遥感影像分类【基于DN值分析的遥感影像分类方法研究】

　　摘　要：该实验中，根据各种地物特征在不同波段中表现出来的DN值的不同，我们通过人机互动的方式寻找各种地物特征DN值在遥感影像中的联系，通过这样一种联系，确定区分不同特征的阈值，达到分类的目的。同时，比较通过降噪处理之后的分类图与未经过降噪处理的分类图，寻求提高分类精度的方法。
　　关键词：Landsat 遥感 影像 分类
　　中图分类号：P23　　　　文献标识码：A　　　　　文章编号：1007-3973（2012）007-109-02
　　1 影像DN值分析
　　遥感影像之所以能够表现出各种地物特征，是因为影像中每个像素点有着不同的DN值（Digital Number），为了对遥感影像进行阈值分类，首先我们要弄清各种地物特征在遥感影像处于什么样的位置，通常我们是要弄清楚遥感影像各地物特征的DN值在遥感影像全局里所处的区间，因此，我们首先要对遥感影像做DN值分析。我们选取2010年洋山港区域的Landsat-7ETM+卫星遥感图片作为研究对象，如图1所示。
　　这张图像具有Landsat-7ETM+所有波段的信息，我们使用的影响是Unsign-8byte图像，因此，图像里的DN值从0～255，影像是通过DN值的不同来表现出不同的特征，我们从影像的各DN值关系表1可以看出2010年洋山港地区的遥感影像9个波段的基本面貌。
　　利用阈值关系方法进行信息提取的方法非常容易实现, 我们利用各个通道DN值之间存在的关系，例如第5通道DN值小于20的，我们归类为水体，从而很轻松的将水体特征提取出来。但是在分类过程中，各种地物特征的提取并不是简单地依赖某一通道来完成的。
　　2 阈值分类算法和分类模型确定
　　通过对表1各类地物特征DN值关系分析表进行分析，我们可以看出，第五第八通道对水很敏感，光波被水吸收，所以DN值均小于20，这样我们只需要同通过这两个通道就能很好地将水体特征提取出来，而植被可以通过第一第二第三通道来提取，其他几个通道都存在其他地物特征与植被特征DN值重叠的现象因此，分类使用ETM+1，2，3，4即可解决植被分类的问题，人类活动在本次实验中遇到了比较棘手的问题，主要原因是人类活动不存在某一通道就可完全提取特征的DN值范围，每个通道，在区分各种地物特征时却不尽人意，往往是水体与人类混淆，或是植被与人类活动混淆，事实上，在实验的过程中，我们也发现，没有哪个通道可以将人类活动单独提取出来。所以我们需要引入数学上的一个概念，就是交集的概念，在处理人类活动特征时必需进行交集分析，但是对于真实人类活动的特征是存在交集，我们在阈值分析的过程中，发现1，2，3，4，9通道，人类和水体在分别大于68，79，75，50和35的值，可以归为人和水的共同类，而5，8通道，在DN值分别大于20和20的，可以归为人和植被的共同类，而这两大类之间的交集就是任内活动特征，于是，我们通过交集的概念可以很快将人类活动的特征提取出来。通过以上的阈值算法分析，我们需要建立本次实验的分类模型，我们选取对分类有用的通道，每种地物特征均采用交集处理以求得到最为匹配的分类结果图。分类模型示意图如图2所示。
　　利用阈值方法进行信息提取的方法非常容易实现, 仅用少量的人力物力, 可以达到预期的要求, 能够快速获得变化信息的区域。将以上的分类结果整合之后，我们得到了图3，2010年洋山港地区的分类结果图。
　　3 降噪处理
