论文部分内容阅读
摘要：随着遥感影像的分类理论和技术水平的不断完善，从遥感数据中提取专题类别信息是当前遥感数据最主要的应用领域之一，遥感专题分类图不确定性评价受到越来越多的关注。本文主要研究了如何在Matlab下采用贝叶斯分类器对影像进行分类，并采用基于像元尺度上的分类不确定性评价方法进行评价，最后进行可视化实现。
关键词：遥感影像；像元尺度；不确定性；贝叶斯；精度；可视化
0引言
传统的遥感数据专题分类不确定性的表达和评价方法，包括基于误差矩阵的方法、基于模糊集的方法以及其它各种方法，他们的共同点在于：1）都是将分类不确定性表达在类别尺度上；（2）都需要空间采样过程；（3）这些方法要么需要精确确定参考数据类别，要么需要人为给定采样点参考数据的类别的模糊隶属度；（4）分类不确定性不能可视化表达。像元尺度上的不确定性评价方法可以有效地解决这些问题，避免不确定性评价的偏差，便于可视化表达[1]。本文主要研究对遥感影像图在ERDAS下对进行分类，对分类后的图像用基于像元尺度上的不确定性评价方法进行不确定性评价，并且对评价结果进行可视化。
1 基于像元尺度分类不确定性评价方法及可视化
1.1 基于像元尺度的不确定性评价方法原理
本文用贝叶斯分类器对图像进行分类，对分类的不确定性采用基于像元尺度的评价方法进行研究并实现可视化。用贝叶斯分类器进行分类后，可得到像元x属于某一每一类别的后验条件概率，可以用一个概率矢量来表达：
（1-1）
将概率矢量中的零元素删除，并将其从大到小排序，则有如下的一个概率矢量：
（1-2）
式（1-1）中k是式（1-2）中非零元素的个数，且有
式（1-1）和式（1-2）是对同一最大似然分类过程中生成的概率矢量的不同形式的表达。不同的表达形式便于从中获取不同的不确定性描述指标。
从概率矢量中，可以衍生出许多分类不确定性的测量。在分类过程，像元被分类为式（1-2）中概率矢量第一个元素所属的类别，即最大后验概率。最大后验概率本身可以作为分类不确定性的一个度量。最大后验概率越大，表示分类不确定性越小。或者，可以定義概率残差（probability residual）作为不确定性的度量[2]。概率残差为概率矢量元素的和与概率矢量中最大概率隶属度之差，表达为：
（1-3）
描述分类不确定性的参数主要有为四个：
（1）绝对不确定性（2）相对不确定性（3）混合像元程度（4）证据不完整性
除了以上四个不确定性度量，还可以从概率矢量中得出其它分类不确定性度量。最常用的是概率熵（entropy）。概率熵是一个信息论中的概念，它与一个统计变量不同测量值的不确定性有关，表达统计变量测量值不确定性的分布和范围。
一般在分类时像元的真实类别是未知的，因此判断一个像元所属类别所需要的信息量也是未知的。像元的概率熵可因此定义为反映像元所属类别所需信息的期望的信息内容。这样，熵的度量就用于属于不同类别的后验概率加权的不确定性的和来表示：
（1-4）
概率熵反映了要100%确定像元属于某一类别还需要的信息量，也可以主观地理解为像元属于分类体系中各类别的后验概率的变异程度。当像元属于每一类别的后验概率平均分布时，这些概率矢量等于没有提供关于像元属于哪一类的信息，因此这时分类所需的信息量最大，概率熵达到最大值；当最大后验概率为1时，该像元100%属于最大后验概率所指的类别，不再需要额外信息，这时概率熵达到最小。用概率熵表达分类不确定性的最大优点在于它将整个矢量中所包含的信息总结在一个单一的值。
2 Matlab下遥感影像不确定性评价及可视化试验
2.1 遥感影像分类的流程
本文选取某地区的多波段遥感影像为例来进行试验。
1）首先，进行直方图修正技术使影像具有统一的均值和方差，以部分消除光照条件的影响。
2）在ERDAS下打开图像，对每一类各采12个样本点，记录这48个样本点在1、2、4波段的亮度值。在Matlab软件下利用这些样本点计算出建立贝叶斯判别函数所需的数据。
3）在Matlab下采用贝叶斯分类器来实现对影像的分类。
4）分类后处理，由于分类的精度问题，从最初分类结果上我们会看到很多“噪声”，即分类错误的情况，为了得到更真实的分类结果我们还要对初分类结果进行滤波来消除“噪声”，实验中采用效果比较好的中值滤波来平滑噪声。
5）实现可视化。
2.2 遥感影像的监督分类实验
本次实验的目的是如何通过贝叶斯分类器对图像进行分类，然后采用基于像元尺度的评价方法来实现影像的不确定性评价，最后进行可视化实现。
2.2.1 在ERDAS下采点，记录所需的像素值
在ERDAS下打开要进行分类的遥感图像，即可看到影像大致可分为4类，并可看到影像各个波段的像素值。如图2-1
在ERDAS下可看出本幅图像为885×1545×4的图像，图像一共可分为四类，一共四个波段，按照类别从每一类中采12个样本点，分别记录这48个样本点在1、2、4波段的像元值.
