《0.7cha5.pptVIP

遥感数字图像处理 05地理信息系统专业 王宇明 Email address: yuming5025@ 第五章????? 遥感图像的计算机分类 5．1??????遥感图像的计算机分类的 一般原理 5．1．1??? 概述 5．1．2?? 计算机分类的基本原理 5．1．3???? 计算机分类处理的一般过程 5．2???????判别函数 5．2．1??? 距离判别函数 5．2．2?????最大似然法判别函数 5．3???????非监督分类 5．3．1????初始类别参数的选定 5．3．2??? ISODATA法 5．3．3??? K-Mean算法 5．3．4??? 应用举例 5．4???????监督分类 5．4．1??? 训练区的选择 5．4．2??? 判别分析分类 5．4．3??? 检验 5．4．4??? 应用实例 5．5???光谱特征分类中的 辅助处理技术 5．5．1? 上下文分析方法 5．5．2 ?基于地形信息的 计算机分类处理 5．5．3? 辅以纹理特征的 光谱特征分类法 5．6???计算机分类新方法 5．6．1? 神经网络分类器 5．6．2? 基于小波神经网络 遥感图像分类 5．6．3 ?模糊聚类法 5．6．4? 树分类器 5．6．5? 专家系统方法的应用 5．7???雷达遥感图像分类新方法 考核要求： 了解计算机分类处理的一般原理及一般过程； 掌握非监督分类和监督分类基本内容及二者的异同、绝对值距离/马氏距离/欧氏距离判别函数之间的异同； 了解特征选择的概念； 掌握ISODATA法的基本内容；了解计算机分类的新方法。 第五章????? 遥感图像的计算机分类 动态变化监测 5．1??????遥感图像的计算机分类的一般原理 5.1.1 概述 MSS1 光谱特征 遥感图像的计算机分类 1）监督分类和非监督分类 2）分类处理与增强处理的异同 5．1．2???? 计算机分类处理的基本原理 遥感图像分类是对图像上每个像元或区域按照亮度接近程度划归为若干类别的一种，即通过各类地物的光谱特征分析选择特征参数，将特征空间划分为互不重叠的子空间，以达到大致区分遥感图像中多种地物的目的。 通常情况下，同一类地面目标的光谱特性比较接近，因此在特征空间中的点聚集在该类的中心附近，多类目标在特征空间中形成多个点族。 5．1．3???? 计算机分类处理的一般过程 5.2 判别函数 遥感图像的计算机分类是模式识别技术的一个分支，需要建立一定的判别规则，判别规则由某种判别函数配合以一定的比较运算关系所组成，分类的核心是建立划分特征空间的判别边界，即数学上的判别函数。判别函数对于2维是直线或曲线，3维是平面或曲面，3维以上则是超平面或超曲面。 5．2．1??? 距离判别函数 遥感图像计算机分类的依据是遥感图像像素的相似度。相似度是两类模式之间的相似程度。在遥感图像分类过程中，常使用距离判别函数来衡量相似度。所以特征空间中点间的距离是重要的判断参量。 同一类别中点间的距离一般来说比不同类别点间距离要小，如果一个点属于某一类，一定与这个类别中心的距离比与其他类别中心的距离小。 运用距离判别函数时，要求各个类别集群的中心位置Mi为已知点，对光谱特征空间中任一点k,计算它到各类中心点的距离: 1. 绝对值距离 3. 马哈拉诺比斯距离（Mahalanobis） 是一种加权的欧氏距离，通过协方差矩阵考虑变量的相关性。 5.2.2 最大似然法判别函数（Bayes准则法） 按正态分布规律用最大似然法判别规则进行判决，得到分类结果。 最大似然法判别规则 条件概率： 概率是统计意义上的，会出现错分或漏分现象，所以需要建立错分概率或风险最小的判别规则，即Bayes准则及相应的Bayes判别函数 2. 正态分布 从概率分布的角度看，对于某一集群（类）ωi ， X的概率近似于正态分布 5.3 非监督分类 非监督分类： 对分类过程不施加任何先验知识，仅按遥感影像的光谱特征自然地进行盲目分类。分类的结果，只区分光谱类别，不确定信息类别。事后再确定二者的是否一致。 理论依据： 遥感影像上的同类地物在表面结构特征、植被覆盖、地形、光照等条件下，具有相同或相近的光谱特征，表现出一定的相似性归属同一个光谱区域；不同地物，光谱信息特征不同，归属不同的光谱空间区域。 非监督分类方法： 聚类分析方法：把像素按相似性分为若干类别，同类像素之间距离尽可能小，不同像素之间距离尽可能大。基准类别参量确定是通过事先假定初始参量，通过预分类处理形成集群，再由集群的统计参数调整预制的参量，然后再聚类，再调整，直到有关参数达到允许范围。 核心问题：初始类别参数的确定；其迭代调整问题。