遥感图像计算机分类研究现状和发展趋势

遥感图像计算机分类研究现状和发展趋势

读书报告

摘要：遥感图像计算机分类是遥感技术中一项非常重要的工作，本文就当今遥感图像计算机分类的研究现状和发展趋势作进一步分析和总结，让大家进一步了解遥感图像计算机分类的技术。

关键词：遥感图像机分类；现状；发展趋势

Abstract:Remote sensing image classification of remote sensing technology in computer is a very important work, this article on the current computer classification to remote sensing image research present situation and the trend of development for further analysis and summary, let us further understanding of remote sensing image classification technology of computer.

Key words:Remote sensing image classification; Present situation; Development trend

1 遥感图像的分类

遥感图像计算机分类是利用计算机通过对遥感数据的光谱信息和空间信息进行分析、特征选择，并按照某种规则或算法将图像中的每个像元划分为不同的类别。

1.1图像分类的意义

在遥感技术的研究中，通过遥感影像判读识别各种地物是遥感技术发展的一个重要环节。无论是专题信息的提取、动态变化的监测，或是遥感数据库的建立等都离不开遥感图像的分类。遥感图像分类在数字图像分类处理中是一个很重要的应用方向，与普通的图像分类算法有很多相同之处，而根据遥感图像自身特点，面临自身的问题、如果可以使计算机对遥感图像按照一定的意义进行自动分类处理，将大大减轻人们的劳动量。因而，不断有遥感科学领域研究者在图像分类的算法的借鉴，改进和创新中探索。

1.2图像分类的影响

当今社会，传统遥感图像分类方法，但随着遥感技术的不断发展，近年来出现的新的分类方法能够准确的提取目标地物，改进了图像的分类在实际运用也越来越多的和传统方法相结合使用。随着计算机技术和遥感技术相互融合，遥感信息的获得会越来越精确、迅速，新的算法和分类方法的研究会不断深入，遥感图像的精度必定会得到显著的提高。在图像的分类中，一种分类是只利用不同波段的光谱亮度值，还利用像元和像元之间的关系。近年来新的分类方法的思想为：神经网络分类法、支持向量机分类法。为了提高分类的精度还引入了分层分类和分区分类、多元数据融合入分类及小波技术等分类思想。遥感技术的发展日新月异，不仅仅表现在传感器空间分辨率的提高上，其他各个方面的发展也十分快，遥感平台的发展，传感器光谱探测能力也在急速提高，在遥感图像识别和分类方面，开始大量使用统计模式识别，随着电子技术、计算机及航天技术等多方面技术的发展与应用，当前遥感图像的空间分辨率从低分辨率发展到高分辨率，从低分辨率发展到高分辨率，形成了影像金字塔，这也给我们的遥感影像的分类提出了更高的要求，在遥感图像识别和分类中尚有许多不确定性因素需要我们作细致深入的研究。遥感影像的计算机分类是模式识别技术在遥感技术领域中的具体运用。具体来说，就是对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到识别含有多图像信息的实际地物，提取所需地物信息的目的。1.3图像分类的方法

在遥感技术的研究中，通过遥感影像判读识别各种地物是遥感技术发展的一个重要环节。无论是专题信息的提取，动态变化的监测，还是专题地图是制作，或是遥感数据库的建立等都离不开遥感图像的分类。图像分类的过程，实际上就是将图像空间划分为若干子区域，每个子区域代表一个实际地物。

遥感影像的计算机分类方法有2种，统计模式方法和句法模式方法。常见的分类方法一般为统计识别模式，如最大似然法、K-最近判别法等。近年来发展和分类的新方法则多采用句法方法。这类方法有人工神经网络犯方法、模糊数学方法、专家系统法和决策树分类法等。

遥感图像的统计分类又分为两种：监督分类和非监督分类。非监督分类是对遥感图像地物的属性不具有先验知识，仅仅依靠不同的光谱数据组合在统计上的差别来进行分类，然后再对已经分出的各类地物的属性进行确认的过程；监督

分类是基于对遥感图像上样本区内的地物的类别已有一定的先验知识，即已经知道它所对应的地物类别，因而可以利用这些样本的类别特征作为依据，从而判断非样本数据的类别。

2 遥感图像的传统分类

2.1非监督分类(Unsupervised Classification )

非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。

非监督分类在现实应用中指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性，亦即：非监督分类只能把样本区分为若干类别，而不能给出样本的描述；其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。一般的聚类算法是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其它类区分开，但是非监督法与监督法都是以图像的灰度为基础。通过统计计算一些特征参数，所以也有一些共性。

