童威

摘? 要：隨著遙感技術的發(fā)展和遙感圖像采集方式的多樣性，對遙感圖像處理技術的要求更高。文章介紹了三種常見的監(jiān)督分類算法：支持向量機、最大似然法、BP神經網絡;并利用上述三種算法對南泥灣地區(qū)同一幅SuperView-1遙感影像進行了分類，獲得分類解果并評估準確性;然后對三種算法進行了比較，分析三種算法的優(yōu)缺點，得出支持向量機分類精度最低，最大似然法次之，神經網絡最高;最后得出結論，BP神經網絡是一種較為優(yōu)良的遙感影像分類算法。

關鍵詞：監(jiān)督分類;支持向量機;最大似然法;BP神經網絡;遙感影像

中圖分類號：P237 文獻標志碼：A 文章編號：2095-2945（2019）23-0006-04

Abstract： With the development of remote sensing technology and the diversity of remote sensing image acquisition methods， there is higher demand for remote sensing image processing technology. This paper introduces three common supervised classification algorithms： support vector machine， maximum likelihood method and BP neural network. The same SuperView-1 remote sensing image in Nanniwan area is classified by using the above three algorithms， and the classification results are obtained and the accuracy is evaluated. Then， the three algorithms are compared， and the advantages and disadvantages of the three algorithms are analyzed. It is concluded that the classification accuracy of support vector machine is the lowest， the maximum likelihood method is the second， and the neural network is the highest. Finally， it is concluded that BP neural network is an excellent remote sensing image classification algorithm.

Keywords： supervised classification; support vector machine; maximum likelihood method; BP neural network; remote sensing image

引言

隨著遙感技術的迅速發(fā)展，遙感圖像采集方法也越來越多樣化，其應用也越來越廣泛。這對遙感圖像處理技術提出了很高的要求，尤其是對遙感圖像的解釋和分類，因此有必要對遙感圖像的分類及其算法進行研究。遙感圖像分類是指通過計算機對遙感圖像的像素進行分類。據特征選擇后的規(guī)則或算法分析光譜信息和空間信息，將每個像素劃分為不同的類別[1]。遙感圖像分類技術可以分為監(jiān)督分類和非監(jiān)督分類兩大類，前者需要訓練樣本，而后者不需要;目前，遙感圖像分類新方法層出不窮，本文主要選取幾種常見的監(jiān)督分類方法，進行實驗，并比較它們各自的優(yōu)缺點，為遙感圖像分類算法選擇提供指導。

1 遙感影像監(jiān)督分類方法

1.1 支持向量機

基于統(tǒng)計訓練，Vapnik提出了支持向量機（SVM）理論，基于最小化空間物體空間結構風險的原理的非線性映射將樣本投射到高維空間中。構造VC維度（Vapnik-Chervonenkis）并使用可能的最佳超平面作為分類平面，并最小化分類風險的上限，使分類算法具有最佳的泛化能力[2-4]。解決優(yōu)化問題并將特征向量從低維空間映射到多維空間。在多維特征空間中找到最優(yōu)分類超平面，從而解決復雜數據分類問題[5-7]。

在圖1所示的二維情況下，實心點和空心點分別代表兩種不同類型的樣本，虛線是分類線，兩條實線分別是最接近分類線并平行于分類線的直線。它們之間的距離稱為分類間隔，分類的最佳平面是超平面，它在最大分類間隔上正確地分離兩種類型的樣本[8]。

1.2 最大似然法

最大似然分類使用遙感衛(wèi)星的多頻帶數據的分布作為多維正態(tài)分布來構造判別分類函數?；舅枷胧敲款愐阎袼卦谄矫婊蚩臻g中形成特定的點群;每種類型數據的每個維度在數軸上形成正態(tài)分布，并且該類的多維數據構成多維正態(tài)分布，具有各種類型的多維分布模型，對于任何未知類別的數據源，可以被反轉以找出它屬于每種類型的概率;根據概率的大小，比較哪種類型的概率大，這個像元就屬于這個類[10]。

