遙感圖像分類方法的研究現狀與發展趨勢摘要：遙感在中國已經取得了世界級的成果和發展，被廣泛應用于國民經濟發展的各個方面，如土地資源調查和管理、農作物估產、地質勘查、海洋環境監測、災害監測、全球變化研究等，形成了適合中國國情的技術發展

和應用推廣模式。隨著遙感數據獲取手段的加強，需要處理的遙感信息量急劇增加。在這種情況下，如何滿足應用人員對于大區域遙感資料進行快速處理與分析的要求，正成為遙感信息處理面臨的一大難題。這里涉及二個方面，一是遙感圖像處理本身技術的開發，二是遙感與地理信息系統的結合，歸結起來，最迫切需要解決的問題是如何提高遙感圖像分類精度，這是解決大區域資源環境遙感快速調查與制圖的關鍵。關鍵詞：遙感圖像、發展、分類、計算機一、遙感技術的發展現狀遙感技術正在進入一個能夠快速準確地提供多種對地觀測海量數據及應用研究的新階段，它在近一二十年內得到了飛速發展，目前又將達到一個新的高潮。這種發展主要表現在以下4個方面：1.多分辨率多遙感平臺并存。空間分辨率、時間分辨率及光譜分辨率普遍提高目前，國際上已擁有十幾種不同用途的地球觀測衛星系統，并擁有全色0．8～5m、多光譜3．3～30m的多種空間分辨率。遙感平臺和傳感器已從過去的單一型向多樣化發展，并能在不同平臺上獲得不同空間分辨率、時間分辨率和光譜分辨率的遙感影像。民用遙感影像的空間分辨率達到米級，光譜分辨率達到納米級，波段數已增加到數十甚至數百個，重復周期達到幾天甚至十幾個小時。例如，美國的商業衛星ORBVIEW可獲取lm空間分辨率的圖像，通過任意方向旋轉可獲得同軌和異軌的高分辨率立體圖像；美國EOS衛星上的MOiDIS-N傳感器具有35個波段；美國NOAA的一顆衛星每天可對地面同一地區進行兩次觀測。隨著遙感應用領域對高分辨率遙感數據需求的增加及高新技術自身不斷的發展，各類遙感分辨率的提高成為普遍發展趨勢。2.微波遙感、高光譜遙感迅速發展微波遙感技術是近十幾年發展起來的具有良好應用前景的主動式探測方法。微波具有穿透性強、不受天氣影響的特性，可全天時、全天候工作。微波遙感采用多極化、多波段及多工作模式，形成多級分辨率影像序列，以提供從粗到細的對地觀測數據源。成像雷達、激光雷達等的發展，越來越引起人們的關注。例如，美國實施的航天飛機雷達地形測繪計劃即采用雷達干涉測量技術，在一架航天飛機上安裝了兩個雷達天線，對同一地區一次獲取兩幅圖像，然后通過影像精匹配、相位差解算、高程計算等步驟得到被觀測地區的高程數據。高光譜遙感的出現和發展是遙感技術的一場革命。它使本來在寬波段遙感中不可探測的物質，在高光譜遙感中能被探測。高光譜遙感的發展，從研制第一代航空成像光譜儀算起已有二十多年的歷史，并受到世界各國遙感科學家的普遍關注。但長期以來，高光譜遙感一直處在以航空為基礎的研究發展階段，且主要巨大的。個領域的發展都離不開計算的支持，將計算機技術引入遙感也是遙感技術發展的必然趨勢。遙感圖像分類是利用計算機通過對遙感數據的光譜信息和空間信息進行分析、特征選擇，并按照某種規則或算法將圖像中每個像元劃分為不同的類別。在遙感分類中，有兩種分類方法：第一種是象元光譜分類法，即只利用象元的光譜特征對各象元進行分類。這樣分分類方法是現階段比較簡單的分類方法，也是計算集機分類中用的比較多的一種。這種方法實現比較簡單，但是由于僅僅只運用了遙感圖像的象元光譜特征這一種性質，而遙感圖像中反應的其他大量的信息都被忽略，所以分類的精度不是很好，應用前景不是很廣泛。第二種是面向對象分類法。這種分類方法不僅是考慮到象元的光譜特性，而且同時也考慮到象元的空間關系，使得計算機在分類的時候能夠收集到更多的信息。面相對象分類法在今年發展很快，出現了很多新的方法，例如：神經網絡法、支持向量機SVM分類法、專家分類法。同時，為了是分類精度提高，還引進了小波分析思想、分區分類思想等。三、遙感圖像分類原理通常我們所指的遙感圖像是指衛星探測到的地物亮度特征,它們構成了光譜空間。每種地物有其固有的光譜特征,它們位于光譜空間中的某一點。但由于干擾的存在,環境條件的不同,例如:陰影,地形上的變化,掃描儀視角,干濕條件,不同時間拍攝及測量誤差等,使得測得的每類物質的光譜特征不盡相同,同一類物質的各個樣本在光譜空間是圍繞某一點呈概率分布,而不是集中到一點,但這仍使我們可以劃分邊界來區分各類。