基于GIS的遥感影像分类方法研究

A GIS Research-based on Remote Sensing Image Classification

Zhu Ruirong；Qu Huaying

（Yunnan Land & Resources Vocational College，Kunming 650217，China）

摘要： 在分析空间数据获取现状的基础上提出空间数据挖掘的必要性，对遥感影像分类技术和方法进行了研究，提出GIS平台和数据挖掘算法集成所挖掘的知识是其影像分类的重要知识源。最后通过实验对以上的研究和分析进行了验证。

Abstract： Based on the status quo of spatial data obtaining, the necessity of spatial data mining is put forward. Through the research of remote sensing image classification technology and methodologies, the knowledge mined and integrated from GIS platform and data mining algorithms has been recognized as the important knowledge source of image classification. Finally, the research and analysis has been verified through the experiment.

关键词： GIS 空间数据挖掘 遥感影像 分类

Key words： GIS; spatial data mining; remote sensing image; classification

中图分类号：TP7文献标识码：A文章编号：1006-4311（2011）14-0193-02

0引言

进入信息时代，计算机技术、遥感技术的快速发展使得实时、全天候、大面积的获取地球表面信息的高精度、高分辨率、多时相的数字影像成为现实，遥感数据每天以数百GB的速率递增。但与之相对应的却是影像处理的理论和技术手段的严重滞后，在遥感影像信息提取的过程中，常常发生“同物异谱”和“异物同谱”的现象，影响了分类的精度，同时影像信息提取还局限于人工目视解译的阶段，工作效率低下，影像数据的获取和遥感影像信息提取的速度严重不协调。利用GIS辅助遥感影像信息智能提取技术的研究对GIS和RS的集成，和空间数据生产效率的提高都有着重要的理论和现实意义。而数据挖掘可以作为其中一个重要的手段和工具。本文利用数据挖掘和知识发现（Data Mining and Knowledge Discover）技术，挖掘空间数据库和数据文件中的知识，并将知识运用到遥感影像的分类过程中，通过知识来改善影像的分类精度。

1遥感数据和GIS数据的关系

在遥感影像和GIS数据之间，存在着数据和知识上巨大的互补性，而利用数据挖掘的手段，可以从GIS数据中挖掘出知识来解释遥感的影像数据，同时用遥感的数据来反演和更新GIS数据（如图1）。

从上图可以看出，数据挖掘是将大量数据信息转换为有用知识的有效工具，具体到在GIS和遥感信息提取中的作用如下：①在遥感影像解译中应用。用于遥感影像解译中的约束、辅助、引导，解决同谱异物、同物异谱问题，减少分类识别的疑义度，提高解译的可靠性、精度和速度。空间数据挖掘是建立遥感影像理解专家系统知识获取的重要技术手段和工具，遥感影像解译的结果又可用于更新GIS数据库。②GIS智能化分析。空间数据挖掘获取的知识同现有GIS分析工具获取的信息相比更加概括、精炼，并可发现现有GIS分析工具无法获取的隐含的模式和规律，因此空间数据挖掘本身就是GIS智能化分析工具，也是构成GIS专家系统和决策支持系统的重要工具。因此，空间数据挖掘技术将会促进遥感与GIS的智能化集成。（如图2）

2基于知识的遥感影像分类方法

由于传统的遥感影像的分类方法推理规则单一，非遥感信息融入困难，且大多是基于要素相互独立、空间参数化分布等前提假设条件下的数理统计方法，很难进行地学中要素之间相互关联、分布复杂的空间信息处理与分析。考虑到目视解译和数字解译的优势和缺点，为了解决遥感影像信息提取中存在的种种问题，许多学者提出了基于知识的遥感影像信息提取的方法。在GIS数据或地学知识与遥感数据集成分类的方法中，主要有三类：一是信息复合的方法。二是基于规则判断的决策树分类方法。三是影像分类与规则判断结合的办法。

基于知识的遥感影像信息提取，其基本内容应包括知识的发现、应用知识建立提取模型、利用遥感数据和模型提取遥感信息。在知识发现方面包括从单期遥感图像上发现有关地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识。主要从两个方面进行遥感影像的信息提取：

