基于ASTER遥感图像的宜昌市区土地利用监督分类

何 微

（湖北科技学院 数学与统计学院，湖北 咸宁 437000）

遥感是一门新兴的综合性探测技术科学，在其发展不到半个世纪的时间内，已经在地理学、地质学、生态学、环境科学、大气科学和海洋科学等领域得到了广泛的研究和应用。伴随着科学技术的不断发展，遥感图像分辨率也在不断提高，人们从遥感图像中也获得越来越多有用的数据和信息。近年来，遥感技术的应用领域和深度不断延伸，它在人类进行资源勘探、土地规划与利用、灾害动态监测、城市规划、环境监测、气象预报、农作物估产、农业、林业、地质矿产、军事等领域的工作中有着深远的影响，大大增强了人类在区域以及全球范围上开发资源、制图和监测等能力，为社会发展作出了巨大贡献，可以说遥感技术已成为当前人类研究地球资源环境的一种有力技术手段。在遥感技术的研究中，对遥感影像判读识别各种目标是遥感技术发展的一个非常重要环节，无论是专业信息提取、动态变化预测，还是专题地图制作和遥感数据库的建立等都离不开分类。但是遥感影像数据类别多，含混度大，不同场合遥感图像应用所需的类别数据不同，那么对应的遥感图像处理方式也是不一样，这也就使得图像分类显得尤为重要。而如何从已获取的遥感图像中得到所需的信息，现已有一些经典的分类方法和算法，其中最为人们所知的方法有监督分类和非监督分类。

非监督分类：遥感图像上的同类地物在相同的条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域。而不同的地物，光谱特征不同，归属于不同的光谱空间区域，这是非监督分类的理论依据。该分类方法主要是通过系统自动依据光谱数据在统计上的差别而进行分类的。主要算法有分级集群法、ISODATA法（迭代自组织数据分析技术）和K-Means法等。

监督分类：与非监督分类不同，监督分类最显著的特点是在分类前人们对遥感图像上某些样区中影像地物的类别属性已有了先验知识，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（建立判别函数）。一般是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。主要方法有线性判别法、最大似然法、最小距离法和平行多面体法等。

文章采用宜昌市区的遥感影像进行图像处理，主要利用监督分类法获取整个城区类别的分布情况，探讨了监督分类中最小距离分类法和最大似然分类法的实现和分类结果的差异。

1 遥感图像分类原理

遥感图像分类主要依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值可以用作遥感图像分类的原始特征变量。遥感图像分类就是利用计算机通过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，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像素划归到各个子空间去。由于遥感图像中的同类地物在相同的条件下（纹理、地形、光照以及植被覆盖等），具有相同或相似的光谱信息特征和空间信息特征，所以表现出同类地物某种内在的相似性，于是有同类地物像素的特征向量将集群在同一特征空间区域，不同的地物其光谱信息和空间信息特征将不同，从而集群在不同的特征空间区域。在目前的遥感分类应用中，用得较多的是传统的模式识别分类方法，诸如最大似然法、最小距离法、ISODATA法、K-Means法等监督和非监督分类法。

图1 图像分类基本流程图

文章所选的遥感影像数据已做过预处理，主要运用监督分类方法进行分类，在此，只需做特征提取，即训练区的选择，再对图像进行分类。

1.1 特征提取

对监督分类而言，训练区的选择是非常重要的，如果大量原始的测量数据不做分析，直接作为分类特征，不仅数据量太大，计算复杂，浪费计算机处理时间，而且分类的效果也不一定好。因此，为了获得满意的分类结果，训练数据必须既有代表性，同时还要具有完整性。用于图像分类训练区的统计结果，一定要充分反映各种信息类型中光谱类别的所有组成。根据影像中的地物，确定选择具有代表性的训练区。对于“同物异谱”现象，将此种地物作为两个类别进行训练区的输入选择。对每种类别训练区样本选择后，检查样本的质量，利用图表显示法剔除不好的样本，对剩余样本进行合并，从而建立分类模板。

1.2 分类方法

目前，在遥感图像分类处理中，主要有传统分类方法中的监督分类和非监督分类，还有多级切割分类法、决策树分类法，以及近年来发展起来的神经网络分类等。在这里，主要介绍以下分类方法。

（1）最大似然法。最大似然分类是图像处理中最常采用的分类方法之一，它是求出像元数据对于各类别的似然度，把该像元分到似然度最大的类别中去的方法。似然度是指当观测到像元数据X时，它是从分类类别k中得到的（后验）概率，设从类别k中观测到X的条件概率为P（X/k），则似然度蕴k可表示为下式（1）：

其中P（k）为类别k的先验概率，通常假定它在每个类别中都是一样的。X属于似然度蕴k取值最大的那一类。

通常都是利用最大似然比分类，所以就要求知道总体的概率密度函数P（X/k）。一般都是假设概率密度函数为多维正态分布，通过训练数据，按最大似然度测定其平均值、方差及协方差。此时，蕴k可表示为下式（1）：

式中：n：特征空间的维数；det：矩阵的行列式；t：逆矩阵和转置矩阵；X：像元数据（n维列矢量）；μk：类别k的平均矢量（n维 t列矢量）；：类别k的方差、协方差矩阵（n×n矩阵）；蕴（kX）：像元数据X归并到类别k的似然度。

