《遥感图像处理及ENVI IDL操作实践》第十三章 图像分类(24P).pptVIP

主讲：朱文泉 Email: zhuwq75@bnu.edu.cn Tel: 办公室：科技楼B区706 遥感图像处理及ENVI/IDL操作实践 北京师范大学 资源学院 第十三章 图像分类 一、分类的背景知识 二、遥感图像分类原理 三、非监督分类 四、监督分类 五、分类后处理及精度评价 六、ENVI图像分类基本操作 难点：各种分类器的参数配置原理。 重点：常见图像非监督分类与监督分类的基本原理、基本操作过程。 一、分类的背景知识（1） 案例一：有20个幼儿园的小朋友，他们的身高均在0.7m左右，体重均在15kg左右，他们穿相同的园服，但他们穿的鞋子不一样（男孩的鞋子颜色较为素净，女孩的较为鲜艳；但也有男孩穿鲜艳的鞋子，女孩穿素净的鞋子），他们的头发长短有所不同（大部分男孩的头发较短，大部女孩的头发较长，但也有女孩的头发和男孩一样短），请根据以上特征将这20个小朋友分成男女两个队列。 观测样本 遥感像元 特征变量 （遥感的不同光谱波段） 身高 波段1 体重 波段2 服装 波段3 鞋子 波段4 头发 波段5 其它特征 其它光谱波段 张三 李四 王五 …… 一、分类的背景知识（2） 案例二：有一群你一个也不认识的女演员，她们各自穿自己民族的服装，请将她们的民族识别出来。 方法一：先将女演员按她们的服装特征进行分类（尽管此时你不知道该类别具体是什么民族），然后再去查找各民族服装特征，由此判断各类别是什么民族。（非监督分类） 方法二：先找出各民族的服装特征，由此将各个演员的民族识别出来。（监督分类） 二、遥感图像分类原理（1） 遥感图像分类原理：不同的地物具有不同的波谱特征，同类的地物具有相同或相似的波谱特征，遥感图像计算机分类是基于数字图像中所反映的同类地物的光谱相似性和异类地物的光谱差异性进行的。 在多波段图像中，每一波段都可以看作为一个变量，在计算机分类中称其为原始图像的特征变量，一个像元可以看成由n个特征组成的n维空间的一个点，同类地物的像元形成n维空间的一个点群，差异明显的不同地物会构成n维空间的若干个点群，计算机分类就是要分析特征空间这些点群的特点，如点群的位置、分布中心、分布规律，从而确定点群的界限，最终完成分类任务。 二、遥感图像分类原理（2） 三、非监督分类（1） 非监督分类：在没有先验类别作为样本的条件下，根据像元间相似度大小进行计算自动判别归类，无须人为干预，分类后需确定地面类别。 优点： 1、无需对分类区有较多的了解，仅需一定的知识来解释分类出现的集群组； 2、人为误差减少，需输入的初始参数较少； 3、可形成范围很小但有独特光谱特征的集群，所分的类别比监督分类的类别更均质； 4、独特的、覆盖量小的类别均能够被识别。 缺点： 1、 对其结果需进行大量分析及后处理，才能得到可靠分类结果； 2、 存在同物异谱及异物同谱现象，使集群组与类别的匹配难度大； 3、 不同图像间的光谱集群组无法保持其连续性，难以对比。 三、非监督分类（2） K均值算法 三、非监督分类（3） ISODATA算法 三、非监督分类（4） 三、非监督分类（5） 四、监督分类（1） 监督分类：先选取有代表性的训练区作为样本，通过选择特征参数（如像元亮度均值，方差等），确定判别函数，据此进行分类。 分类过程： 1、选择训练区（代表性，完整性，多个样区） 2、提取统计信息（进行多元统计分析、训练样本的有效评价、样本纯化） 3、选择合适的监督分类算法（平行算法、最小距离法、最大似然法（至今应用最广）、波谱角分类法） 4、计算机自动分类 5、分类精度评价（非位置精度、位置精度—混淆矩阵） 四、监督分类（2） 优点： 1、可充分利用分类地区的先验知识，预先确定分类的类别； 2、可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度，避免分类中的严重错误 3、避免了非监督分类中对光谱集群组的重新归类。 缺点： 1、人为主观因素较强； 2、训练样本的选取和评估需花费较多的人力时间； 3、只能识别训练样本中所定义的类别，从而影响分类结果。 四、监督分类（3） 四、监督分类（4） 平行管道（盒式）分类法 四、监督分类（5） 最小距离算法 四、监督分类（6） 最大似然算法 五、分类后处理及精度评价（1） 分类后处理： 原因：原始遥感图像有噪声、逐像元分类均会使分类图出现零星小图斑。 处理方法：分类后处理主要有：主/次要分析（Majority/Minority Analysis）、类成团（clump）、类别筛选（Sieve）、类别结合（Combine classes）、类别叠加（Overlay classes）等。 五、分类后处理及精度评价（2） 主/次要分析：使用主要分析（Majority）可以将较