遥感入门图像分类分析报告.ppt

初始类别参数的选定 最大最小距离选心法 （4）重复上面步骤，直到初始类别的个数达到需要的个数为止。 非监督分类 K－Means算法 K－means算法称作K－均值算法。其基本思想是：通过迭代，移动各个基准类别的中心，直至得到最好的聚类结果为止。算法如下： 第一步：初始类别的中心选择，可按上法进行选择。假设有c个初始类别，其中心分别为 非监督分类 K－Means算法 第二步：在第k次迭代中，对于任一样本X按如下方法把它调整到c个类别中的某一类中去。 对于所有的i不等于j，i＝1，2，…，c 非监督分类 K－Means算法 第三步：由第二步得到 类新的中心 非监督分类 K－Means算法 第四步：对所有的j＝1，2，…，c，如果 ，则迭代结束，否则转到第二步继续迭代。 * n 遥感图像分类 概述-遥感图像计算机分类的一般原理 遥感图像的解译 目视解译 计算机自动解译 光谱特征 如图： 这种同类聚集的特性说明，如果按照地物类别聚集的规律把多光谱 空间划分为若干个子空间，每一子空间包含有一个类别，这样就 可以把图像中未知的像元进行分类，把他们分配到各自的子空间 中去。 遥感图像的计算机分类 1）监督分类和非监督分类 监督分类：基于对于图像上样本区内的地物类属已有先验的知识，即已经知道它所对应的地物类别，于是可以利用这些样本类别的特征作为依据来判断非样本数据的类的别； 非监督分类：遥感图像地物的属性不具有先验知识，纯粹依靠不同光谱数据组合在统计上的差别来进行“盲目分类”，事后再对已分出各类的地物属性进行确认的过程。 2）分类处理与增强处理不同 3）遥感图像分类处理的特点 多波段，多时相 图像分类前，首先要对图像进行预处理（图像校正，图像增强，图像特征选择 ）。 选择出来的，新的对于表示类别可分性更为有效的变量称为特征参数，n个特征参数组成n维特征空间。 计算机分类的基本原理 称作某像元的特征值，包含X的n维空间称为特征空间，因此n个波段的多光谱便可以用n维空间中的一系列点来表示。 称为A，B两类的判别函数 称为判别准则。 计算机分类处理的一般过程 1）原始图像的预处理 2）训练区的选择 3）特征选择和特征提取 4）图像分类运算 5）检验结果 判别函数 运用距离判别函数时，要求各个类别集群的中心位置Mi(均值）是已知点，对于光谱特征空间中的任一点k，计算它到各类中心点的距离 若 ，则k像元属于i类，否则k不属于i类。此处， 就成为距离判别函数 常用的距离判别函数有： 1.绝对值距离，表达式为： 2.欧几里德距离 欧氏距离就是两点之间的直线距离。如图，二维平面中A，B两点间的欧氏距离为 以上两种距离都称作闵氏距离，使用闵氏距离应该注意以下问题： （1）闵氏距离与特征参数的量纲有关。具有不同量纲的特征参数的闵氏距离常常是无意义的。将数量级相差较大的数以同等的权组合起来时，只能是突出绝对值大的特征参数的作用而降低绝对值小的特征参数的作用。 （2）闵氏距离没有考虑特征参数间的相关性，彼此相关的一些参数意味着他们在表征地物特征方面有共性。若某组特征参数大部分相关性较强，而个别的相关性不大，则一般来说相关的参数和不相关的参数在距离中的权应是不一致的，但在闵氏距离中权是相同的。 3.马哈拉诺比斯距离（马氏距离） 最大似然法判别函数 1.最大似然判别规则 从概率统计分析，要想判别某位置的向量X属于哪一个类别，判别函数要从条件概率 来决定，ωi代表第i个类别，P表示在模式X出现的条件下，X为ωi类的概率等与多少。 1.最大似然判别规则 因此，我们找到一个像元属于每一类的可能性，然后比较他们的大小，哪一种类别出现的概率大，就把这个像元归哪类，即： 由于概率是建立在统计意义上的，因而当使用概率 判别函数实行分类判别时，不可避免地会出现错分 漏分现象，我们希望以错分概率或风险最小为准则 建立所需要的判别规则，这就是下面介绍的Bayes 准则及相应的Bayes判别函数。 贝叶斯（Bayes）公式 所有属于wi的像元出现的概率密度知道后，就可以画出wi的概率分布曲线。有多少类别就有多少分布曲线。由此可知，只要有一个已知的训练区域，用这些已知类别的像元做统计就可以求出平均值及方差、协方差等特征参数，从而可以求出总体的先验概率。在不知道的情况下，也可以认为所有的P（wi）为相同。 P（wi／X）为X属于wi的概率，也称后验概率。 P（X）表示不管什么类别X出现的概率 从式中可以看出P（X）与类别wi无关，是对各类来说一个公共因子，在比较大小