关键词：浅谈 遥感图像 最大似然分类方法 EM改进算法
和神经网络等非参数法，参数化密度分布模型作用下的最大似然分类方法更具优势，在遥感图像分类中起到关键性作用。与此同时，随机性、复杂化、离散等是遥感信息统计分布中呈现的主要特征[1]，直接影响遥感图像分类的精准性，要在应用遥感图像最大似然分类方法过程中针对实际情况，对EM算法进行科学化改进，解决遥感图像分类问题，促使遥感图像分类更加精准，提高各类遥感图像的应用价值。
一、基于遥感图像最大似然分类方法的EM改进算法
MLC是参数化密度分布模型作用下最大似然方法的英文简称，经应用到遥感图像监督以及分类中，优势作用体现在多个层面，可以利用密度分布函数解释遥感图像的分类结果，在确定参数的基础上MLC计算简单化等，但遥感图像信息分布复杂、离散且不具有规律性，MLC在应用中存在一定的缺陷，会让分类之后的遥感图像不符合地区实际情况。在此过程中，EM算法就是在不完整的信息数据中找寻局部的极大似然估计，常被应用到估计混合密度模型参数中，包括提取空间特征、挖掘空间数据、融合多源数据等层面[2]。EM算法实际上就是迭代算法，在处理完整数据的基础上有效解决不完整数据应用中呈现的问题，合理改进EM算法的同时将EM-MLC这一方法巧妙应用到遥感图像分类中。在应用EM-MLC方法过程中，针对实地调查中获取的相关经验，结合土地利用图、目视解译方法，选取有着类别标号的遥感图像，在控制好图像数量的基础上形成对应的样本数据集，根据遥感图像中地物覆盖、分布的难易程度选取没有标号的样本数据，也可以随机选取，形成对应的补充样本数据集，设置不同密度分布作用下需要估计的参数，类别不同的均值向量、比例等都包括其中，通常借助有着标号的样本数据集，明确不同参数初始值。随后，在EM迭代运算的基础上估计类别不同的最大似然函数参数，获取类别不同的最大似然参数，在遥感图像中以逐点的方式读入未知的样本，利用BAYES准则以及判别公式，明确未知样本的属性，在纠正、完善的基础上确保遥感图像分类更加科学、规范。
二、基于遥感图像最大似然分类方法的EM改进算法实例探究
1、实验区域以及数据准确
以香港岛地区为例，地势陡峭且崎岖，丘陵以及山地特别多，由北向南地形逐渐降低，近海区域是呈带状的平地。该岛山坡上覆盖的植被较多，建筑物大都是观光建筑、私家住宅，包括多中地物，草地、森林、水体、道路等。应用到实验中的遥感资料属于Land-sat-TM数据，遥感图像的大小是400行X600列，遥感图像的空间分辨率是30米左右，大约覆盖220平方千米。与此同时，应用到实验中的波段不能单一，其中的蓝色波段是CH1，绿色波段是CH2，红色波段是CH3，近似红外波段是CH4，中红波段包括1.55到1.75um的CH5以及2.08到2.35um的CH7。
2、实例具体分析
在实地调查该实验区域基础上以土地利用图为切入点，合理划分该区域内的土地覆盖，海水体、陆地水体、城区、裸露地、城市绿地、林地、稀疏植被以及沙滩依次为C1、C2、C3、C4、C5、C6、C7、C8，建筑工地、填海地等都属于裸露地，草地或者灌木为稀疏植被，城市绿地就是指公园。在该区域遥感图像上面随机选取多个训练样本以及测试样本，分别为840个、400个。利用MLC这一最大似然方法，合理分类的同时进行规范化实验，测试样本的同时获取测试的整体精准度，即82.84%，在分析基于测试误差的矩阵基础上分类该实验区域的遥感图像，获取最大似然方法作用下有着鲜明普遍性特征的图像分类结果。相应地，下表是遥感图像分类中选取训练样本以及测试样本的具体情况。
.png)
在没有标号的遥感图像样本数据集中应用EM-MLC方法，根据一定的行列距，在该区域遥感图像上采集对应的样本数据，也可以该区域各类地物的复杂性，针对性采集所需的样本数据，确保其呈现出普遍、均匀以及多样的特点，要以改进后的EM算法为基础，以遥感图像的最大似然分类方法为导向，控制好采集的样本数量，同步提高数据计算的速度以及遥感图像分布的准确性。在此过程中，选取总共选取没有标号的样本数据1000个，进行合理化EM迭代计算，分别获取该区域内不同土地覆盖的似然函数参数集，再根据BAYES最大似然辨别准则[3]，合理划分该区域内土地覆盖类别。随后，借助一样的测试样本，进行针对性测试，遥感图像分类中的整体精准度达到87.99%，和应用EM-MLC方法之前相比，精准度明显提高，即5.15%，在把握测试的误差矩阵基础上合理分类关于该区域的遥感图像。在对比、分析中发现和一般MLC方法相比，EM-MLC方法作用下的该区域内各类土地覆盖和实际情况更加吻合。在区分城市以及水体方面，利用EM-MLC方法可以准确区分香港湾仔地区的港湾水体及其附近的城市，避免将其混为一谈，精准识别较小的水库，避免将其当作城市区域。在区分水体以及沙滩方面，利用EM-MLC方法合理划分该区域内的沙滩，准确把握水体、沙滩二者间的过渡带，防止混淆沙滩以及浅水滩。在区分裸露地以及沙滩方面，该区域内很多裸露地性质相似度较高，比如，天海区、沙滩，利用EM-MLC方法科学纠正该区域内土地覆盖划分。
三、结语
总而言之，基于遥感图像最大似然分类方法的EM改进算法在实际应用中有着重要的现实意义，在具体问题具体分析的基础上科学改进EM算法，灵活应用EM-MLC方法，优化遥感图像分类各环节的同时控制好偏差，提高分类结果的精度，促使分类之后的遥感图像更好地应用到地区建设发展中。
参考文献：
[1]张军,张敏,郝小可,解鹏.基于多尺度特征融合的中分辨率遥感场景分类算法[J].河北大学学报(自然科学版),2019,39(06):666-672.
[2]谢婉婷,谷伟.基于Bootstrap中位数—方差估计方法的改进EM算法的VaR度量及实证[J].现代商业,2018(24):164-165.
[3]夏绥丹.数字图像处理技术在遥感图像分类中的应用[J].中国新通信,2019,21(15):162-162.
论文作者:许光
论文发表刊物:《城镇建设》2020年1月第2期
论文发表时间:2020/4/14
标签：遥感论文; 图像论文; 方法论文; 样本论文; 算法论文; 基础上论文; 数据论文; 《城镇建设》2020年1月第2期论文;