基于統(tǒng)計(jì)的模式識(shí)別與遙感圖像分類(lèi)的研究綜述

賴(lài)云森

摘要：本文在廣泛查閱遙感圖像分類(lèi)資料的基礎(chǔ)上，對(duì)基于統(tǒng)計(jì)的模式識(shí)別在遙感分類(lèi)中的應(yīng)用進(jìn)行了探討及歸類(lèi)分析，總結(jié)了國(guó)內(nèi)的主要研究方向：土地覆蓋、城市規(guī)劃、農(nóng)業(yè)管理、城市綠地覆蓋、土地不透層水量檢測(cè)、城市建筑規(guī)劃、道路提取等。并選取了基于無(wú)人機(jī)可見(jiàn)光圖像的作物分類(lèi)研究作為應(yīng)用案例，簡(jiǎn)要概述其研究背景、數(shù)據(jù)來(lái)源、研究結(jié)果，分析了案例中的特點(diǎn)與不足，并結(jié)合實(shí)際提出如何提高遙感圖像分類(lèi)精度的展望。

關(guān)鍵詞：分類(lèi)精度;特征;樣本

1、引言

遙感圖像分類(lèi)主要是根據(jù)地面物體電磁波輻射在遙感圖像上的特征，判斷識(shí)別地面物體的屬性，進(jìn)而為目標(biāo)檢測(cè)與識(shí)別等其他應(yīng)用提供輔助信息，也可以作為最終結(jié)果提供基礎(chǔ)地理信息用于地圖繪測(cè)、搶險(xiǎn)救災(zāi)、軍事偵察等領(lǐng)域。經(jīng)典的基于統(tǒng)計(jì)的模式識(shí)別大致原理是把某一模式分解為幾個(gè)模式類(lèi)別的數(shù)據(jù)分析過(guò)程，包括聚類(lèi)分析、無(wú)監(jiān)督和監(jiān)督學(xué)習(xí)、有參數(shù)和無(wú)參數(shù)概率密度統(tǒng)計(jì)、預(yù)處理、特征選擇或提取、識(shí)別分類(lèi)后的后期處理以及分類(lèi)精度評(píng)估與性能分析等研究?jī)?nèi)容[10]。然而，由于遙感圖像本身的空間分辨率以及“同物異譜”和“同譜異物”現(xiàn)象的存在，往往出現(xiàn)較多的錯(cuò)分、漏分現(xiàn)象，導(dǎo)致分類(lèi)精度不高。如何實(shí)現(xiàn)圖像分類(lèi)識(shí)別并滿(mǎn)足一定的分類(lèi)精度，是當(dāng)前遙感圖像研究的一個(gè)關(guān)鍵問(wèn)題。

2、基于統(tǒng)計(jì)的模式識(shí)別與遙感圖像分類(lèi)

2.1 遙感圖像的分類(lèi)方法

遙感影像的計(jì)算機(jī)分類(lèi)方法可分為兩種：統(tǒng)計(jì)判決分類(lèi)和句法模式識(shí)別。前者通過(guò)對(duì)研究對(duì)象大量的統(tǒng)計(jì)分析，抽出反映模式的本質(zhì)特點(diǎn)、特征而進(jìn)行識(shí)別。后者則需要了解圖像結(jié)構(gòu)信息，從而進(jìn)行分類(lèi)。傳統(tǒng)的分類(lèi)方法一般為統(tǒng)計(jì)判決分類(lèi)，如最大似然法、K均值法等[2，4]。近年來(lái)發(fā)展的新方法則采用句法模式，如專(zhuān)家系統(tǒng)法和決策樹(shù)分類(lèi)法等。每種分類(lèi)方法各有特點(diǎn)[1，3，7]，實(shí)際運(yùn)用需選擇合適的分類(lèi)方法。

