李亮， 周亞光， 梁彬， 徐慶

(1.四川省第三測繪工程院,成都 610500； 2.國家測繪地理信息局重慶測繪院,重慶 400015)

融合時間特征的遙感影像分類

李亮1， 周亞光2， 梁彬1， 徐慶1

(1.四川省第三測繪工程院,成都 610500； 2.國家測繪地理信息局重慶測繪院,重慶 400015)

為了克服基于光譜紋理特征的影像分類法的不足，提出一種融合時間特征的遙感影像分類方法。以歷史時期土地利用矢量圖為輔助數據，對新時期遙感影像進行帶約束的影像分割以獲取像斑； 采用迭代統(tǒng)計的方法計算新時期遙感影像的地物類別轉移概率； 利用地物類別轉移概率表達時間特征，將其融入到像斑的后驗概率中，構建顧及時間特征的像斑聯(lián)合概率； 依據后驗概率最大原則獲取影像分類結果。采用QuickBird遙感影像進行的實驗結果表明： 與基于光譜紋理特征的分類方法相比，所提出的方法能夠顯著提高影像分類的精度，總體分類精度與kappa系數分別提高了9.8%和17.9%，驗證了所提方法的可行性和可靠性。

時間特征； 影像分類； 地物類別轉移概率； 迭代； 最大后驗概率

0 引言

影像分類是遙感影像的重要應用領域之一，在土地利用分類[1-2]、土地利用變化檢測[3]和地圖更新[4]中具有十分重要的意義。光譜特征是遙感影像中最直接的特征，在遙感影像分類中已得到廣泛應用。受遙感影像中“同物異譜”及“同譜異物”現象的影響，僅利用光譜特征進行影像分類的精度有限[5-6]，融合多種特征的分類方法逐漸發(fā)展成為影像分類的研究熱點[7]。紋理特征可較好地表達影像中像元灰度的空間分布規(guī)律，將其引入到影像分類中[8-9]，可以增大不同地物類別間的差異，從而提高影像分類精度?？臻g特征可較好地描述地物類別之間的空間鄰接關系，融合空間特征進行影像分類，也能夠提高影像分類的精度[10-12]。一定時期內，地物類別的改變取決于當前的人類活動，而人類活動又遵循當前的土地政策。地物類別在時間上并不相互獨立，而是相互關聯(lián)的。時間特征可以表達地物類別在時間上的關聯(lián)，將時間特征引入到多時相遙感影像的聯(lián)合分類中[13-15]，可取得較好的分類結果； 然而在單時相遙感影像分類中，目前較少考慮時間特征，因而一定程度上限制了影像分類精度的提高。

依據影像分類單元劃分，影像分類主要有基于像元法和面向對象法[16-18]。影像對象亦稱像斑，是一系列光譜相似、空間相鄰像元的集合[19]?；谙裨姆诸惙ㄝ^難利用像元的空間特征，而面向對象的分類法則可充分利用像斑的光譜、紋理、空間及形狀等特征。但現有面向對象的影像分類法尚沒有顧及像斑的時間特征，為彌補這一不足，本文提出一種融合時間特征的遙感影像分類方法。

1 融合時間特征的分類方法

本文提出的融合時間特征的遙感影像分類方法，首先將歷史時期的土地利用矢量圖疊置在新時期遙感影像上，在矢量圖的約束下對遙感影像進行分割獲取像斑； 選取適當的訓練樣本，依據單像斑概率最大原則獲取初始的影像分類結果； 結合像斑2個時相的地物類別，獲取表達時間特征的地物類別轉移概率，構建包含地物類別轉移概率的像斑聯(lián)合概率； 在此基礎上對初始的分類結果進行修正，迭代此過程，獲得最終的影像分類結果。

融合時間特征的遙感影像分類流程見圖1。

圖1 融合時間特征的遙感影像分類流程圖

1.1 矢量圖約束的影像分割

將歷史時期土地利用矢量圖通過柵格-矢量套合疊置到新時期遙感影像上，獲得若干像斑。由于新時期遙感影像會發(fā)生變化，像斑中局部區(qū)域會發(fā)生改變，導致像斑內部的勻質性較差； 故以土地利用矢量圖為約束，對遙感影像進行分割，即在各像斑內部進行二次分割，以獲取光譜勻質性較高的像斑。eCognition軟件可以實現專題圖約束下的影像分割。本文利用該軟件，將歷史時期土地利用矢量圖作為專題圖，對新時期遙感影像進行了影像分割。圖2是像斑二次分割的示意圖，其中圖2(a)為原始像斑A； 圖2(b)為新時期影像數據，圖中的單元格表示像元，單元格中的數字表示像元的灰度值； 圖2(c)表示經過二次分割后的結果，像斑A中新增了像斑B。