因此,我們就要對圖像進行分類。圖像分類的任務就是通過對各類地物波譜特征的分析選擇特征參數,將特征空間劃分為不相重疊的子空間,進而把影像內諸像元劃分到各子間去,從而實現分類。分類方法可以分為統計決策法(判別理論識別法)模式識別和句法模式識別。統計決策法模式識別指的是:對研究對象進行大量的統計分析,抽出反映模式的本質特點、特征而進行識別。主要的有監督分類中的最小距離法、逐次參數估計法、梯度法、最小均方誤差法、費歇準則法和非監督分類中的按批修改的逐步聚類法、等混合距離法。此外還可以將兩者結合起來,互相補充以獲得較好的效果。句法模式識別則需要了解圖像結構信息,從而對其進行分類。四、傳統統計的遙感分類方法先從傳統的遙感分類方面說起，該分類方法是目前運用較多，算法比較成熟的方法。分為監督分類和非監督分類，他們的原理都是根據圖像象元的光譜特征的相似度來進行的分類。監督分類用于用戶對分類區比較熟悉，由用戶自己控制，非監督分類則是將象元相似度大小進行歸類合并。但是未充分利用遙感圖像提供的多種信息，只考慮多光譜特征，沒有利用到地物空間關系、空間位置形狀、紋理等方面的信息。1、監督分類監督分類可根據應用目標和區域，有選擇地決定分類類別，可控制樣本的選擇，避免了非監督分類中對光譜集群組的重新歸類。但個人認為其人為主觀因素較強，操作者所選擇的訓練樣本有可能不是很典型并且有可能不能反映圖像的真實情況，所以圖像中同一類別的光譜差異和人為因素，有可能造成樣本沒有代表性，并且訓練樣本的選取和評估需要花費較多的人力和時間。2、非監督分類非監督分類過程不需要任何的先驗知識，僅憑遙感影像地物光譜特征的分布規律，隨其自然地進行分類。但是看文獻時看到，非監督分類還有一個前提，那就是：假定遙感影像上同類地物在同樣條件下具有相同的光譜信息特征。如果產生的光譜萬一不一定對應于操作者想要的類別，且操作者較難對產生的類別進行控制，比如圖像中各類別的光譜特征會隨時間、地形等變化，不同圖像以及不同時段的圖像之間的光譜無法保持其連續性，從而使不同圖像之間的對比變得困難。五、分類新方法研究進展無論是監督分類還是非監督分類，都是依據地物的光譜特性的點獨立原則來進行分類的，且都是采用的統計方法。該方法只是根據各波段灰度數據的統計特征進行的，加上衛星遙感數據的分辨率的限制，一般圖像的像元很多是混合像元，帶有混合光譜信息的特點，致使計算機分類面臨著諸多模糊對象，不能確定其究竟屬于哪一類地物。而且，同物異譜和異物同譜的現象普遍存在，也會導致誤分、漏分情況的出現，因此人們不斷嘗試新方法來加以改善和提高遙感圖像分類的效率和質量。這些新方法主要有決策樹分類法、綜合閾值法、專家系統分類法、多特征融合法、神經網絡分類法以及基于頻譜特征的分類法等。近年來的研究大多將傳統方法與新方法加以結合。即在非監督分類和監督分類的基礎上，運用新方法來改進，減少錯分和漏分情況，對遙感圖像的分類精度有了一定程度的增強。六、發展前景與趨勢1、更加自動化和智能化。目前遙感圖像分類趨向于把知識理解和統計相結合，今后還將向自動化、智能化方向發展。神經網絡法的發展和廣泛應用顯示了自動化、智能化是一個很重要的發展趨勢，因為它可以模擬人腦，吸取前期分類的經驗，對于后期的分類作調整，進一步提高分類精度。2、更加自動化和智能化。目前遙感圖像趨向于把知識理解和統計相結合，今后還將向自動化、智能化方向發展。3、模糊分類與神經網絡、基于知識的專家系統分類的結合也是一個發展方向。4、純像元提取方法將進一步解決混合像元問題。如何提高分類結果的精度，一直是遙感圖像分類所關注的熱點問題，如果分類的精度達到90%以上，結果就比較理想了。但由于地面本身的復雜性，地物類型的多樣性，使得遙感圖像上存在著同物異譜、同譜異物的現象，這時候就要多分析，多實驗，例如把地物光譜分的更加細致，多利用地物的其他有效的特征。5、從單一分類方法向復合分類方法發展。單一分類方法往往不能對所有類別進行有效識別,復合分類方法通過不同分類方法的組合,可實現優勢互補,顯著提高分類的數目和精度。6、從傳統分類向智能分類方向發展。以人工神經網絡、專家系統等為代表的智能分類方法能夠模擬人腦的結構和功能,組合各種帶有因果關系的知識進行推理并得出結論,實現智能化的分類。如何實現人工神經網絡和專家系統的有機結合將成為今后研究的熱點問題。參考文獻：1、劉欽