论文部分内容阅读
摘要：本文在广泛查阅遥感图像分类资料的基础上，对基于统计的模式识别在遥感分类中的应用进行了探讨及归类分析，总结了国内的主要研究方向：土地覆盖、城市规划、农业管理、城市绿地覆盖、土地不透层水量检测、城市建筑规划、道路提取等。并选取了基于无人机可见光图像的作物分类研究作为应用案例，简要概述其研究背景、数据来源、研究结果，分析了案例中的特点与不足，并结合实际提出如何提高遥感图像分类精度的展望。
关键词：分类精度;特征;样本
1、引言
遥感图像分类主要是根据地面物体电磁波辐射在遥感图像上的特征，判断识别地面物体的属性，进而为目标检测与识别等其他应用提供辅助信息，也可以作为最终结果提供基础地理信息用于地图绘测、抢险救灾、军事侦察等领域。经典的基于统计的模式识别大致原理是把某一模式分解为几个模式类别的数据分析过程，包括聚类分析、无监督和监督学习、有参数和无参数概率密度统计、预处理、特征选择或提取、识别分类后的后期处理以及分类精度评估与性能分析等研究内容[10]。然而，由于遥感图像本身的空间分辨率以及“同物异谱”和“同谱异物”现象的存在，往往出现较多的错分、漏分现象，导致分类精度不高。如何实现图像分类识别并满足一定的分类精度，是当前遥感图像研究的一个关键问题。
2、基于统计的模式识别与遥感图像分类
2.1 遥感图像的分类方法
遥感影像的计算机分类方法可分为两种：统计判决分类和句法模式识别。前者通过对研究对象大量的统计分析，抽出反映模式的本质特点、特征而进行识别。后者则需要了解图像结构信息，从而进行分类。传统的分类方法一般为统计判决分类，如最大似然法、K均值法等[2，4]。近年来发展的新方法则采用句法模式，如专家系统法和决策树分类法等。每种分类方法各有特点[1，3，7]，实际运用需选择合适的分类方法。
2.2 国内基于统计的模式识别的遥感图像分类现状
目前的遥感分类主要集中在以下几个方面的研究。在难以处理的高光谱遥感方面，崔保春等人[11]基于模式识别技术对高光谱遥感图像进行了分类，这种方法对高光谱遥感图像的处理性能好，对一次特征检测准确性高。在地震方面，欧立奇等人[13]利用遥感图像分类有效评估震灾损失可及时、可靠地了解地震灾区实时情况，提高破坏性地震下人们的反应能力;在无人机遥感方面，李志铭等人[12]采用无人机遥感技术对作物进行分类识别为及时获取农田信息-制定农田管理策略及產量估测提供技术支持。
目前，基于统计的模式识别与遥感图像分类研究已有很多，但是分类的精度和方法却有较大不同[5]，大都具有区域特征和技术特征，如何提高遥感图像的分类精度仍然是需要我们长期探索的问题。
3、基于统计模式识别的遥感图像分类的应用实例分析
3.1数据来源
试验区域位于山东省淄博市博山区。图像数据采集于2018年8月10日，采集时段为正午11：00-13：00。图像采集当天天气晴朗，地面无风，满足无人机飞行要求，共获取了644幅可见光图像。目标区域内主要种植的作物为玉米-菜花-大豆-桃树，验证区域内主要种植的作物为玉米-桃树。
3.2特征处理
在模型训练的过程中同时完成对特征的选择，特征选择开始时使用全部特征进行建模，然后根据排序准则分数，舍弃得分最少的特征，利用剩余特征重新构建模型进行下一次迭代，直至特征数量达到预设值。
3.3监督分类模型选择
利用Arcmap软件，在目标区域内生成了若干处随机位置点，选取以随机点为中心，5X5像素范围内的特征均值作为样本数据，组成样本集。然后利用训练集分别对训练集进行K最近邻法、支持向量机、朴素贝叶斯、人工神经网络、决策树及随机森林6种模型进行模型构建。
3.4主要结果
各个模型测试集分类精度的对比结果如下：支持向量机模型的准确度最高，其次为人工神经网络及随机森林模型，决策树模型准确率较差。
3.5不足与启示
本案例虽然探究出了特征选择方法与监督分类模型的最优组合，但最终的分类依靠唯一的分类方法，分类不足明显，因此是否能将多种分类方法相结合，探究出同一区域最优的分类方法组合将会成为未来的发展方向。
4、结论
在遥感影像分类领域，由于遥感数据的复杂性，目前还没有一种遥感分类算法是最普适或最优的。“单一的遥感影像数据源、单一的分类决策以后难以应付迅速增长的遥感数据应用需求[6，8]。在以后的遥感图像分类中，应该综合多种分类方法的特点，选择出最优的分类手段。因此，提高影像分类精度的新理论、新方法与实现模型工作仍有广阔的研究空间[9]。
参考文献：
[1]孙晓霞，张继贤，刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学，2006（01）：62-63+5.
