遥感数字图像处理_12遥感图像的自动分类基础研讨.pptx

第11讲 课 题 ：遥感图像的自动分类(2) 目的要求：1.理解遥感图像分类的原理；2.掌握遥感图像分类的工作流程；3.熟悉常用的分类方法；4.掌握分类后处理及分类精度分析。 重 点 ：监督分类与非监督分类的结合 难 点 ：分类后处理和误差分析 教学课时：2课时 教学方法：授课为主、鼓励课堂交流 本次课涉及的学术前沿：遥感图像分类的原理及遥感图像分类方法的最新发展;§9-5 非监督分类与监督分类的结合;步骤: 第一步：选择一些有代表性的区域进行非监督分 类。 这些区域的选择与监督法分类训练样区的选择要求相反，监督法分类训练样区要求尽可能单一。而这里选择的区域包含类别尽可能地多，以便使所有感兴趣的地物类别都能得到聚类。 第二步：获得多个聚类类别的先验知识。这些先验知识的获取可以通过判读和实地调查来得到。聚类的类别作为监督分类的训练样区。;第三步：特征选择。选择最适合的特征图像进行后续分类。 第四步：使用监督法对整个影像进行分类。根据前几步获得的先验知识以及聚类后的样本数据设计分类器。并对整个影像区域进行分类。 第五步：输出标记图像。由于分类结束后影像的类别信息也已确定。所以可以将整幅影像标记为相应类别输出。;§9-6 分类后处理和误差分析;原始遥感图像;2、 分类后处理 用光谱信息对影像逐个像元地分类，在结果的分类地图上会出现“噪声” 产生噪声的原因有原始影像本身的噪声，在地类交界处的像元中包括有多种类别，其混合的幅射量造成错分类，以及其它原因等。 另外还有一种现象，分类是正确的，但某种类别零星分布于地面，占的面积很小，我们对大面积的类型感兴趣，因此希望用综合的方法使它从图面上消失。;多数平滑:平滑时中心像元值取周围占多数的 类别。 ;平滑前后的一个例子;二分类后的误差分析 利用一些样本对分类误差进行估计。 采集样本的方式有三种类型： ﹡来自监督分类的训练样区； ﹡专门选定的试验场； ﹡随机取样。 ;混淆矩阵 分类精度的评定 ;根据这个混淆矩阵可以算出平均精度，对角线元素之和取平均： S =（84.3%+80.3%+89.8%）/3=84.8% 由于各种类别样本元素的总数不一致，所以更合理的方法应加权平均，以总精度S表示加权平均，则： S =（84.3%*102+80.3%*152+89.8%*49） /(102+152+49)=83.2%;§9－9 计算机自动分类的新方法;方法如下： 首先对图像数据进行影像分割，从二维化了的图像信息阵列中恢复出图像所反映的景观场景中的目标地物的空间形状及组合方式。影像的最小单元不再是单个的像素，而是一个个对象，后续的影像分析和处理也都基于对象进行。;光谱特征包括均值、方差、灰度比值 形状特征包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性，位置 对于线状地物包括线长、线宽、线长宽比、曲率、曲率与长度之比等 对于面状地物包括面积、周长、紧凑度、多边形边数、各边长度的方差、各边的平均长度、最长边的长度 纹理特征包括对象方差、面积、密度、对称性、主方向的均值和方差等。; 通过定义多种特征并指定不同权重，建立分类标准，然后对影像分类。分类时先在大尺度上分出父类，再根据实际需要对感兴趣的地物在小尺度上定义特征，分出子类。;二神经元网络方法 （Artificial Neural Netwroks，简称ANN） ; 三 决策树分类法 模拟人工分类过程由整个数据集从上往下逐级细分，而在其算法描述中却是由“终级”到“原级”的逆过程，即在预先已知“终极”类别样本数据的情况下，根据各类别的相似程度逐级往上聚类，每一级聚类形成一个树结点，在该结点处选择对其往下细分的有效特征。依此往上发展到“原级”，完成对各级各类组的特征选择。;在此基础上，再根据已选出的特征，从“原级”到“终级”对整个影像实行全面的逐级往下分类。对于每一级处的特征选择，依据散布矩阵准则来进行。;决策树分类器 ; 四 专家系统方法 采用人工智能语言如LISP、PROLOG或C语言，将某一领域的专家分析方法或经验，对对象的多种属性进行分析、判断，确定事物的归属。其核心内容是知识库和推理机; 五 基于GIS的遥感图像分类方法 将原有的GIS数据和各种土地利用类型变化的先验性知识综合集成用于新的遥感图像的分类中，不仅可以促进GIS数据更新的自动化，而且还可以得到比常规最大似然法高的分类精度。; 提出从GIS空间数据库中挖掘知识用以辅助遥感影像分类，以提高分类精度 ;思考题