遥感原理与应用-第8章-遥感图像自动识别分类2015.pptVIP

ISODATA算法 1.初始化； 2.选择初始中心； 3.按一定规则(如距离最小)对所有像元划分； 4.重新计算每个集群的均值和方差；按初始化的参数进行分裂和合并； 5.结束，迭代次数或者两次迭代之间类别均值变化小于阈值； 6.否则，重复3-5； 7.确认类别，精度评定. 8.4.3 平行管道发聚类分析 以地物的光谱特性曲线为基础，假定同类地物的光谱特性曲线相似作为判决的标准。设置一个相似阈值 同类地物在特征空间上表现为以特征曲线为中心，以相似阈值为半径的管子，此即为所谓的“平行管道”。 非监督分类结果 非监督分类特点 优点 不需要预先对所分类别的区域有广泛的了解，需要用一定的知识来解释得到的集群组； 人为误差的机会减少； 量小的类别能被区分。 缺点 得到的集群组类别不一定对应分析者想要的类别； 难对产生的类别进行控制； 不同图像之间的对比困难。 8.5 非监督分类和监督分类的结合 选择一些有代表性的区域进行非监督分类。 获得多个聚类类别的先验知识。 特征选择。选择最适合的特征图像进行后续分类。 使用监督法对整个影像进行分类。 输出标记图像。 8.6 分类后处理和误差分析 分类后处理 误差分析 8.6.1 分类后处理 用光谱信息对影像逐个像元地分类，在结果的分类地图上会出现“噪声” 。 分类是正确的，但某种类别零星分布于地面，占的面积很小 ，希望用综合的方法使它从图面上消失。 分类平滑技术可以解决以上的问题。 逻辑运算，非代数运算。 处理原则服从多数原则。 多数平滑过程 多数平滑 8.6.2 分类后误差分析 采用混淆矩阵来进行分类精度的评定。 对检核分类精度的样区内所有的像元，统计其分类图中的类别与实际类别之间的混淆程度。 混淆矩阵中，对角线上元素为被正确分类的样本数目，非对角线上的元素为被混分的样本数。 混淆矩阵 表中每一项都是实际检验的像元占该类总像元数的百分率。根据这个混淆矩阵可以算出平均精度，对角线元素之和取平均：S=（84.3%+80.3%+89.8%）/3=84.8% 由于各种类别样本元素的总数不一致，所以更合理的方法应加权平均，以总精度S表示加权平均，则：S=（84.3%×102+80.3%×152+89.8%×49）/(102+152+49)=83.2% 针对误差矩阵的统计估计量 总体分类精度 ：表述的是对每一个随机样本，所分类的结果与地面所对应区域的实际类型相一致的概率。 用户精度：表示从分类结果（如分类产生的类型图）中任取一个随机样本，其所具有的类型与地面实际类型相同的条件概率。 制图精度：它表示相对于地面获得的实际资料中的任意一个随机样本，分类图上同一地点的分类结果与其相一致的条件概率。 Kappa分析 谢谢 第一章：绪论 * 第一章：绪论 * 穗帽变换 Y=A·X Y=（ISB IGV IY IN）T X=（X4 X5 X6 X7） ISB——土壤亮度轴的像元亮度值 IGV——植物绿色指标轴的像元亮度值 IY——黄色轴 IN——噪声轴 Xi——地物在MSS四个波段上的亮度值 SB分量和GV分量一般情况下等价于主分量变换中的第一主分量PCI和第二主分量PC2 SB分量集中了大部分土壤信息，所以对土壤的分类是有效的 GV分量对植被的分类是有效的 4. 生物量指标变换 Ibio——生物量变换后的亮度值。 x7，x5为MSS7和MSS5图像的像元亮度值。 经变换后，植物、土壤和水都分离开来，因此可独立地对绿色植物量进行统计。 生物量指标变换 8.2.2 特征选择 选择一组最佳的特征影像进行分类 定量选择方法 距离测度 散布矩阵测度 类内散矩阵 类间散布矩阵 总体散布矩阵 = ???+ ?? TM 7,4,1 TM 5,7,2 TM 5,4,3 TM 4,3,2 前面所述内容主要为分类前的预处理。预处理工作结束后，就将参与分类的数据准备，接下来的工作就是从这些数据提供的信息中让计算机“找”出所需识别的类别方式有两种：一种就是监督分类法；另一种称为非监督分类法。下面先介绍监督分类法。 8.3 监督分类 监督分类：是基于我们对遥感图像上样本区内地物的类属已知，于是可以利用这些样本类别的特征作为依据来识别非样本数据的类别。 监督分类的思想：首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别函数中求解待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。 监督分类 判别函数和判别规则 分类过程 8.3.1判别函数和判别规则 各个类别的判别区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别，这些函数就称为判别函数。 当