遥感导论复习之第九章图像分类教案分析.ppt

西华师范大学国土资源学院 第六章:遥感数字图象计算机解译 第九章 遥感图像分类 遥感影像计算机分类以遥感数字影像为研究对象，在计算机系统支持下，综合运用地学分析、遥感影像处理、地理信息系统、模式识别与人工智能技术，实现地学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影像发展为计算机支持下的遥感影像理解。 §1、概述 一、基本原理 同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。不同类的地物之间具有差异。根据这种差异，将图像中的所有像素按其性质分类若干类别的过程，称为图像的分类。 图像分类的总目标是将图像中所有像元自动的进行分类。 分类中的问题：同谱异物和同物异谱 遥感图像分类以每个像素的光谱数据为基础进行。目视判读所依据的是影像的色调和几何特征等解译标志，而计算机分类的对象是数字图像，地物的所有特征都是通过数字化的灰度值反映出来的。因此，计算机的图像分类是建立在对图像像元灰度值的统计、运算、对比和归纳的基础上的。 在遥感图像分类中，常把图像中的某一类地物称为模式，而把属于该类中的像素称为样本，样本在每个波段上的灰度值称为样本的观测值。 二、分类方法 1.根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可分为监督分类和非监督分类。 2.根据分类使用的统计数学方法可以分为随机统计方法和模糊数学分类 3.根据一个像素被分到一个类还是多个类，可将遥感图像分类方法分为硬分类和软分类。 §2、相似性度量 在特征空间已经存在的情况下，每个像素的分类问题，就是判定它与哪个类的特征比较相似的问题。 距离是常用的相似性度量的概念。分类是确定像素距离哪个点群中心较近，或落入哪个点群范围可能性大的问题。 根据距离分类是以地物光谱特征在特征空间中以点群方式分布为前提的。一个点属于某一类，一定与这个类别中心的距离比与其他类别中心的距离小。 运用距离函数时，要求各个类别点群的中心位置已知 常用的距离度量如下： 1.绝对距离 式中，dik为当前像素i到类k的距离，p为波段数，xij为像素i在j波段的像素值，Mjk为类k在波段j的均值。 2.欧氏距离 3.马氏距离 马氏距离是一种加权的欧式距离，它通过协方差矩阵来考虑变量的相关性。 §3、工作流程 一、预处理 1.确定工作范围 可以通过图像裁剪和图像掩膜方法将工作范围的图像提取出来。 图像裁剪 图像掩膜：保留某种边界内的图像供处理和分类而舍弃边界外图像的操作。 2.多源图像的结合配准 3.噪声处理 4.辐射校正 5.几何精纠正 6.多图像融合 二、特征提取 特征是分类的依据。在统计学上，特征与变量 是一个含义，对于图像而言，特征是图像波段值 和其他处理后的信息。 遥感图像分类的重要依据是遥感图像的特征变 量。多光谱遥感图像各个波段的像素值是最基本 的原始特征变量。经过加、减、乘、除运算以及 一些变化处理后可以生成一系列新的特征变量。 原始遥感图像的特征彼此之间往往存在较强的相关性，不加选择的利用这些特征变量分类不但会增加多于的运算，反而会影响分类的准确性。因此，往往需要从原始图像N个特征中通过处理选择K个特征来进行分类。 几乎没有解析方法能够指导特征的选取。很多情况下，凭直觉的引导可以列出一些可能有用的特征，然后用排序方法计算不同特征的相对效率，根据排序结果删除效率地的特征，从而选出若干较好的特征。 良好的特征应具有4个特点： （1）可分性。对属于不同类别的对象来说，它们的特征应具有明显的差异 （2）可靠性。对同类的对象，特征值应比较相近。 （3）独立性。所用的各特征应彼此不相关。 （4）数量少。分类的复杂度随特征个数的增加而迅速增长。 特征变量的选择是个复杂的问题，随应用目的、研究地区特点、成像季节等众多因素而变换。总的原则是：尽可能选取数量适当，有助于增加同类地物的类聚性，能扩大地物类别之间差异性的特征变量。 三、分类 根据特征与分类对象的实际情况选择适当的分类方法。 四、分类后处理 五、结果检验 六、结果输出 §4、非监督分类 非监督分类是指人们事先对分类过程不加入任何的先验知识，而仅凭对遥感图像中地物的光谱特征，即自然聚类的特性进行分类。 分类的结果只是区分了存在的差异，但不能确定类别的属性。类别的属性需要通过目视判读或实地调查后确定。 非监督分类的假设：在具有相同的表面结构特征、植被覆盖、光照等条件下，遥感图像上的同类地物具有相同或相近的光谱特征，从而表现出某种内在的相似性，可归属于同一个光谱空间。不同的地物，光谱信息特征不同，归于不同的光谱空间。 非监督分类采用聚类分析的方法，把像素按照相似性归成若干类别。他们的目的是使属于同一类别的像素之