(a) 原始圖斑 (b) 新時期影像 (c) 二次分割結果

圖2 像斑二次分割示意圖

Fig.2 Schematic diagram of object re-segmentation

1.2 顧及時間特征的影像分類

土地利用矢量圖與遙感影像對應的時相分別為t1和t2，地類數為m，地類集合Ω={Ω1,Ω2,…,Ωm}； 經矢量圖約束下的影像分割后的像斑個數為n。令像斑在t1時相類別的集合為υ={υ1,υ2,…,υn}，其中υk(1≤k≤n)為第k個像斑的類別，且υk∈Ω； 像斑在t2時相類別的集合為ω={ω1,ω2,…,ωn}，其中ωk(1≤k≤n)為第k個像斑的類別，且ωk∈Ω； 像斑在t2時相的特征向量集合為X={X1,X2,…,Xn}，其中Xk(1≤k≤n)為第k個像斑對應的特征向量。依據最大后驗概率原則，t2時相第k個像斑的地類ωk對應著式(1)的最大值，即

(1)

式中p(ωk|Xk,υk)為像斑的聯(lián)合概率，表示第k號像斑在t1時相的地類為υk，t2時相特征向量為Xk的條件下，t2時相地類為ωk的條件概率。

依據條件概率公式，可得到

p(ωk,Xk,υk)=p(Xk|υk,ωk)p(υk,ωk) ,

(2)

p(υk,ωk)=p(ωk|υk)p(υk),

(3)

式中：p(Xk|υk,ωk)為第k個像斑在t1時相地類為υk，t2時相地類為ωk的條件下，t2時相特征向量為Xk的條件概率；p(υk,ωk)為第k個像斑在t1時相地類為υk，在t2時相地類為ωk的聯(lián)合先驗概率；p(ωk|υk)為地類從υk轉變?yōu)棣豮的轉移概率；p(υk)為t1時相像斑類別為υk的先驗概率。

將式(2)(3)代入式(1)，得到

(4)

為了對式(4)進行簡化，本文根據像斑類別的客觀規(guī)律作出以下假設： 像斑在t2時相的特征向量僅與像斑在該時相的地物類別有關，而與該像斑在t1時相的地物類別無關。在該假設條件下，則有

p(Xk|υk，ωk)=p(Xk|ωk)，

(5)

p(Xk，υk)=p(Xk)p(υk)，

(6)

式中p(Xk|ωk)為t2時相在像斑類別為ωk的條件下、特征向量為Xk的條件概率。

將式(5)(6)帶入式(4)并進行化簡，可得到

(7)

式中p(Xk)為與具體地物類別無關的常量。因此，式(7)右邊的最大值也對應著p(Xk|ωk)p(ωk|υk)的最大值。

p(ωk|υk)為地類的時間特征，表示地類從υk轉變?yōu)棣豮的轉移概率。當不考慮地類的時間特征時，則認為2個時相的地類互相獨立，此時

p(ωk|υk)=p(ωk),

(8)

p(ωk|υk,Xk)=p(ωk|Xk)

(9)

成立。將式(9)(10)帶入式(7)，可得

(10)

式(10)即為傳統(tǒng)的最大后驗概率分類法。式中p(ωk|Xk)為不考慮地物時間關聯(lián)的單像斑概率，即t2時相在像斑特征向量為Xk的條件下、像斑類別為ωk的條件概率。傳統(tǒng)的最大后驗概率分類法只是本文方法的特殊情況，此時假定多個時相的地類互相獨立。

1.3 影像分類模型求解

式(8)中待求解的參數為條件概率密度p(Xk|ωk)及地物類別轉移概率p(ωk|υk)。在遙感影像中選取類別為ωk的若干訓練樣本像斑，求解出該類像斑對應的均值向量μωk與協(xié)方差矩陣qωk，假設其條件概率密度函數服從p維高斯分布，則可依

(11)

求解p(Xk|ωk)。

本文遍歷2個時相像斑的地物類別，利用各地物類別的轉移比例來代替地物類別的轉移概率，即

p(ωk|υk)=s(υk,ωk)/s(υk),

(12)

