环境遥感技术及应用（田静毅）第五章 遥感图像的计算机分类知识课件.ppt

第五章 遥感图像的计算机分类; 掌握： 概念：特征空间、监督分类、非监督分类、训练、训练场地、训练样本、模式、模式识别。 遥感图像的分类原理。 监督分类中选择训练样本的要求。 监督分类中主要的识别分类方法及其各自特点。 了解： 模式识别的任务与方法（分类）。 训练场地的选择方法。 识别分类判别函数的特点。;1 遥感图像的计算机分类;利用遥感图像进行分类(classification)是以区别图像中所含的多个目标物为目的，对每个像元或比较匀质的像元组给出对应其特征的名称，这些名称称为分类类别(class)。在分类中所注重的是各像元的灰度及纹理等特征。用这样的多个特征量（特征矢量）所定义的空间叫特征空间（feature space）。分类也可以说是按照若干分类基准对特征空间进行分割，对其中所含的像元或匀质区域给出相同的名称。 ;The Procedure of Image Classification;2. 遥感图像分类方法根据所采取的方法途径不同，遥感图像分类包括:?? 监督分类(Supervised Classification)?? 非监督分类(Unsupervised Classification) ;监督分类 根据已知训练场地提供的样本，通过选择特征参数，建立判别函数，然后把图像中各个像元点归化到指定类中的分类方法。 1、训练（training）——指计算机对遥感图像进行自动识别、分类的学习过程。 2、训练样本（training sample）——又称“训练组”或“训练区”。指监督分类法中由先验类别选取的已知样本。它用来建立分类标准。; 监督分类对所要分类的地区必须要有先验的类别知识，即已知遥感图像上的样本区内的地物的类别，该样本区为训练区。我们具体地确定各类地物各波段的亮度值，并据此确定特征参数，建立判别函数。 监督分类一般是在图像中选取有代表性区域作为训练区，由训练区数据得出各个类别的统计数据，然后根据这些统计数据对整个图像进行分类。;2 监督分类方法;b. 对训练样本的要求： 类别：选择的训练场地所包含的类别在种类上应与研究地域所要区分的类别一致。 不连续性：训练场地各样品在地理空间上可以是不连续的。 代表性：训练场地样品在各类地物面积较大的中心部分进行选取，而不应在各类地物的混交地区和类别的边缘选取，以保证数据的单纯性（均一物质的亮度值）。 ; 分布：各类训练场地样本应该是正态分布，训练样本应尽量满足这一要求，即直方图是单峰，不能是双峰。 数量：要使各类训练样本能够提供各类的足够信息和克服各种偶然因素的影响，各类训练样本应该有足够样品数。训练样品的个数与所采用的分类方法、特征空间的维数、各类的大小和分布等有关。 ;训练样本的选择方法 a. 特征库法：从已建立的样本特征库中取出同样环境下同种物类的数据。 b. 外推法：从地形图、土地利用图、植被图等图件上直接选取训练样本。具体做法是将几何粗校正好的数字图像与比例尺相同的地形图配准后，在数字图像上勾画出各类地物的边界，提取样本。 ;监督分类中训练样本的选择要求 ;（2）识别分类过程;识别分类方法;最小距离法;最小距离分类法的原理;最小距离分类中常用的距离函数有两个： 欧几里德距离： 街道距离： 其中， 为第i 类在第i 波段的均值，n为波段数，xi为像元在第i 波段的像元值。 最小距离分类法原理简单，分类精度不很高，但计算速度快，它可以在快速浏览分类概况中使用。 ;平行六(多)面体法;平行六面体分类法的原理;平行六（多）面体监督分类方法便于直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。 遥感图像不同波段之间相关程度较高，一些点群在空间直角坐标系中分布呈现不规则的椭球形，其长轴相当于平行多面体的对角线方向。容易造成2类互相重叠，混淆不清。解决的办法是，把一个自然点群分割成几个较小的平行多面体，使之更加逼近实际概率分布，提高精度。 ;最大似然法;现以图所示的二维观测为例。设欲根据这些数据和先验知识求像点X属于A、B、C中的哪一类，则X属于A的概率为： ;实验 监督分类;步骤： 定义分类模板（Define Signatures） 评价分类模板（Evaluate Signatures） 进行监督分类（Perform Supervised Classification） 评价分类结果（Evaluate Classification ） ;1.定义分类模板（Define Signature Using signature Editor） ERDAS IMAGINE的监督分类是基于分类模板来进行的，而分类模板的生成、管理、评价、和编辑等功能是由分类模板编辑器来负责的。毫无疑问，分类模板生