6.遥感图像的计算机分类教程讲解.pptVIP

第六章:遥感数字图象计算机解译 遥感图像的计算机分类 一、分类原理与基本过程 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。 一、分类原理与基本过程 遥感数字图像计算机分类基本过程 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。 根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。 找出代表这些类别的统计特征 为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。 对遥感图像中各像素进行分类。 分类精度检查。 对判别分析的结果进行统计检验。 二、图像分类方法 1、监督分类 二、图像分类方法 1、监督分类 二、图像分类方法 1、监督分类 二、图像分类方法 1、监督分类 二、图像分类方法 1、监督分类 二、图像分类方法 1、监督分类 二、图像分类方法 1、监督分类 二、图像分类方法 1、监督分类 二、图像分类方法 2、非监督分类 二、图像分类方法 2、非监督分类 二、图像分类方法 三、图像分类中的有关问题 1、未充分利用遥感图像提供的多种信息 只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。 统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类.水体的分类. 三、图像分类中的有关问题 *烟台师范学院地理与资源管理学院 * 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。 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。 （1）、最小距离分类法 Step 2 – for each unclassified pixel, calculate the distance to average for each training area （1）、最小距离分类法 最近邻域分类法 Nearest Neighbour 。 Defines a typical pixel for each class Assigns pixels on the basis of spectral distance Can separate diverse classes Boundary problems remain unresolved （2）、多级切割分类法 通过设定在各轴上的一系列分割点，将多维特征空间划分成分别对应不同分类类别的互不重叠的特征字空间的分类方法。 对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征字空间中。 （3）、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。 （4）、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。 Maximum Likelihood Defines a typical pixel for each class Calculates the probability that each pixel in the image belongs to that class Maps classes on the basis of confidence levels Boundary problems resolved （4）、最大似然比分类法(Maximum Likelihood) （4）、最大似然比分类法(Maximum Likelihood) （4）、最大似然比分类法(Maximum Likelihood) （1）、分级集群法 确定评价各样本相似程度所采用的指标 初定分类总数；