第13章 遥感图像分类处理.ppt

基于规则的专家系统水体提取结果 13.6 遥感图像计算机分类总结 1）在用不同的算法或理论进行遥感影像分类的时候，遥感分类模型需要结合实际，仔细考虑、精心设计，某些参数还需要多次试验。特别是对神经网络遥感分类模型，由于结构难以确定、学习参数的设置没有理论指导，更需要反复试验。 2）某些传统的数理统计方法，例如最大似然法，仍然具有生命力，在某些情况，仍然可以发挥重要作用。因此，在研究遥感分类的时候，重视新的分类方法的同时，也要充分利用传统的统计分类方法，将它们结合，优势互补。 3）遥感智能分类应该是一个具有层次结构的体系，而不应该仅仅是一些单一的、孤立的算法。要想理解、推动遥感分类的发展，就应该从整体上去研究它、去把握它。随着遥感光谱分辨率的不断提高，这一点将越来越明显与必要。 4）面对不同的遥感分类任务与目标，应该利用不同层次的分类手段。数理统计统计分类是适合于波段数较少、满足一定分布要求的的遥感数据，它也是其它分类方法的基础。人工神经网络遥感分类适合于复杂的海量高光谱数据。专家系统应用于遥感分类最大的优点就是可以充分结合更多的辅助分类数据，但是它的知识库难以建立，特别是对遥感分类来说，更是如此。子像素分类适合于混合像元的分解、作物面积的精确评估等方面。 谢谢! 再见 人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。 * 各特征量之间互不相关或相关性很小，即各特征量所表示的模式类别的性质互不重复或不能互相导出。 对于某一类模式而言，特征量及特征值应能充分与必要地表明该模式属于该类而不属于其他类别的主要依据。 目前比较有效的方法有主轴法、因子分析法以及以类聚程度为特征的排序法等。此外，如前面学习的彩色合成变量选择也可以作为特征变量选取的方法。 6.影像分类的后期处理问题 在遥感图像的分类中，由于混合像元的存在以及分类算法是针对每个像元单独进行的，结果在分类影像中会出现一大片同类地物中夹杂着散点分布的异类地物的不一致现象，他们在分类图像中表现为噪声。为了克服这种与实际情况不相符合、也不满足分类要求的情形，可通过平滑处理来减少或消除类别噪声的影响。 常用的方法有： 聚类统计(Clump) 过滤分析(Sieve) 去除分析(Eliminate) 分类重编码（Recode) 通过对分类专题影像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出影像，其中每个图斑都包含Clump类组属性。这是一个中间结果，供下一步处理使用。 聚类统计（Clump) 过滤分析(Sieve) 对经Clump处理后的Clump类组影像进行处理，按照定义的数值大小，删除Clump影像中较小的类组图斑，并给所有小图斑赋予新的属性值0。显然，这引出了一个小图斑归属问题。可以与原分类图对比确定新属性。 4.3 去除分析(Eliminate) 用于删除原始分类影像中的小图斑或小Clump类组，与过滤不同，去除将删除的小图斑合并到相邻的最大分类中，而且如果输入影像是Clump聚类影像，经过去除处理后，将分类图斑的属性值自动恢复为Clump处理前的原始分类编码。即结果是简化的分类影像。 分类重编码(Recode) 主要是针对非监督分类而言的，因在非监督分类过程中，用户一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过ISODATA聚类获得分类方案后，首先是将专题分类影像与原始影像对照，判断每个类别的专题属性，然后对相似或类似的分类通过影像重编码进行合并，并定义分类名称和颜色。 分类重编码还可以用在其它方面，作用有所不同。 分类精度是指分类结果的正确率。正确率包括地物属性被正确识别，以及它们在空间分布的面积被准确度量。遥感数字影像分类结果在没有经过专家检验和多次纠正的情况下，分类精度一般不超过90％； 计算机分类的准确性是至关重要的，对分类结果需进行误差分析，即随机抽查检验区分类的精度和可靠性。当精度不够时，可从两方面进行改进（1）重新选择训练样本；（2）对判别函数进行评价和选择。 7.遥感影像分类精度 13.5 计算机分类新方法 监督分类和非监督分类都是依据地物的光谱特性的点独立原则来分类的，且都采用的是统计方法，这种方法只是根据各波段灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元都带有综合光谱信息（混合）的特点，致