[2]陶超，谭毅华，蔡华杰，杜博，田金文.面向对象的高分辨率遥感影像城区建筑物分级提取方法[J].测绘学报，2010，39（01）：39-45.
[3]王启田，林祥国，王志军，梁勇，李文杰.利用面向对象分类方法提取冬小麦种植面积的研究[J].测绘科学，2008（02）：143-146.
[4]孙志英，赵彦锋，陈杰，李桂林，檀满枝.面向对象分类在城市地表不可透水度提取中的应用[J].地理科学，2007（06）：837-842.
[5]苏簪铀，邱炳文，陈崇成.基于面向对象分类技术的景观信息提取研究[J].遥感信息，2009（02）：42-46.
[6]张超，刘佳佳，苏伟，乔敏，杨建宇，朱德海.基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选[J].农业工程学报，2016，32（21）：95-101.
[7]肖武，任河，吕雪娇，闫皓月，孙诗睿.基于无人机遥感的高潜水位采煤沉陷湿地植被分类[J].农业机械学报，2019，50（02）：177-186.
[8]张军国，韩欢庆，胡春鹤，骆有庆.基于无人机多光谱图像的云南松虫害区域识别方法[J].农业机械学报，2018，49（05）：249-255.
[9]刘哲，刘帝佑，朱德海，张琳，昝糈莉，童亮.作物遥感精细识别与自动制图研究进展与展望[J].农业机械学报，2018，49（12）：1-12.
[10]古丽娜孜·艾力木江. 基于模式识别的土地覆盖遥感图像分类方法研究[D].东北师范大学，2017.
[11]崔保春，徐言勋.基于模式识别技术的高光谱遥感图像检测[J].现代电子技术，2019，42（17）：58-62.
[12]李志铭，赵静，兰玉彬，崔欣，杨焕波.基于无人机可见光图像的作物分类研究[J].西北农林科技大学学报（自然科学版），2020，48（06）：137-144+154.
[13]欧立奇，王红英，罗小东，李盼，刘瀚.利用遥感图像数据基于模板匹配的震毁灾损研究[J].地震工程学报，2019，41（06）：1659-1664.
成都理工大学地球科学学院 成都 610059
关键词：分类精度;特征;样本
1、引言
遥感图像分类主要是根据地面物体电磁波辐射在遥感图像上的特征，判断识别地面物体的属性，进而为目标检测与识别等其他应用提供辅助信息，也可以作为最终结果提供基础地理信息用于地图绘测、抢险救灾、军事侦察等领域。经典的基于统计的模式识别大致原理是把某一模式分解为几个模式类别的数据分析过程，包括聚类分析、无监督和监督学习、有参数和无参数概率密度统计、预处理、特征选择或提取、识别分类后的后期处理以及分类精度评估与性能分析等研究内容[10]。然而，由于遥感图像本身的空间分辨率以及“同物异谱”和“同谱异物”现象的存在，往往出现较多的错分、漏分现象，导致分类精度不高。如何实现图像分类识别并满足一定的分类精度，是当前遥感图像研究的一个关键问题。
2、基于统计的模式识别与遥感图像分类
2.1 遥感图像的分类方法
遥感影像的计算机分类方法可分为两种：统计判决分类和句法模式识别。前者通过对研究对象大量的统计分析，抽出反映模式的本质特点、特征而进行识别。后者则需要了解图像结构信息，从而进行分类。传统的分类方法一般为统计判决分类，如最大似然法、K均值法等[2，4]。近年来发展的新方法则采用句法模式，如专家系统法和决策树分类法等。每种分类方法各有特点[1，3，7]，实际运用需选择合适的分类方法。
2.2 国内基于统计的模式识别的遥感图像分类现状
目前的遥感分类主要集中在以下几个方面的研究。在难以处理的高光谱遥感方面，崔保春等人[11]基于模式识别技术对高光谱遥感图像进行了分类，这种方法对高光谱遥感图像的处理性能好，对一次特征检测准确性高。在地震方面，欧立奇等人[13]利用遥感图像分类有效评估震灾损失可及时、可靠地了解地震灾区实时情况，提高破坏性地震下人们的反应能力;在无人机遥感方面，李志铭等人[12]采用无人机遥感技术对作物进行分类识别为及时获取农田信息-制定农田管理策略及產量估测提供技术支持。
目前，基于统计的模式识别与遥感图像分类研究已有很多，但是分类的精度和方法却有较大不同[5]，大都具有区域特征和技术特征，如何提高遥感图像的分类精度仍然是需要我们长期探索的问题。
