遥感ImageClassificationandAnalysis汇编.pptVIP

Spectral classes are grouped first, based solely(仅仅) on the numerical information in the data, and are then matched by the analyst to information classes (if possible). * 一个处理单元即一个人工神经元，将接受的信息x0,x1,…,xn-1，通过用W0,W1,…,Wn-1表示的权，以点积的形式作为自己的输入，如下图，并将输入与以某种方式设定的域值θ作比较，再经某种函数f的变换，便得到该神经元的输出y 遥感图像目视解译:依据光谱规律、地学规律、解译者的经验从影像的亮度、色调、位置、时间、纹理、结构等各种特征判译出地面的景物类型。 遥感图像的计算机解译:主要依据是遥感图像像素的相似度，对图像信息进行属性的识别和分类，识别图像信息所对应的实际地物，提取所需地物信息。 1）成像过程要受传感器、大气条件、太阳位置等多种因素的影响。 2）不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。 3）遥感图像的地域性、季节性和不同成像方式更增加了计算机对遥感数字图像进行解译的难度。 基于统计的方法 是研究每一个模式的各种测量数据的统计特性，按照统计决策理论来进行分类的方法。 基于规则的方法 根据规则IF条件THEN假设CF 监督分类 事先已经知道类别的部分信息（类别的先验知识），对样本进行分类的方法。 非监督分类 事先没有类别的先验知识，对样本进行分类的方法称为非监督分类。 硬分类 图像上的一个像素只能被分到一个类的方法称为硬分类（hard classification）。 传统的分类方法都是硬分类。 软分类 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） 典型的就是模糊分类。 逐像元分类 分类的基元是像元，即逐个像元进行识别，将其归入某一类别。 面向对象分类 分类的基元是对象。 对象：影像中的物体，除了在边界表现出不连续之外，在物体区域内部具有某种同一性。根据这种同一性，把一整幅影像划分为若干互不相交的子区域，每一区域对应于某一物体或物体的某一部分，这就是对象。 Similarity of pixels（像素的相似度）：两类模式之间的相似程度。 1.Absolute distance :绝对距离 2.Euclidean distance：欧氏距离 3. Mahalanobis distance：马氏距离 4. Cosine distance ：余弦距离 Similarity of pixels（像素的相似度）：两类模式之间的相似程度。 1.Absolute distance :绝对距离 2.Euclidean distance：欧氏距离 3. Mahalanobis distance：马氏距离 4. Cosine distance ：余弦距离 距离判别函数的基本思想是： 计算光谱特征空间任一象元k到各地物类别中心位置M（已知）的距离，d（gk)，当： 又称训练场地法或先训练后分类法。 先选择有代表性的试验区（训练区）； 用已知地面的各种地物光谱特征来训练计算机，取得识别分类判别规则； 并以此做标准对未知地区的遥感数字图像进行自动识别分类。 最小距离分类法是以特征空间中的距离作为像素分类的依据 。 最大似然比分类法是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。 ①最小距离判别法： 要求对遥感图像中每一个类别选一个具有代表意义的统计特征量(均值)，首先计算待分像元与已知类别之间的距离，然后将其归属于距离最小的一类。 最近邻域分类法：在多波段遥感图像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分像元到每一类中每一个统计特征量间的距离，这样，该像元到每一类都有几个距离值，取其中最小的一个距离作为该像元到该类别的距离，最后比较该待分像元到所有类别间的距离，将其归属于距离最小的一类。 最大似然分类法（Bayes准则法）应注意的问题： 各类别的训练数据至少要为特征维数的2到3倍以上，这样才能测定具有较高精度的均值及方差、协方差； 或采用主成分变换，把维数压缩成仅剩下相互独立的波段，然后再求方差协方差矩阵。 最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。 当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然比分类法。 聚类：把一组像素按照相似性归成若干类别，即“物以类聚”。 聚