最大似然分類法的判別規(guī)則為，如果某個待分類像元x滿足下式：

（12）

則x∈wi，其中M表示影像大小，b表示類別大小，n表示影像波段數[11]。在最大似然法的實際計算中，常采用經過對數變換的形式：

式中：p（wk）是某一類wk在圖像中的概率，在預先不知道p（wk）是多少的情況下，可以認為所有的p（wk）都相同，即p（wk）=1/c，？撞k為第k類的協(xié)方差矩陣，mk為該類的均值向量。對于任何一個像元值xi，其在哪一類中gk（xi）最大，就屬于哪一類。

1.3 BP神經網絡

20世紀80年代，Rumelhart等[12]提出了反向傳播算法，后來逐漸發(fā)展為BP神經網絡。BP神經網絡是一種多層結構的多層前饋神經網絡。常用的BP神經網絡模型由三層組成，初始層為輸入層，中間層為隱藏層，最后一層為輸出層。相鄰的神經元層通過連接權值相互連接，而每一層的神經元不連接。如圖2所示。

網絡的實現(xiàn)分為前向傳播和反向傳播兩個過程。在前向傳播的情況下，在將訓練樣本輸入網絡后，輸入層神經元獲得學習樣本的活性化值，經由輸入層和中間層的處理傳播到輸出層，輸出層的各神經元得到網絡的輸入響應后，所得到的輸出被輸入到網絡，與期望的輸出進行比較。如果實際輸出不等于預期輸出，則進入反向傳播過程，根據減少目標輸入的方向和實際誤差，從輸出層逐層校正連接權重通過每個中間層，最后返回到輸入層并重復，直到獲得最小錯誤，以獲得最佳結果[13]。

2 實驗過程及結果

2.1 實驗數據

本實驗選取SuperView-1拍攝的延安市南泥灣附近的遙感影像，空間分辨率為2m左右，如圖3所示。影像大小為2900像素×2900像素;從影像上可以看出，其中分布著田地，林地，建筑物，裸地等，且影像分辨率較高，適合遙感影像的分類。

2.2 定義訓練樣本

從RGB彩色圖像上獲取ROI以創(chuàng)建感興趣區(qū)域。本文共創(chuàng)建4種訓練樣本，分別為田地，林地，建筑物，裸地，對應顏色分別為紅色，綠色，藍色，黃色，并且分別畫出相應的感興趣區(qū)（如圖4所示）。

2.3 評價訓練樣本

ROI可分性工具用于計算所有類別之間的統(tǒng)計距離，并且兩個類別之間的差異程度由距離確定。計算該測試的可分離性，具體見圖5。

計算Jeffreys-Matusita距離和感興趣區(qū)域的每個組合的Transformed Divergence。這兩個參數的大小決定了訓練樣本選擇的合理性。各種參數值的含義如下：（1）當參數值為1.9-2.0時，樣本之間具有良好的可分離性，即合格樣本;（2）當參數值為1.0-1.8時，樣本必須重新選擇;（3）當參數為0.1-1.0時，兩種類型樣本中的差異很小，樣本合并為一種[14]。從圖5可以看出：林地與建筑物、裸地，田地與林地的參數值均大于1.9，可分離性好;而田地與建筑物、裸地，建筑物與裸地的參數值小于1.8;這是由于建筑與田地的光譜特征非常接近，經過反復試驗，最終獲得了可用的訓練樣本。

2.4 執(zhí)行分類

通過監(jiān)督分類對圖像分別用支持向量機、最大似然法、BP神經網絡進行分類，為了對比三種不同算法的精度及優(yōu)缺點，試驗采用了相同的訓練樣本。支持向量機、最大似然法、BP神經網絡分類結果如圖6-8所示。圖4中大部分為紅色和綠色，即田地與林地。經過目視比對，可以明顯看出田地與林地分類精度較高。

