第8章++遥感图像的分类.pptVIP

第八章??? 遥感图像分类 一、概述 二、监督分类 三、非监督分类 一、概述 图像分类：将图像中每个像元根据其光谱信息、空间结构信息和（或）其它专题信息，按照一定的规则或算法划分为不同的类别。 可在由计算机自动完成。 最常用于分类的信息是光谱信息，即各波段的亮度值。另外还可以将空间结构信息，如图像纹理密度、方向等，及其它专题信息用于分类。这些信息的加入常可使分类的精度得到显著提高。 除考虑目标象元的特征外，还可以考虑周围象元的特征。 二、监督分类（supervised) 原理 方法与步骤 监督分类的优缺点 原理 建立各类型已知样本区（训练区），根据训练区确定各类的统计特征，以此为基础，建立分类的判别函数，对每个象元进行类别划分。 步骤 训练区的选取 类别统计特征的计算 判别函数的确定 对每个象元进行判别计算 1 训练区的选取 对每一分类类型，在图像上圈定若干个已知区，作为训练区 要点： 训练区要典型，有代表性 训练区最好能均匀分布于全区 2 类别统计特征的计算 计算各类别训练区中各分类参数（波段）的统计特征值：均值、标准差、最大值、最小值、方差、协方差矩阵、相关矩阵或重心等。 训练样本分类能力的考查 地物亮度分布一般属于正态分布或对数正态分布 某类单波段亮度直方图应为单峰，方差越小分类效果越好。如出现多峰说明有多个总体，视情况需修改训练区 不同类在单波段直方图上均值相距越大，方差越小，分类效果越好。两类直方图有重叠，则重叠区样本难以区分 特征空间二维图中各类样本越集中，距离越远，分类效果越好 错分误差(commission error)——像元被分到一个错误类别的比例 漏分误差(omission error)——像元没被到相应类别的比例 3 判别函数的确定 常用三种方法： 平行算法 最小距离法 最大似然法 平行算法 又称盒式决策规则 根据各类训练样本的亮度值范围(由亮度最大值和最小值确定） 形成的多维数据空间区域来进行判别，将落入该区域内的像元划为该类。也可用均值和标准差来确定 特点： 快速 边界附近的判别准确 但当类别间亮度区域有重叠时无法判别 最小距离法 以均值向量或重心作为每类的中心位置，根据像元到各类别重心的距离来进行判断，将像元划到距离最小的类别 无法考虑类别方差的来同，重叠区的划分误差较大 最大似然法（Bayes) 基于亮度值服从正态分布的假设； 计算像元属于各类别的概率，将像元归入具最大概率的一类 概率公式为： 监督分类的优缺点 可根据应用和区域，有选择地决定分类类别 可控制训练样本的选择 通常具有较高的精度 可根据训练样本分析分类精度 参入了一定的人为因素 所选类别可能不能履盖所有类型，造成一些象元找不到归属 不能识别训练者不知道的类别 花较多的人力和时间 三、非监督分类 也称集（点）群分析或聚类分析，是按光谱（亮度值）向量在特征空间聚集的情况来划分点群或类别。 一个点群或类别在N维的特征空间里在某个众数的周围，该区域数据点相对密集，亮度向量之间具有更大的相似性。 相似性量度的基本特征： 1）亮度向量之间的距离 2）特征空间中不同区域的点密度 非监督分类由程序来划分出符合实际的点群或类别，需通过叠代运算来完成。 非监督分类步骤 1 、选定起始集群中心 根据直方图人为选取 程序产生：分裂方法 3、 检查和修改集群中心：根据规定的参数（阈值）来检查前一次循环中归类的结果，决定再分裂，合并或取消某些类别 分裂：标准差超过参数“最大标准差”，已有类别数小于预期类别数，或某一类的像元数大于参数“最大像元数，则该类就要分裂为两个新的集群中心（类别）： 合并：把两个集群（类）合并在一起，重新计算其中心（均值）。两种情况下进行： 两个集群之间的距离小于规定的阈值“最小群间距” 集群数超过了规定的“最大分类数” 类间距一般采用相似距离： 取消：当某个集群的像元数少于参数“一类最小像元数”，则这一点群被取消，其像元分散到相邻的群中。 4 、输出分类结果：两个循环间各类均值向量平均移动距离小于规定的移动阈值，或循环达到规定次数，则计算停止，输出结果。 非监督分类的优缺点 无需训练样本。 人为误差机会少 所有类别均可被识别 难以对类别进行控制，所得群组不一定对应分析者想要的类别。 难以进行不同图像之间的对比 * * 则 如： 或 第i波段j类的最小亮度值； 第i波段j类的最大亮度值； 第i波段象元值； 第i波段j类的标准差； 人为规定阈值 波段1 波段2 或 为均值向量 tm4 tm3 特点： 可同时定量考虑多个波段和类别，且较好地考虑了各类方差（离散程度），因而较为合理，也具有较