　　本次实验的目的是为了对上海市海岸带的遥感影像进行研究与分析，我们需要获得更为准确的分类图，这样才能为往后的生态评价计算提供良好的基础，而降噪处理作为遥感影像预处理三大过程（辐射校正，几何校正，降噪处理）之一，在本次实验中也得到应用，降噪处理是因为遥感影像信号在产生、传输、接收和记录的过程中，经常会受到各种大气效应和电离层辐射的影响，从而产生各种各样的噪声，当进行下一步的遥感影像的特征提取、信息分析和模式识别等处理时将会带来不同的影响，因此在这之前的遥感影像噪声去除是一个非常重要的预处理步骤。遥感影像中大多数像素的灰度值差别不大，正是由于这种灰度相关性的存在，所以一般遥感影像的能量主要集中在低频区域，只有影像的细节部分的能量处于高频区域。
　　进行遥感影像平滑的主要目的就是要消除或衰减影像上的噪声，也就是衰减高频分量，增强低频量。但是高频区域同样也包含着影像的细节能量，因此遥感影像在消减噪声的同时，对影像的细节也有一定的衰减作用。这一过程能够增强低频量，也就是说在分类的时候，能够获得更多完整连贯的地理特征板块，而这样的数据对于生态评价有着重要的意义。我们通过对2010年洋山港地区的卫星遥感图像进行降噪处理，降噪以后的图像与原图有着很明显的不同，影像边界变得平滑连贯，这位分类的过程提取大斑块有着明显地改善，如图3，图4所示而通过降噪处理之后的分类图与未进行降噪处理的分类图进行比较，可以看出两者在斑块完整度上，降噪以后的图像更有优势，但是降噪以后的分类效果如何，我们需要对这两幅图进行评价。
　　4 分类评价
　　经过DN值分析之后，我们对影响进行分类，分类的效果如何，需要一个分类标准，我们通过结合先验知识与实地测量数据所绘制的的标准分类图（图5）作为标准。用统计学理论描述分类效果可以采用线性关系回归系数评价法。
　　根据一阶线性回归分析数学方程(1)
　　线性回归系数
　　(1)
　　通过Erdas所具有的空间模型语言功能，我们通过编程很快计算出分类图3与标准分类的线性回归系数r=92.48%。而降噪处理之后的分类图4的线性回归系数R=95.19%。这说明两幅的线性回归情况很好，说明了阈值分类办法能够很好的提高遥感影像的分类精度。把降噪与未降噪的影像分类之后与标准图比较后发现，降噪后的图像比未降噪图像线性回归的更好，与标准图更为一致，从而更进一步地说明了经过降噪处理之后的遥感影像更有利于分类精度的提高。这样就说明我们的分类图与标准图之间具有很高的一致性，从而说明我的分类方法具有很高的可行性。
　　5 结论
　　利用阈值分析的分类方法，可以高效而又准确的进行遥感影像的分类，具有很高的线性回归系数r，本文通过对遥感影像各种地物特征DN值进行分析与讨论，找出不同地物特征DN之间的关系，为影像分类提供依据，基于DN值的影像分类技术与传统遥感影像分类技术相比，可以提高遥感影像分类的效率，对于遥感影像信息提取提供了有效的手段。通过降噪处理之后的遥感影像，分类效果更好。分类过程中我们也发现，分类的类别越少，遥感影像也越容易分类，这是因为由于分类类别的减少能够避免同物异谱，同谱异物现象的出现。因此，对于遥感影像较少类别分类的分类，基于DN值分析的分类方法为影像分类提供了有效的办法。
　　(基金项目：上海市科委重点项目(075105108))
　　参考文献：
　　[1]　厉银喜,冯晓光,林友明.美国陆地卫星7号的数据产品分类和格式[J].遥感信息,2000(3):37-40.
　　[2]　黄剑玲,郑雪梅.一种基于边缘检测的图像去噪优化方法[J].计算机仿真,2009,26(11):260-261.
　　[3]　骆剑承,梁怡,周成虎.基于尺度空间的分层聚类方法及其在遥感影像分类中的应用[J].测绘学报,1999,28(4):319-324.
　　[4]　杨希华.遥感技术在黄土高原土地利用现状调查中的应用研究[J].环境遥感,1990(5):257-265.