式中：s(υk)為t1時相地類為υk的像斑總面積；s(υk,ωk)為t1時相地類為υk，t2時相地類為ωk的像斑總面積。所有地類的類別轉移概率可以構成1個m×m的地類轉移矩陣，即

(13)

式中：m為地類數；Ωi和Ωj分別為第i和j種地類； 各元素均介于0與1之間，且各行之和為1；p(Ωj|Ωi)為地類從Ωi轉變?yōu)棣竕的轉移概率。

利用本文方法進行影像分類時，需要獲取表達時間特征的地物類別轉移概率，獲取方法有迭代法[13-14]和先驗知識法[15]2種。迭代法采用迭代統(tǒng)計的方法挖掘影像信息，獲取地物類別轉移概率； 先驗知識法則利用歷史時期的土地利用數據，獲取地物類別轉移概率。先驗知識法需要大量的歷史輔助數據，且地物類別轉移概率反映的是歷史時期的地物時間特征，與當前時期地物的時間特征會存在一定差異。為此，本文采用迭代法來獲取地物類別轉移概率。在影像初始分類的基礎上，獲取初始的地物類別轉移概率； 融合時間特征更新分類結果，統(tǒng)計各像斑地物類別，更新地物類別轉移概率，迭代此過程獲取最終的地物類別轉移概率。具體的影像分類步驟為： ①將歷史時期土地利用矢量圖作為約束，對新時期遙感影像進行分割，以獲取像斑； ②選取若干訓練樣本像斑，不考慮時間特征，利用式(11)計算對應的單像斑概率，依據最大后驗概率準則，獲取新時期影像的初始分類結果； ③遍歷歷史時期土地利用矢量圖與新時期遙感影像的分類結果，計算地物類別轉移概率，構建像斑的聯(lián)合概率，獲取融合時間特征的影像分類結果； ④重復執(zhí)行步驟③，直到連續(xù)2次影像的分類結果不變或者變化的像斑在一定數目內，此時的影像分類結果即為最終的影像分類結果。

迭代算法中，影像初始分類結果十分重要。準確度較差的影像初始分類結果會導致地物類別轉移概率偏差較大，甚至求解出錯誤的地物類別轉移概率，從而降低最終的影像分類精度。因此，本文采用傳統(tǒng)的最大后驗概率法進行分類，以盡可能獲取較為準確的影像初始分類結果。

2 結果與分析

實驗數據為武漢市武昌城區(qū)的2002年土地利用矢量圖(圖3(a))與2005年QuickBird高分辨率遙感影像(圖3(b))。土地利用矢量圖采用高斯-克呂格投影，投影中央經線為E114°，包含像斑220個，地物類別總數為7類(道路、耕地、湖泊、江河、居民地、林地和裸地)。遙感影像包含藍、綠、紅、近紅外4個波段，空間分辨率為2.4 m。預處理后土地利用矢量圖與遙感影像對應地面為同一區(qū)域。圖中左上角為長江，右下角為東湖。為了對影像分類結果進行精度評定，本文通過目視解譯的方法制作了一幅標準影像分類圖(圖3(c))。

(a) 2002年土地利用矢量圖 (b) 2005年QuickBird影像 (c) 2005年標準影像分類圖(地表真實情況)

圖3 實驗數據

Fig.3 Data for experiment

自2002年以來，武昌城區(qū)大量湖泊轉變?yōu)槁愕嘏c居民地，較多像斑內部發(fā)生了變化。本文利用eCognition軟件，以2002年土地利用矢量圖為約束，設置尺度參數為400，形狀因子為0.20，緊致度為0.85，對2005年QuickBird遙感影像進行二次分割，獲得含342個像斑的二次分割圖(圖4(a))； 圖4(b)為像斑二次分割的局部示意圖，圖中像斑在2002年矢量圖中的地物類別為裸地，而在2005年像斑中部分區(qū)域被建設成居民地，產生了2個新的像斑。

(a) 2005年影像分割圖 (b) 像斑二次分割局部示意圖(套合圖像均為2005年遙感影像)

