2遥感图像分类的实习指导.docVIP

2 图像 遥感图像计算机分类的理论依据： 遥感图像中的同类地物在相同的条件下（纹理、地形等），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，即同类地物像元的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息特征或空间信息特征将不同，集群在不同的特征空间区域。 传统的分类方法： 在遥感图像分类中，按照是否有已知训练样本的分类依据，分类方法又分为两大类：监督分类与非监督分类。遥感图像的监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式（判别规则），进而把图像中的各个像元点划归到各个给定类的分类。遥感图像的非监督分类是在没有先验知识（训练场地）的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理，事后再对已分出的各类的地物属性进行确认，也称作“边学习边分类法”。两者的最大区别在于，监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来决定。 影响遥感影像分类精度的因素： 遥感图像计算机自动分类在遥感数字图像处理技术中占有非常重要的地位，由于计算机分类的精度和可靠性除了与分类方法本身的优劣有关外，还取决于一些其它的因素： 训练场地和训练样本的选择问题地形因素的影响混合像元问题特征变量的选择问题空间信息在分类中的应用问题图像分类的后期处理问题 ENVI软件提供的监督分类的分类器 图像分类的关键问题之一是选择适当的分类规则（或分类器），通过分类器把图像数据划分为尽可能符合实际情况的不同类别。 根据分类的复杂度、精度需求等选择一种分类器。在主菜单-Classification- Supervised-分类器类型（如表1），此外还包括应用于高光谱数据的波谱角（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和二进制编码（Binary Encoding Classification）分类方法。 表1 六种监督分类器说明 分类器 说明 平行六面体（Parallelpiped） 根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出。 最小距离（Minimum Distance） 利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。 马氏距离（Mahalanobis Distance） 计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。 最大似然 （Likelihood Classification） 假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。 神经网络（Neural Net Classification） 指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类。 支持向量机（Support Vector Machine Classification） 支持向量机分类（SVM）是一种建立在统计学习理论（Statistical Learning Theory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。 选择不同的分类器器需要设置的参数不一样。 监督分类的一般步骤 监督分类一般分为以下几步：选择训练样本、评价训练样本、进行监督分类、精度评价和分类后处理等五步。 5.1选择训练样本 5.1.1训练样本选择原则 （1）选取的训练样本要有代表性：应选择光谱特征比较均一的区域（避免混合像元） （2）选取训练样本的数目：要能满足建立分类用判别函数的要求，对于光谱特征变化较大的地物，训练样本的数目要更多一些，以反映其变化范围。（3）选取训练样本要考虑空间变化的影响：要考虑到每一种地物类型随空间变化发生光谱特征变化的可能性，选择训练场地应当能够反映这种变化。 在遥感图像中，地形因素不仅会造成几何畸变，而且还会影响其亮度值。如同类地物由于所处山坡位置的不同，其阴坡和阳坡的光谱特性就有很大的差异，即同物异谱；如不同的地物由于地形的影响而具有相同的光谱特性，即同谱异物。可以利用图像增强的多波