对于遥感图像分类方法的研究与精度评定综述对于遥感图像分类方法的研究与精度评定综述摘要：从遥感图像分类方法的基本原理入手,介绍了遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的精度评定做了一些介绍。关键词：遥感图像/图像分类/精度评定0引言遥感分类，即遥感模式识别，是把一个像素区分为某一地物类别的过程[1]。遥感图像分类方法通常分为两大类，即监督分类与非监督分类。非监督分类是指在缺乏先验类别知识的情况下，只根据本身的统计特性进行分类，监督分类是根据已知的先验知识（一般由一组样本数据提供），找出各类的特征，根据这些特征对未知像素进行分类[2]。遥感技术广泛应用的重要途径之一就是遥感图像分类，分类的精度直接影响遥感数据的应用水平和实用价值。非监督分类的方法相对简单一些，但精度差；而监督分类有先验知识做指导，精度相对较高，但是需要地面采样，成本比较高[3]。1遥感图像分类原理通常我们所指的遥感图像是指卫星探测到的地物亮度特征，它们构成了光谱空间，每种地物有其固有的光谱特征，它们位于光谱空间中的某一点，但由于干扰的存在，环境条件的不同，例如：阴影，地行上的变化，扫描仪视角，干湿条件，不同时间拍摄及测量误差等，使得测得的每类物质的光谱特征不尽相同，同一类物质的各个样本在光谱空间是围绕某一点呈概率分布，而不是集中到一点，但这仍然使我们可以划分边界来区分各类[4]。因此，我们就要对图像进行分类，图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数，将特征空间划分为不相重叠的子空间，进而把影像内诸像元划分到各子空间去，从而实现分类[5]。2遥感图像分类遥感图像分类主要有两种途径：一是监督分类与非监督分类：二是遥感数字图像的计算机分类。2.1监督分类与非监督分类监督分类是在我们对遥感图像上样本区内地物的类别已知的基础上，把这些样本类别的特征当做来识别非样本数据的类别的依据。所谓监督分类就是根据我们知道的判别类别和样本类别的经验知识，确定出判别函数以及判别准则，其中利用一定数量的已知类别的样本观测值把待定参数求解出来的过程称之为训练或学习，然后把未知类别的样本的所有观测值代入到这个函数中求出的判别函数，再根据相应的判别准则对该样本的所属类别做出判定。非监督分类(UnsupervisedClassification)是一种无先验（已知）类别标准的图像分类是利用不同影像中地物在特征空间中类别特征的差别作为依据的分类，它是以集群为理论作为基础，用计算机对图像进行集聚统计分析的分类方法。可以根据待分类样本特征参数的统计特性，建立起一定的决策规则并用来进行分类。它不需要事先知道类别的特征。它把各样本的空间分布按其一定的相似性进行合并或分割成一群集，每一群集代表着各自的的地物类别，它需经实地进行调查或则与已知类型的地物相互比较才能够确定出，它是模式识别的一种分类方法。2.2遥感数字图像的计算机分类2.2.1神经网络分类法该方法利用计算机模拟人类学习的过程，使得分类趋于人脑化和自动化，也使得遥感图像分类更趋于人类的思维。神经网络分类，可以在一定程度上消除传统遥感分类所带来的模糊性和不确定性。神经网络方法一是用于遥感图像目标地物特征抽取与选择，二是用于学习训练及分类器设计。近年来，不同学者分别提出应用网络、Hopfiled网络（用于优化）Kohonen网络（用于非监督分类）,径向基函数神经网络和小波神经网络。神经网络分类法是属于严格“非参”的，不需要任何关于统一分布的先验知识，但其分类精度依赖于网络训练样本的选取和网络的拓扑结构。同时，网络拓扑结构的选择还缺乏充分的理论分析，这在一定程度上也限制了神经网络的发展[7]。2.2.2模糊分类法模糊分类的关键是确定像元的隶属度函数。它是一种典型的“软”分类器。目前，模糊分类器主要包括以模糊集合理论为基础的模糊统计分类，神经计算技术为基础的人工神经网络模糊分类，基于知识的模糊分类等分类方法。关于模糊分类这方面的研究实例还不多，还有一系列问题有待于进一步探讨，但其进行遥感图像处理是完全可能的，且具有广阔的应用前景[8]。2.2.3专家系统分类法专家系统就是把某一特定领域的专家知识输入到计算机中，辅助人们解决问题的系统。遥感图像解译专家系统就是利用解译专家的经验和方法进行解译专家的经验和知识以某种形式形成知识库。该分类方法在分类时需要建立复杂的知识库。2.2.4支持向量机SVW分类法支持向量机是在统计学习理论VC维理论和结构风险最小化原理基础上发展起来的一种新的模式识别方法,它能够较好地解决小样本学习,非线性及高维模式识别。许多实验证明，SVM的分类精度都较高，它是分类中的一个新方法。但由于统计学习理论从发展到比较完善和被广泛重视到