第9篇 遥感图像分类.pptVIP

比较监督分类与非监督分类的优缺点。 根本区别在于是否利用训练场地来获取先验的类别知识。 监督分类优点：简单实用，运算量小。缺点：受训练场地个数和训练场典型性的影响较大。受环境影响较大，随机性大。训练场地要有代表性，样本数目要能够满足分类要求。 非监督分类优点：事先不需要对研究区了解，减少人为因素影响，减少时间，降低成本。不需要更多的先验知识，据地物的光谱统计特性进行分类。缺点：运算量大。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。 思考题 第九章 遥感图像分类 本章教学目的及要求：了解遥感图像的计算机分类基本原理、遥感图像的计算机分类一般过程；掌握非监督分类、监督分类。 本章教学重点及难点：如何应用非监督、监督分类对遥感数字图像进行分类处理，分类结果的Kappa系数评价方法。 本章提要 9.1 概述 9.2 相似性度量 9.3 工作流程 9.4 监督分类 9.5 非监督分类 9.6 专家系统分类 9.7 分类精度分析 9.8 分类后处理 9.1.1 基本原理 同类地物在相同的条件下(光照、地形等)应该具有相同或相似的光谱信息和空间信息特征。不同类的地物之间具有差异根据这种差异，将图像中的所有像素按其性质分为若干个类别(Class)的过程，称为图像的分类。 9.1 概述 9.1.2 分类方法 根据是否需要分类人员事先提供已知类别及其训练样本，可将遥感图像分类方法划分为监督分类(Supervised Classification)和非监督分类(Unsupervised Classification)。 根据一个像素被分到一个类还是多个类，可将遥感图像分类方法分为硬分类(hard classification)和软分类(soft classification)。图像上的一个像素只能被分到一个类的分类方法称为硬分类。 9.1 概述 遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离来衡量相似度。 距离是常用的相似性度量的概念。分类是确定像素距离哪个点群中心较近，或落入哪个点群范围可能性大的问题。像素与点群的距离越近，那么，属于该点群的可能性越高。 9.2 相似性度量 9.3 工作流程 自动识别分类 监督分类法 非监督分类法 图像的预处理 定义分类模板 评价分类模板 执行监督分类 评价分类结果 分类后处理 图像的预处理 初始分类 专题判断 评价分类结果 分类后处理 分类后重编码 1.确定工作范围 2.多源图像的几何配准 3.噪声处理 4.辐射校正 5.几何精纠正 6.多图像融合 * 9.4 监督分类 概念：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，再按一定的统计判别规则对未知地区的像元进行分类处理，进行自动分类的方法。 基本过程：首先根据已知的样本类别和类别的先验知识确定判别准则，计算判别函数，然后将未知类别的样本值代入判别函数，依据判别准则对该样本所属的类别进行判定。 9.4 监督分类 训练区的选择： 训练区在遥感处理系统中被称为“感兴趣区”。在ENVI系统中，该区域称为ROI，在ERDAS系统中称为AOI。本文使用ROI表示训练区。 要有代表性（目标地物中心较大的区域选取） 数目要包含足够的信息 最大似然比分类法(Maximum Likelihood) 通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。 9.4 监督分类 原始图像 分类图像 优点： 根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别； 可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误； 分类速度快。 监督分类的优缺点： 缺点： 主观性 由于图像中间类别的光谱差异，使训练样本没有很好的代表性； 训练样本的获取和评价花费较多的人力时间； 只能识别训练中定义的类别。 9.4 监督分类 根据事先指定的某一准则，让计算机自动进行判别归类，无需人为干预，分类后需确定地面类别。在非监督分类中，先确定光谱可分的类别（光谱类）然后定义它们的信息类。 9.5 非监督分类 特点 不需要训练样本，先分类 分类后再对各类别赋予属性 自动化程度高 完全按照像元的光谱信息特征进行分类，适用于对分类区不了解的情况 9.5 非监督分类 常用非监督分类算法 1、K-均值分类算法（分级集群法） 2、ISODATA分类算法（动态聚类法） 9.5 非监督分类 当同类物体聚集分布在一定的空间位置上，他们在同样条件下应具有相同的光谱信息特征，这时其他类别的物体应聚集分布在不同的空间位置上。 由于不同地物的辐射特征不同，反映在直方图上会出现很多峰值及其对应的众数灰度值，他们在图像上对应的像元分别倾向于聚集在各自不同的众数附近的灰