2.2 國(guó)內(nèi)基于統(tǒng)計(jì)的模式識(shí)別的遙感圖像分類(lèi)現(xiàn)狀

目前的遙感分類(lèi)主要集中在以下幾個(gè)方面的研究。在難以處理的高光譜遙感方面，崔保春等人[11]基于模式識(shí)別技術(shù)對(duì)高光譜遙感圖像進(jìn)行了分類(lèi)，這種方法對(duì)高光譜遙感圖像的處理性能好，對(duì)一次特征檢測(cè)準(zhǔn)確性高。在地震方面，歐立奇等人[13]利用遙感圖像分類(lèi)有效評(píng)估震災(zāi)損失可及時(shí)、可靠地了解地震災(zāi)區(qū)實(shí)時(shí)情況，提高破壞性地震下人們的反應(yīng)能力;在無(wú)人機(jī)遙感方面，李志銘等人[12]采用無(wú)人機(jī)遙感技術(shù)對(duì)作物進(jìn)行分類(lèi)識(shí)別為及時(shí)獲取農(nóng)田信息-制定農(nóng)田管理策略及產(chǎn)量估測(cè)提供技術(shù)支持。

目前，基于統(tǒng)計(jì)的模式識(shí)別與遙感圖像分類(lèi)研究已有很多，但是分類(lèi)的精度和方法卻有較大不同[5]，大都具有區(qū)域特征和技術(shù)特征，如何提高遙感圖像的分類(lèi)精度仍然是需要我們長(zhǎng)期探索的問(wèn)題。

3、基于統(tǒng)計(jì)模式識(shí)別的遙感圖像分類(lèi)的應(yīng)用實(shí)例分析

3.1數(shù)據(jù)來(lái)源

試驗(yàn)區(qū)域位于山東省淄博市博山區(qū)。圖像數(shù)據(jù)采集于2018年8月10日，采集時(shí)段為正午11：00-13：00。圖像采集當(dāng)天天氣晴朗，地面無(wú)風(fēng)，滿(mǎn)足無(wú)人機(jī)飛行要求，共獲取了644幅可見(jiàn)光圖像。目標(biāo)區(qū)域內(nèi)主要種植的作物為玉米-菜花-大豆-桃樹(shù)，驗(yàn)證區(qū)域內(nèi)主要種植的作物為玉米-桃樹(shù)。

3.2特征處理

在模型訓(xùn)練的過(guò)程中同時(shí)完成對(duì)特征的選擇，特征選擇開(kāi)始時(shí)使用全部特征進(jìn)行建模，然后根據(jù)排序準(zhǔn)則分?jǐn)?shù)，舍棄得分最少的特征，利用剩余特征重新構(gòu)建模型進(jìn)行下一次迭代，直至特征數(shù)量達(dá)到預(yù)設(shè)值。

3.3監(jiān)督分類(lèi)模型選擇

利用Arcmap軟件，在目標(biāo)區(qū)域內(nèi)生成了若干處隨機(jī)位置點(diǎn)，選取以隨機(jī)點(diǎn)為中心，5X5像素范圍內(nèi)的特征均值作為樣本數(shù)據(jù)，組成樣本集。然后利用訓(xùn)練集分別對(duì)訓(xùn)練集進(jìn)行K最近鄰法、支持向量機(jī)、樸素貝葉斯、人工神經(jīng)網(wǎng)絡(luò)、決策樹(shù)及隨機(jī)森林6種模型進(jìn)行模型構(gòu)建。

3.4主要結(jié)果

各個(gè)模型測(cè)試集分類(lèi)精度的對(duì)比結(jié)果如下：支持向量機(jī)模型的準(zhǔn)確度最高，其次為人工神經(jīng)網(wǎng)絡(luò)及隨機(jī)森林模型，決策樹(shù)模型準(zhǔn)確率較差。

