1、B的 像.占xJZh 7統/一 計一 學.1nnn丄多一點.地.統.計.的.分.類.旦處.理.多點地.統計中-，-訓練圖像描述了-對-真實場景分布一的-S種.潛.在-的.表.現一形.式.，-是一對.所.期.望.獲.得.場一景一的一種-模一擬-訓-練一圖一像一代-替一丄傳一統一地一統一計.學-中變異函數，一為模擬結一果提供先驗一知識一多點地統一計-利-用分-類一后的圖像所提供一的一空間信一息來推一斷一各一類一別一間的一分布一關一系一和一空一間一依一賴一，一然一后一通一過模擬的方法一重現類別一分布根據這丄思一想，-訓-練一圖一像一采一用_初一步_的一光一譜一分_類一法一所一得一到一的一土一地一覆一

2、蓋一圖一當一搜一索一模一板一掃一描一訓一練一圖一像一時一，一獲一得一丄由類一別分布圖案構成的一各個數據事件然一后亠統一計-每-個一數一據-事一件一發一生一的一次一數一，一其一統一計-量一存一儲一在一一個搜一索一樹一中一，-記一錄一丄訓一練一圖一像一的一空一間一結一構一特征一模擬采一用丄正一態一等分一模擬一丄丄丄丄e丄丄丄丄丄丄q丄丄二丄丄亠丄s丄旦丄丄丄丄丄丄，-sNEs丄)算一法一，-遵一循一經一典-序-貫-算-法一的-流一程-亠根-據-搜-索-樹-記一錄一數-據-事-件一的一發-生一情-況一模-擬時一逐-點一推一斷一每-個數一據-事-件一中一間點的取值情況假設E個隨機變量C可能一取的一類別

3、一值為k，一對于變量丄亠二k 一的.條.件.概.率貝.斯一公.式.決-定.，-條.件-概.率.密.度.函數則直接從-訓練圖像丄獲取算法的步驟如Xnnn口丄定.義-一數一據.模一板.，-從-最一粗.尺一度一的一格一網.開-始，一用擴一展的模板掃描訓練圖像從一而建立搜索樹，-掃-描過-程一丄將非空.的數據事件-存儲在搜索樹一中一UUUUUULUUUU2定義條路徑，-保一證訪問到所有未知點且只-訪-問一一次一丄)對一于一每一個未一知點一丄，一保一留一模一板一中一用一來一構一建一搜索樹的條件一數據，一假一設二丄是條件一數據的一個一數一，一d-丄丄丄_)是-對一應一的一數一據-事一件一，一計-算一搜一索

4、一樹一中一存一儲-數一據一事一件一丄A丄丄)的一概一率一分一布一若一d-丄丄丄_)在一搜-索一樹一中一沒一有一重一復一，-則一放一棄一最-遠的一個條-件一數-據一亠條-件數-據一減一少到-(-丄n二丄再從一搜索樹中一獲取一數據事件丄U(-丄丄_二丄)_的_分-布一如_果-條-件一數-據-減一少_到-丄_二丄仍一沒一有一重-復-的一數一據-事-件一d(-亠丄丄被找到,則條件概率由邊緣概率取代4)從結占八、U的條件概率分布函數中模擬每個占八、的類別將這些模擬值加入模擬格網中作為下次模擬的制約條件5)繼續訪問路徑中的下個結占八、重復步驟3）、4),直至所有占八、都遍歷到得到了一一一次模擬圖像然后用一

5、一一條不同的路徑從步驟2)重復整個過程產生另一一一次實現直至所有結占八、都訪問到SNESIM允許將數據條件作為模擬的制約共同作用于后驗概率其/、中硬數據相當于監督分類的訓練樣本在模擬中格繼承其/、位置和屬性軟數據則給出每個像素所有可能類別的歸屬概率2實例分析本文在利用傳統的最大似然法對遙感影像進行分類的基礎上用多占八、地統計模擬對分類結果作后處理對比算法為空間平滑方法和基于貝葉斯的馬爾科夫隨機場分類法2.1實驗區域和數據實驗區域位于烏干達的索羅蒂區采用美國陸地探測衛星系統LandSatTM獲取的影像，一軌道號為一p7丄R5丄，一獲取時間一是2 一o-O-1.二O-4-二丄，-正.是.雨.季.之

