云理论下的遥感影像分类方法分析

云理论下的遥感影像分类方法分析

欧泽强

广东省国土资源测绘院广东广州510000

摘要：基于云理论的遥感影像分离方法，主要具有理论兼容模糊性、随机性等特点。其可利用逆向云发生器进行云模型的生成制作，结合相应的云数字特征进行定量数据分析。还可以在特定事件发生背景下进行遥感影像隶属性的分析判断，达到良好的遥感影像分类结果。本文以现阶段云理论在遥感影像分类不确定性问题处理方面的优势，从浮动云、评语云、正态云三个方面对云理论下遥感影像分类方法进行了分析。

关键词：云理论；遥感影像分类方法；分析

前言

云主要是基于定性概念及定量表示建立的定性与定量不确定性转换模型，其主要依据人们对客观事物的认识规律，即模拟不确定性及随机不确定性，通过将相关不确定性因素进行有机整合。从而实现定性定量间的有效映射。云理论在实际数值领域空间中并不进步明确隶属性，其具有无边界、集合不定的特点。而为了保证遥感图像分类这一不确定问题得到有效结合，对其云理论模型进行深入探究就变得非常必要。

一、云理论下遥感影像分类方法应用优势

现阶段在计算机领域，知识发现及数据挖掘成为研究重点，而在计算机数据挖掘过程中人们对于数据挖掘算法的知识表达及不确定性推理有了进一步的认识。在人工智能的背景下，云理论下的数据挖掘计算机主要包括随机性研究、模糊性分析两个方面，而作为模拟理论中主要隶属函数的模拟集合，主要工作核心是对相关模糊概念隶属函数的精确评估。针对这一问题，我国研究人员在以往模拟集合理论的基础上，提出了定性定量不确定转化的模式。即在云模型的基础上，将熵作为整体数据概况模糊性，从而有效的对云的离散程度进行了分析。在实际研究过程中，通过云理论模型的设置，可对二维数组的遥感图像进行有效分析，为整体遥感影像的准确分类提供依据。

二、云理论下遥感影像分类方法探究

1.基于浮动云的遥感影像分类

相较于基础正态云遥感影响分类模式而言，基于浮动云的遥感影像分类，主要是利用相关影像的突出特征，对整体地物云模型进行浮动云集中运算。基于浮动云的遥感影像分类方法，可以假定整体算法具有确定的定期期望值，然后在两朵基云以上的数字特征进行浮动云期望值的验证，最后根据相应的基础云数字特征得出熵、超熵的值。在具体浮动云遥感影像分类过程中，首先需要进行各类地物波段灰度值的提取，将其作为训练样品利用逆向云发生器进行各类地物波段云模型的构建。在不同地物浮动云模型生成过程中，需要在逆向云反应器进行某类地物波段训练样本数、样本矩阵的输入，在这个基础上将同样类型及波段的云模型数字特征进行输出，形成相应类型及波段云模型之后，进行各类地物浮动云模型分析。在实际处理过程中需要对各个波段权值进行确定分析，从而形成带有明确数字特征的地物浮动云模型；其次利用浮动云理论对相应波段的正态云模型进行逐步核算，为各类地物浮动云模型的生成提供依据。在各类地物浮动云模型生成之后，可依据浮动期望计算公式进行待分类影像像元波段灰度值的输入，以综合后灰度为依据进行X条件下云计算发生器各类地物隶属度的计算[1]。利用X条件进行云发生器相关影像像元相对于各类地物浮动云特性的分析，需要进行一定的确定度确定。即将分类影像相应像元波段灰度值进行输入，然后对某个确定类型地物进行隶属度规定，依照整体浮动云期望算法应用特点，可将待分类地物波段灰度值进行综合分析，并将上述综合审计后的数值作为相应条件下逆向云发生器的初始计算模式，从而确定相应地物的隶属度情况；最后结合各类地物隶属度变动情况季羡林各类影像分类选择器的极大判定。在最大判定法应用过程中，可在各类地物云模型内部，对待测影像综合像元的确定度进行对比分析，并选择确定度较大的地物类别为分类标准。