3.5不足與啟示

本案例雖然探究出了特征選擇方法與監(jiān)督分類(lèi)模型的最優(yōu)組合，但最終的分類(lèi)依靠唯一的分類(lèi)方法，分類(lèi)不足明顯，因此是否能將多種分類(lèi)方法相結(jié)合，探究出同一區(qū)域最優(yōu)的分類(lèi)方法組合將會(huì)成為未來(lái)的發(fā)展方向。

4、結(jié)論

在遙感影像分類(lèi)領(lǐng)域，由于遙感數(shù)據(jù)的復(fù)雜性，目前還沒(méi)有一種遙感分類(lèi)算法是最普適或最優(yōu)的?！皢我坏倪b感影像數(shù)據(jù)源、單一的分類(lèi)決策以后難以應(yīng)付迅速增長(zhǎng)的遙感數(shù)據(jù)應(yīng)用需求[6，8]。在以后的遙感圖像分類(lèi)中，應(yīng)該綜合多種分類(lèi)方法的特點(diǎn)，選擇出最優(yōu)的分類(lèi)手段。因此，提高影像分類(lèi)精度的新理論、新方法與實(shí)現(xiàn)模型工作仍有廣闊的研究空間[9]。

參考文獻(xiàn)：

[1]孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸?lèi)方法從IKONOS全色影像中提取河流和道路[J].測(cè)繪科學(xué)，2006（01）：62-63+5.

[2]陶超，譚毅華，蔡華杰，杜博，田金文.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級(jí)提取方法[J].測(cè)繪學(xué)報(bào)，2010，39（01）：39-45.

[3]王啟田，林祥國(guó)，王志軍，梁勇，李文杰.利用面向?qū)ο蠓诸?lèi)方法提取冬小麥種植面積的研究[J].測(cè)繪科學(xué)，2008（02）：143-146.

[4]孫志英，趙彥鋒，陳杰，李桂林，檀滿(mǎn)枝.面向?qū)ο蠓诸?lèi)在城市地表不可透水度提取中的應(yīng)用[J].地理科學(xué)，2007（06）：837-842.

[5]蘇簪鈾，邱炳文，陳崇成.基于面向?qū)ο蠓诸?lèi)技術(shù)的景觀信息提取研究[J].遙感信息，2009（02）：42-46.

[6]張超，劉佳佳，蘇偉，喬敏，楊建宇，朱德海.基于小波包變換的農(nóng)作物分類(lèi)無(wú)人機(jī)遙感影像適宜尺度篩選[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（21）：95-101.

[7]肖武，任河，呂雪嬌，閆皓月，孫詩(shī)睿.基于無(wú)人機(jī)遙感的高潛水位采煤沉陷濕地植被分類(lèi)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（02）：177-186.

[8]張軍國(guó)，韓歡慶，胡春鶴，駱有慶.基于無(wú)人機(jī)多光譜圖像的云南松蟲(chóng)害區(qū)域識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（05）：249-255.

[9]劉哲，劉帝佑，朱德海，張琳，昝糈莉，童亮.作物遙感精細(xì)識(shí)別與自動(dòng)制圖研究進(jìn)展與展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（12）：1-12.

[10]古麗娜孜·艾力木江. 基于模式識(shí)別的土地覆蓋遙感圖像分類(lèi)方法研究[D].東北師范大學(xué)，2017.

[11]崔保春，徐言勛.基于模式識(shí)別技術(shù)的高光譜遙感圖像檢測(cè)[J].現(xiàn)代電子技術(shù)，2019，42（17）：58-62.

[12]李志銘，趙靜，蘭玉彬，崔欣，楊煥波.基于無(wú)人機(jī)可見(jiàn)光圖像的作物分類(lèi)研究[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，48（06）：137-144+154.

[13]歐立奇，王紅英，羅小東，李盼，劉瀚.利用遙感圖像數(shù)據(jù)基于模板匹配的震毀災(zāi)損研究[J].地震工程學(xué)報(bào)，2019，41（06）：1659-1664.

成都理工大學(xué)地球科學(xué)學(xué)院 ?成都 ?610059