非监督分类是依靠系统聚类，按照相似性将一组像素分类，尽可能缩小同类别像素间的距离，同时尽量扩大不同类别像素的距离。初始分类的参数设定和迭代调整时该算法的关键问题，其主要算法包括ISODTA法、分级集群法以及K-均值算法等。将遥感图像中的地物按照其光谱特征进行分类，由于能够较少的受到人为因素的影响，而且不需要全面了解地面信息和地物属性，而且操作方式相对简单、算法成熟，在研究数据的自然集群分布时采用非监督分类法具有较强的

实用性，因此在初步分析图像的环节该分类法得到了广泛的应用。

2.2监督分类（Supervised Classification）

监督分类又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。

对于遥感图像的样本区域中地物类别的属性在分类之前人们已经具有了先验知识是监督分类的重要特征。即采用线性判断、平行多面体、最大似然、最小距离等方法对先从遥感影音中取出图像样本进行分类，这些样本要涵盖所有区域的各类地物。首先对选取的样本建立判别函数得到训练区，然后通过训练区获得各类别的数据，然后对遥感图像进行整体分类。训练区域的选取是整个监督分类最关键的环节之一，训练区域的选择质量影响着遥感图像分类能否收到一个良好的效果。在训练区域选择是应当要充分的考虑到选取区域中地物的分布特征和光谱特征。需要有大量的野外实地调查和选取足够的样本以达到判别函数建立的要求。

与非监督分类不同，监督分类显著特点是在分类前人们对遥感图像上的某些样区中影像地物的类别属性已有了显眼知识，也就是先要从图像中选取所有要区分的各类地物的样本，用于训练分类器。一般在图像中选取具有代表性的区域作为训练区，由训练区得到各个类别的统计数据，进而对整个图像进行分类。常用分类方法有：判别分析法、最大似然分析法、特征分析法、序贯分析法和图形识别法等。

3遥感图像的分类新方法

无论是监督分类还是非监督分类，都是依据地物的光谱特性的点独立原则进行分类的，且都是采用统计的方法。该方法只是采用各波段的灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元是混合像元带有混合信息的光谱特性，致使计算机分类面临着诸多模糊的影像，不能确定其究竟

属于哪一类地物。而且，同物异谱和异物同谱的现象普遍存在，也会导致误分、漏分，因此人们不断尝试新方法来加以改善。

新的分类方法主要有综合阀值法、专家系统法、神经网络分类法等。这些新方法的应用于传统的分类方法相结合，有效的减少了误分、漏分，提高了精度。

3.1决策树分类法（Decision tree classification）

基于分层分类的指导思想，将不同地物的属性特点按照一定的原则进行逐步分布分解。根据研究人员对相应区域地物的特征了解，在对每一次进行分解时，可以按照波段以及组合分类。按照遥感图像的不同特性采用决策树分类，将分类和决策通过树型结构进行表示，从而发现其规律。首先通过训练区域的数据建立判别函数，然后按照所取的不同值建立分支完成树型结。

决策树是一个类似流程图的树型结构，其中树的每个内部节点代表对一个属性的测试，其分支代表测试的每个结果，而树的每个叶子节点代表一个类别，树的最高层节点就是根节点，是整个决策树的开始。其算法的早期版本可以追溯到20实际60年代。后来特别是近几年，它被广泛应用到许多需要分类识别的领域，如科学实验、医疗诊断、信贷审核、商业预测、案件侦破等这类算法无需相关领域知识，且相对于基于模糊理论的分类方法，具有更高的分类准确度和更快的处理速度。

在很多领域特别是数据挖掘中，决策树是一种经常要用到的技术，它可以用于分析数据，也可以用来作预测，常用的算法有ID3，CART,C4.5等。

3.2人工神经网络分类法（Artificial neural network classification）

人工神经网络分类是通过岁人脑神经系统结构和功能的模拟，建立一种简化的人脑数学模型。它不需要任何关于统计分布的先验知识，不需要预定义分类中各个数据源的先验权值，可以处理不规则的复杂数据，且易于辅助信息结合。通过对MOD IS数据分析和研究，与传统分类方法相比，ANN方法一般可获得更高精度的分类结果，特别是对与复杂类型的土地覆盖分类，该方法显示了其优越性，但某些地物的光谱数据的集群性较差，使得网络对与大多数易分区的地类识别率高，而对少数不易分的识别率低。

