遥感概论第十章重点.docVIP

1.1分类的定义 遥感图像分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。 1.2分类的意义 由于利用遥感图像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。因此，利用计算机进行遥感图像智能化解译，快速获取地表不同专题信息，并利用这些专题信息迅速地更新地理数据库，这是实现遥感图像自动理解的基础研究之一，因此具有重要的理论意义和应用前景。 2、分类原理 遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。 采用距离衡量相似度时，距离越小相似度越大。 采用相关系数衡量相似度时，相关程度越大，相似度越大。 1）找像元的分布特征（如点群中心、位置、规律），并且确定点群的界限。 2）点群中心是这一类地物类别像元特征的均值向量。 3）点群的范围这一类地物类别像元特征的标准差向量（协方差）。它反映了点的离散程度。 4）点群的边界是分类过程中决定像元归属的“准则”，称为判别函数。 遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间去。 特征—能够反映地物光谱信息和空间信息并可用于图像分类处理的变量 关键问题 选择适当的分类规则，通过分类器把图像数据划分为尽可能符合实际情况的不同类别。 确定判别函数和相应的判别准则。 3、分类基本过程 数据准备。根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。根据研究区域，收集与分析地面参考信息与有关数据。 数据预处理　辐射校正和几何校正。波段选择和图像变换、增强处理。 分类系统方案　制定分类系统，确定分类类别。 分类方法的确定与分类处理　根据分类对象的实际情况选择合适的分类方法。 ５　精度评价与分类方法的改进 ６　专题图的制作 一、分类原理与基本过程 遥感图像计算机分类方法 监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。 关键：选择样区、训练样本、建立判别函数（可以是一些列规则，可是某种数学函数） 非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。 监督分类法 最小距离法 特征曲线窗口分类法 线性判别分析 最大似然判别法 神经网络分类 二、图像分类方法 1、监督分类 （1）、最小距离分类法 第一步：计算训练样本的平均值 第二步：计算待分类像元与样本均值的距离 （２）、特征曲线窗口分类法 特征曲线是地物光谱特征曲线参数构成的曲线。 以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口内的地物即被认为是一类，反之，则不属于该类。 特征曲线可是实测的，也可是图像训练样本 分类窗口可是曲线上某一特定的位置，如反射峰、谷、特征参数的上、下限等 （３）、最大似然比分类法(Maximum Likelihood) 通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。 假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。 监督分类的步骤 首先找出影像中各种类别具有代表性的像元集合，作为样本（训练样区）； 求出每种类别样本像元集的统计特征，然后选择特征参数（如样本像元的平均值、方差）； 根据特征参数建立判别函数； 根据判别函数对已知类别的样本像元进行分类，反复调整判别函数； 最后用判别函数对所有未知像元进行判断，划分像元的类别归属。 样本像元的选取，通常需要人参与；对判别函数要用样本进行反复验证和训练，就像有人在监督一样 2、非监督分类 （１）、动态聚类法 在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。 非监督分类步骤： 设定分类判定方法参数，分类数 设定初始分类中心 将各个像元归入设定的各类中 计算各类的新中心值 比较前后中心值是否一致： 不一致，调整各类中心及域值，回到步骤３； 一致，分类图象输出 3、监督分类与非监督分类方法比较 根本区别在于是否利用训练场地来获取先验的类别知识。 监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分类的不足之处。