Page 69 - 遥感技术在生态环境监测中的应用研究

遥感技术在生态环境监测中的应用研究

算机遥感影像分类是统计模式识别技术在遥感领域中的具体应用，关键在于提取待识别模

式的一组统计特征值，然后按一定准则进行决策，从而对数字影像予以识别分类。
图像分类总的目的是将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征
或者其他信息，按照某种规则或算法划分为不同的类别。最简单的分类是只利用不同波段

的光谱亮度值进行单像元自动分类。另一种则不仅考虑像元的光谱亮度值，还利用像元和
其周围像元之间的空间关系，如图像纹理、特征大小、形状、方向性、复杂性和结构，对
像元进行分类。因此，它比单纯的单像元光谱分类复杂，且计算量也大。对于多时段的图

像 . 时间变化而引起的光谱及空间特征的变化也是非常有用的信息。如对农作物的分类中，
单时段的图像无论其多少波段，都较难区分不同作物，但是利用多时段信息，由于不同作
物生长季节的差别，则比较容易区分。另外，在分类中，也经常会利用一些来自地理信息

系统或其他来源的辅助层，比如在对城市土地利用分类中，往往会参考城市规划图、城市
人口密度图等等，以便于更精确地区分居住区和商业区。

遥感图像分类的主要依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这
些测量值可以作为遥感图像分类的原始特征变量。然而，就某些特定地物的分类而言，多
波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如

比值处理、差值处理、主成分变换以及 KT 变换等），以寻找能有效描述地物类别特征的
模式变量，然后利用这些特征变量对数字图像进行分类。分类是对图像上每个像素按照亮

度接近程度给出对应类别，以达到大致区分遥感图像中多种地物的目的。
分类过程中采用的统计特征变量包括全局统计特征变量和局部统计特征。全局统计特
征变量是将整个数字图像作为研究对象，从整个图像中获取或进行变换处理后获取变量，

前者如地物的光谱特征，后者如对 TM 的 6 个波段数据进行 KT 变换（缨帽变换）获得的
亮度特征，利用这两个变量就可以对遥感图像进行植被分类。局部统计特征变量是将数字
图像分割成不同识别单元，在各个单元内分别抽取的统计特征变量。例如，纹理是在某一

图像的部分区域中，以近乎周期性或周期性的种类、方式重复其自身局部基本模式的单元，
因此可以利用矩作为特征对纹理进行识别。
在很多情况下，利用少量特征就可以进行遥感图像的地学专题分类，因此需要从遥感

图像 n 个特征中选取 k 个特征作为分类依据（这里 n ＞ k），这一过程称为特征提取。特
征提取要求所选择的特征相对于其他特征更便于有效地分类，使图像分类不必在高维特征

空间里进行，其变量的选择需要根据经验和反复的实验来确定。
统计特征变量可以构成特征空间，多波段遥感图像特征变量可以构成高维特征空间。
一般说来，高维特征空间数据量大，但这些信息中仅包含少量的样分类信息。为了抽取这

些最有效的信息，可以通过变换把高维特征空间所表达的信息内容集中在一到几个变量图
像上。主成分变换可以把互相存在相关性的原始多波段遥感图像转换为相互独立的多波段

新图像，而且使原始遥感图像的绝大部分信息集中在变换后的前几个组分构成的图像上，
62