基于ISODATA算法的土地利用状况调查

2010-05-24钱成越

山西建筑 2010年13期

钱成越

利用遥感影像对土地利用现状调查具有十分重要的现实意义,本文从统计模式识别的角度出发,将多波段遥感影像像元的各波段分量值作为待分类样本,利用ISODATA算法进行迭代动态聚类。多波段影像丰富的波谱信息,从多个角度反映了图像中的物体特征。同时ISODATA算法属于一种动态聚类算法,可在迭代过程中实时对参数进行调整,在保证分类精度的同时具有良好的适应性与灵活性,适合运用于复杂的遥感图像自动分类处理。

1 ISODATA算法原理

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)[1]。ISODATA算法运用数学方法研究和处理所给定对象的分类,认为同类事物在属性空间上具有紧致集的特点。以随机样本或指定样本作为初始的聚类中心,将其作为“种子”,依据最小光谱距离方程进行自动迭代聚类。在两次迭代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,完成分类过程。

2 ISODATA算法设计

2.1 ISODATA算法主要参数[2]

ISODATA算法加入了人机对话环节,可在迭代过程中调整参数,从而动态实时的控制聚类结果。其主要参数如下：K,预期的聚类中心数;θN,一个类别应具有的最少样本数目,如小于此值就不作为一个独立的聚类;θS,一个类别样本标准差阈值;θC,聚类中心之间距离的阈值,即归并系数,如小于此值则将两类样本合并;L,每次迭代中可以归并类数的最多对数;I,允许迭代的最多次数。在类别的分裂过程中,引入一新的参数m,用于控制分裂时每一个新聚类中心获得的标准差权重,称为分裂系数。可通过人工设定,也可采用迭代过程的统计结果由系统默认。

2.2 ISODATA算法步骤

1)对于N个模式样本的集合,确定C个初始聚类中心Z1,Z2,…,ZC,其中,C不一定等于K。这些聚类中心可为模式集合中的任意样本。设定聚类分析的控制参数,即上述的6个参数指标,已将N个模式样本按指标分配到各个聚类中心。2)计算各类中诸样本的距离指标函数,按照最小光谱距离方程进行各样本的分类。3)按给定的要求,将前一次获得的聚类集进行分裂和合并处理。类分裂：同一类中样本的分布过于密集或者类的数目太少,这说明空间上存在着更多的集群中心,因此需要进行该类的分裂处理,可以通过设置类内各样本分布标准差上限来实现分裂操作。类合并：两类样本类间距离过小,说明两类样本相关性较强,因此需要进行合并处理,可以通过设置类间距离下限来实现合并操作。通过上述操作获得新的聚类中心。4)重新进行迭代运算,计算各项指标,判断聚类结果是否符合要求。经过多次迭代后,若结果收敛,或达到最大迭代次数,则运算结束。

3 实现方法与过程

算法流程图见图1。

4 应用与分析

4.1 土地调查结果

对24位BM P格式的TM影像进行处理。

通过分类前后影像的对比,TM影像分类效果较好,房屋、道路、绿地、土壤均较为清晰地识别。分类后影像右上部分屋顶由于材质与道路相同,均为混凝土,导致错分。

采用ERDAS IMAGING软件Accuracy Assessment对分类结果进行精度评定,如表1所示。

表1 分类结果精度评定表

从数据可以看出,影像的分类效果精度较为理想,可以满足一定要求的土地调查工作或完成数据的初始处理。

4.2 改进方法

为提高分类的精度,可从图像预处理和结合其他算法两方面进行改进,从而较好的满足土地调查工作的要求。

预处理的主要目的是要消除对动态聚类影响较大的噪声。在实际实现的过程中,若待分类影像受噪声污染严重,则会造成分割过度或者误分割。因此,在影像展好之前先进行滤波,消除图像中的椒盐噪声和白噪声,特别是椒盐噪声,尽量减少噪声对分类的影响。滤波的方法很多,如中值滤波、均值滤波等。

ISODATA算法实际上只考虑到同类像元在光谱特征上的高度相似性,对类内像元相似度很高、类间差异较大的图像具有较好的效果。然而未能充分利用同类像元在空间上的相关性,因而在地物类别信息复杂的情况下效果不理想。为此,可配合使用其他算法。如使用梯度算子设定初始聚类中心[3],利用神经网络算法[4]寻找类别边界。应充分发掘影像中所蕴含的空间与光谱信息,将二者结合使用。