圖4 QuickBird遙感影像二次分割圖

Fig.4 Resegmentation diagram of the object in QuickBird image

2.1 影像分類實驗

為了驗證本方法的有效性，以2005年標準影像分類圖(圖3(c))為地表真實情況，對比了本方法與不考慮時間特征的單像斑概率法，如圖5所示。

(a) 單像斑概率法 (b) 本文方法

圖5 2種影像分類法對比

Fig.5 Comparison between two methods for image classification

從圖5可以看出，利用單像斑概率法進行影像分類時，部分居民地被錯分為裸地(黑色矩形框內)，部分裸地被錯分為耕地(黑色橢圓形框內)，部分耕地被錯分為林地(黑色圓形框內)，且大量的道路被誤分為居民地(圖5(a))； 而用本文方法進行影像分類時，部分被單像斑概率法誤分為裸地的居民地被正確劃分為居民地，且大量的道路被正確劃分出來(黑色箭頭指向區(qū)域) (圖5(b))。這是因為道路、居民地和裸地3者的光譜紋理特征相似，均具有較高的灰度值，且紋理特征簡單，因此傳統(tǒng)的分類器很難將3者正確區(qū)分； 而引入時間特征后，道路隨時間發(fā)生變化的概率較小，且居民地轉變?yōu)槁愕氐母怕瘦^小，因此分類器能將3者正確區(qū)分開來。圖5(a)中黑色矩形框內2002年的地物類別為居民地，對于時間特征而言，居民地轉變?yōu)榫用竦氐母怕蚀笥诰用竦剞D變?yōu)槁愕氐母怕剩虼艘霑r間特征后，圖5(b)中這部分區(qū)域能被正確劃分為居民地； 圖5(a)中黑色橢圓形框內2002年的地物類別為湖泊，對于時間特征而言，湖泊轉變?yōu)槁愕氐母怕蚀笥诤崔D變?yōu)楦氐母怕?，因此引入時間特征后，圖5(b)中這部分區(qū)域能被正確劃分為裸地； 圖5(a)中黑色圓形框內2002年的地物類別為耕地，對于時間特征而言，耕地轉變?yōu)楦氐母怕蚀笥诟剞D變?yōu)榱值氐母怕?，因此引入時間特征后，圖5(b)中這部分區(qū)域能被正確劃分為耕地。

為了進一步定量比較2種方法的分類精度，本文分別統(tǒng)計了2種分類結果的混淆矩陣(表1和表2)，其中行表示像元的地面真實類別(圖3(c))，列表示用分類算法檢測的像元類別，單元格中的數字表示像元個數。例如，表1中“耕地”行與“林地”列對應單元格中的數字為11 324，這表示地面真實類別為耕地、算法檢測類別為林地的像元個數為11 324。

表1 單像斑概率法分類精度

表2 本文方法分類精度

從表1和表2中可以看出，本文方法的總體分類精度及Kappa系數分別為96.1%和0.929，而單像斑概率法的總體分類精度及Kappa系數分別為86.3%和0.750，本文方法的分類精度較優(yōu)。利用本文方法融合時間特征后，分類精度改善最明顯的是道路和裸地。單像斑概率法中較多道路被錯分為居民地，道路制圖精度僅為35.1%； 而本文方法中，制圖精度提升到了100.0%。單像斑概率法中較多裸地被錯分為居民地，制圖精度僅為65.4%； 而本文方法中，制圖精度提升到了95.9%。

2.2 時間特征分析

本文方法通過3次迭代后，影像分類結果不再發(fā)生改變，算法得到收斂。收斂的地物類別轉移矩陣如表3所示。表3示出2002―2005年間地物類別之間的轉移概率，其中行與列均表示地物類別，單元格中的數字表達轉移概率。例如，表中“耕地”行與“居民地”列對應單元格中的數字為0.05，這表明耕地向居民地的轉移概率為0.05。

表3 地物類別轉移矩陣

從表3可以看出，除了裸地，矩陣對角線上的元素均較大，這表明地物類別在時間上具有一定的穩(wěn)定性，不會輕易向其他地物類別轉變。城市中的裸地是一種過渡的地物類型，受人為影響較大，在時間上的穩(wěn)定性也較差，通常用來建設居民地。表3中，裸地向居民地轉變的概率為1，這是因為實驗數據的時間跨度為3 a，時間跨度較大，城市中裸地已經全部建設成為居民地； 湖泊向裸地轉變的概率為0.3，而耕地向裸地轉變的概率為0，這表明隨著國家對耕地的嚴格控制，占用耕地建設居民地的現象得到一定程度緩解，而大量湖泊卻被填平為裸地用來建設居民地，因此需要加強對湖泊的保護。

3 結論

時間特征是多時相遙感影像中的隱藏信息，在影像分析時十分重要。本文提出的融合時間特征的影像分類方法，以歷史時期土地利用矢量圖為輔助數據，構建表達時間特征的地物類別轉移概率，將地物類別轉移概率融合到最大后驗概率法中，提高了影像分類的精度。得出的結論如下：

