工作报告遥感图像分类剖析.pptVIP

工作计划 收集资料，分析一些成功改进算法论文的创新点在哪儿，如何成功改进的。 选定原始算法，尝试改进。 同时分析和实现多种地物分类算法（最好各有侧重点，如：速度优先、精度优先）。 集成在平台上。 Thanks for listening 遥感图像 分类 大纲 概述 监督分类 非监督分类 高光谱遥感技术 基于半监督学习的分类方法 结论 概述 遥感图像分类就是对地球表面及其环境在遥感图像上的信息进行识别和分类，从而达到识别图像信息所对应的实际地物，提取所需地物信息的目的。 分类依据 To DO: 遥感图像分类的依据是各类样本内在的相似性。 即遥感图像中的同类地物在相同的条件下(纹理、地形、光照以及植被覆盖等), 应具有相同或相似的光谱信息特征和空间信息特征,从而表现出同类地物的某种内在的相似性。 历史和现状 To DO: 从20世纪70年代起,随着第一颗陆地卫星发射成功,人们就开始利用计算机进行卫星遥感图像的解译研究。 20世纪80年代,主要是利用统计模式识别方法进行遥感图像的计算机分类。 20世纪90年代期间至今,涌现出了大量的遥感图像分类方法,这些方法在一定条件下都可以取得较好的效果。 分类方法 To DO: 从不同的角度将分类方法总结 根据其原理，可分为光谱特征分类和空间特征分类 根据分类过程中人工参与程度，可分为监督分类和非监督分类 根据一个像素被分到一个类还是多个类，可分为净像元分类和混合像元分类 根据分类的对象，可分为面向像元的分类和面向对象的分类 遥感分类基本过程 根据图像分类目的选取特定区域的遥感影像，考虑空间分辨率、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。 根据分类要求和影像的特征，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 遥感分类基本过程 5.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。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。 6.对遥感图像中各像素进行分类。 7.分类精度检查。 8.对判别分析的结果进行统计检验。 监督分类 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。 监督分类 首先需要从研究区域选取有代表性的训练场地作为样本 根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别 主要的监督分类方法 距离判别函数和距离判别规则 最小距离分类法 最近邻分类算法 平行六面体分类法 概率判别函数和贝叶斯判别规则 最大似然分类法 优点 根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别 可以控制训练样本的选择 可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误，分类精度高 避免了非监督分类中对光谱集群的重新归类 分类速度快 监督法分类的特点 缺点 主观性 由于图像中间类别的光谱差异，使得训练样本没有很好的代表性 训练样本的获取和评估花费较多人力时间 只能识别训练中定义的类别 监督法分类的特点 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（将相似度大的像元归为一类）的方法 根据图像数据本身的统计特征及点群的分布情况，从纯统计学的角度对图像数据进行类别划分 非监督分类 K-均值法（K-means Algorithm） 迭代自组织数据分析技术方法（Iterative Self-Organization Data Analysis Techniques，ISODATA） 主要的非监督分类方法 优点： 不需要预先对待分类区域有广泛的了解 需要较少的人工参与，人为误差的机会减少 小的类别能够被区分出来 缺点： 盲目的聚类 难以对产生的类别进行控制，得到的类别不一定是想要的类别 计算速度慢 非监督分类方法的特点 高光谱遥感 高光谱遥感是指利用很多很窄的电磁波段从感兴趣的物体获取有关数据。 它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个像元提供了十至数百个窄的波段，能产生一条完整而连续的光谱曲线。 高光谱遥感的巨大优势体现在近似连续的光谱为对地物进行精细探测，定量信息反演等深层次的应用提供了丰富的光谱信息。所以，高光谱影像处理成为了遥感研究中的重要内容之一。 高光谱图像示意图 高光谱遥感