遥感技术与应用-7-计算机分类ch.pptVIP

第七章 遥感数字图像的计算机分类 第一节遥感数字图像概述 一 遥感数字图像 1 概念 以数字的形式来表示遥感影像.实质是二维数组(矩阵) 2 量化等级 遥感影像上辐射分辨率表现为：量化等级（Bit数），如TM或ETM+是28，Quickbird是211，NOAA的AVHRR是210,ASTER可以到212 TM 8bit DN: 0-255 AVHRR 10bit DN: 0-1023 ASTER 12bit DN: 0-4095 二 多波段遥感数字图像的表示方法 二、模式识别的方法 数据聚类（Clustering） 是用某种相似性度量的方法将数据组织成有意义的和有用的各组数据。数据聚类不需要利用已知类的信息，它是一种非监督学习的方法。 统计分类 （Statistical Classification） 最为经典的模式识别方法，在选取训练区的基础上，估计出每类型的统计特征参数（均值向量和协方差矩阵），从而 确定每类型的概率分布密度函数，进而建立判别函数，实现对待分像元进行分类。 这种分类方法是建立在多元变量的多元正态分布的假设基础上的。这是一种监督学习方法。 第三节 遥感图像计算机分类概述 一 概述 图像分类是图像信息提取的一种主要方法 表 从遥感信息中提取专题信息 三、遥感图像计算机分类（模式识别）的种类 光谱模式识别（Spectral PR）是指根据像元到像元的光谱信息来自动划分土地覆盖类型的分类过程的总称。它只考虑了地物在光谱辐射方面的差异。 空间（结构）模式识别（Spatial or Structural PR）是指图像像元根据和它周围像元的空间关系来进行图像分类。空间关系主要是指：图像的结构、像元的近似度特征的大小、形状、方向性、分形维、扁率、重复度和上下关系等空间特征。这种方法比光谱模式识别过程更复杂，而且计算算法上更精深。 时间模式识别（Temporal PR）是指在特征鉴别中将时间作为一种辅助信息，利用多时相的遥感数据动态的进行土地覆盖类型的分类 说明：遥感图像分类没有唯一“正确”的方法，因此可以将它们结合在一起运用，形成混合模式（Hybrid Pattern） 五、遥感图像计算机分类的原理 假设分割A、B两个点集的曲面（图中是两维变量因此是直线）表达式为 二 分类结果的质量评价 在遥感图像的分类问题中常以混淆矩阵（Confusion Matrix）来表示分类结果的精度 混淆矩阵定义如下： 第五节 遥感图像的计算机监督分类 一、监督分类的概念 利用对研究区已有类别的先验知识从遥感图像上选取若干有代表性的训练区作为样本,据此估计出各类别的统计特征参数（均值向量μ和协方差矩阵Σ）进而建立判别函数，然后利用判别函数实现对待分类像元进行分类的方法。 有监分类的数学基础：多元统计的判别分析（Discriminant Analysis） 分类者选训练区的方式： A 多边形（Polygon)或区域方式选取：适用于大片集中分布的地物类型 B 多边形线（Polyline）方式：适用线状分布的地物，如道路、河流等 C 点方式（Point）：适用于零星的小面积分布的地物类型 上述选训练区的方式可以交互使用 设n维多光谱图像中任一待分类像元Xi用n维向量表示为： 4 平行管道分类法 5 多级切割分类法 用一系列分割点,将多维特征空间划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法. 6 神经元网络(neural net) 监督分类与非监督分类的区别 监督分类: 先学后分，对地物有了解，计算量小，训练区好坏影响分类结果显著 非监督分类：先分后学，对地物无了解，计算量大，分类结果好坏与聚类模型有产 三、非监督分类的方法 分级集群法(K-Mean法) 其基本思想是通过迭代，逐次移动各类别的中心，直到后一次获得的各类的中心与前一次聚类获得的中心不再发生移动为止。 监督分类与非监督分类的结合 第一步：选择一些有代表性的区域进行非监督分类。这些区域尽可能包括所有感兴趣的地物类别。这些区域的选择与监督法分类训练样区的选择要求相反，监督法分类训练样区要求尽可能单一。而这里选择的区域包含类别尽可能地多，以便使所有感兴趣的地物类别都能得到聚类。 第二步：获得多个聚类类别的先验知识。这些先验知识的获取可以通过判读和实地调查来得到。聚类的类别作为监督分类的训练样区。 第三步：特征选择。选择最适合的特征图像进行后续分类。 第四步：使用监督法对整个影像进行分类。根据前几步获得的先验知识以及聚类后的样本数据设计分类器。并对整个影像区域进行分类。 第五步：输出标记图像。由于分类结束后影像的类别信息也已确定。