基于ERDAS的城市SPOT5遥感图像分类实验及结果分析

摘 要

遥感图像分类一直是遥感研究领域的重要内容，如何提取感兴趣的专题信息并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。

本文应用最大似然法及ISODATA算法对西安城区长安区典型地物的SPOT5遥感图像进行分类，提取地物覆盖/土地利用的专题信息，重点阐述对研究区域样本的确定和特征选择，并对分类结果进行精度评价。

关键词 ：遥感，图像分类，专题信息提取，最大似然法分类，分类精度

中图分类号：P407文献标识码： A

1引言

在遥感技术的研究中，通过遥感影像判读识别各种目标是遥感技术发展的一个重要环节，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，都离不开分类[1]。常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。

通常将计算机自动分类分为非监督(Unsupervised)和监督(Supervised)两种。非监督分类按照特征矢量在特征空间中类别集群的特点进行分类，分类结果只是对不同类别达到了区分，而类别属性则是通过事后对各类的光谱响应曲线进行分析，或通过实地调查后确定的，常见的非监督分类法有K-均值、迭代自组织数据分析等。监督分类是在有先验知识的条件下进行的，先选择训练样区，根据已知像元数据求出参数，确定各类判别函数的形式，然后利用判别函数对未知像元进行分类，经典的监督分类法有最大似然、最小距离法、光谱角分类法等。

2研究内容

本文使用西安市2005年SPOT5多光谱遥感图像作为主要数据源，裁剪长安区作为研究区域影像进行处理计算。应用监督及非监督分类法对有研究区域典型地物的遥感图像分类，提取地物覆盖/土地利用的专题信息。主要讨论了最大似然法和ISODATA算法在遥感图像分类中的具体应用，并对分类结果进行了详细的精度评价，重点阐述对研究区域样本的确定和特征选择及其在遥感图像处理软件ERDAS中分类实现的操作流程。

3遥感图像分类实验流程

本文采用SPOT5数据进行分类实验，提取土地覆盖/土地利用专题信息，主要过程是在ERDAS imagine8.7中完成的，具体流程图如下：

图1 遥感图像分类实现流程图

本文旨在研究图像分类，因此下面将对图像分类过程中的样本确定和分类实现流程做具体阐述。

3.1 研究区典型地物类型样本的确定

3.1.1样本确定的原则和方法

根据已掌握的典型地类的地面情况，在图像上选择训练样本。现有研究表明，训练样本选择不正确便无法得到正确的分类结果，训练样本的选择要注意准确性、代表性和统计性三个问题[2]。因此本文确定样本的方法是结合目视解译标志与实地调查，并与现有地图比对，直接在遥感图像上选取样本。

3.1.2研究区地物类型的确定

从已有的城市地物分类研究中参考，研究地物分类的文献中提出了一些建议的分类方案。徐丽华对上海2002年6月地面分辨率为5米的SPOT5遥感图像进行的模糊神经网络分类，认为城市地物类型可以分为：植被、水体、其他城市地表三个大类，其下则可以分为30个亚类[3]。研究认为三个大类（植被、水体、其他城市地表）可以包括全部的城市地物类型。

因此，根据国家土地利用分类的标准和已有的城市地类研究的结果，结合专家得出的遥感图像上地物类别的解译原理，本研究确定其主要的地物类型有4类：植被、水体、建筑、道路。

3.1.3各个地物类型的样本的选取方法

采取室内判读和野外实地调查及参阅地图、高分辨率卫星图片结合的方法建立相对准确的目视解译标志。

1)初步判读。根据SPOT遥感图像波段组合分析，SPOT5数据缺少蓝色波段，因此对于该研究区域，采用B321波段的组合方式，并分别赋予红色、绿色、蓝色，生成假彩色合成图像近似真彩色图像，有利于地物类型的目视识别。

2)地面实地调查采集。驱车沿太白南路至西沣路，沿路采集调查，并携带西安市地图进行地面实地考察调查判读，记录调查结果。

3）利用高分辨率遥感图像作为参考选择样本点 。为了更清晰的识别各类地物，确定样本选择的准确性，选择Google earth 中的高分辨率卫星图像作为参考，选择本研究区域对应的样本点。

综上得到研究区域典型地物类型的目视解译标志，如表1示。

表1 西安市城区典型地物类型的SPOT5遥感影像目视解译标志

3.1.4利用ERDAS遥感图像处理软件选取样本点

计算机自动分类必须有一定熟练的地物样本，实地调查只获得少量的样本量，因此结合实地调查与目视解译方法，借助ERDAS软件在遥感图像上随机选取所需的样本。

3.2ISODATA法分类

初始分类，一般设置为最终分类的两倍以上，本次试验经过分析确定的地物类别为水系、植被、道路、建筑四类，故此处设置为10类，迭代次数为6次。.2打开上步结果图与原图对比，编辑类别颜色和名称；分类重编码和色彩重定义，输出ISODATA分类结果图。

