第七课 遥感图像分类.pptVIP

;图像分类基本概念和原理 计算机分类的概念 判别函数与判别规则 影像空间与特征空间 特征空间中的距离 遥感图像分类过程 监督分类方法 非监督分类方法 提高分类精度的方法;遥感图像分类是图像信息提取的一种方法 遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一 ;在特征空间中，依据像元相似度的大小，归类相似的像元，分离不相似的像元，并给每一个像元赋类别值的过程 分类的总目标是将图像中所有的像元自动进行土地覆盖类型或土地覆盖专题的分类;计算机分类实例;遥感图像;为什么使用计算机分类？;光谱特征空间;SPOT影像;真实二维特征空间示例;特征空间中的距离;图像分类方法;分类步骤;确定每个类别的样区 学习或训练 确定判别函数和相应的判别准则 计算未知类别的样本观测值函数值 按规则进行像元的所属判别;判决函数：当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函数 判别规则：判断特征矢量属于某类的依据。当计算完某个矢量在不同类别判决函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。 这种判断的依据，称之为判别规则;监督法分类;监督法分类;准确性——确保选择的样区与实际地物的一致性 代表性——考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况 统计性——选择的训练样区内必须有足够多的像元 ;选择训练区;训练区与特征空间的联系;;建立类别的判别函数;主要的监督分类方法;最小距离分类法;最近邻法;基本思想是设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类 距离判决函数偏重于集群分布的几何位置 距离判别规则是按最小距离判别的原则 ;平行六面体分类法;以一个包括该集群的“盒子”作为该集群的判别函数 判决规则为若未知矢量X落入该“盒子”，则X分为此类，否则再与其它盒子比较 这种分类法在盒子重叠区域有错分现象，错分与比较盒子的先后次序有关;最大似然分类法;最大似然分类法;最大似然分类法;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 可以控制训练样本的选择 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，分类精度高 避免了非监督分类中对光谱集群的重新归类 分类速度快;主观性 由于图像中间类别的光谱差异，使得训练样本没有很好的代表性 训练样本的获取和评估花费较多人力时间 只能识别训练中定义的类别;非监督分类的思想 主要非监督分类方法 K-均值法 ISODATA 非监督分类的特点 分类后处理 分类后的误差分析;在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法 根据图像数据本身的统计特征及点群的分布情况，从纯统计学的角度对图像数据进行类别划分 ;利用事先定义的参数确定特征空间中类别的位置，然后确定单个像元是否属于某个类别;一般的聚类算法是先选择若干个点作为聚类的中心 每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各点归于各聚类中心所代表的类别，形成初始分类 然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止;按照某个原则选择一些初始聚类中心 计算像元与初始类别中心的距离，把像素分配到最近的类别中;计算并改正重新组合的类别中心 过程重复直到满足迭代结束的条件;仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类 其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读或实地调查确定的;K-均值法（K-means Algorithm） 迭代自组织数据分析技术方法（Iterative Self-Organization Data Analysis Techniques，ISODATA）;K-均值法;K-均值算法的聚类准则是使每一聚类中，像元到该类别中心的距离的平方和最小 基本思想：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 ;（1）确定类别数并各类的初始中心：z1(0), z2(0),…, zK(0)，K为类别数。初始中心可任意选取 初始中心的选择对聚类结果有一定影响，初始中心的选择一般有以下方法： ①根据问题的性质，用经验的方法确定类别数K，从数据中找出从直观上看来比较适合的K个类的初始中心 ②将全部数据随机地分为K个类别，对计算每类的重心，将这些重心作为K个类的初始中心;（2）择近分类，即将所有像元按照与各中心的距离最小的原则分到K个聚类中心 （3）计算新中心。待所有样本第i 次划分完毕后，重新计算新的集群中心zj(i +1), j=1, 2, …, K （4）如果聚类中心不变，则算法收敛