2.2.2用贝叶斯分类器对影像进行分类
1）计算建立贝叶斯判别函数所需的数据，利用全部数据来计算建立贝叶斯判别函数所需的数据。
2）用贝叶斯分类器对影像进行分类，编写贝叶斯分类函数代码，利用贝叶斯分类器对影像进行分类，经过中直滤波处理后，显示出分类结果。
2.2.3可视化实现
在可视化的结果中，颜色越深的地方不确定性越低，即分类的精度较高；颜色越浅的地方不确定性越高，即分类的精度较低。可视化后可以清楚地看出分类中不确定性的大小、分布、空间结构和趋势，能够完整准确地描述和理解遥感信息中的不确定性。
3 结论
本文主要研究了如何在Matlab下利用贝叶斯分类器对遥感影像进行分类，并采用基于像元尺度上的分类不确定性评价方法对分类的不确定性进行评价并可视化。采用静态可视化的方法实现对不确定性的表达，在视觉效果上不如动态可视化更加直观有效。在分类过程中，计算程序较复杂，对matlab软件的掌握还不够熟练，在可视化时程序运行缓慢，时间太长，有待进一步改进。
关键词：遥感影像；像元尺度；不确定性；贝叶斯；精度；可视化
0引言
传统的遥感数据专题分类不确定性的表达和评价方法，包括基于误差矩阵的方法、基于模糊集的方法以及其它各种方法，他们的共同点在于：1）都是将分类不确定性表达在类别尺度上；（2）都需要空间采样过程；（3）这些方法要么需要精确确定参考数据类别，要么需要人为给定采样点参考数据的类别的模糊隶属度；（4）分类不确定性不能可视化表达。像元尺度上的不确定性评价方法可以有效地解决这些问题，避免不确定性评价的偏差，便于可视化表达[1]。本文主要研究对遥感影像图在ERDAS下对进行分类，对分类后的图像用基于像元尺度上的不确定性评价方法进行不确定性评价，并且对评价结果进行可视化。
1 基于像元尺度分类不确定性评价方法及可视化
1.1 基于像元尺度的不确定性评价方法原理
本文用贝叶斯分类器对图像进行分类，对分类的不确定性采用基于像元尺度的评价方法进行研究并实现可视化。用贝叶斯分类器进行分类后，可得到像元x属于某一每一类别的后验条件概率，可以用一个概率矢量来表达：
（1-1）
将概率矢量中的零元素删除，并将其从大到小排序，则有如下的一个概率矢量：
（1-2）
式（1-1）中k是式（1-2）中非零元素的个数，且有
式（1-1）和式（1-2）是对同一最大似然分类过程中生成的概率矢量的不同形式的表达。不同的表达形式便于从中获取不同的不确定性描述指标。
从概率矢量中，可以衍生出许多分类不确定性的测量。在分类过程，像元被分类为式（1-2）中概率矢量第一个元素所属的类别，即最大后验概率。最大后验概率本身可以作为分类不确定性的一个度量。最大后验概率越大，表示分类不确定性越小。或者，可以定義概率残差（probability residual）作为不确定性的度量[2]。概率残差为概率矢量元素的和与概率矢量中最大概率隶属度之差，表达为：
（1-3）
描述分类不确定性的参数主要有为四个：
（1）绝对不确定性（2）相对不确定性（3）混合像元程度（4）证据不完整性
除了以上四个不确定性度量，还可以从概率矢量中得出其它分类不确定性度量。最常用的是概率熵（entropy）。概率熵是一个信息论中的概念，它与一个统计变量不同测量值的不确定性有关，表达统计变量测量值不确定性的分布和范围。
