基于光谱特征的监督分类方法在黄河口湿地的应用比较

摘要： 使用基于光谱特征的六种常用监督分类方法，对同景黄河口湿地高光谱CHRIS影像进行分类，后对分类结果进行对比，进而分析并总结六种方法分类精度之间的差异和各自的特点。

Abstract： Using six kinds of commonly used supervised classification method based on spectral characteristics to classify the Yellow River Estuary wetland hyperspectral CHRIS image， after comparing with the results of classification， and then it analyzes and summarizes the differences and their respective characteristics of classification accuracy between the six methods.

关键词： 遥感；高光谱；监督分类；最大似然法；湿地

Key words： remote sensing； hyperspectral；supervised classification；maximum likelihood method；wetland

中图分类号：P407.8 文献标识码：A 文章编号：1006-4311（2014）02-0184-03

0 引言

在高光谱遥感研究领域中，对地物进行分类判别有许多手段，其中监督分类是较为有效的手段之一。由于多种具体监督分类方法各自基于的算法不同，所以在不同的应用领域会产生不同的分类效果。本次研究重点在于比较几种监督分类方法应用于湿地地貌时的效果，并尝试找到更适用于黄河口湿地保护区的分类方法。

本文研究所用实验数据为2012年6月1日获取的同景黄河口湿地保护区PROBA① CHRIS影像，传感器工作模式为模式2，视角为0°（国家海洋局第一海洋研究所）。我们对该湿地影像分别使用六种监督分类方法进行分类操作，然后将各分类结果与标准分类影像进行混淆矩阵比对，最后分析并总结各方法在湿地应用中的地物判别效果。

1 六种监督分类法概述

遥感图像通常分为两种方法，即非监督分类和监督分类。在没有任何先验类别做样本的情况下根据像元间的相似度进行归类合并的方法即为分监督分类方法，包括分级集群法和动态聚类法等。而监督分类方法则是通过在研究区域选取具有代表性的训练场作为样本，根据已知样本，通过方差和像素亮度均值等特征参数的选择建立判别函数，在对样本像元进行分类的同时根据样本类别的特征对非样本像元的对数类别进行识别。选择训练样本和训练场地是进行监督分类的关键，其选择的质量关系到分类能否取得良好的效果。本文所用六种监督分类方法的基本算法理论如下：

①最大似然分类法：此方法建立在Bayes准则的基础上[1]，且是处理图像最常用的一种监督分类方法，其偏重于集群分布的统计特性。分类原理：假设在光谱空间中，训练样本数据服从高斯正态分布规律，做出样本的概率密度等值线以确定分类，计算出标本属于各组概率后，标本归属概率最大的一组。

②马氏距离分类法：此方法作为一个方向灵敏的距离分类器，由于分类时使用了统计信息，虽然类似于最大似然法，但是由于它假定了所有类的协方差相等，是一种较快的分类方法。

③最小距离分类法：利用训练样本数据在没有先验知识的前提下，计算出每一类均值的向量和标准差向量，该特征空间的中心位置为均值向量，计算出输入图像中每个像元到各类中心的距离，像元到哪一类的中心距离最小，即其归属哪一类。

④神经网络分类法：此方法是建立在模拟人脑神经系统和功能基础上的一种数据分析处理系统[2]。一个神经元有多路输入，不仅接受来自其他神经元的信息，还经由一条路线将反馈信息传递给另一个神经元。一个神经元通过突触与多个神经元相连，信号进入突触即为输入，通过突触加权后，所有输入的加权和就是所有权重输入的总效果。神经在该和值大于等于神经元阈值时被激活，否则不被激活。我们可以把神经网络看成简化了的人脑圣经系统的数学模型。