2.1 基于光谱知识的信息提取：比如公路提取模型：

R■=∫mag[f（s）]■ds=max mum（1）

R■=∑{g[f（s）]-g■}■=min mum（2）

基于光谱特性的信息提取是在对遥感信息机理初步研究的基础上找到的一种信息提取方法，它需要地物与背景之间在光谱上是可分的，与背景之间存着较少的同谱现象，并且地物内部的光谱最好要一致，当地物内部光谱不一致时，可以借助于地物内部的特征成分光谱进行提取，当地物内部成分的光谱与背景之间存着较多同谱现象时，须借助于地物的其它知识进行提取。

2.2 基于纹理知识的信息提取纹理是指灰度值在空间上的变化，它是由一些纹理基元按照不同的空间配置形式所构成的一种图案。共生矩阵纹理法是比较传统的纹理描述方法，它可从多个侧面描述影像纹理特征。

灰度共生矩阵属二阶统计量，被定义为从灰度为i的点离开某个固定位置关系δ=（dx，dy）的点上灰度为j的概率（或频率）:

P■（i，j） （i，j=0，1，2，…，N-1）（3）

式中N表示灰度级数而i、j为灰度值，不同的位置关系δ对应着特定距离和方向上的共生矩阵。显然，将所有的δ纳入考虑，计算量将极为庞大。根据Jensen的研究，由于TM影像的分辨率较之航空图像或SPOT图像为低，取某个固定的δ（如令δ=（1，0）或δ=（2，2））计算共生矩阵即可。下一步，便可由共生矩阵求解若干纹理特征量，用 4种典型和常用的量，分别是能量E（P），熵H（P），均质性L（P），惯性力矩（反差）I（P）；纹理特征提取的结果有两种形式：一是纹理特征度量参数本身；另一种是纹理特征参数对影像进行初步分类后得到的纹理分类图像。

3试验

为了检验基于知识的遥感影像分类方法的有效性，实验中所用的遥感影像为Erdas Imageine8.6所带的示例影像数据，参照土地资源调查中土地利用分类方式，并根据图像的特点，将要分类的影像确定为12个类别，其类别如下：高等级道路、一般道路、平坦地区、缓坡地区、陡峭地区、极陡地区、水域、湿地、密林、中密度森林、稀疏林、建筑用地。

基于知识的分类体系可以利用决策树来表示各种数据之间的关系，在实验中，知识有4种数据来源，数据源及其类别属性分别为：道路：离散型(0，1，2)；数字坡度模型：连续型；预分类图像：离散型(0~20)；树林密度模型：连续型；待分类图像：连续型。

本试验中采用常规最大似然法和基于知识分类方法分别对影像进行分类。原始贝叶斯分类结果（如图3），基于知识的分类结果（如图4）。

从实验结果图中可以看出：基于知识的分类，由于充分利用了规则中的先验知识，其结果较贝叶斯分类更加详细。

4结论

基于知识的遥感影像分类技术是遥感信息提取未来发展的方向，在GIS支持下基于空间数据挖掘技术进行遥感影响分类与信息提取，可以综合地物光谱特征、GIS数据、领域知识、空间分析功能等，其分类结果较传统技术下的分类结果有着明显的优越性。进行但是受限于计算技术、人工智能和数据挖掘技术的发展水平，知识的准确、快速的获取存在着一定的困难，实现自动化的知识获取有很大的难度，在挖掘模型与GIS集成方面离可供实际操作的完全集成系统还有一定的距离，人机交互式的知识获取方式在一定时期内仍然是知识获取的方式。

参考文献：

[1]邸凯昌．空间数据发掘与知识发现[M]．武汉：武汉大学出版社，2001.

[2]梅安新等．遥感导论[M]．北京：高等教育出版社，2001.

[3]王清毅．目前数据挖掘算法的评价[J]．小型微型计算机系统，2000，21（01）.

[4]孙雁．基于MS Analysis Services的数据挖掘的开发模式[J]．计算机与现代化，2002，（05）.

[5]李天宏．基于KDD和GIS的遥感图像专题分类方法探讨[J]．应用基础与工程科学学报，2000，8（03）.