一般在分类时像元的真实类别是未知的，因此判断一个像元所属类别所需要的信息量也是未知的。像元的概率熵可因此定义为反映像元所属类别所需信息的期望的信息内容。这样，熵的度量就用于属于不同类别的后验概率加权的不确定性的和来表示：
（1-4）
概率熵反映了要100%确定像元属于某一类别还需要的信息量，也可以主观地理解为像元属于分类体系中各类别的后验概率的变异程度。当像元属于每一类别的后验概率平均分布时，这些概率矢量等于没有提供关于像元属于哪一类的信息，因此这时分类所需的信息量最大，概率熵达到最大值；当最大后验概率为1时，该像元100%属于最大后验概率所指的类别，不再需要额外信息，这时概率熵达到最小。用概率熵表达分类不确定性的最大优点在于它将整个矢量中所包含的信息总结在一个单一的值。
2 Matlab下遥感影像不确定性评价及可视化试验
2.1 遥感影像分类的流程
本文选取某地区的多波段遥感影像为例来进行试验。
1）首先，进行直方图修正技术使影像具有统一的均值和方差，以部分消除光照条件的影响。
2）在ERDAS下打开图像，对每一类各采12个样本点，记录这48个样本点在1、2、4波段的亮度值。在Matlab软件下利用这些样本点计算出建立贝叶斯判别函数所需的数据。
3）在Matlab下采用贝叶斯分类器来实现对影像的分类。
4）分类后处理，由于分类的精度问题，从最初分类结果上我们会看到很多“噪声”，即分类错误的情况，为了得到更真实的分类结果我们还要对初分类结果进行滤波来消除“噪声”，实验中采用效果比较好的中值滤波来平滑噪声。
5）实现可视化。
2.2 遥感影像的监督分类实验
本次实验的目的是如何通过贝叶斯分类器对图像进行分类，然后采用基于像元尺度的评价方法来实现影像的不确定性评价，最后进行可视化实现。
2.2.1 在ERDAS下采点，记录所需的像素值
在ERDAS下打开要进行分类的遥感图像，即可看到影像大致可分为4类，并可看到影像各个波段的像素值。如图2-1
在ERDAS下可看出本幅图像为885×1545×4的图像，图像一共可分为四类，一共四个波段，按照类别从每一类中采12个样本点，分别记录这48个样本点在1、2、4波段的像元值.
2.2.2用贝叶斯分类器对影像进行分类
1）计算建立贝叶斯判别函数所需的数据，利用全部数据来计算建立贝叶斯判别函数所需的数据。
2）用贝叶斯分类器对影像进行分类，编写贝叶斯分类函数代码，利用贝叶斯分类器对影像进行分类，经过中直滤波处理后，显示出分类结果。
2.2.3可视化实现
在可视化的结果中，颜色越深的地方不确定性越低，即分类的精度较高；颜色越浅的地方不确定性越高，即分类的精度较低。可视化后可以清楚地看出分类中不确定性的大小、分布、空间结构和趋势，能够完整准确地描述和理解遥感信息中的不确定性。
3 结论
本文主要研究了如何在Matlab下利用贝叶斯分类器对遥感影像进行分类，并采用基于像元尺度上的分类不确定性评价方法对分类的不确定性进行评价并可视化。采用静态可视化的方法实现对不确定性的表达，在视觉效果上不如动态可视化更加直观有效。在分类过程中，计算程序较复杂，对matlab软件的掌握还不够熟练，在可视化时程序运行缓慢，时间太长，有待进一步改进。