3.3最大似然法分类

3.3.1分类模板的建立与评价

ERDAS imagine 8.7在监督分类过程中，首先选择可以识别或者借助于其它信息可以断定其类型的像元建立模板，然后基于模板使计算机系统自动识别具有相同特征的像元。多次反复后建立一个比较准确的模板，并在此基础上最终进行分类[4]。应用AOI绘图工具获取分类模板信息，利用Raster工具面板多边形工具在原图像上绘制多边形，在signature editor对话框中将其加载到signature editor分类模板中。根据多次试验，每次变换不同的位置和大小来选择训练样本，添加到分类模板中进行评价。在erdas中选择分类模块下的supervised分类方法，依据上步所建立的分类模板执行分类，输出最大似然法分类分类结果图。

4分类结果及分类精度评价

由于“同物异谱”或“异物同谱”现象在遥感图像中的普遍存在，以及样本选择过程中的人为误差等因素的影响，每一种分类器的分类结果都会存在不同程度的偶然性，即分类的结果不可能达到与地物的真实分布完全对应。因此对分类的结果进行分析与评价是整个分类过程中的一个重要的、必不可少的环节[5]。本论文中进行分类精度评价的目的包括两方面的内容：一是比较相同特征下不同分类器的分类能力；二是比较相同分类器不同特征的分类能力。本文也采用误差矩阵和Kappa分析来进行[2][6][7]。

4.1误差矩阵

进行精度评估，首先建立精度评估误差矩阵，该误差矩阵采用像元抽样产生，本实验中抽取256个随机点。误差矩阵值如下表所示：

表3 最大似然监督分类误差矩阵 表4 ISODATA非监督分类误差矩阵

4.2 Kappa 系数

Kappa 系数能全面衡量分类误差，克服其它评价指标的缺点，因此，kappa 系数可作为分类精度评估的综合指标。

表5 最大似然监督分类Kappa分析

总体精度 = 92.58% ，Kappa 系数 = 0.8644

表6ISODATA非监督分类Kappa系数分析

总体精度= 83.20% ，Kappa系数= 0.7254

由此可看出ISODATA分类方法处理的结果，水体和道路的分类精度较差，但植被的分类精度较高，生产精度达到90.72%，总体分类精度达到要求。 但采用最大似然监督分类法Kappa系数在0.8以上，达到最低允许判别精度0.7的要求。这些表明采用最大似然法进行影像分类的结果较理想，分类精度也较高。本次试验中，采用监督分类最大似然法的分类精度明显比采用非监督分类的ISODATA法分类精度高。

5结语

由于遥感图像分类的研究涉及到众多的科学研究领域，内容繁多，同时也由于时间和研究水平的限制，使得论文存在一些不完善之处，还有许多问题有待进一步研究：

1）在样本的确定上，由于缺乏足够的参考信息和足够多的实地调查信息，参考的高分辨率影像与所研究区的影像不是一个时间段的，加上目视解译的判断，因而对研究区地物类型判断上出现偏差，进而影响分类样本。

2）分类中使用分类特征只是基于光谱特征，过于单一，有待进一步研究。

3）不同地物波谱相似性，使得结果还是具有一定的误差，尤其是误分现象较为明显，植被中不同类型的划分，尚没有有效的方法。道路和居民地建筑的划分也不明显，出现较多的错分现象。

鉴于以上几个方面不足，今后可以继续进行以下几个方面的研究工作：

1）对于分类特征的选择除了考虑光谱特征外，还可进一步研究其他特征如地物的几何形状、纹理特征，以及非光谱特征等，并对所有特征综合选择。

2）如何研究更好的算法，突出不同地物的光谱特征差异，从而选择有效的阈值进行区分，则是进一步努力的方向。

遥感专题信息提取的精度很大程度上取决于信息源和提取方法的选择，随着遥感技术不断发展，遥感图像分类应用要求不断提高，遥感图像分类方法也在不断发展，各种分类新方法新工具不断引入分类系统中。但是各种方法各有其优缺点和使用条件，因此需要对这些方法不断的深入研究。

参考文献：

[1]吴学军．城市TM遥感影像分类方法研究[D]，广西：广西师范大学．2007．

[2]冉有华，李文君，陈贤章．TM 图像土地利用分类精度验证与评估― 以定西县为例[J]．遥感技术与应用．2003．18(2)：8l- 86．

[3]M ．Lillesand ， Ralph W ．Kiefer ．遥感与图像解译（彭望碌，余先川，译者）[M]，第4 版．北京：电子工业出版社，2003．

[4]张京红，刘安麟，李登科等。ERDAS IMAGINE监督分类模板评价的研究[J]．山西气象，2004(3)：37-39．

[5]吴健平，杨星卫．遥感数据分类结果的精度分析[J]．遥感技术与应用．1995，10(1)：17-24．

[6]Rasim Latifovic, Ian Olthof. Accuracy assessment using sub-pixel error matrices of global land cover products derived from satellite data[J]. Remote sensing of Environment, 2004， 90：l53-165．

[7]肖鹏峰，刘顺喜，冯学智等．中分辨率遥感图像土地利用与覆被分类的方法及精度评价．国土资源遥感．2004，62(4)：41-45．