基于空间邻接关系及模糊数学原理的遥感影像分类

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于空间邻接关系及模糊数学原理的遥感影像分类范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：通过概述遥感影像分类的国内外进展状况，引出基于空间邻接关系及模糊数学原理的遥感分类算法，对其原理及方法进行了论述，并指出这一方法的优势和存在的局限性，最后对该算法及其应用进行了展望。

关键词：空间邻接关系；基准地物；模糊划分；隶属度；模糊合成

一、引言

遥感影像分类一直都是该领域的一个重点和难点，也是遥感技术运用到实际的关键一步。然而，以往的主流分类方法都是依据影像的光谱信息，随着高分辨率遥感影像技术的发展，其造成的光谱混淆及信息有限性的弊端表现更加明显，遥感“图谱”信息耦合的空间认知理论越来越受到广泛的关注和应用。

遥感数据从本质上就具有“图谱合一”的特性：首先，“图像”是其给予人类视觉最直观的特征，综合反映了地物空间分布的特性；其次，“波谱”可以定量反映地物形成的机理，成为蕴含于图像之中可对地物要素进行定量表达的基本特征。因此遥感图谱耦合认知理论有机综合了遥感影像精细化辐射波谱特征和空间分布特征，从不同角度更为全面真实地表征实际地物。

二、国内外进展状况及方法的局限性

在现有许多研究中考虑到了形态、纹理等空间信息的应用，初步实践了“图谱耦合”，取得了一定的成效。但仅这些基本空间特征对于高精度城市、农用地等混杂型地物的分类来说，仍难达到实际的要求。因此，有学者进一步采用空间关系对影像进行分类及修正，如依据空间距离远近关系对海岸带地类进行了划分修正［4］；利用空间关系构造了两个波段参与分类，实现空间约束［2］；利用分类影像的图斑相邻关系以及DEM信息，对初始分类的湿地、草地和农田等地类进行修正［1，3］。上述方法都只是部分消除了仅依赖光谱数据分类引起的同物异谱或同谱异物造成的分类错误，但对于空间关系的作用范围却难以较好贴合地物的实际分布。鉴于上述情况，本文在“图谱耦合”认知理论基础上发展了一种贴合地物分布规律的基于空间邻接及模糊数学原理的分类算法。

三、空间邻接关系及模糊数学支持下的遥感影像分类

（一）原理

空间邻近是地理学的第一定律，即空间距离越近的地物具有更大的相关性空间，空间邻接是其中的一种具体表现方式。自然界中许多地物都是关联存在的，如沙滩和海水的关联、湿地与水体的关联等，若其中的一种地物已确定，则可用其作为基准地物来推断另一种地物，即目标地物。在此，仅讨论对分类影像上有显著邻接关系的基准地物和目标地物两类进行搜索及标记，并据此来确定其余地物的分布并进行相应的修正，是一个全局性大尺度的修正。

模糊数学作为一个新兴的数学分支，自1965年出现以来，由于它突破了传统精确数学绝不允许摸棱两可的约束，可以用定量化和数学化加以描述和处理，使数学的应用范围大大扩展，特别是在计算机科学与技术的支持下，使得模糊数学飞速发展，被广泛应用各领域。

本文算法在光谱粗分类基础上，先利用空间邻接关系对有显著邻接关系的基准地物和目标地物两类进行搜索及标记，然后利用模糊数学理论对边界地区进行模糊划分，以使其划分更加符合客观现实世界。其整体流程图如图1：

该算法首先从原始遥感影像上提取基准地物，得到一景只包含基准地物的影像。用提取所得到的基准地物对影像进行掩模操作，得到除基准地物以外的其余部分影像，并对该部分影像依据光谱特征，进行监督分类。然后，将部分影像的监督分类结果与基准地物层合并，得到整景影像的一个粗分类结果。进而，在粗分类影像基础上再利用地物的空间邻接关系，搜索与基准地物邻接的目标地物并确定其分布范围，最后利用模糊数学原理对混淆地物相接处进行模糊划分，从而得到一个更贴合实际、精度更高的分类结果。

（二）基准地物高精度提取方法

基准地物一般选取影像上具有独特的光谱特性，集中分布且易于提取的地物。由于它在整个算法中作为先验知识存在，并影响后续模糊划分的改进程度，因此，对基准地物的提取精度要求较高。基准地物一般采用单波段阈值法、波段间的差/比值法等进行提取，而近来发展并被广泛采用的指数法不失为一种便捷高效的方法。