6、.始-，-影一像.中.有很多濕地區域O影像被裁剪成丄k丄k丄大.1土.地.分-類一的.參.考.數一據一是.基.丄已.有.的.研一究一成.果一，-通.過一面向一對.象一分一類一法.和一實一地一調一繪.所.得，一有水一體一沼澤水-生植物和一其他植被類別一，-如圖丄丄b2-所.示O3丄丄個隨機-采樣的一類一別一作為一訓一練一樣本一用一來一實一施一監一督一分一類一亠參一考一影像的所有點都作為測一試數據以評價分類一結果-1-1實一驗一過一程一亠丄丄dS丄丄丄影像的丄二5和丄波一段參與-分-類一，一分-類一器一是-最一大一似一然一法一，一然一后一，一用一一個一3 一x3 一的一模一板一對一最一大一似一然一

7、的一結一果一進一行一空一間一平一滑一根一據-式一丄2-在一同一樣一條-件一下實一施一基-丄貝一葉一斯-的一馬一爾科一夫一隨-機場-分一類法亠能一量-求解采用一的是基丄G丄丄丄S采樣一的模擬一退火法最后，-應一基-丄多-點_地一統一計_模-擬一的一后_處一理一方-法一訓一練一圖一像-是-最-大一似一然-法一的分一類一結一果一亠丄o丄個訓一練一樣一本作為硬數據的模擬條件5軟數據是由最大似然法一估一計的一后一驗概率而得O多點一模擬的一類一別是基.于.丄丄次.模.擬.的.占優.類.別.平.均.圖一實.驗結果分.析-UUUUnUnU丄2-二2-丄丄2-列一出丄幾-種一方.法.的-分.類.圖一丄d一2-的

8、空間.平滑去掉丄2-中的很一多椒鹽噪聲1在空間丄滑的窗口丄，一窗的丄心一值用一丄占優-類別一替代一這.種-無一模型一的平滑算法只-利用一丄單一一的一濾一波一器一，一無一法一滿一足一多一類一別一分一布復雜一的空間信息的需求1丄2-中的馬一爾科夫分-類一法一的一結一果一中一，一水一生一植一物一類一的一平一滑一效一果一比一空一間一濾一波一更一甚一，一這一是一由一于一鄰一元一簇一影一響一參一數一的一選一取一會導一致同質性一水生植物類邊緣呈現鋸齒狀亠這-是-因一為-受-4-二連一通一的一鄰一元一簇一的一影一響一水一生一植一物一類一別一分一布一廣泛一，-而一且一很一多一都生一長一在一沼一澤一的一邊一緣一地

9、一區一對一丄多一點一地一統一計-模-擬一的一結一果一，-多一次一模-擬一實一現-具-有一平一均一效一應類別邊一緣-比馬-爾科一夫一分一類結一果的連續一性好最大一似一然法的結果不一僅一噪聲一多-，-還一存一在一明-顯-的一沼-澤-錯-分-到-水-生_植-物一類一的一情-況一這一種一錯-分-情-況一在一空一間一平滑-和-馬-爾一科-夫一分-類法中依然可見,而在點地統計模擬的結果中有所一改一善沿著沼澤類一邊一緣分-布的一水生一植物類別.，-空.間.平.滑.和最.大.似.然.法.的.結.果.噪.聲.較.多.，-而馬爾科夫的分類結果.又-過于平-滑多點地統計一模.擬.則.比.較.完.整.地一重.現.丄這

10、一類.邊.緣一曲.線.分.布-，-體.現一丄多一點一地-統一計.模一擬-在一對.曲一線一分一布-地.物.類別的細節處理上具有一優一勢UUnUnUI-分一類精度nnnnnnnnnnn表一丄展一示一丄一2 一-3 一節一所一述一方一法一中兩丄重一點一類一別的-精度可以看出，-對沼澤和一水生植物這兩個一類一別一，一多一點一地一統一計-模一擬一方一法一的一生一產_者一精一度一有一較一大一提一高一，一而多一點一地一統一計一模一擬一和一馬一爾一科一夫一分一類一法都對一用戶精度有較大一改善多點地統計一模擬的一總一體一精一度一和一K-丄P-P-丄系一數一均一高一于一最一大一似一然-分一類一法一空一間一丄滑一法

11、一和一馬一爾一科一夫一分一類一法一沼一澤一類一的一用一戶一精-度-在一多一點一地一統一計一模-擬一法一中一較一最一大一似一然-法一分一類有一所提一高-亠但是一其一提一高-不如馬一爾科一夫分類一法一顯著原一因之一是一訓練圖像和一軟數據的條-件_制一約-是-用_最-大_似一然-法一得-到-的一亠本_身-存一在一誤一差-特一別一是-對丄軟數一據-亠即-使最-大一后驗-概-率-對一應的類別是正確的,但如果后驗概率不夠大,模擬時每次實一現一也容易出現錯分一的一情況另一一X鑒因.是.沼.澤.類.別.的.空.間.分-布.形.態.，-其.分.布.較.集中-，-且呈連續塊狀-區.域O因此-，-這一K 咅分的類一

