遥感信息专题分类不确定性的可视化研究.pdf
张英杰
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
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。
从概率矢量中，可以衍生出许多分类不确定性的测量。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，可以定义概率残差（probabilityresidual）
作为不确定性的度量[2]
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。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%屬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。
1.2 不确定性的可视化表达
遥感分类信息中都存在着不确定性， 如果仅仅对其进行不确定性程度上的数学度量， 而忽略其在空间域和时间域上的分布特征， 则很难完整准确地描述和理解遥感信息中的不确定性[11]。从视觉感知角度表现不确定性信息是不确定性建模的重要组成部分， 而利用现有的计算机可视化技术来表达遥感分类信息的不确定性则是一种直观有效的方法， 可以更加完整地理解遥感数据及其分类信息中不确定性的大小、分布、空间结构和趋势。不确定性可视化技术分为静态可视化、动态可视化和特征可视化三种类型[12]。在本文中我们采用直观明确的静态可视化来进行试验。
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。由于全色遥感影像是级数为256的灰度影像，其特点是影像数据量小，包含的信息也相对的较少，但它相应的优点就是每一幅影像其实就是一个大的矩阵，矩阵的维数对应于影像的长度和宽度值，矩阵中的每一个数值（0～255）对应于影像中每个像素的亮度值。正因为全色影像具有诸多优点使得它很容易进行计算机处理。处理的流程为：
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）针对分类结果进行精度评定。
6）采用基于像元尺度上的方法进行不确定性评价。本次实验采用概率熵来进行不确定性的度量。
7）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。
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。
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。本文所做的工作主要包括以下几点：
1）在Erdas下选取样本点，计算贝叶斯分类所需要的参数。本文对菜地、房屋、农田1和农田2四类地物样本分别选取样本点，然后在Matlab下利用样本点的像素值计算贝叶斯分类所需的各个参数，作为分类的基础。
2）在Matlab下实现遥感影像的分类，采用贝叶斯分类器将遥感影像分为菜地、居民地和农田，获取图像中每一个像元属于每一类的概率值。
3）完成遥感影像的分类后处理工作，对分类结果采用中值滤波进行去噪处理。
4）采用基于像元尺度的评价方法对分类的不确定性进行评价。本文采用概率熵参数来实现不确定性评价。
5）对评价后的结果采用静态可视化的方法进行可视化，以图像的形式显示出来。
本文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。
参考文献：
[1] 章孝灿等. 遥感数字图像处理[M].第一版. 杭州：浙江大学出版社，1997.
[2] 李爽，丁圣彦等. 遥感影像分类方法比较[J].铁路航测，2003.
