第六章遥感图像分类(三)讲述.ppt

第六章 遥感图像分类 6.1 基本知识 6.2 遥感图像分类基本原理 6.3 监督分类 6.4 非监督分类 6.5 遥感图像分类新方法 6.6 分类后处理和精度分析 6.7 分类中非光谱辅助信息应用 6.4 非监督分类 概述 6.4 非监督分类 概述 6.4 非监督分类 概述 6.4 非监督分类 初始类别参数的选择 6.4 非监督分类 初始类别参数的选择 6.4 非监督分类 初始类别参数的选择 6.4 非监督分类 初始类别参数的选择 6.4 非监督分类 初始类别参数的选择 6.3 非监督分类 初始类别参数的选择 6.4 非监督分类 初始类别参数的选择 6.4 非监督分类 K-均值方法 6.4 非监督分类 K-均值方法 6.4 非监督分类 K-均值方法 6.4 非监督分类 K-均值方法 6.4 非监督分类 K-均值方法 6.4 非监督分类 K-均值方法 6.4 非监督分类 K-均值方法 6.4 非监督分类 K-均值方法 * * 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，而仅凭遥感图像中地物的光谱特征，即自然聚类的特征进行的分类。 特点：分类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进行确定。 非监督分类有多种方法，其中K-均值方法和ISODATA方法是效果较好，使用最多的两种方法。 非监督分类的假设：相同条件下，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，归属于同一光谱特征空间，反之则不同。 在开始图像分类时，用非监督分类方法来探索数据的本来结构及其自然点群的分布情况往往很有价值。 非监督分类主要采用聚类分析方法，把像素按照相似性归成若干类别，使得属于同一类别的像素之间的差异（距离）尽可能的小而不同类别中像素间的差异尽可能的大。 由于没有利用地物类别的先验知识，非监督分类只能事先假定初始的参数，并通过预分类处理来形成类群，通过迭代使有关参数达到允许的范围为止。因此，非监督分类算法的关键是初始类别参数的选定和迭代调整问题。 主要过程如下： ① 确定初始类别参数，即确定最初类别数和类别中心（点群中心）； ② 计算每一个像素所对应的特征向量与各点群中心的距离； ③ 选取与中心距离最短的类别作为这一向量的所属类别； ④ 计算新类别均值； ⑤ 比较新的类别均值与初始类别均值，如果发生了改变，则以新的类别均值作为聚类中心，再从第②步开始进行。 初始类别参数是指：基准类别集群中心（数学期望Mi），以及集群分布的协方差矩阵∑i。 无论采用何种判别函数，都要预先确定其初始类别的参数，以下介绍几种确定的方法： 1、光谱特征比较法 首先在遥感图像中定义一个抽样集，它可以是整幅图像的所有像素，也可以是按一定间隔抽样的像素；然后选定抽样集中任一像素作为第一个类别（初始类别）； 然后，给定一个光谱相似性比较阈值，依次把抽样集中每个像素的光谱特征与初始类别的光谱特征进行相似性比较，若该像素与初始类别相似，则作为该类中的一个成员，若不相似，则该像素作为新的一个新的初始类别。 最后，每个初始类别都包含了一定的成员，据此可计算各类别中心的期望和协方差矩阵。 2、直方图法 该方法在整幅图像直方图的基础上选定类别中心。假定初始类别有Nc个，每个初始类别中心位置Zj（j=1,2,…,Nc）可按照下式确定： (i=1,2,…K)。其中，mi为均值， 为标准差，K为波段数。 如图为Nc=4的情形： 3、最大最小距离法 该法的原则是各初始类别之间尽可能地保持最大距离。为做到这一点，首先在整幅图像中按一定方式（如等间隔方式）获取一个抽样的像素几何{X}，{X}={X1,X2,…,Xn}，n为抽样个数，下图中n=11，表示抽样11个像素点。 然后按照以下步骤进行选心： ① 取抽样集中任一像素（如X1）作为第一个初始类别的中心Z1； ② 计算X1与其他各抽样点之间的距离D0 取与之距离最远的抽样点（如X7）作为第二个初始类别中心Z2，即： 则：Z2=Xj。 ③ 对于剩余的每个抽样点，计算它到已知各初始类别中心的距离Dij(i=1,2…,m),m为已有初始类别数，并取其中的最小距离最为该点的代表距离Dj，Dj=min{D