人工神经网络分类是不具备统计分布的先验知识，不需要对复杂的不规律的数据进行处理，也不需要对分类的过程中的数据源的先验权限进行预定义，而且

较容易与其他辅助信息能够实现结合。与传统分类方法相比，人工神经网络分类法更容易获得具有较高的精度和分类结果，尤其是对于复杂类型的土地覆盖分类，该分类方法的有点能得到更好的体现。

3.3专家系统分类法(The expert system classifier)

专家系统分类就是把某一特定领域的专家知识输入的计算机中，辅助人们解决问题的系统。遥感图像解译专家的经验和方法进行解译。专家的经验和知识以某种形式形成知识库。该分类方法在分类时需要建立复杂的知识库。

专家系统是模式识别与人工智能技术相结合的产物。应用人工智能技术相结合的产物。应用人工智能技术，运用解译专家的经验和方法，模拟遥感图像目视解译的具体思维过程，进行图像解译。专家系统分类的关键是知识的发现和推理技术的运用。目前在知识发现方面，主要是基于图像光谱知识、辅助数据和上下文信息等。一些专家认为基于专家系统的土地覆被分类可以以专家的能力去解决分类过程中的复杂问题，然而在实际运用过程中，知识的发现和定义往往很难做到与实际情况一一对应。

3.4基于频谱分析的分类（Based on analysis of the spectrum classification）

传统的分类方法基本上都只考虑了图像的光谱信息，没有顾及图像的纹理信息，因此分类精度较低。基于频谱分析的分类方法是一种结合了地表信息的有效的分类方法。作为描述地物纹理特征的常用方法之一，频谱分析通过将图像信息从空间域转换到频率域，充分利用了图像的纹理信息，并按频率高低形成地物多频谱图像。这样在遥感图像解译过程中综合利用光谱信息、纹理信息以及多个频谱段的信息以及多个频谱段的信息。

目前在光谱的分类方法中桐城市采用均值和方差的传统统计方法，仅仅是涉及到遥感图像的光谱特征，但是没有考虑到遥感图像的纹理特征信息，所以这种分类方法的精度较低。频谱分析是描述地物纹理特征通常使用的方法，将遥感图像从空间域转换为频率域，然后提取遥感图像的纹理信息，按照其频率的高低形成地物频谱图像。在遥感图像解译过程中将光谱信息、地物纹理信息和多频谱信息进行综合应用，从而较大的提高解译精度。

3.5特征融合（Feature fusion）

单纯的通过地物的光谱特性、外形特性和纹理特征对图像进行分类，都无法

对不同类别的地物目标进行很好的区分。所以采用多特征融合对遥感图像进行分类方法得到越来越广泛的运用，该方法具有显著的特点，首先是对同一模式所抽取的不同特征矢量总是反应模式的不同特征，将其进行优化，不仅可以抵消一部分由外部原因造成的多余信息，而且能将参与鉴别融合的信息进行保存，这对遥感图像的分类具有非常重要的现实意义。再对遥感图像模式进行识别时，遥感图像的纹理特征和光谱特征祈祷了同样关键作用。再对图像纹理特征进行提取时通常采用的方法有：数学变换发、自相关函数法、灰度共生矩阵法等。该分类斌不是完全分类，不能将实际地物完全分类，因此只能最为辅助数据来提取高光谱特征法的分类精度。