⑤支持向量机分类法：于1995年由Vapnik领导的AT&TBell实验室研究小组所提出[3]。在二次优化理论、结构风险理论和核空间理论的基础上建立了此方法。由于它用事先定义的非线性变换函数集将向量映射到高维特征空间，按照支撑向量与决策曲面的空隙极大化的原则产生最优超平面，然后再把高维特征空间的线性决策边界映射到输入空间的非线性决策边界，因此，它提供了一个与问题维数无关的函数，且具有复杂性有意义的刻画。

⑥二值编码匹配分类法：根据波段值落在均值的上方或下方，把数据波普和端元波普编码为0或1，异或逻辑函数是比较煤种编码后的参考波普与编码后的数据波谱，从而生成一副分类影像。

2 应用试验

本次研究以由18个波段组成的黄河河口湿地高光谱影像作为数据源即原始的遥感图像，经过校正后以波段16、8、4模拟真彩色图像合成RGB进行显示，根据图像的光谱特征，通过结合人工判读与实地踏勘将影像中的地物分6类：碱蓬、柽柳、芦苇、潮滩、黄河水体和清澈水体。然后通过绘制矩形感兴趣区（ROI）进行样本的选取，每类地物的感兴趣区均用不同颜色加以区别（如图1）。

在相同ROI选取的前提下，分别使用上述六种监督分类方法对该景影像进行分类，并记录结果。

对这六种监督分类方法的分类结果进行直观判别可以发现：神经网络、SVM和最大似然三种监督分类方法都有不错的效果。

为了定量地比较各个分类方法在本次实验中的效果，我们采用ENVI中的混淆矩阵（Confusion Matrix）运算[4]来评价六个分类结果与标准分类影像②（如图8）的差异，并绘制精度与Kappa系数表格（表1）。

3 分类结果对比分析

一般情况下，SVM与神经网络由于算法理论较优，所以通常使用这两种监督分类方法的效果都不错，这从分类效果表中也可以看出，它们的分类总体精度都达到83%以上，且Kappa系数都在0.75以上。效果明显好于二值编码匹配、最小距离和马氏距离法。但本次实验中最大似然法的效果则最为突出，总体精度与Kappa系数都高于SVM与神经网络。分析可能导致这种结果的原因：第一，通过结合实地踏勘训练样本（ROI）选取的非常好，病态样本占比低。当样本选取并不太理想的情况下，最大似然法是否能有本次实验的良好表现还有待验证；第二，本实验所选黄河口湿地地物和植被种类相对较少，地物和植被光谱特征明显，最大似然的算法理论可以很好的支持分类。因此，在遥感影像监督分类的实际应用中，与本次实验湿地地物环境相似，训练样本选取理想的情况下，最大似然法也不失为一种优选策略。

注释：

①PROBA是欧洲空间局发射的小型太阳同步轨道卫星（2001.10.22），轨道高度615km，倾角97.89°，搭载紧凑式高分辨率成像分光计（Compact High Resolution Imaging Spectrometer， CHRIS），成像光谱范围400～1050nm，光谱分辨率1.25～11.00nm，地面分辨率17/34m。CHRIS.

②通过实地踏勘并结合人工判读所制标准分类影像.

参考文献：

[1]黄立贤，沈志学.高光谱遥感图像的监督分类[J].地理空间信息，2011，（9）5：81-83.

[2]张兵，高连如.高光谱图像分类与目标探测[M].北京：科学出版社，2011.

[3]Corinna Cortes， Vladimir Vapnik. Support-vector networks， Proc. of the 25th Machine Leaning，20，273-297， 1995.

[4]李小娟，刘晓萌，胡德勇等.ENVI遥感影像处理[M].北京：中国环境科学出版社，2008，9：322-347.

[5]Chein-I Chang [M]. Hyperspectral Data Exploitation Theory and Applications. Wiley-Interscience；1 2007.

[6]R.J. Zomer， A. Trabucco， S.L. Ustin. Building spectral libraries for wetlands land cover classification and hyperspectral remote sensing[J]. Journal of Environmental Management 90（2009）： 2170-2177.