遥感图像自动识别分类新.pptVIP

xn 地物与光谱特征空间的关系 例如 对于A类的盒子，其边界（最小值和最大值）分别是X1=a、X1=b；X2=c、X2=d。这种分类法在盒子重叠区域有错分现象。错分与比较盒子的先后次序有关。 （3）选择训练样区 训练样区的选择要注意准确性、代表性和统计性三个问题。 准确性就是要确保选择的样区与实际地物的一致性。 代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况。 统计性是指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。实际应用中，每一类别的样本数都在102数量级左右。 分类得到的专题图 主观性； 由于图象中间类别的光谱差异，使得训练样本没有很好的代表性； 训练样本的获取和评估花费较多人力时间； 只能识别训练中定义的类别。 非监督分类 是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类。 其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读或实地调查确定的。 非监督分类也称聚类分析。 一般的聚类算法是先选择若干个模式点作为聚类的中心。 每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。 然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。 步骤: 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。所以可以 将整幅影像标记为相应类别输出。 多数平滑:平滑时中心像元值取周围占多数的类别。 混淆矩阵 分类精度的评定 根据这个混淆矩阵可以算出平均精度，对角线元素之和取平均： S =（84.3%+80.3%+89.8%）/3=84.8% 由于各种类别样本元素的总数不一致，所以更合理的方法应加权平均，以总精度S表示加权平均，则： S =（84.3%*102+80.3%*152+89.8%*49） /(102+152+49)=83.2% 水 新城区 老城区 耕地 植 被 选择样本区域 （4）确定判别函数和判别规则 一旦训练样区被选定后，相应地物类别的光谱特征便可以用训练区中的样本数据进行统计。 （5）根据判别函数和判别规则对非训练样区的图像区域进行分类。 监督分类的优点： ? 根据应用目的和区域，有选择的决定分类类 别，避免出现一些不必要的类别； ? 可以控制训练样本的选择； ? 可以通过检查训练样本来决定训练样本是否 被精确分类，从而避免分类中的严重错误， 分类精度高； ? 避免了非监督分类中对光谱集群的重新归 类； ? 分类速度快。 监督分类的缺点： 四、非监督分类 非监督分类的方法： ? K-均值聚类法 ? ISODATA聚类分析法 ? 平行管道聚类分析法 ? K-均值聚类法 K-均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。 基本思想：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。 缺点:这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此可能产生不