遥感图像几种分类方法的比较

摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

利用主题模型的遥感图像场景分类

第36卷第5期2011年5月武汉大学学报#信息科学版 Geo matics and Informat ion Science of W uhan U niver sity V ol.36N o.5M ay 2011 收稿日期:2011-03-15。 项目来源:国家自然科学基金资助项目(40801183,60890074)。 文章编号:1671-8860(2011)05-0540-04文献标志码:A 利用主题模型的遥感图像场景分类 徐 侃1 杨 文1 陈丽君1 孙 洪1 (1 武汉大学电子信息学院,武汉市珞喻路129号,430079) 摘 要:提出了一种基于主题模型与特征组合相结合的遥感图像分类方法。该方法首先对图像进行尺度不变特征变换(SIF T )、几何模糊特征(G B)和颜色直方图特征(CH )提取,接着利用潜在概率语义分析(pL SA )模型分别对所得到的图像特征进行潜在主题的挖掘,然后对所得到的主题概率特征进行组合,最后利用支持向量机(SV M )分类器进行场景分类。实验表明,与传统分类方法相比,主题模型更具优势;与使用单特征相比,特征组合具有更高的分类准确率。 关键词:场景分类;特征组合;pL SA 模型;支持向量机中图法分类号:P237.4 近年来,为了跨越底层视觉特征与高层语义之间的障碍,使用中间语义来对场景进行分类的方法受到了广泛的关注。然而,中间语义的生成通常需要大量的人工标注样本。为了克服这一困难,一些文本主题模型的方法被应用到图像场景分类之中[1-4] ,这些方法可以将高维度的特征向量变换到低维度的潜在语义空间之上。但是,由于主题分析模型是根据图像中视觉词汇出现的总体情况来进行分析的,所以这种方法并没有考虑到视觉词汇在空间的分布特点,同时图像特征的使用也仅限于单一的特征。对于数量及分辨率都迅速增长的遥感图像而言,相对应的场景与地物类别也与日俱增,这使得人们对分类方法有了更高的要求[5-8]。本文提出了一种将主题模型与特征组合相结合的遥感图像分类方法。 1 图像特征 目前用于图像分类的特征主要包括纹理、颜色、形状、空间位置以及上下文先验信息特征等,这些特征在对图像进行表达时都有各自的侧重点。本文实验中主要使用三种特征的互补性分别对图像的结构、颜色和边缘进行描述,并将它们组合之后用于图像分类。1尺度不变特征变换(scale -inv ariant feature transform,SIFT )[5]。构 造SIFT 描述算子时,以关键点为中心选取一个16@16的像素区域,将其划分为4@4个子块,分 别在每个子块上计算8个方向的梯度直方图,最后产生的SIFT 特征向量就有16@8=128维。o颜色直方图(colorhist,CH )。基于不同的颜色空间,可统计出不同的颜色直方图。本文采用RGB 颜色空间,其中各通道上的直方图维数为40,然后将所得直方图串联,最终形成120维的颜色直方图特征。?几何模糊特征(g eo metr ic blur,GB)[9]。本文先对图像进行边缘提取,得到稀疏信号,然后分别在三个通道上利用高斯核函数与图像卷积计算GB 描述子。各通道上的维数均为68,将其串联得到204维的GB 特征。 2 语义模型 由于计算机与人对图像信息的理解存在着客观区别,因而语义提取的有效性从很大程度上影响了图像分类的准确性,因此,越来越多的语义模型被引入到图像分类中来。目前被广泛使用的两种语义模型pLSA (pr obabilistic latent semantic analysis)和LDA (latent dirichlet analy sis)都属于将特征向量降维到潜在语义空间上的生成模型。在降维之前,实验中所使用的三种特征组合起来共有128+120+204=452维。而在经过语

遥感影像分类envi

遥感课程教学实验之二： 遥感影像分类 实验二遥感影像的分类遥感影像的监督分类 ?实验目的

理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件 电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色 影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采 集的窗口类型，用Zoom（缩放窗口）进行采集。。

4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域 被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元 像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。

6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。 设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。 要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每 个类别重复该步骤。 最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。 点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结

试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。

遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

遥感影像的分类处理

摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

遥感图像分类

实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)

遥感图像分类后处理

遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。 因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；

三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台

上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要

遥感图像分类方法综述

遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised

envi遥感图像监督分类

envi遥感图像监督分类 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。

图像分类

第六章图像分类 遥感图像分类就是利用计算机对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得客观的地物信息的过程。一般的分类方法可分为两种：监督分类与非监督分类。将多源数据应用于图像分类中，发展了基于专家知识的决策树分类。 4.1 非监督分类 非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。主要有两方法：ISODATA分类与K-Means 分类。 4.1.1 ISODATA分类 ISODATA是一种遥感图像非监督分类法。全称“迭代自组织数据分析技术”（Iterative Self-Organizing Data Analysis Technique）。ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心作为初始类别的“种子”，依据某个判别规则进行自动迭代聚类的过程。在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、分裂、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。操作步骤如下：（1）在主菜单中，选择File→Open Image File，打开待分类图像； （2）在主菜单中，选择Classification→Unsupervised→ISOData； （3）在Classification Input File选择分类的图像文件； （4）在ISODATA Parameters窗口中设置分类参数以及输出路径和文件名（图4-1）； 图4-1 ISODATA分类参数设置

遥感影像分类实验报告

面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院

一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤

图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个

对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。

遥感影像场景分类(IJEM-V8-N4-2)

