论文摘要
采样是遥感图像监督分类的基础，样本的质量会直接影响遥感图像分类结果的质量，因此对样本进行质量评价，从而得到关于样本的不确定性描述是非常必要的，目前对于样本的评价大多是基于统计的，通常，样本点是凭先验知识和经验获得的。在相同采样模式和样本量的前提下，一组作为训练分类器的样本数据集的“真实效用”如何，只能经过分类之后才能进行相应的验证和评价，即在这组样本数据集中，能够全面体现光谱特征，保证分类质量和效果的样本数据集只有在分类之后才能知晓。如何在分类之前，度量样本数据，指导和优化分类过程是一项有意义的工作。本文基于粗糙集理论提出通过计算“纯度”来度量样本数据质量。另一方面，传统的遥感图像分类方法一般都是基于光谱信息，影像中丰富的空间结构信息和空间自相关信息并没有能够充分利用起来，虽然目前已经有了一些新的方法利用空间结构信息和空间自相关信息来进行分类，比如纹理，上下文等等，但这些方法都有其一定的局限性。作为一种新兴的归纳学习方法，粗糙集理论以其“不需对数据的任何先验假设”、“可提供非完备，非协调等不确定性知识获取方法”、“所获知识具有较好的直观可理解性”等显著优势获得人们的广泛关注。本文将将粗糙集理论引入到样本评价中。另一方面，近年来，渐渐发展起来的多点地质统计学使用训练图像（Training image）来代替变差函数表达地质变量的空间结构，因而能够克服传统地质统计学不能再现目标几何形态的不足。同时由于该方法仍然以像元为模拟单元，而且采用序贯非迭代算法，能够忠实于硬数据（采样数据），速度也优于基于目标的随机模拟算法。所以，多点地质统计学能够很好的用于复杂几何形态地物的建模而且还有更好的计算速度。本文在讨论遥感图像分类过程、多点地质统计学和对现有样本评价指标总结的基础上，提出了一种新的样本评价方法和一种新的遥感分类方法。主要研究内容及成果有：1．使用粗糙集理论来评价遥感图像分类中的样本质量。首先本文使用对目前常用的一些样本评价方法进行了讨论，特别是重点讨论了巴氏距离和散度；然后提出使用粗糙集理论计算样本中每个类别以及整体的“纯度”来评价样本，最后通过实验将该指标同巴氏距离进行了对比，最后得出两者在统计意义下存在一定的线性关系。这一评价方法从不同于传统统计方法的角度来评价遥感图像分类中的样本质量。2．提出新的遥感图像分类方法MLC+MPS，在现有的基于光谱信息的遥感图像分类方法的基础上，使用多点地质统计学和数据融合方法将空间结构信息也引入到分类过程中。该分类方法首先使用最大似然分类对遥感图像进行分类；接着利用多点地质统计学利用空间结构信息进行分类，对于每个像元，两个分类器都能生成一个概率矢量；最后可以使用数据融合方法将两者融合起来，从而得到了遥感图像的分类结果。本文通过两个例子对新算法进行了讨论，并且实验结果证明新算法能够提高分类精度。