在一定的差异,因此聚类结果的精度并不一定能够满足实际应用的要求,还需要地学知识的辅助,也就是部分监督的Fussy-ISODATA聚类.

系统聚类.这种方法是将影像中每个像元各自看作一类,计算各类间均值的相关系数矩阵,从中选择最相关的两类进行合并形成新类,并重新计算各新类间的相关系数矩阵,再将最相关的两类合并,这样继续下去,按照逐步结合的方法进行类与类之间的合并.直到各个新类间的相关系数小于某个给定的阈值为止.

分裂法.又称等混合距离分类法,它与系统聚类的方法相反,在开始时将所有像元看成一类,求出各变量的均值和均方差,按照一定公式计算分裂后两类的中心,再算出各像元到这两类中心的聚类,将像元归并到距离最近的那一类去,形成两个新类.然后再对各个新类进行分类,只要有一个波段的均方差大于规定的阈值,新类就要分裂.

3　两种分类方法原理及过程的比较

遥感影像的监督分类是在已知类别的训练场地上提取各类别训练样本,通过选择特征变量、确定判别函数或判别式把影像中的各个像元点划归到各个给定类的分类.

它的基本思想是:定判别函数和相应的判别准则,,然后将未知类别的样本的观测值代入判别函数,分类也称为聚类,,类别的方法.,分类,.二者分类流程如图1所示.

图1　影像监督分类与非监督分类流程图

影像监督分类法与非监督分类法是针对影像具体分类时是否有先验知识而产生的两种方法,二者的使用范围、使用条件不同,因而在具体分类时各有一定的优缺点,监督分类与非监督分类的比较如表1所示.

表1　影像不同分类方法的适用范围及优缺点优　点

精确度高,准确性好,与实际

类别吻合较好

工作量小,易于实现缺　点工作量大分类结果与实际类别相差较

大,准确性差适用范围有先验知识时使用该方法在没有类别先验知识时使用该方法监督分类非监督分类

4　影像分类方法的发展前景

遥感影像的监督分类和非监督分类方法,是影像分类的最基本、最概括的两种方法.传统的监督分类和非监督分类方法虽然各有优势,但是也都存在一定的不足.新方法、新理论、新技术的引入,为遥感影像分类提供了广阔的前景,监督分类与非监督分类的混合使用更是大大的提高了分类的精度.

计算机技术对影像分类的促进与发展.计算机技术的引进,解决了影像分类中海量数据的计算与管理问题;计算机技术支持下的GIS用来辅助影像分类,主要通过四种模式进行[12]:GIS数据作为影像分析的训练样本和先验信息;利用GIS技术对研究区域场景和影像分层分析;GIS建立面向对象的影像分类;提取和挖掘GIS中的知识进行专家分析.这些模式促进了GIS与遥感的结合,提高了影像分类精确性和准确性

,使得影像分类迈入了新的天地.

数学方法的引入和模型研究的进展为影像分类注入了新的活力.不同的数学方法被引用到模型研究上来,为模型研究的发展提供了广阔的天地,相应地,在遥感影像分类中也产生了大量不同形式的分类模型.如径向基函数(RBF)与粗糙理论结合的基于粗糙理论的RBF网络模型应用于遥感分类[5],对于提供分类精

赵春霞,等:遥感影像监督分类与非监督分类的比较　93度、增加收敛性都有很好的作用;而基于RBF映射理论的神经网络模型更是融合了参数化统计分布模型和非参数化线性感知器映射模型的优点,不仅学习速度快,而且有高度复杂的映射能力[6].又如模糊数学理论应用于影像分类产生模糊聚类,对影像中混合像元的分类有很好的效果;模糊理论与各种模型结合,更使得影像分类方法的不断完善,分类精度不断提高.

人工智能技术对影像分类的促进.专家分类系统被用于影像分类中,利用地学知识和专家系统来辅助遥感影像分类[12],大大提高了影像分类和信息提取的精度.人工神经网络由大量神经元相互连接构成网络结构,通过模拟人脑神经系统的结构和功能应用于影像分类,具有一定的智能推理能力.同时,它还引入了动量法和学习自适率调整的策略,并与地学知识集成,很好的解决了专一的BP神经网络法分类的缺点和不足,提高了分类效率和分类精度.

监督分类与非监督分类的结合.由于遥感数据的数据量大、类别多以及同物异谱和同谱异物现象的存在,用单一的分类方法对影像进行分类其精确度往往不能满足应用目的要求.用监督分类与非监督分类相结合的方法来对影像进行分类,却常常可以到达需要的目的.利用这种方法分类时首先用监督分类法如多层神经网络的BP算法将遥感图像概略地划分为几个大类,再用非监督分类法如K-Means聚类和ISODATA聚类对第一步已分出的各个大类进行细分,直到满足要求为止[13].监督分类与非监督分类的结合的复合分类方法,改变了传统的单一的分类方法对影像进行分类的弊端,弥补了其不足,.5　结论

,它们在分类思路上有.,,.因此,在影像分类中,这两种方法,,合理科学灵活的运用这两种方法,甚至混合使用监督分类与非监督分类,.监督分类与非监督分类方法灵活的使用,新的理论、新的模型、新技术的运用,使得遥感影像分类技术得到长足发展,影像分类结果的准确度、精确度都不断提高,从而更好的为应用服务.

参考文献:

[1]游代安,蒋定华,余旭初.GIS辅助下的Bayes法遥感影像分类[J].测绘学院学报,2001,18(2):113-117.

[2]朱建华,刘政凯,俞能海.一种多光谱遥感图象的自适应最小距离分类方法[J].中国图象图形学报,2000,5(1):22-24.

[3]贾永红,张春森,王爱平.基于BP神经网络的多源遥感影像分类[J].西安科技学院学报,2001,21(1):58-60.

[4]林剑,鲍光淑,敬荣中,等.FasART模糊神经网络用于遥感图象监督分类的研究[J].中国图象图形学报,2002,7(12):

1263-1268.

[5]巫兆聪.基于粗糙理论的RBF网络及其遥感影像分类应用[J].测绘学报,2003,32(1):53-57.

[6]骆剑承,周成虎,杨艳.基于径向基函(RBF)映射理论的遥感影像分类模型研究[J].中国图象图形学报,2000,5(2):94-

99.

[7]OlivierDebeir,PatriceLatinne,IsabelleVandenSteen.RemoteSensingClassificationOfSpectral,spatialAndContextualData

UsingMultipleClassifierSystem[J].ImageAnalStereol,2001,20(Suppl1):584-589.

[8]LakshmananV,DeBrunnerV,RabinR.AnUnsupervised,Agglomerative,SpatiallyAwareTextureSegmentationTechnique

[E].http://www.cimms.ou.edu/～lakshman/Papers/diss-transip.pdf

[9]曾生根,王小敏,范瑞彬,等.基于独立量分析的遥感图像分类技术[J].遥感学报,2004,8(2):150-157.

[10]骆剑承,梁怡,周成虎.基于尺度空间的分层聚类方法及其在遥感影像分类中的应用[J].测绘学报,1999,28(4):319-

324.

[11]徐建华.现代地理学中的数学方法[M].北京:高等教育出版社,2002.

[12]王莹,刘敏莺,黄文骞.GIS对遥感影像分类判读的辅助作用[J].海洋测绘,2002,22(3):12-15.

[12]杨存建

,周成虎.基于知识的遥感图像分类方法的探讨[J].地理学与国土研究,2001,17(1):72-77.

[13]靳文戟,刘政凯.多类别遥感图像的复合分类方法[J].环境遥感,1995,10(4):298-302.