I.J. Engineering and Manufacturing, 2018, 4, 13-20 Published Online July 2018 in MECS (https://www.docsj.com/doc/a018788269.html,) DOI: 10.5815/ijem.2018.04.02 Available online at https://www.docsj.com/doc/a018788269.html,/ijem Remote Sensing Image Scene Classification Md. Arafat Hussain, Emon Kumar Dey* Institute of Infromation Technology, University of Dhaka, Dhaka-1000, Bangladesh Received: 11 March 2018; Accepted: 06 June 2018; Published: 08 July 2018 Abstract Remote sensing image scene classification has gained remarkable attention because of its versatile use in different applications like geospatial object detection, natural hazards detection, geographic image retrieval, environment monitoring and etc. We have used the strength of convolutional neural network in scene image classification and proposed a new CNN to classify the images. Pre-trained VGG16 and ResNet50 are used to reduce overfitting and the training time in this paper. We have experimented on a recently proposed NWPU-RESISC45 dataset which is the largest dataset of remote sensing scene images. This paper found a significant improvement of accuracy by applying the proposed CNN and also the approaches have applied. Index Terms: Convolutional Neural Network, Remote Sensing Image, Scene Classification, CNN. ? 2018 Published by MECS Publisher. Selection and/or peer review under responsibility of the Research Association of Modern Education and Computer Science. 1.Introduction Image or picture is a visual representation anything. Human can see a complex picture, understand it and can interpret properly without thinking twice but it is a very difficult task for machine. A machine can learn from the provided labelled data. Due to machines learning capability, image recognition and classification has become an active research area. Image classification and recognition is important for various applications a like facial image classification, medical image classification, scene image classification, human pose classification, gender classification etc. Recently scene image classification has found remarkable attention for its growing importance. Researchers are trying to efficiently classify different types of scene images like natural scene, remote sensing scene, indoor scene etc. Satellite and airborne observing the earth and taking a huge amount of remote sensing scene images. With the development of modern satellite and airborne, high spatial resolution (HSR) remote sensing images can * Corresponding author. E-mail address: emonkd@iit.du.ac.bd

envi遥感图像处理之分类

ENVI遥感图像处理之计算机分类 一、非监督分类 1、K—均值分类算法 步骤：1）打开待分类的遥感影像数据 2）依次打开：ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框 3）选择待分类的数据文件 4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置

5）建立光谱类和地物类之间的联系：在新窗口中显示分类结果图： 然后，打开显示窗口菜单栏Tools菜单—>Color Mapping—>Class Color Mapping…进入分类结果的属性设置对话框，在这里，可以进行类别的名称，显示的颜色等，建立了光谱类和地物类之间的联系。 设置完成以后，点击菜单栏Options—>Save Changes 即完成光谱类与地物类联系的确立6）类的合并问题：如果分出的类中，有一些需要进行合并，可按以下步骤进行：选择ENVI主菜单Classfaction—>Post Classfiction—>Combine Classes，进入待合并分类结果数据的选择对话框

点击OK键，进入合并参数设置对话框，在左边选择要合并的类，在右边选择合并后的类，点击Add Combination 键即完成一组合并的设置，如此反复，对其他需合并的类进行此项操作，点击OK，出现输出文件对话框，选择输出方式，即完成了类的合并的操作。 至此，K—均值分类的方法结束。 2、ISODATA算法 基本操作与K—均值分类相似。 1）进行分类数据文件的选择（依次打开：ENVI主菜单栏—>Classification—>Unsupervised —>IsoData即进入ISODA TA算法分类数据文件选择对话框，选择待分类的数据文件）2）进行分类的相关参数的设置（点击OK键以后，进入参数设置对话框，可以进行分类的 最大最小类数、迭代次数等 参数的设置）