最大似然法的分类步骤：①确定需要分类的地区和使用的波段和特征分类数，检查所用各波段或特征分量是否相互已经位置配准；于根据已经掌握的典型地区的地面情况，在图像上选择训练区；③计算参数，根据选出的各类训练区的图像数据，计算和确定先验概率；④分类，将训练区以外的图像像元逐个逐类代入公式，对于每个象元，分几类就计算几次，最后比较大小，选择最大值得出类别；⑤产生分类图，给每一类别规定一个值，如果分k类，就定每一类分别为1，2，3…k，分类后的象元值便用类别值代替，最后得到的分类图像就是专题图像；⑥检验结果，如果分类中错误较多，需重新选择训练区再做以上各步，直到结果满意为止。

（2）最小距离法。最小距离分类法是用特征空间的距离表示象元数据和分类类别特征的相似程度，在距离最小（相似程度最大）的类别上对象元数据进行分类的方法。特征空间中的距离通常用以下方式表达:

欧氏距离公式：

Mahalanobis距离（马氏距离）公式：

其中式（3）和式（4）中表示特征空间的距离，其它符号意义同式（2）。另外，从式（2）和（4）可以看到，当各类别的方差、协方差矩阵中的行列式相等时，这两个公式相等，也就是似然度等于马氏距离。

最小距离公式：

式中：n为波段数，即维数；k为某一特征波段；i为某一聚类中心；Mi为第i类样本均值；Mik为第i类中心第k波段的像素值；d（X，Mi）为象素点X到第i类中心Mi的距离。

最小距离法的分类步骤如下：①确定地区和波段，配准备分量；于选择训练区；③根据各训练区图像数据，计算Mi；④将训练区外图像象元逐类代入上式，按判别规则比较大小，得到类别；⑤产生分类图像；⑥检验结果，如果错误较多需要重新选训练区；⑦输出专题图。

2 分类实验

2.1 实验区和数据

文章是以湖北宜昌市城区为试验区，选用的遥感资料是经过预处理后2001年的ASTER数据，此影像数据有9个波段（Band1，Band2，Band3，Band4，Band5，Band6，Band7，Band8，Band9），其中Band1是绿色波段，Band2是红色波段，Band3是近红外波段，Band4是短波红外，Band5、Band6和Band7是中红外，Band8和Band9是热红外，ASTER数据没有蓝色波段。原始数据在可见光的分辨率是15m，短波红外分辨率是30m，热红外分辨率是90m，而此处是采用了经过预处理的数据，重采样后的空间分辨率为30m。如图2所示，图像大小为719行×661列。本实验主要运用ENVI4.4软件对影像数据进行分类处理。

图2 初始图

2.2 实验结果

在图像上选取了164个训练样本点和164个不同于训练样本点的检验点，这两组点选取都具有普遍性。然后在软件ENVI4.4中对影像实现最大似然法的算法原理进行实现分类，主要有植被、河流、长江、建筑四大类，得到结果图为如图3所示。

图3 最大似然分类结果图

然后，在软件ENVI4.4中对初始影像最小距离法算法原理进行实现分类，也是主要有植被、河流、长江、建筑四大类，得到的实验结果为图4所示。

图4 最小距离分类结果图

3 分类结果比较

由上面两种分类法所得的图像，首先通过人工目视解译，可看到这两种方法得的分类效果的差异，其中可看到图3比图4的效果要好，因为图3中斑点面积要小，也比较少。另一方面，通过对这两种分类法进行混淆矩阵如表1和2所示，并比较。

根据表1、表2可以看出，最大似然分类的总体精度要高于最小距离分类，Kappa系数也是最大似然的要好，并且表1中，所有类别的用户精度和生产精度相差很小，而表2中，类别建筑和类别长江它们的用户精度和生产精度相差比较大，从而导致了整体分类精度的降低。同时在图4中也明显看到长江有一部分被误分为建筑。所以，在此实验中，用最大似然法分类要优于最小距离法。

表1 影像的最大似然分类结果混淆矩阵

表2 影像的最小距离分类结果混淆矩阵

4 结语

文章主要是对宜昌市城区采用监督分类的两个基本方法的分类讨论，分类后的结果图可以为绘制成土地利用分类题图或土地利用现状图做一些参考，也可以为以后土地管理、调查、更新提供基础资料。但是由于这些分类结果没有与实地调查相结合比较，所以其中会有一些混合像元被误分，也会导致分类精度不够好。在今后的研究中可以通过解决如下问题进而提高分类精度：①选用高分辨率的影像数据；于怎样选择才能使训练样本更具有代表性和普遍性；③进行实地调查；④改进分类算法。

［1］ 浦瑞良，宫鹏.高光谱遥感及其应用［M］.北京：高等教育出版社，2000.

［2］ 李石华，王金亮，毕艳，等.遥感图像分类方法研究综述［J］.国土资源遥感，2005，（2）：1-5.

［3］ 王一达，沈熙玲，谢炯.遥感图像分类方法综述［J］.遥感信息，2006，（5）：67-70.

［4］ 刘桂生，葛根旺.基于遥感影像的土地利用监督分类探讨［J］.城市勘测，2008，（3）：43-46.

［5］ 贾永红.数字图像处理［M］.武汉：武汉大学出版社，2006.

［6］ 杨存健，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.