2.基于正态云的遥感影像分类

正态云模型在遥感影像分类中属于基础形式的分类模型，其主要利用定性语言描述的方式将整体数据进行普适正态分布。在实际应用中正态云遥感影像分类模型主要用于人们客观事故认知环节的云期望曲线、论域空间等与正态分布态势类似的情况。在正态云遥感影像分类过程中，首先需要进行数据变换，即通过遥感影像主成分——遥感影像共生矩阵特征提取——遥感影像训练数据集生成等环节，得到整体的遥感影像训练数据集方案。遥感影像主成分分析主要是将相关影像中所有波段的信息进行集中分析，将相应波段信息均匀分布在主分量数据之后，可将多个维度及光谱的影像数据信息进行有效分量影像压缩处理，从而有效进行波段信息利用，提高整体影像分类精度[2]。而在遥感影像特征提取过程中，主要为遥感光谱特征、遥感纹理特征两个方面，针对遥感光谱特征分析环节无法有效区分影像灰度值相似的情况，因此可综合采用相关影像的遥感纹理特征、遥感光谱特征两个方面的测定。在实际遥感影响特征提取环节，主要利用灰度共生矩阵对整体遥感影像纹理特征参数进行综合估测，即选择角二阶矩、熵、对比度、逆差距、相关性等特征确定相关影响的具体纹理特征。

其次基于逆向云发生器进行相关地物类别正态云模型的制备，在实际操作过程中需要注意逆向云发生器的特征，保证各类地物云模型与实际情况相符。逆向云发生器主要是将定量转为定性的间接映射分析方式，在实际计算环节需要将整体地物类别正态云模型位于数值领域空间隶属的论域空间内，即将相应的数值转化为具有云特征的数值，以此表示相应数据控制内数据云运行状态；再次利用地质背景条件在云发生器上进行单一影像单元标准确定度评估；最后利用极大判定的方法选择合理的遥感影像分类标准。

3.基于评语云的遥感影像分类

在实际应用中，评语云需要结合虚拟云的相关理论，进行遥感影响分类。即在实际应用中主要依据基云数字特征，在相应影像应用目标的指导下，经获得的计算数值作为初始数据模型。通过将论域上的原子概念转换为相应的语言变量，可对相应基云进行定义，实现对应空间数据软规划。在整体论域空间内，主要以某个空间概念浮动基云为依据，将任意语言原子进行空间映射[3]。在这个基础上，综合采用逻辑运算、语气运算、代数统计等方面，获得最终的数据分析模型。在实际应用中，评语云理论下的遥感影像分类，首先需要进行地物类别的云概念转化。在地物内概念化分析过程中主要以定性语言为依据，通过对影像类别的明确划分可为待分类地物特征模型的确定打下基础。在实际遥感影像分类中可将其分为菜地、农田、居民等几种类型，结合相应的定性分类取值可获得具体数据评估特征；其次需要进行待分类像元各地物的纹理特征生成，对相应地物纹理特征综合分析后需要进行正态云模型的构建；其次结合各类正态云模型特征，进行对应地物浮动云的生成；最后对相关待分类影像的像元分类结果进行统一估测。

总结：

综上所述，在遥感技术及计算机技术的发展进程中，基于云理论的遥感图像分类技术在遥感影像分类中发挥了优良的作用。而基于云理论的遥感影像分类方法也成为现阶段我国影像分类研究的主要方面。现阶段，云理论下的遥感图像分类方法主要有正态云、评语云、浮动云等几种模式，其主要针对云理论应用过程中的模糊不确定性，采用定性定量转化模型的方式有效的提高了影像分类精度。

参考文献

[1]黄冬梅，陈珂，王振华，等.利用空间抽样理论的遥感影像分类结果精度评价方法[J].计算机应用与软件，2016，33（7）：190-194.

[2]许广军，吴玉炜，周智明.应用遥感影像分类方法的土地利用情况分析[J].科技资讯，2016，14（4）：12-13.

[3]张莹.遥感影像监督分类和非监督分类方法探讨[J].科学技术创新，2016（2）：79-79.