基于DCNN的高分辨率遥感影像场景分类

第５３卷第４期华中师范大学学报（自然科学版） Ｖｏｌ．５３Ｎｏ．４ ２０１９年８月ＪＯＵＲＮＡＬ　ＯＦ　ＣＥＮＴＲＡＬ　ＣＨＩＮＡ　ＮＯＲＭＡＬ　 ＵＮＩＶＥＲＳＩＴＹ（Ｎａｔ．Ｓｃｉ．）Ａｕｇ ．２０１９收稿日期：２０１９－０３－ ０４．基金项目：十三五科技部国家重点研发计划项目（２０１６ＹＦＣ０８０３１０７，２０１６ＹＦＢ０５２６０１，２０１７ＹＦＢ０５０４１０３）． ＊通讯联系人．Ｅ－ｍａｉｌ：ｄｕａｎｘｕｅｌｉｎ＠ｗ ｈｕ．ｅｄｕ．ｃｎ．ＤＯＩ：１０．１９６０３／ｊ．ｃｎｋｉ．１０００－１１９０．２０１９．０４．０１７文章编号：１０００－１１９０（２０１９）０４－０５６８－ ０７基于ＤＣＮＮ的高分辨率遥感影像场景分类孟庆祥，段学琳 （武汉大学遥感信息工程学院，武汉４３００００ ）摘　要：针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题，提出了一种基于卷积神经网络的高分辨率影像场景分类方法．此方法大致分为３步：第１步，依据不同卷积窗口做卷积运算提取颜色， 纹理和形状等低阶特征；第２步，利用池化层将这些低阶特征进行过滤，得到重要特征；第３步，重组提取出来的特征以形成高阶语义特征进行场景分类．在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究，并且使用了数据增广、正则化和Ｄｒｏｐｏｕｔ等手段，提升模型对新样本的适应能力，很好地解决了过拟合问题．该方法在所进行的实验中表现良好，在ＷＨＵ－ＲＳ１９数据集上取得了８８．４７％的准确率，和传统的场景分类方法相比，显著提升了分类精度． 关键词：高分辨率遥感影像；场景分类；深度学习；深度卷积神经网络中图分类号：Ｐ２３７ 文献标识码：Ａ 遥感技术的不断发展， 带来了影像分辨率的提升．这种高空间分辨率的遥感影像具有丰富的空间信息和纹理特征，包含了大量的语义信息．然而面向像素和面向对象的解译方法存在着很多不足，无法满足遥感影像高层次内容解译的需求．因此，对高分辨率遥感图像进行场景分类成为了当前遥感 图像解译中活跃的研究课题［１］． 场景分类是遥感研究领域的热点．通俗的来说，就是用给定的图像，通过其包含的内容对它的场景类别进行判断．传统的场景分类方法可以概括为两类：基于低层次特征的方法和基于中层语义 特征建模的方法［２］ ． 基于低层特征的场景分类，即依赖于颜色、纹理和形状等低层特征的分类方法，此类分类算法比较简单，但泛化能力较弱、精度不 够高［３－４］． 基于中间语义的图像分类，即先生成底层特征， 然后结合分类器实现图像场景分类，其代表有视觉词袋（ＢｏＶＷ）［５］以及由此衍生的空间金字塔匹配核（ＳＰＭＫ） ［６］等，此类方法会导致信息的丢失，存在一定的局限性． 由于传统的场景分类方法无法满足大数据环 境下人们的分类要求，学者们开始将深度学习［７－８］算法应用到影像分类中．典型的深度网络模型［９］主要有深度置信网（ＤＢＮ）［１０］ 、栈式自动编码器网络（ＳＡＥ）［１１］和卷积神经网络（ＣＮＮ）［１２－ １３］． 其中，卷积神经网络是目前较为流行的基于监督的深度学习方法， 该方法在图像识别、物体识别、图像语义分割中都得到了广泛的应用．近年来，越来越多的学者将卷积神经网络运用于图像分类．文献［１４］将卷积神经网络用于图像分类，在ＣＩＦＡＲ－１０数据集上取得了较好的分类效果．文献［１５］用卷积神经网络对Ｌａｎｄｓａｔ　 ＴＭ５中等分辨率遥感影像进行了分类实验，并与支持向量机分类结果进行比较，在一定程度上体现了卷积神经网络在图像分类的优越性．与此同时，有学者将卷积神经网络运用于遥感影像的场景分类，并取得了一定的进展，这种场景分类方法很快受到了广泛的关注． 在此基础上，本文提出一种基于深度卷积神经网络的场景分类模型ＤＣＮＮ，将该模型用于高分辨率遥感影像的场景分类，加入数据增广并且利用正则化方法和丢弃函数调整模型参数，最终实现基于卷积神经网络的高分辨率遥感影像分类． １卷积神经网络 卷积神经网络是一种受生物学启示的，包含卷积计算且具有深度结构的前馈神经网络．它可以进行监督分类，提取出遥感影像中的语义特征．一个 基本的卷积神经网络结构有３层［１６－ １７］：输入层－隐 含层－输出层， 隐含层又分为４部分———卷积层、