【遙感入門系列】5、遙感分類技術
遙感的最終成果之一就是從遙感影象上獲取資訊,遙感分類是獲取資訊的重要手段。同時遙感影象分類也是目前遙感技術中的熱點研究方向,每年都有新的分類方法推出。
本小節主要內容:
- 遙感分類基本概念
- 常見遙感分類方法
1 遙感分類概述
遙感影象通過亮度值或像元值的高低差異(反映地物的光譜資訊)及空間變化(反映地物的空間資訊)來表示不同地物的差異,這是區分不同影象地物的物理基礎。遙感影象分類就是利用計算機通過對遙感影象中各類地物的光譜資訊和空間資訊進行分析,選擇特徵,將影象中每個像元按照某種規則或演算法劃分為不同的類別,然後獲得遙感影象中與實際地物的對應資訊,從而實現遙感影象的分類。
不同的地物具有不同的波譜特徵,同類的地物具有相似的波譜特徵,由不同探測波段組成的多波段數字影象是地物特徵的量化,遙感影象分類正是基於影象中所反映的同類地物的光譜相似性和異類地物的光譜差異性的基礎上進行的,根據影象的特徵向量,建立判別函式,最終實現將遙感影象自動分成若干地物型別。遙感影象分類由於遙感影象的資料量大和成像複雜等特點,使得遙感影象具有一些特點和原則。
遙感影象分類比起一般的數字影象分類具有自身的特點,概況來講遙感影象分類的特點有如下幾點:
(1)資料量大。遙感影象通常具有較多的光譜波段,每個像元在不同波段具有不同的波譜特徵,所以遙感影象分類是處理多波段的運算。
(2)複雜性。雖然大多數的地物符合“同類地物具備相同的波譜特徵,不同地物具有不同的波譜特徵”的原則,但是大多數情況下,研究的同類地物會具有不同的光譜特徵,即“同物異譜”,而相同的光譜特徵表示了不同的地物,即“異物同譜”。
(3)需要預處理。在對遙感影象分類前,往往需要做一定的預處理,原始影象的特徵波段間往往存在比較強的相關性,同時由於處理多波段遙感資料的計算量大的原因,在分類前採用特徵判別,決定一定的預處理方法,不但可以減少計算量,同時為可以處理多波段資料提供一種方式。
遙感影象分類方法廣義上可以歸納為三大類:
計算機自動分類可分為:基於光譜的計算機分類(監督分類與非監督分類),基於專家知識的決策樹分類,面向物件影象分類和深度學習影象分類。
另外還有定量反演、遙感動態監測、DEM提取等。
可能還有人會說還有機器學習,其實遙感領域上個世紀就已經提出了機器學習的概念,早就有神經網路、支援向量機等機器學習演算法,在遙感領域歸屬為監督分類範疇。
2 基於光譜的計算機分類
(1) 非監督分類
非監督分類:也稱為聚類分析或點群分類。在多光譜影象中搜尋、定義其自然相似光譜叢集的過程。它不必對影象地物獲取先驗知識,僅依靠影象上不同類地物光譜(或紋理) 資訊進行特徵提取,再統計特徵的差別來達到分類的目的,最後對已分出的各個類別的實際屬性進行確認。
目前比較常見也較為成熟的是ISODATA、鏈狀方法等。遙感影象的非監督分類一般包括以下6個步驟:
圖:非監督分類流程
- 影象分析:分析影象,大體上判斷主要地物的類別數量。
- 分類器選擇:選擇一個合適的分類方法。
- 影象分類:設定好分類器的引數對影象進行分類。
- 類別定義:一般需要多設定幾個類別,之後重新判別與合併非監督分類的結果。
- 分類重編碼:對定義好類別的重新定義類別ID。
- 結果驗證:對分類結果進行評價,確定分類的精度和可靠性。
(2) 監督分類
監督分類:又稱訓練分類法,用被確認類別的樣本像元去識別其他未知類別像元的過程。它就是在分類之前通過目視判讀和野外調查,對遙感影象上某些樣區中影象地物的類別屬性有了先驗知識,對每一種類別選取一定數量的訓練樣本,計算機計算每種訓練樣區的統計或其他資訊,同時用這些種子類別對判決函式進行訓練,使其符合於對各種子類別分類的要求, 隨後用訓練好的判決函式去對其他待分資料進行分類。使每個像元和訓練樣本作比較,按不同的規則將其劃分到和其最相似的樣本類,以此完成對整個影象的分類。
遙感影象的監督分類一般包括以下6個步驟:
圖:監督分類一般流程
- 類別定義:根據分類目的、影象資料自身的特徵和分類區收集的資訊確定分類系統;
