第8章_遥感图像分类.ppt

遥感数字图像处理 林金堂 闽江学院地理科学系 第8章 遥感图像分类 第8章 遥感图像分类 8.1 概述 8.2 相似性度量 8.3 工作流程 8.4 非监督分类 8.5 监督分类 8.6 其他分类方法 8.7 分类后处理 8.8 分类精度分析 8.1 概述 8.1.1 基本原理 8.1.2 分类方法 8.1 概述 8.1.1 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。 遥感图像分类以每个像素的光谱数据为基础进行。 假设遥感图像有K个波段，则(i,j)位置的像素在每个波段上的灰度值可以构成表示为X=(x1，x2，…，xk)T，包含X的K维空间称为特征空间，这样K个波段的多光谱图像便可以用K维特征空间中的一系列点来表示。在遥感图像分类问题中，常把图像中的某一类地物称为模式，而把属于该类中的像素称为样本， X=(x1，x2，…，xk)T 可以称为样本的观测值。 8.1 概述 8.1.2 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，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。 事先己经知道类别的部分信息(即类别的先验知识)，对未知类别的样本进行分类的方法称之为监督分类(Supervised Classification)。事先没有类别的先验知识，对未知类别的样本进行分类的方法称之为非监督分类(Unsupervised Classification) 根据分类使用的统计数学方法可以分为随机统计方法和模糊数学方法分类。前者以随机数学理论为基础，包括K-均值分类、最大相似性分类等。后者以模糊数学理论为基础，主要是模糊分类。 8.1 概述 8.1.2 分类方法 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和软分类。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(hard classification)。传统的统计分类方法都是硬分类。 硬分类有时可能不合理。因为有些像素可能同时具有两个类或多个类的性质。 图像上的每一个像素可以同时被分到两个或两个以上类的分类方法，称为软分类(soft classification )，这时每个像素除了被分类外，还同时允许它在不同的两个或多个类中具有隶属概率(class membership probability)或部分隶属值(partial Membership value)。这是对硬分类不合理一面的一种较合理的解决方式。 8.2 相似性度量 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。按照一定的准则，当距离小于一定值时，像素被划分给最近的点群。每个点群为一个类。 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。也可以认为，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。因此，在点群(团)中心已知的情况下，以每个点与点群中心的距离作为判定的准则，就可以完成分类工作。 运用距离判别函数时，要求各个类别点群的中心位置己知。对于光谱特征空间中的任一点k，计算它到各类中心点的距离d。若didj，则k像素属于i类而不属于j类，此处，判别准则为didj 8.2 相似性度量 8.2 相似性度量 8.2 相似性度量 8.2 相似性度量 8.3 工作流程 8.4 非监督分类 8.4 非监督分类 非监督分类，是指人们事先对分类过程不施加任何的先验知识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类。其分类的结果，只是对不同类别进行了区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。 非监督分类的理论依据：遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域。 由于在一幅复杂的图像中，训练区有时不能包括所有地物的光谱样式，这就造成了一部分像元找不到归属。在实际工作中为了进行监督分类而确定类别和训练区的选取也是不易的，因而在开始分析图像时，用非监督分类方法来研究数据的本来结构及其自然点群的分布情况是很有价值的。 8.4 非监督分类 非监督分类主要采用聚类分析的方法，聚类是把一组像素按照相似性归成若干类别。它的目的是使得属于同一类别的像素之间的距离尽可能小，而不同类别上像素间的距离尽可能大。 在进行聚类分析时，首先要确定基准类别的参量。在非监督