數字圖像的恢復、增強,乃至復合處理,歸根到底只是改善圖像的品質,提高圖像的可解譯性。但處理系統(計算機)並未對圖像上地物的類別作出“判決”(解譯)。由計算按壹定的判別模式來自動完成這壹“判決”,便是圖像分類處理的過程。
圖像分類處理的最終目標是智能化,使遙感圖像處理發展成為壹種人工智能系統。廣義的分類處理,既包括波譜信息的分類,也包括空間信息的分類。後者壹般包括圖形識別、邊緣和線條信息的檢測與提取,以及紋理結構分析等,通常也稱圖像的空間信息分析。關於這壹部分對於地質工作者顯然感興趣的內容,可參閱文獻[3]等著作。限於篇幅,這裏僅介紹按波譜信息分類的基本概念。
(壹)圖像分類的依據
壹般來說,同壹類地物有著相似的波譜,在多波段遙感的數字圖像中,可以粗略地用它們在各個波段上的像元值的連線(亨利曲線)來表示(圖4-29A);由於受光照條件、環境背景等因素的影響,在實際的多維波譜空間中,它們的像元值向量往往不是壹個點,而是呈點群分布(集群),不同地物的點群處在不同的位置(圖4-29B);不僅如此,在實際圖像中,不同地物的波譜集群還存在有交叉過渡,受圖像分辨力的限制,壹個像元中可能包括有若幹個地物類別,即所謂“混合像元”。因此,對不同集群的區分壹般要依據它們的統計特征(統計量)。例如,集群位置用均值向量表示、點群的中心及離散度常用標準差或協方差來量度等等;數字圖像常用的幾種統計量見表4-4。
圖4-29 索爾頓湖和因佩裏亞谷地陸地衛星MSS數字圖像上主要幾種地物的光譜反射比曲線和集群分布
表4-4 數字圖像常用的統計量
圖像分類處理的實質就是按概率統計規律,選擇適當的判別函數、建立合理的判別模型把這些離散的“集群”分離開來,並作出判決和歸類。通常的做法是,將多維波譜空間劃分為若幹區域(子空間),位於同壹區域內的點歸於同壹類。子空間劃分的標準可以概括為兩類:①根據點群的統計特征,確定它所應占據的區域範圍。例如,以每壹類的均值向量為中心,規定在幾個標準差的範圍內的點歸為壹類;②確定類別之間的邊界,建立邊界函數或判別函數。不論采取哪種標準,關鍵在於確定同壹類別在多維波譜空間中的位置(類的均值向量)、範圍(協方差矩陳)及類與類邊界(判別函數)的確切數值。按確定這些數據是否有已知訓練樣本(樣區)為準,通常把分類技術分為監督和非監督兩類。
(二)非監督分類
非監督分類是在沒有已知類別的訓練數據及分類數的情況下,依據圖像數據本身的結構(統計特征)和自然點群分布,按照待分樣本在多維波譜空間中亮度值向量的相似程度,由計算機程序自動總結出分類參數,進而逐壹對像元作歸類,通常也稱聚類(集群)分析。使用的方法有圖形識別、系統聚類、分裂法和動態聚類等。
其中,比較實用的是動態聚類。它是首先根據經驗和分類數,選定若幹個均值向量,作為“種子”,建立壹批初始中心,進行初步概略的分類,然後根據規定的參數(閾值)檢驗分類結果,逐步修改調整分類中心,再重新分類,並根據各類離散性統計量(如均方差等)和不同類別之間可分離性統計量(如類間標準化距離等),進行類的合並或分裂;此後再修改中心,直至分類結果合理為止。動態聚類中,聚類中心和分類數可以按客觀的波譜特征自動調整,分類效果壹般比較好,但分類結果的確切含義(類別的屬性)需另作分析,從實況調查或已有的地面資料中去確定它們的地物類型。
非監督分類由於事先不需訓練樣本,故處理速度較快,較客觀,並能為監督分類的訓練樣區選擇提供參照,壹般在有目的的監督分類之前進行。
(三)監督分類
監督分類壹般是先在圖像中選取已知樣本(訓練區)的統計數據,從中找出分類的參數、條件,建立判別函數,然後對整個圖像或待分類像元作出判別歸類。遙感圖像處理中常用的監督分類方法有最小距離法、費歇爾線性判別法、貝葉斯線性和非線性判別法(最大似然法)等。
其中,最小距離法在算法上比較簡單:首先在圖像顯示屏上選出訓練樣區,並且從圖像數據中求出訓練樣區各個波段的均值和標準差;爾後再去計算其它各像元的亮度值向量到訓練樣區波譜均值向量之間的距離。如果距離小於指定的閾值(壹般取標準差的倍數),且與某壹類的距離最近,遂將該像元歸為某類。該分類法的精度取決於訓練樣區(地物類別)的多少和樣本區的統計精度。由於計算簡便,並可按像元順序逐壹掃描歸類,壹般分類效果也較好,因而是較常用的監督分類方法。
最大似然法也是常用的監督分類方法之壹。它是用貝葉斯判別原則進行分析的壹種非線性監督分類。簡單地說,它可以假定已知的或確定的訓練樣區典型標準的先驗概率,然後把某些特征歸納到某些類型的函數中,根據損失函數的情況,在損失最小時獲得最佳判別。該法分類效果較好,但運算量較大。
監督分類的結果明確,分類精度相對較高,但對訓練樣本的要求較高,因此,使用時須註意應用條件,某壹地區建立的判別式對別的地區不壹定完全適用。此外,有時訓練區並不能完全包括所有的波譜樣式,會造成壹部分像元找不到歸屬。故實際工作中,監督分類和非監督分類常常是配合使用,互相補充的。
圖像分類處理目前在農林、土地資源遙感調查中應用較廣。對於地質體的分類,由於幹擾因素較大,不容易取得十分理想的效果,故在地質應用上尚不很普遍。但最近已陸續出現了壹批使用分類技術的遙感地質應用成果,較多的是用經變換(比值、K-L等)處理的圖像再作分類處理,用於巖性填圖或熱液蝕變填圖等,是值得重視的發展方向。