- 特徵判別:對影象進行特徵判斷,評價影象質量,決定是否需要進行影象增強等預處理;
- 樣本選擇:為了建立分類函式,需要對每一類別選取一定數目的樣本;
- 分類器選擇:根據分類的複雜度、精度需求等確定哪一種分類器;
- 影象分類:利用選擇的分類器對影象資料進行分類,有的時候還需要進行分類後處理;
- 結果驗證:對分類結果進行評價,確定分類的精度和可靠性。
3 基於專家知識的決策樹分類
基於知識的決策樹分類是基於遙感影像資料及其他空間資料,通過專家經驗總結、簡單的數學統計和歸納方法等,獲得分類規則並進行遙感分類。分類規則易於理解,分類過程也符合人的認知過程,最大的特點是利用的多源資料。
專家知識決策樹分類的步驟大體上可分為四步:知識(規則)定義、規則輸入、決策樹執行和分類後處理。
圖:基於專家知識的決策樹分類一般流程
(1)知識(規則)定義
規則的定義是講知識用數學語言表達的過程,可以通過一些演算法獲取,也可以通過經驗總結獲得。
(2)規則輸入
將分類規則錄入分類器中,不同的平臺有著不同規則錄入介面。
(3)決策樹執行
執行分類器或者是演算法程式。
(4)分類後處理
這步驟與監督/非監督分類的分類後處理類似。
4 面向物件影象分類
“同物異譜,同譜異物”會對影像分類產生的影響,加上高解析度影像的光譜資訊不是很豐富,還有經常伴有光譜相互影響的現象,這對基於畫素的分類方法提出了一種挑戰,面向物件的影像分類技術可以一定程度減少上述影響。
面向物件分類技術集合臨近像元為物件用來識別感興趣的光譜要素,充分利用高解析度的全色和多光譜資料的空間,紋理,和光譜資訊來分割和分類的特點,以高精度的分類結果或者向量輸出。
面向物件影象分類主要分成兩部分過程:影像物件構建和物件的分類。如下圖為ENVI中的FX工具的面向物件影象分類流程。
圖: FX操作流程示意圖(*項為可選操作步驟)
- 影像物件構建主要用了影像分割技術,常用分割方法包括基於多尺度的、基於灰度的、紋理的、基於知識的及基於分水嶺的等分割演算法。比較常用的就是多尺度分割演算法,這種方法綜合遙感影象的光譜特徵和形狀特徵,計算影象中每個波段的光譜異質性與形狀異質性的綜合特徵值,然後根據各個波段所佔的權重,計算影象所有波段的加權值,當分割出物件或基元的光譜和形狀綜合加權值小於某個指定的閾值時,進行重複迭代運算,直到所有分割物件的綜合加權值大於指定閾值即完成影象的多尺度分割操作。
- 影像物件的分類,目前常用的方法是“監督分類”和“基於知識分類”。這裡的監督分類和我們常說的監督分類是有區別的,它分類時和樣本的對比引數更多,不僅僅是光譜資訊,還包括空間、紋理等資訊。基於知識分類也是根據影像物件的熟悉來設定規則進行分類。
5 深度學習影象分類
深度學習是一種更復雜的機器學習形式,它使系統能夠自動發現數據中的表現特徵。深度學習與機器學習的區別在於,它能夠在沒有外部指導或干預的情況下,持續快速地改進自己的預測。深度學習演算法學習模式通過遍歷神經網路中的一系列層來得出結論,類似於大腦處理資訊的方式。
對於遙感,深度學習嘗試發現影象中的空間和光譜特徵,通常用於查詢諸如車輛、公用設施、道路等特徵。通過使用一組標記的畫素資料作為樣本對深度學習模型進行訓練,用於發現這些特定目標。
如下為ENVI中的深度學習工具影象分類流程。
6 總結
如下表為四大類自動分類方法的一個大概的對比。
型別 |
基本原理 |
影像的最小單元 |
適用資料來源 |
缺 陷 |
傳統基於光譜的分類方法 |
地物的光譜資訊特徵 |
單個的影像像元 |
中低解析度多光譜和高光譜影像 |
豐富的空間資訊利用率幾乎為零 |
基於專家知識決策樹 |
根據光譜特徵、空間關係和其他上下文關係歸類像元 |
單個的影像像元 |
多源資料 |
知識獲取比較複雜 |
面向物件的分類方法 |
幾何資訊、結構資訊以及光譜資訊 |
一個個影像物件 |
中高解析度多光譜和全色影像 |
速度比較慢 |
深度學習影象分類方法 |
幾何資訊、結構資訊以及光譜資訊 |
物件、畫素 |
中高解析度多光譜和全色影像 |
需要大量樣本訓練 |