1)融合時間特征能夠提高影像的分類精度。道路、裸地、居民地等光譜紋理特征相似的地物，引入時間特征后能得到有效劃分，從而提高影像的分類精度。

2)除裸地外，各類地物在時間上較為穩(wěn)定，較少向其他地物轉變。城市中的裸地是一種過渡狀態(tài)，在時間上的穩(wěn)定性較差，容易轉變?yōu)榫用竦亍?/p>

為了進一步提高本文方法的理論嚴密性，圍繞本文的研究工作，今后還需針對文中的假設前提作出詳細的驗證，以確保假設條件的合理性與正確性。

[1] 白穆,劉慧平,喬瑜,等.高分辨率遙感圖像分類方法在LUCC中的研究進展[J].國土資源遙感,2010,22(1):19-23.doi:10.6046/gtzyyg.2010.01.03. Bai M,Liu H P,Qiao Y,et al.New progress in the classification of high spatial resolution satellite images for LUCC[J].Remote Sensing for Land and Resources,2010,22(1):19-23.doi:10.6046/gtzyyg.2010.01.03.

[2] 楊耘,徐麗,顏佩麗.條件隨機場框架下基于隨機森林的城市土地利用/覆蓋遙感分類[J].國土資源遙感,2014,26(4):51-55.doi:10.6046/gtzyyg.2014.04.09. Yang Y,Xu L,Yan P L.Urban land use/cover classification of remote sensing using random forests under the framework of conditional random fields[J].Remote Sensing for Land and Resources,2014,26(4):51-55.doi:10.6046/gtzyyg.2014.04.09.

[3] 楊勝,李敏,彭振國,等.一種新的多波段遙感影像變化檢測方法[J].中國圖像圖形學報,2009,14(4):572-578. Yang S,Li M,Peng Z G,et al.A novel multi-band remote sensing image change detection algorithm[J].Journal of Image and Graphics,2009,14(4):572-578.

[4] 萬幼川,宋楊.基于高分辨率遙感影像分類的地圖更新方法[J].武漢大學學報:信息科學版,2005,30(2):105-109. Wang Y C,Song Y.Application of maps revision based on classification of high resolution satellite images[J].Geomatics and Information Science of Wuhan University,2005,30(2):105-109.

[5] 徐涵秋.基于SFIM算法的融合影像分類研究[J].武漢大學學報:信息科學版,2004,29(10):920-923. Xu H Q.Classification of fused imagery base on the SFIM algorithm[J].Geomatics and Information Science of Wuhan University,2004,29(10):920-923.

[6] 崔炳德.支持向量機分類器遙感圖像分類研究[J].計算機工程與應用,2011,47(27):189-191. Cui B D.Remote sensing image classification based on SVM classifier[J].Computer Engineering and Applications,2011,47(27):189-191.

[7] 陳秋曉,駱劍承,周成虎,等.基于多特征的遙感影像分類方法[J].遙感學報,2004,8(3):239-245. Chen Q X,Luo J C,Zhou C H,et al.Classification of remotely sensed imagery using multi-features based approach[J].Journal of Remote Sensing,2004,8(3):239-245.

[8] Zhao Y D,Zhang L P,Li P X,et al.Classification of high spatial resolution imagery using improved Gaussian Markov random-field-based texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(4):1458-1468.

[9] 張樓香,阮仁宗,夏雙.洪澤湖濕地紋理特征參數分析[J].國土資源遙感,2015,27(1):75-80.doi:10.6046/gtzyyg.2015.01.12. Zhang L X,Ruan R Z,Xia S.Parameter analysis of image texture of wetland in the Hongze lake[J].Remote Sensing for Land and Resources,2015,27(1):75-80.doi:10.6046/gtzyyg.2015.01.12.

[10]譚熊,余旭初,張鵬強,等.基于MKSVM和MRF的高光譜影像分類方法[J].國土資源遙感,2015,27(3):42-46.doi:10.6046/gtzyyg.2015.03.08. Tan X,Yu X C,Zhang P Q,et al.Hyperspectral images classification based on MKSVM and MRF[J].Remote Sensing for Land and Resources,2015,27(3):42-46.doi:10.6046/gtzyyg.2015.03.08.

