第7-2章 高光谱遥感图像分类.ppt

第七章　 高光谱遥感图像分类 基本概念 模式（pattern）: 在多波段图像中，每个像元都具有一组对应取值，称为像元模式 特征（feature）: 在多波段图像中，每个波段都可看作一个变量，成为特征变量 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为空间的若干个点群 图像分类就是要分析特征空间这些点群的特点，如点群位置、分布空间、分布规律，从而确定点群的界限，最终完成分类任务 相似性：可以表现为不同的形式和量度 距离值（Distance Value）：像素或像素组信号特征向量之间距离值的大小来衡量 概率值（Probability Value）：像素信号特征向量与某一像素组的似然性的大小为相似性的量度 光谱角值（Spectral Angle Value）：像素或像素组之间光谱角的大小为相似性量度 分类方法 分类执行方式：监督分类、非监督分类 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 参数分类和非参数分类：假定类的概率分布函数并估计其分布参数 硬分类和软分类：像元属于一个类或多个类 监督分类（Supervised classification） 监督分类 训练区 已知地表覆盖类型的代表样区 用于描述主要特征类型的 其精度直接影响分类 检验区 用于评价分类精度的训练样区 样区选择示例 样区选择示例 监督算法介绍 1、平行管道分类算法 2、最小距离分类算法 3、最大似然分类算法 1、平行管道监督分类原理 对图像中每个像素的光谱响应曲线进行相似性 比较，如果落到某一类平行管道阈值范围内，则 划分到该类别；如果落到多个类中，则将这个像 元划分到最后匹配的类别；落不到任何管道中， 则标识为未分类像元每类的初始参数要在分类过 程中逐步建立。其分类判决过程如下： Parallelepiped classifier 分类判决过程： 2、最小距离监督分类 Minimum distance classifier 分类常用距离与有关统计量 最小距离监督分类 3、最大似然监督分类 最大似然监督分类 Maximum likelihood classifier Maximum likelihood classifier (cont.) 非监督分类（Unsupervised classification） 一、非监督分类算法 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，仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类。其分类的结果，只是对不同类别达到了区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。 主要过程如下： （1）确定初始类别参数，即确定最初类别数和类别中心（集群中心）； （2）计算每一个像元所对应的特征矢量与各集群中心的距离； （3）选与中心距离最短的类别作为这一矢量的所属类别； （4）计算新的类别均值向量； （5）比较新的类别均值与原中心位置上的变化。若位置发生了改变，则以新的类别均值作为聚类中心，再从第2步开始重复，进行反复迭代操作。 （6）如果聚类中心不再变化，计算停止。 初始类别参数的选定 1、像素光谱特征的比较法 首先，在遥感图像中定义一个抽样集，它可以是整幅图像的所有像素，但通常是按一定间隔抽样的像素； 然后选定抽样集中任一像素作为第一个类别；给定一个光谱相似性比较阈值； 依次把抽样集中每个像素的光谱特征与已建起的初始类别作比较，若相似，则作为该类集群中的一个成员，若不与任何一个相似，则以该像素建立一个新的初始类别。 当以上聚类过程完成后，每个已经建立起来的初始类别都包含了一定成员，依据此可统计其集群中心（数学期望）和协方差矩阵 2、总体直方图均匀选心法 该方法是在整幅遥感影像的总体直方图的基础上进行 类别中心的选定的。设总体直方图的均值和方差分别 为： 初始类别参数的选定 3、最大最小距离选心法 4、局部直方图峰值定心法 非监督算法介绍 1、k均值分类算法 2、ISODATA分类算法 1 K－均值算法 K均值算法基本思想是：通过迭代，移动各个基准类别的中心，直至得到最好的聚类结果为止。 该算法能使得聚类域中所有样本到聚类中心的距离平方和最小。 Clustering K-均值算法步骤 k-means clustering Use predefined parameters (e.g. number of classes required) to identify cluster locations in data space and then to determine whether individual pixels are in those cl