3、基于统计模式识别的遥感图像分类的应用实例分析
3.1数据来源
试验区域位于山东省淄博市博山区。图像数据采集于2018年8月10日，采集时段为正午11：00-13：00。图像采集当天天气晴朗，地面无风，满足无人机飞行要求，共获取了644幅可见光图像。目标区域内主要种植的作物为玉米-菜花-大豆-桃树，验证区域内主要种植的作物为玉米-桃树。
3.2特征处理
在模型训练的过程中同时完成对特征的选择，特征选择开始时使用全部特征进行建模，然后根据排序准则分数，舍弃得分最少的特征，利用剩余特征重新构建模型进行下一次迭代，直至特征数量达到预设值。
3.3监督分类模型选择
利用Arcmap软件，在目标区域内生成了若干处随机位置点，选取以随机点为中心，5X5像素范围内的特征均值作为样本数据，组成样本集。然后利用训练集分别对训练集进行K最近邻法、支持向量机、朴素贝叶斯、人工神经网络、决策树及随机森林6种模型进行模型构建。
3.4主要结果
各个模型测试集分类精度的对比结果如下：支持向量机模型的准确度最高，其次为人工神经网络及随机森林模型，决策树模型准确率较差。
3.5不足与启示
本案例虽然探究出了特征选择方法与监督分类模型的最优组合，但最终的分类依靠唯一的分类方法，分类不足明显，因此是否能将多种分类方法相结合，探究出同一区域最优的分类方法组合将会成为未来的发展方向。
4、结论
在遥感影像分类领域，由于遥感数据的复杂性，目前还没有一种遥感分类算法是最普适或最优的。“单一的遥感影像数据源、单一的分类决策以后难以应付迅速增长的遥感数据应用需求[6，8]。在以后的遥感图像分类中，应该综合多种分类方法的特点，选择出最优的分类手段。因此，提高影像分类精度的新理论、新方法与实现模型工作仍有广阔的研究空间[9]。
参考文献：
[1]孙晓霞，张继贤，刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学，2006（01）：62-63+5.
[2]陶超，谭毅华，蔡华杰，杜博，田金文.面向对象的高分辨率遥感影像城区建筑物分级提取方法[J].测绘学报，2010，39（01）：39-45.
[3]王启田，林祥国，王志军，梁勇，李文杰.利用面向对象分类方法提取冬小麦种植面积的研究[J].测绘科学，2008（02）：143-146.
[4]孙志英，赵彦锋，陈杰，李桂林，檀满枝.面向对象分类在城市地表不可透水度提取中的应用[J].地理科学，2007（06）：837-842.
[5]苏簪铀，邱炳文，陈崇成.基于面向对象分类技术的景观信息提取研究[J].遥感信息，2009（02）：42-46.
[6]张超，刘佳佳，苏伟，乔敏，杨建宇，朱德海.基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选[J].农业工程学报，2016，32（21）：95-101.
[7]肖武，任河，吕雪娇，闫皓月，孙诗睿.基于无人机遥感的高潜水位采煤沉陷湿地植被分类[J].农业机械学报，2019，50（02）：177-186.
[8]张军国，韩欢庆，胡春鹤，骆有庆.基于无人机多光谱图像的云南松虫害区域识别方法[J].农业机械学报，2018，49（05）：249-255.
[9]刘哲，刘帝佑，朱德海，张琳，昝糈莉，童亮.作物遥感精细识别与自动制图研究进展与展望[J].农业机械学报，2018，49（12）：1-12.
[10]古丽娜孜·艾力木江. 基于模式识别的土地覆盖遥感图像分类方法研究[D].东北师范大学，2017.
[11]崔保春，徐言勋.基于模式识别技术的高光谱遥感图像检测[J].现代电子技术，2019，42（17）：58-62.
[12]李志铭，赵静，兰玉彬，崔欣，杨焕波.基于无人机可见光图像的作物分类研究[J].西北农林科技大学学报（自然科学版），2020，48（06）：137-144+154.
[13]欧立奇，王红英，罗小东，李盼，刘瀚.利用遥感图像数据基于模板匹配的震毁灾损研究[J].地震工程学报，2019，41（06）：1659-1664.
成都理工大学地球科学学院 成都 610059