毕业论文课题相关文献综述
文 献 综 述
1.1遥感技术研究背景
遥感技术作为一种综合性探测技术，其发展是一个漫长而艰辛的积累过程[1]。其大致分为三个阶段：第一阶段从1840年到1850年中后期的有记录的地面遥感阶段；1858年到1956年期间是空中遥感摄影的蓬勃阶段；从1957年起，在摄影技术和空间运载工具的发展下，人类进入了航天遥感阶段，遥感技术随之进入了一个崭新的时期，取得了重大进步。它根据不同物体对电磁波谱产生不同相应的原理，识别地面上各类地物，具有遥远感知事物的含义。遥感经过了几十年的迅速发展，它已经广泛应用于资源环境、水文、气象、地质、地貌等领域。遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义[2]。
1.2 遥感影像分类方法的研究目的和意义
遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的[3]。目前遥感图像分类方法繁多而且种类杂乱，从不同的角度有不同的分类方法，最常见的监督和非监督分类，这是根据是否需要分类人员事先提供已知类别及其训练样本对计算机分类器进行训练和监督来划分，非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识[4]。非监督分类由于不能确定类别属性。因此直接利用的价值很小，研究应用也越来越少。从传统的基于贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然说这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。其次有参数分类和非参数分类，这是根据是否需要假定类的概率分布函数并估计其分布参数来划分。随着遥感技术的发展，传统的非监督分类方法已经难以满足分类精度需求，基于智能算法的非参数分类方法得到了迅速发展，并在遥感影像分类中发挥着重要作用。近年来，组合分类器由于能够利用单一分类器的互补信息，成为了遥感影像分类的一个新热点。
在遥感分类中，有两种分类方法：第一种是象元光谱分类法，即只利用象元的光谱特征对各象元进行分类。这种分类方法是现阶段比较简单的分类方法，也是计算集机分类中用的比较多的一种。这种方法实现比较简单，但是由于仅仅只运用了遥感图像的象元光谱特征这一种性质，而遥感图像中反映的其他大量的信息都被忽略，所以分类的精度不是很好，应用前景不是很广泛。第二种是面向对象分类法。这种分类方法不仅是考虑到象元的光谱特性，而且同时也考虑到象元的空间关系，使得计算机在分类的时候能够收集到更多的信息[5]。面向对象分类法在这几年发展很快，出现了很多新的方法，例如：神经网络法、支持向量机SVM分类法、专家分类法。同时，为了使分类精度提高，还引进了小波分析思想、分区分类思想等[6]。
分类方法可以分为统计决策法(判别理论识别法)模式识别和句法模式识别[7]。统计决策法模式识别指的是: 对研究对象进行大量的统计分析, 抽出反映模式的本质特点、特征而进行识别。主要的有监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇判别准则法和非监督分类中的按批修改的逐步聚类法、等混合距离法[8]。此外还可以将两者结合起来, 互相补充以获得较好的效果。句法模式识别则需要了解图像结构信息, 从而对其进行分类。无论是监督分类还是非监督分类， 都是依据地物的光谱特性的点独立原则来进行分类的，且都是采用的统计方法[4]。该方法只是根据各波段灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元很多是混合像元，带有混合光谱信息的特点，致使计算机分类面临着诸多模糊对象，不能确定其究竟属于哪一类地物。而且，同物异谱和异物同谱的现象普遍存在，也会导致误分、漏分情况的出现，因此人们不断尝试新方法来加以改善和提高遥感图像分类的效率和质量[9]。
这些新方法主要有决策树分类法、综合阈值法、专家系统分类法、多特征融合法、神经网络分类法以及基于频谱特征的分类法等[7]。此外，国内外还新出现了很多分类方法如人工神经网络分类法（Artificial Neural Network）、模糊分类法、支撑向量机分类法（Support Vector Machine）、决策树分类法（Decision Tree Classifier）以及亚像元分类法（sub pixel classification）[10]。
1.3 目前国内外研究现状
在国外，在遥感图像处理领域卓有成效的有美国ERDAS公司推出的ERDAS imagine、加拿大ERM公司研制的ER Maper、新加坡3-link公司的ENVI等。这些商用软件通常提供基础级（Essentials）、高级（Advantage）和专用级（Professional）三级模块软件[11]。在专业级遥感图像处理模块是在其他两级的基础上，增加用于遥感与地理分析专业的综合工具，如分类技术、雷达分析、可视化空间建模工具等。特别是ERDAS imagine不仅具有常用的监督和非监督分类技术，而且具有像元分类器及结合专家系统的专家分类器。子像元分类模块是功能强大的多光谱图像研究工具，具有较高水平的光谱区分能力和分类精度。专家分类器通过建立系统，既充分利用光谱信息，又将空间关系信息（纹理特征）引入，并且需要建立并运行复杂的推理机制，从而生成土地利用覆盖图和其他信息类别。因而除了该软件具有相当高的价格外，对软件使用者的地学知识和经验以及建模能力有相当高的要求[12]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
