9 遥感影像计算机专题分类.ppt

9 遥感图像专题分类 主要内容 1 图像分类的概念 2 非监督分类 3 监督分类 4 分类后处理 5 精度评价 1 图像分类的概念 1.1 遥感影像专题提取 1.1 遥感影像专题提取（续1） 1.2 遥感影像专题分类 1.3 人工目视解译 1.4 计算机图象分类 这些方法在遥感图像专题分类中经常采用两种方案: 监督分类， 非监督分类。 非监督分类，事先没有类别的先验知识，纯粹根据图像数据的统计特征和点群分布情况，根据相似性程度自动进行归类，最后再确定每一类的地理属性。 监督分类有类别的先验知识，根据先验知识选择训练样本，由训练样本得到分类准则。 实施的步骤上有前后差别，其理论本质是一样的。 1.4 计算机图象分类（续1） 遥感图像的光谱特征通常是以地物在多光谱图像上的亮度体现出来的， 不同的地物在同一波段图像上表现的亮度一般互不相同； 不同的地物在多个波段图像上亮度的呈现规律也不同，这就构成了我们在图像上赖以区分不同地物的物理依据。 同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量（X），称为光谱特征向量。 1.4 计算机图象分类（续2）  理想情况——不同类别地特的集群至少在一个特征子空间中的投影是完全可以相互区分开的。 典型情况——不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中可以完全区分的。 这时可采用特征变换使之变成理想情况进行分类。 一般情况——无论在总的特征空间中，还是在任一子空间中，不同类别的集群之间总是存在重叠现象。这时重叠部分的特征点所对应的地物，在分类时总会出现不同程度的分类误差. 这是遥感图像中最常见的情况。 地物在特征空间的聚类通常是用特征点（或其相应的随机矢量）分布的概率密度函数P（X）来表示的。正态分布： 特征变换和特征选择 特征变换： 特征选择：用最少的影像数据最好地进行分类。这样就需在这些特征影像中，选择一组最佳的特征影像进行分类，这就称为特征选择。 2 非监督分类 2.1 K-MEANS 2.2 ISODATA 2.2 ISODATA(续1) 输入参数： 最大和最小类别数目，因为算法进行自动的类别分裂和合并，所以不能确定类别的具体数目。 最大迭代次数和每类中像元数量的变化，其中一项满足，则分类结束。 如果某一类别中的像元数目不满足 Minimum # pixel in class，则删除该类别，像元归并到最近的一类中。 如果某一类的标准差大于Minimum class stdv，则该类别需要分裂成两个类别。 如果某个类别的平均距离小于Maximum class distance，则该两个类别合并成一类。 Maximum # merge class 定义最多合并多少类别。 Maximum stdev from mean; Maximum distance error. 2.2 ISODATA(续2) 3 监督分类 训练区选择 对训练样区的要求：准确性、代表性和统计性。 准确性：要确保选择的样区与实际地物一致； 代表性：所选样区为某一地物的代表，还要考虑到地物本身的复杂性，反映同类地物光谱特性的波动情况； 统计性：指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。 3 监督分类 3.1? 平行管道分类 3.2 最小距离分类 3.3 最大似然分类 3.4 马氏距离分类 3.5 二值编码分类 3.6 光谱角分类 3.7 神经网络分类方法（下节课） 3.1 平行管道分类 3.1 平行管道分类(续1) 3.2 最小距离分类 计算未知像元距离各个类别均值向量的欧氏距离，将该像元划分到距离最小的类别中。如果没有没有确定最大的标准差和距离阈值，则所有的像元都会分类。 输入参数：Max stdev from the mean, 是距离平均值多少个标准差。 Max distance error , 距离的最大阈值 如果两个参数都输入了，ENVI 使用其中小的作为最终的判别标准。 3.2 最小距离分类(续1) 3.3 最大似然分类 假设条件：数据符合多维正态分布。如果不符合，分类的精度将会受到影响。 计算每个像元属于各个类别的似然度（likelihood）,该像元分到似然度最大的类别中。 似然度是像元数据矢量X 属于类别w 的后验概率。 如果类别w中X的条件概率为P(X /w), 则似然度 Lk的计算公式为： 3.3 最大似然分类(续1) 3.3 最大似然分类（续2） 3.4 马氏距离分类 马哈拉诺斯（Mahalanobis）距离考虑了集群的离散