[11]喬程,沈占鋒,吳寧,等.空間鄰接支持下的遙感影像分類[J].遙感學報,2011,15(1):88-99. Qiao C,Shen Z F,Wu N,et al.Remote sensing image classification method supported by spatial adjacency[J].Journal of Remote Sensing,2011,15(1):88-99.

[12]趙紅蕊,閻廣建,鄧小煉,等.一種簡單加入空間關系的實用圖像分類方法[J].遙感學報,2003,7(5):358-363. Zhao H R,Yan G J,Deng X L,et al.A classification method based on spatial information[J].Journal of Remote Sensing,2003,7(5):358-363.

[13]Bruzzone L,Serpico S B.An iterative technique for the detection of land-cover transitions in multitemporal remote-sensing images[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(4):858-867.

[14]Demir B,Bovolo F,Bruzzone L.Detection of land-cover transitions in multitemporal remote sensing images with active-learning-based compound classification[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(5):1930-1941.

[15]李雪,舒寧,王琰,等.利用土地利用狀態(tài)轉移分析的變化檢測[J].武漢大學學報:信息科學版,2011,36(8):952-955. Li X,Shu N,Wang Y,et al.Change detection based on land-use status transition analysis[J].Geomatics and Information Science of Wuhan University,2011,36(8):952-955.

[16]鄧媛媛,巫兆聰,易俐娜,等.面向對象的高分辨率影像農用地分類[J].國土資源遙感,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24. Deng Y Y,Wu Z C,Yi L N,et al.Research on object-oriented classification of agricultural land based on high resolution images[J].Remote Sensing for Land and Resources,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24.

[17]陳云浩,馮通,史培軍,等.基于面向對象和規(guī)則的遙感影像分類研究[J].武漢大學學報:信息科學版,2006,31(4):316-320. Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[18]Byun Y G,Han Y K,Chae T B.A multispectral image segmentation approach for object-based image classification of high resolution satellite imagery[J].KSCE Journal of Civil Engineering,2013,17(2):486-497.

[19]Tang Y Q,Zhang L P,Huang X.Object-oriented change detection based on the Kolmogorov-Smirnov test using high-resolution multispectral imagery[J].International Journal of Remote Sensing,2011,32(20):5719-5740.

(責任編輯： 邢宇)

Remote sensing image classification based on fusion of temporal features

LI Liang1， ZHOU Yaguang2， LIANG Bin1， XU Qing1

(1.TheThirdAcademyofEngineeringofSurveyingandMapping，Chengdu610500，China； 2.ChongqingInstituteofSurveyingandMapping，NASG，Chongqing400015，China)

In order to overcome the shortcomings of the traditional image classification based on spectral and texture, the authors propose an image classification method considering temporal features in this paper. Land use vector map in historical period was used as auxiliary data. The objects were extracted by image segmentation under the constraint of land use vector map. The land cover transition probability which represents temporal feature was calculated by iterative statistic method. The joint probability of object based on temporal feature was built after integrating the land cover transition probability into the traditional maximum posteriori probability. The image classification map was obtained by the maximum posteriori probability theory. The experimental results based on the QuickBird image show that the proposed method can improve the accuracy of the image classification result. Compared with things of the traditional classifier using spectral and texture features, the overall classification accuracy and kappa coefficient of the proposed method are increased by 9.8% and 17.9% respectively.

temporal feature； image classification； land cover transition probability； iterative； maximum posteriori probability

10.6046/gtzyyg.2017.01.06

李亮,周亞光,梁彬,等.融合時間特征的遙感影像分類[J].國土資源遙感,2017,29(1)：36-42.(Li L,Zhou Y G，Liang B,et al.Remote sensing image classification based on fusion of temporal features[J].Remote Sensing for Land and Resources,2017,29(1)：36-42.)

2015-09-25；

2015-12-11

測繪地理信息公益性行業(yè)科研專項項目“衛(wèi)星遙感與地面?zhèn)鞲芯W一體化的湖泊流域地理國情監(jiān)測關鍵技術研究”(編號： 201512026)、四川省地理國情監(jiān)測工程技術研究中心項目“基于時序遙感影像的土地利用變化檢測方法研究”(編號： GC201506)及四川省測繪地理信息局科技計劃項目“基于Web的四川省地理國情監(jiān)測數據成果展示方法與實現”(編號： J2014ZC16)共同資助。

李亮(1987-),男,博士,工程師,主要從事遙感影像的智能化解譯研究。Email： liliang1987wuda@163.com。

TP 751.1

A

1001-070X(2017)01-0036-07