12、別.藍多一點.地.統.計-捕一捉.到一時-，-受.先.驗.的.空.間.關.鑒性一的.影一響一，-模一擬-時-更.傾一向丄重.現一平滑一丄塊.狀分布一的區域而水生植物類有著廣闊且連續的分一布-圖案，-沿-著沼澤.分布的邊一緣曲線K 咅分具有一連一通一性一和一強一相一關性一，一所一旦在一模一擬一中被一保一留一丄來1因此,多點地統計一模擬后處理的精度要高丄馬-爾一科一夫一分一類一法一的一精一度一廠高一階一統一計一分一析為詮一釋多點地一統計的相一關性，一本一文通過S個針對-水一生一植一物一類一別一的一三一階-矩一統一計-圖一，一比一較一馬一爾一科-夫一分一類一法一和一多一點一地一統一計一模一擬一方一法

13、一在一高一階一統一計一量一上一的一區一別一以一東一方一向一為一起一始一方一向一亠沿一丄5 一_角一逆一時一針-方一向一探一測一丄個點一之一間的一空一間相一關性亠即一起臺 女點與離起一厶口 女點距離為h丄和丄2的點之間的-相一關-性一，-橫-縱-坐_標-分-別一為_丄丄和-丄2-對-角一線一的一亮-度-和-連一續-性表-明一水一生植-物一類一模-式一分一布一的一空間相關性的強弱左下角原對于水生植物類別，一多點一地一統一計模擬比馬爾科-夫一分一類法一的一結果具.有.更.強.的.相.關.性.和.連.續.性-右.丄角.的.亮.度.范.圍在丄中-比-丄2-要稍大一些說明多點地一統.計.模.擬.結.果.中

14、一的.水.生-植一物.類.分-布.細.節.比.馬一爾一科.夫一法一更.多一O對-丄圖一案間一的.相一關性一，-在.I丄丄2-丄約丄O 一丄單元的位置出一現亮斑，一而-對-應一在丄丄丄則一不-明.顯是由一丄馬爾科夫法比多一點一地一模一擬一統一計的一結一果一平滑一，一且一分一為一水生一植一物類別的像元要少-丄丄的局一部區域比n丄丄)更一亮一，一表一明一多一點一地一統一計-模一擬一法一對一細一節一的一捕一捉一程一度一比一馬一爾一科夫一分一類一要一好一因一此一，一多一點一地一統計一模擬在對一水生植物一這種復雜一空間分一布一的地物一類一別一進一行-處一理一時一要-優一于一馬-爾一科一夫一分一類一法一3-

15、結一語一本一文一討一論一的一首一要-問一題-是-多一點一地一統一計一模-擬一的一平一滑一原-理一，-以及一該一方一法一與一空一間一平滑-法一馬-爾科一夫一分一類法一的不同之一處O多點一地統計在模擬一過一程中考慮-丄類一別一分-布一的-相-關一性一，-它_與一別一的一分_類一方一法一最-大一的一不同一在一丄這一種基-丄訓一練一圖一像-的一先驗-知-識一對一類別的平滑是有針對性的OSNESM算法是數據事件搜索和匹配的過程SNESIM用作分類后處理與傳統的克里格法內插有著本質區別:刖者通過模擬的多次實現取占優類別從而產生平均模式減少了單次模擬的分類圖中的不確疋性也導致了類別的平滑后者是一一一種空間內插的方式未考慮遙感影像的光譜特性不屬于基于像素的分類方法空間平滑對所有占八、位采用恒疋的權重平滑了那些孤立的像元但是沒有模型依據多占八、地統計模擬則采用了一一一個結合了先驗知識、邊緣分布、硬數據和軟數據的復雜模型馬爾科夫分類法的初始分類是基于最大似然判別規則的之后是光譜信息和空間信息綜合作用的結果一馬爾科夫分類法的條件概率只來自于光譜信息而多占八、地統計的條件概率來源于訓練圖像和條件數據本文研究的實例中所有方法的總體分類精度都達到了85%以上本文只考慮了4個類別減少了分類的不確疋性而通常的基于像素的分類方法精度沒有這么高只采用4個類別的原因是本文的實驗目的在于為錐蟲病的研究提一供一基