遥感影像经典的监督分类算法及改进.pptVIP

经典的监督分类算法及改进 遥感影像分类 非监督分类 监督分类 选取样本 ? 原型分类法 概率密度估计分类法 其 他 判别函数分类法 最小距离法 最大似然法 最小距离法—原型分类法 原型可理解为某类训练样本的”代表”: 代表1:从训练样本中直接选取的某个特征向量. 代表2:由训练样本派生出来的特征向量. 如果在特征空间中特征向量x与某类(ωi)的原型相似性越高,则将x分类为ωi 我们用样本点间的”距离”作为其相似性程度的度量. 欧氏距离 dij为第i个像元与第j个像元在N维空间中的欧氏距离 N为波段数; Xik与Xjk分别为第k个波段上的Xi与Xj的灰度值 最小距离法—距离 马氏距离 dij为第i个像元与第j个像元在N维空间中的马氏距离. (Xi-Xj)为第i个像元与第j个像元之差按波段排列的列向量 (Xi-Xj)T为(Xi-Xj)的转置,Σ-1为N个波段协方差矩阵的逆矩阵 最小距离法—距离 Σ 马氏距离可以排除变量之间的相关性的干扰,夸大了变化微小的变量的作用. 选取样本 计算类别中心 计算每个像元到各类别中心的距离 找出最小距离 像元定义为该类 最小距离法—流程 求某类像元的均值作为新的类别中心 设置一定迭代次数或者当类别中心变化小于一定阈值.停止迭代 最大似然法（MLC）将卫星遥感影像多波段数据的分布作为多维正态分布来构造判别分类函数。 将离散的数据看做连续型,每一类的每一维数据都在自己的数轴上形成一个正态分布。 最大似然法—思想 一维的数据(一个波段) 最大似然法—思想 二维的数据(两个波段) 最大似然法—思想 一维: 是第k类的波段1中所有数据的一维正态分布密度函数 二维: 最大似然法—计算 对于m维: 是x在第k类上的分布函数 μk是k类的均值向量; 是第k类m个波段值的 协方差矩阵;  是 的逆矩阵, 是其行列式 最大似然法—计算 是第k类在所考虑的全部数据中 出现的概率，亦即第k类在g个类中 出现的概率，称为先验概率. 是在所考虑的全部数据中出现该数据向量 的概率. g个类样本数据 g个类的m维正态分布密度函数 X属于g个类别中第k类的概率 任意X 贝叶斯公式 最大似然法—计算 只考虑数据全体而不是考虑类 先验概率设为相等 遥感信息的统计分布具有高度的复杂性和随机性,类别的分布比较离散而导致不能服从预先假设的分布 训练样本的选取不够充分、 不具代表性时,分类结果可能出现较大偏差. 最大似然法—缺点 最大似然法：基于有限个参数化密度分布函数判别 EM算法是混合密度模型参数估计的有效方法， 是从不完全数据中找局部极大似然估计， 被应用于空间特征提取、 多源数据融合、 空间数据挖掘等领域。 EM算法改进的最大似然法 完全数据：可以表示为 （x ，y）， 其中y表示所属分支的标签， 其取值为｛1 ，2 …，g ｝ 例如，训练样本。 不完全数据：也叫观察数据，随机数据，测试样本，表示x数据并不知道它来自哪个分支。 例如，不在样本中的随机像元。 EM算法最大特点在于，它是通过对完全数据的处理来解决不完全数据的问题。 EM算法—相关概念 假定遥感影像是由有限个参数化高斯密度分布构成 参数估计的初识值 训练样本 随机像元 EM方法 新的参数估计值 。。。 不满足迭代条件 最后各类的参数值和高斯密度分布 所有像元 各像元的在各类的概率 EM-MLC算法—流程 E步（ estimate the expected values ） 即 EM-MLC算法—步骤 M步（re-estimate parameters） i类的训练样本mi个；i类的随机像元n个 EM-MLC算法—步骤 试验区为香港港岛地区。 数据为landsat TM数据。 最大似然方法精度 82.84%； EM算法改进的最 大似然法精度 87.99% EM-MLC算法—实例分析 实验中EM-MLC法比一般 MLC法突出在： 城市与水体区分；水体和沙滩区