2.5 分類結果評價

為了定量評估上述三種分類結果的優(yōu)缺點，采用混淆矩陣法對三種方法進行了評價?；煜仃囃ㄟ^將地表真實圖像與分類圖像進行比較，在混淆矩陣中顯示分類結果的準確性。通過上述方法，以田地為例對相關精度進行分析和比較，比較和總結了三種不同分類方法和Kappa系數的準確性;從表1中可以看出：BP神經網絡的總體精度和Kappa系數均為最高，是一種較為優(yōu)良的分類算法。

3 結束語

遙感影像分類精度的提高一直是研究的熱點問題。通過對三種常見監(jiān)督分類方法的比較分析，發(fā)現(xiàn)BP神經網絡中的土地利用分類最接近實際情況，分類精度最高。最大似然法次之，支持向量機的精度最低。BP神經網絡優(yōu)于傳統(tǒng)的分類方法：

（1）BP神經網絡法對于數據分布的特征沒有任何假定前提。無論數據是正態(tài)分布還是非連續(xù)分布，可以在特征空間形成任意邊界的決策面，每次重復都能動態(tài)地調整決定區(qū)域，表明BP神經網絡的強有力的穩(wěn)定性和優(yōu)勢。

（2）BP神經網絡的監(jiān)督分類與常規(guī)的統(tǒng)計監(jiān)督分類非常相似。主要區(qū)別在于訓練和分類的過程：最大似然方法的平均值和方差僅計算一次，而BP的神經網絡方法使用迭代算法直到計算結果與實際值之間的差異結果符合要求。

（3）BP的神經網絡方法是非線性的，與傳統(tǒng)的分類方法相比，可以處理復雜的數據集并準確識別模型，并且可以使用多源數據來提取潛在信息。

當然，目前每一種方法在分類上都有局限性，而且沒有一種方法是絕對最佳的。因此，必須合理地使用這些方法。根據遙感圖像的光譜特征、紋理特征和所需精確度選擇分類算法;在確保準確性的前提下，盡可能提高分類的效率。

參考文獻：

[1]金杰，朱海巖，李子瀟，等.ENVI遙感圖像處理中幾種監(jiān)督分類方法的比較[J].水利科技與經濟，2014，20（01）：146-148+160.

[2]Vapnik V N.Statistical Learning Theory[M].New York：Wiley，1998.

[3]張勇.基于SVM遙感圖像專題信息提取研究[D].中南大學，2005.

[4]劉江華，程君實，陳佳品.支持向量機訓練算法綜述[J].信息與控制，2002（01）：45-50.

[5]劉志剛，李德仁，秦前清，等.支持向量機在多類分類問題中的推廣[J].計算機工程與應用，2004（07）：10-13+65.

[6]李毅，徐守時.基于支持向量機的遙感圖像艦船目標識別方法[J].計算機仿真，2006（06）：180-183.

[7]楊娜，秦志遠，張俊.基于支持向量機無限集成學習方法的遙感圖像分類[J].測繪科學，2013，38（01）：47-50.

[8]李航.統(tǒng)計學習方法[M].北京：清華大學出版社，2012.

[9]李萌.基于支持向量機的高分遙感影像分類技術研究與應用[D].中國地質大學（北京），2015.

[10]劉志剛.支持向量機在光譜遙感影像分類中的若干問題研究[D].武漢大學，2004.

[11]王增林，朱大明.基于遙感影像的最大似然分類算法的探討[J].河南科學，2010，28（11）：1458-1461.

[12]譚玉敏，夏瑋.基于最佳波段組合的高光譜遙感影像分類[J].測繪與空間地理信息，2014（4）：19-22.

[13]聞新，周露，熊曉英.Matlab神經網絡應用設計[M].北京：科學出版社，2000.

[14]鄧書斌.ENVI遙感圖像處理方法[M].高等教育出版社，2014.