河南理工大学本科毕业论文
地覆被进行遥感分类，取得了提高分类精度的良好效果。遥感地学智能图解(RSIGIM)是研究如何用计算机系统模拟地学专家对遥感影像的综合地学解译和决策分析的过程，从低到高分别需要经过包括信息传输及基本处理分析、影像的视觉生理认知理解、逻辑心理认知理解、知识发现、决策分析等多个层次的综合过程(图3-10)。
RSIGIM的最终目的是对影像中包含的地物目标、地学现象和过程等进行描述、识别、分类和解释，对遥感影像中地物和目标的类别、大小、结构、相互关系及其他地学属性等成像机理和内在特征进行提取，对蕴涵在遥感影像中的地学知识进行挖掘和表达，并进一步融合地学模型，进行地学现象和地学过程预测和决策分析。
理解层 决策层 决策分析 影像知识挖掘 遥感影像逻辑心理认识 遥感影像视觉生理认识 遥感影像传输和基本处理模型 记忆 联想 判断 观察 接受
图3-10 遥感地学智能图解(RSIGIM)结构框架
基于RSIGIM土地利用/土地覆被分类方法体系，包括3个层次的结构模型(图3-11)。
21
河南理工大学本科毕业论文
图3-11 基于遥感地学智能图解的土地覆盖分类体系结构 STOP IRS TM DEM Land 地学专家 数 据 预 处 理 图象增强、几何纠正、主成份分析 STOP IRS 土地覆盖大类TM DEM LU 知识表达 遥感地学智能图解模型粗分类 知土识地库利用库地形知识库光谱知识 细分类 土地覆盖分类结果 推理机 ①数据预处理模型主要通过数理计算和统计分析进行影像的基本处理和分析，根据影像上未知地物在特征空间上数理统计的差异而实现基本分类和信息识别，获取对影像的基本单元分布的初步认识；
②基于神经计算的影像分类模型是进一步模拟视觉神经处理系统的形象思维，在一定的地学知识支持下，通过对已知样本数据集的学习，获得复杂的非线性映射网络结构，实现对影像的土地覆被类型从粗到细的层次分类；
③最后在一定的结构化地学知识库(包括光谱知识库、地形知识库、土地利用知识库等)的支持下，通过基于符号的逻辑推理，从事实和服从一定的地学规律角度上对分类结果进行补充确认和修正，并结合目视解释获得的土地利用图进行土地利用的更新和决策分析。 3.3.6 基于纹理的遥感分类方法
随着遥感影像空间分辨率的提高，利用纹理特征来提高土地利用/覆盖分类精度已经越来越广泛。影像纹理反映了影像灰度性质及它们之间的空间关系，是描述和识别影像的重要依据，与目标地物的光谱特征相比，影像中地物的纹理结构特征相对更为稳定，它能更好地兼顾宏观性质和细部结构，因此它在高分辨率影像分析和识别中具有重要意义[24]。传统的纹理分析方法大致分为统计
22
土地利用分类结果 河南理工大学本科毕业论文
方法、结构方法和谱方法，近年来，建立在多尺度和时频分析基础上的Gabor变换、小波分析、分形等方法逐渐受到人们的关注。
小波分析是80年代中期发展起来的应用数学理论，具有良好的时频局部化特性、尺度变化特性、方向性特性，使得在图像处理、模式识别、计算机视觉等众多学科领域得到了广泛的应用[32]。小波变换的基本思想是用一族函数表示或者逼近一个信号，这一族函数称为小波函数系，是由一个基本小波函数经过不同尺度的平移和伸缩产生的。小波变换是将原始信号用一组不同尺度的带通滤波器进行滤波，将原始信号分解到一系列频带上进行分析。在纹理分析方面也获得了一些应用：朱长青等研究了基于小波变换特征的遥感地貌影像纹理分析和分类[38]，陈杉等从遥感影像纹理结构识别原理入手，提出影像纹理结构特征抽取的小波变换方法，构造了有明确的数学和物理意义的参数来描述影像纹理信息，在此基础上利用这些参数进行影像纹理结构分类。
分形为描述事物的结构形态提供了一种及其简单的方法,它是以分维数、自相似性、统计自相似性和幂函数等为工具研究一类无规则、混乱而复杂但局部与整体有相似性的体系[24]。物理表面的分维决定了图像灰度表面的分维，不同结构的区域会产生不同值的分数维，这就为分类提供了标准。纹理本身随分解率的变化非常剧烈，分形理论对纹理变化有一个较好的描述。利用分形维数作为图像分类器的特征参量，能够准确地反映图像块的纹理特征。基于分形理论的纹理分析方法在遥感分类中已经取得了比较大的成果，如曹燕等对分形分维在遥感图像纹理分析中的应用作了比较详细的研究[34]，李厚强等将彩色航空图像进行HIS变换，根据亮度计算分维数、多重分形广义维数谱和“空隙”等基于分形的纹理特征，同时加入归一化的色度和饱和度作为光谱特征，用BP网络进行分类，试验结果令人满意[35]。 3.3.7 复合分类法
复合分类法是对传统的只利用一个分类器进行遥感图像分类的一种改进，弥补了一种分类器不能有效地识别所有的类别的限制，提高了分类精度。复合分类法是将不同的分类器组合起来进行分类，一方面，每个分类器不需要区分很多类别，以利用大类之间可分性更好的优点，另一方面，每个分类器只对某些类别进行有效识别，提供不同的分类信息且彼此之间错误不相关，多个分类器组合起来，就可以显著提高分类的精度。章杨清等在BP神经网络的基础上引人分形维数，并将分维作为反映各类别数据纹理特征的附加波段分量，加到网
23
[33]
河南理工大学本科毕业论文
络的输入层，进行分类，明显地提高了分类精度[36]；陈丹峰等对自组织网络与模糊规则结合在遥感土地覆盖分类中的应用进行了研究，分类精度也明显提高
[19]
；李仪等介绍了采用微种群遗传算法和自适应BP算法相结合的混合遗传算法
来训练前向人工神经网络(BPNN)的方法，即先用微种群遗传学习算法进行全局训练,再用自适应BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的，并将此算法用于遥感图像分类,网络的训练速度及分类结果表明,该算法收敛速度较快,预测精度较高
[37]
；哈斯巴干等探索采用容差粗糙集方
法对训练数据做分类预处理,去除训练数据中的某些影响训练收敛的因素,避免网络训练时可能会导致网络出现全面的低性能，进而提高网络训练的成功率[38]。
3.3.8 多维信息组合分类法
遥感图像分类的主要依据是地物的光谱特性，即地物电磁波辐射的多波段测量值，这些测量值可以用作遥感图像分类的原有特征变量。然而，就某些特定地物的分类而言，多波段影像的原有信息维并不能很好地表达类别特征。因此，在现有技术与资料条件下，需要对数字图像进行运算处理（如比值处理、差值处理、K-L变换、K-D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。李硕曾用10维信息监督训练区的选择精度；赵寒冰等针对沿海地区特有的复杂地理现象，以TM 图像为基础，通过量化手段进行最佳信息维数的确定与最佳信息维数组合的选择，探讨了信息维数对分类精度的影响；SU Z曾用13维信息选择波段分类组合。遥感数据还可以与非遥感数据在同一地理投影坐标系下进行综合分类分析，这种分析不限波段数目，例如，分析盐渍土时可以采用TM1、2、3、4、5、7六个波段，再加上非遥感的地形数据、地下水埋深、地下水矿化度等重要的影响盐渍土的数据所形成的网格为参与分类分析的“波段”。
[33]
24
