遥感数字图像计算机分类 - rs系列讲座精品课件ppt.pptVIP

遥感影像的计算机分类 遥感数字图像的计算机分类原理 遥感数字图像的计算机分类方法 遥感数字图像的计算机分类步骤 ERDAS的遥感影像分类 第一节 遥感数字图像的计算机分类原理 分类原理: 目视判读分类所依据的是影像的色调和几何特征等解译标志,而计算机分类的对象是数字图像,地物的所有特征都是通过数字化的灰度值反映出来的,因此, 计算机分类是建立在对图像像元灰度值的统计、运算、对比和归纳基础上进行的。 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。 特征空间二维图是另一种广泛用于评价训练样本的方法。此图同时显示图像中两个波段所有像元的分布，从而作为不向图像持征选择的背景。 第二节 遥感数字图像的计算机分类方法 按训练样本：非监督分类和监督分类 按分类模型或分类器：统计分类、模糊分类、邻域分类、神经网络分类等。 按分类单位： 基于像素和基于对象分类 像元的类别归属划分方法：硬分类和软分类（模糊分类）方法 非监督分类(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 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 　　 非监督分类的前提是假定遥感影像上 同类物体在同样条件下具有相同的光谱信息特征。 非监督分类方法不必对影像地物获取先验知识 仅依靠影像上不同类地物光谱信息进行特征提取，再统计特征的差别来达到分类目的 最后再对巳分出的各个类别的实际属性进行确认。 　非监督分类主要采用聚类分析方法,聚类是把一组像素按照相似性归成若干类别,即“物以类聚”。它的目的是使得属于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。其常用方法如下: 　(1) 分级集群法(Hierarchical Clustering) 　(2) 动态聚类法 ISODATA方法在动态聚类法中具有代表性。 一般ISODATA需要分析者定义： (1)最大的集群组数量Cmax(如40个)，通常这个数量都应该比最后的分类图中的类别多； (2)在循环中，最大的类别不变的像元百分比。当达到达个百分比时，IsoDATA算法停止。但对有些图像，这个百分比可能永远也达不到，因此需要其他参数来中断这个计算； Convergence Threshold （3)最长的时间，当ISODATA算法执行的时间达到这个指定的最大值，不论 (2)中的像元百分比是否达到，I咖ATA算法即中断： (4)每个集群串中最小的像元数量、最大的标准方差； (5)最小的集群均值间距离，如果两个之间的距离小于这个值 (6)集群分散值，这个值通常为0。 监督分类的概念： 　　　　首先需要从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本,通过选择特征参数(如像素亮度均值、差等),建立判别函数,据此对样本像元进行分类,依据样本类别的特征来识别非样本像元的归属类别。 监督分类包括利用训练区样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别的过程。 监督分类对训练场地的选取具有一定要求: 训练场地所包含的样本在种类上要与待分区域的类别一致。训练样本应在各类目标地物面积较大的中心选取, 这样才有代表性。如果采用最大似然法,分类要求各变量正态分布, 因此训练样本应尽量满足这一要求。 另外，在选择训练样本时、还必须考虑每一类别训练样本的总数量。作为一个普遍的规则，如果图像有N波段，则每一类别应该至少有10N个训练样本，才能满足一些分类算法中计算方差及协方差矩阵的要求。 训练样本的来源可以是： ①实地收集．即通过全球定位系统(GPs)定位，实地记录的样本。 ②屏幕选择，即通过参考其他图或根据分析者对该区的了解，在屏幕上数字化每一类别有代表性的像元或区域，或用户指定一个中心像元，机器自动评价其周边像。 1、平行算法 平行算法又称为盒式决策规则，是根据训练样本的亮度假范围形成一个多维数据空间。其他像元的光谱值如果落在训练样本的亮度值所对应的区域，就被划分到其对应的类别中。图中显示A、B两个类别的训练样本在第1波段和第2波段上的最小慎和最大值，则由这些值分别定义的亮度区域为A和B。所有其他像元在这两个波段的亮度值如果落在A，则这个像元就划分为A类。这个过程可以扩展到两个以上的波段和类别。 最小距离法 最小距离法是利用训练样本产各类别在各波段的均值，根据各像元离训练样本平均值距离的大小来决定其类别。 监督分类和非监督分类方法比较 ◆监督分类和非监督分类的根本区别点在于是否利用训练场地来获取先验的类别知识, 监督分类根据