(auxiliary data) (非遥感数据，如DEM、 土壤类型) 特征提取.PPT

小 结 一、遥感图像分类概述 二、监督分类 三、非监督分类 四、遥感图像分类的新方法 五、分类后处理和精度分析 预习：查阅资料总结遥感应用领域 * * * * * * * * * * * * * * 根据样本统计，可计算特征向量X在第i类的概率分布密度为： 第i类总体的协方差矩阵 前提是认为每一类的概率密度分布都是正态的，由每一类的均值向量和协方差矩阵可以得到多维特征空间的概率密度分布函数。 二、监督分类 4.最大似然法(Maximum likelihood classifier ) 归属判断 根据Bayes，可计算X的归属i类的概率： 若 则X归属i类 二、监督分类 Landsat 4-3-2波段假彩色合成图像 分类结果 三、非监督分类 1.非监督分类概念 (unsupervised classification) 根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别。 主要采用聚类(clustering)法，使同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。 在非监督分类中，先确定光谱可分的类别，然后定义它们的信息类。 1. 4-3-2假彩色合成图象(香港九龙); 2. 聚类结果(10类) 三、非监督分类 3. 聚类结果合并(5类); 4. 最终结果 (类别颜色改变) 三、非监督分类 2.K－均值聚类法 K－均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。 三、非监督分类 1. 确定最初类别数和类别中心; 2. 计算每个像元与各初始聚类中心的距离; 3. 选与其中心距离最近的类别作为这一像元的所属类别; 4. 计算新的类别均值向量; 5. 比较新的类别均值与原中心位置的变化, 形成新的聚类 中心; 重复2, 反复迭代; 6. 如聚类中心不再变化, 停止计算. 这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果，这是这种方法的缺点。 三、非监督分类 2.K－均值聚类法 3、ISODATA算法聚类分析 三、非监督分类 在初始设定基础上，在分类过程中根据一定原则不断重新计算类别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条件, 分类完毕。 与K均值不同之处： 1）把所有样本计算完毕之后，再重新计算一次。 2）通过设定参数可自动实现类别的分裂与合并，得到类数比较合理的聚类结果。 设定参数：聚类中心的数目、每一聚类的最少样本数、类别的标准差（标准差大于阈值则分裂）、两聚类中心的最小距离（如小于阈值则合并）、迭代运算的次数等。 a.原始聚类中心 b.第一次迭代的类别分布 三、非监督分类 聚类过程: 类别中心的变化 c.第二次迭代的 类别分布 d.第n次迭代的 类别分布 三、非监督分类 非监督分类与监督分类的过程比较 初步分类 选择训练样本 确定分类器 分类后处理 检验分类结果 统计分析、输出结果 监督分类 非监督分类 分类合并 专题判断 初步分类 分类后处理 统计分析、输出结果 yes no 非监督分类与监督分类的方法比较 监督分类 非监督分类 优点 可有选择地决定分类类别 不需对待分类区域进行事先了解 通过检查训练样本避免分类错误 仅需定义极少参数减少人为误差 避免对光谱集群组重新归类 覆盖量最小的类别仍能被识别 缺点 人为主观因素较强 需对光谱集群组进行类型匹配 训练样本不具备很好代表性 产生的类别不一定满足需求 无法识别训练样本定义外的类别 光谱特征的变换使其不连续 1.模糊聚类分类 2.决策树分类 3. 神经网络分类 4.支持向量机分类 5.面向对象的图像分析 四、遥感图像分类的新方法 思想：基于事物的表现有时不是绝对的，而是存在着不确定的模糊因素。同样在遥感图像计算机分类中也存在着这种模糊性。 模糊矩阵A=[aij]应满足以下条件： 1)aij∈[0，1]，它表示样本Uj属于第i类的隶属度； 2)A中每列元素之和为1，即一个样本对各类的隶属度之和为1； 3)A中每列元素之和大于0，即表示每类不为空集。 过程：从样本集U的所有划分方式中找到最佳划分矩阵A的过程。 四、遥感图像分类的新方法 1.模糊聚类 A为分类矩阵；V为聚类中心；m是类别数；n为样本数；||Uk-Vi||表示Uk到第i类聚类中心Vi的距离；b为权系数，b越大，分类越模糊，一般情况下b不小于1，等于1就是硬分类。当Jb达到极小值时，整体分