（三）空间邻接支持下的分类修正算法

粗分类影像上，每种地类具有不同属性值，空间邻接分类修正算法正是依据该值来搜索和判类，进而通过改变该值达到修正目的。该算法是在像元级层次上操作，主要过程描述如下：

１.基准地物搜索：首先遍历粗分类影像，依据基准地物的属性值Ｏ搜索基准地物像元，同时，可根据需要利用面积大小或距离远近的阈值进行一定的排除，以避免噪音带来的干扰，从源头确保数据精度。

２.基准地物纯化：如果有需要，可先对搜索到的基准地物进行邻接修正，将其与目标类间的混淆类像元赋予属性值Ｏ，归并到基准地物，以做纯化，确保基准地物与目标地物的邻接关系。

３.目标地物搜索与标记：从修正后的基准地物出发，依据目标类属性值Ｔ，以八邻域方式搜索与基准地物邻接的目标地物像元，并将其标记为TURE，不相邻的目标类像元则不标记。

４.混淆类像元标记：在标记为TURE的目标类区域中，搜索其中包含的其他混淆地类，将混淆类像元赋予目标类属性值F。

（四）利用模糊数学原理对混淆像元进行模糊划分

对混淆类像元，依据分类粗结果，确定该像元中各类地物的隶属度，给出相应的基准地物及混淆地物的权重，将隶属度与权重进行合成，其运算结果根据最大隶属度原则，将隶属度最大的地类值赋予该像元。对每一个像元都做此运算，可得出每个像元的地类值，也即完成了模糊划分。

四、算法的优势及局限性

本文算法综合运用了遥感“图谱耦合”信息，在光谱特征粗分类的基础上，利用空间邻接关系及模糊划分算法，从理论上消除了仅由光谱造成的不可避免的混淆。该算法清晰、简练地表征出了地物间的空间关系，更符合地物的实际分布。其中，在像元级上进行处理，能更全面地搜寻地物的原始分布范围；避免了对象级处理中的分割方法和参数选择复杂等因素所造成的影响；此外，采用基于指数的多层次提取模型提取基准地物，并利用模糊数学理论对现实世界中不具精确意义的地物进行划分，令其精度更高，使其更加符合客观实际。

同时，该方法也存在以下几个方面的缺陷，有待进一步解决和研究：①由于数据获取的不便，本文仅从理论上探讨算法的可行性，其实际效果需通过实例验证；②对基准地物的精度要求高，否则，累计误差将更大；③对初始分类效果的依赖性较大，初始分类结果决定着模糊划分的改进意义；④是否可以在像元层上进行模糊分割，是一个值得探讨的问题；⑤是否可以应用更合适的模糊数学方法，是一个值得研究的问题。

五、展望

与传统的遥感分类不同，该算法不是一次性地将所有地物分出来，而是根据已确定的基准地物来推断与其有紧密邻接关系的地物，即利用先验知识来支持后续地物的判别分类，可避免干扰，并将各地物高效地提取出来。该过程是一个由易到难、逐步可控的、精确的提取过程，也符合人眼视觉的判断推理过程。后续将进一步挖掘更全面、准确的空间关系的应用，并探索其在小尺度精细分类中的应用，以辅助进行全域精细尺度的高精度分类，同时寻求更合适的模糊数学方法支撑该模型，使其分类结果更符合客观实际。该算法在处理层次上，适用于象级分类修正；在应用领域中，可推广应用到如农业用地分类、城市建筑物提取、森林资源调查等方面。

参考文献:

［1］边馥苓，万幼．K－邻近空间关系下的空间同位模式挖掘算法［J］．武汉大学学报：信息科学版.

［2］赵红蕊，阎广建．一种简单加入空间关系的实用图像分类方法．遥感学报.

［3］蔡晓斌，陈晓玲．基于图斑空间关系的遥感专家分类方法研究．武汉大学学报：信息科学版.

［4］吴均平，毛志华．一种加入空间关系的海岸带遥感图像分类方法．国土资源遥感.

［5］乔程，沈占锋．空间邻接支持下的遥感影像分类．遥感学报.

（作者单位 湖南省长沙建筑工程学校）

本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文