遥感数字图像处理教学.pptVIP

第六章 遥感数字图像的计算机分类 主要内容 分类的基本原理 分类的方法 分类的工作流程 非监督分类方法 监督分类方法 图像分类的相关问题 6.1 遥感图像计算机分类的基本原理 1）遥感图像的解译方法 目视解译 计算机解译 6.1.1 概述 2）光谱特征 6.1.2 计算机分类的基本原理 6.3 计算机分类处理的工作流程 主要内容 分类的基本原理 分类的方法 分类的工作流程 非监督分类方法 监督分类方法 图像分类的相关问题 非监督分类主要过程 （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。 非监督分类主要过程 （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。 非监督分类的关键 a)初始类别参数的选定 b)聚类算法或聚类准则问题 K-Mean算法、ISODATA法 第—步：指定下列控制参数。 N——所要求的类别数（实际的类别数为N1）； I——允许迭代的次数（实际已迭代次数为L）； Tn——每类集群中样本的最小数目； Ts——集群分类标准，每个类的分散程度的参数（如最大标准差）； Tc——集群合并标准，即两个类中间的最小距离。 第二步：聚类处理。 第三步：类别的取消处理。 对上次趋近后的各类成员总数ni进行检查，若ni＜Tn，表示该类（i）不可靠，应将其从搜索表中剔除，同时修改类别数Ni=Ni-1，返回第二步。 第四步：判断迭代是否结束。 若此次迭代次数（l）已达到指定的次数，即l=I；或者该次迭代所算得的各类中心与上次选代的结果差别很小（可预先给定一阙值），则趋近结束。此时搜索表中的有关参数将作为基准类别参数，并用于构建最终的判别函数。否则，继续进行以下各步骤。 第五步：类别的分裂处理。 对搜索表中的每一类进行考核。判断其最大的标准差分量 是否超过限值Ts，即若σimax＜TS，并满足下列条件之一者，则第i类需要进行分裂处理。 第五步：类别的分裂处理。 对搜索表中的每一类进行考核。判断其最大的标准差分量 是否超过限值Ts，即若σimax＜TS，并满足下列条件之一者，则第i类需要进行分裂处理。 （条件一） 分裂处理如下 第六步：类别的合并处理。 首先对已有的类别计算每两类（i与k）中心间的距离Dik，然后将所有的Dik与限值Tc相比较，若Dik＜Tc，则把这两类（i，k）合并为一类m。 2）最大似然法 a) 最大似然判别规则 根据Bayes公式 判别规则为：若 6）结果输出 显示、保存和输出分类后的遥感数字图像，也可以后期制作专题类型图……结合许多地理信息数据的补充，一起纳入到GIS数据库或者地学系统大数据库，有助于实现数字化地学信息 。 6.4 非监督分类法 非监督分类法是指人们事先对分类过程不加入任何的先验知识，而仅凭遥感图像中地物的光谱特征进行分类，分类过程就是自然的聚类特性。 这样的分类的结果从效果上讲，只区分了图像上存在的差异，并不能确定该类别的属性，具体的属性尚需要通过目视判读或实地调查针对性的确定。 1．像素光谱特征的比较法 2．总体直方图均匀定心法 3．最大最小距离选心法 4．局部直方图峰值定心法 基本原则是：使得每一分类中，像素点到该类别中心的距离的平方和最小，在迭代过程中，逐次移动各类的中心，直到满足图像中互不相交的所有任意类的像素值与该类的均值差的平方和的总和达到最小，停止迭代结束聚类。 该方法由于每调整一个样本类别就重新计算一次各样本的均值，故此又称为逐个样本修正法。 K-均值算法（K-mean） 迭代式自组织数据分析算法，又简称为迭代法。这是一个最常用的非监督分类算法，在很多图像处理系统或软件中都有相关模块，可以直接运用。 ISODATA和K-均值算法主要有两点不同： 1）它并不是每调整一个样本的类别就要重新计算一次各类样本的均值，而是将所有样本都调整完毕之后才重新计算，所以ISODATA又称为成批样本修正法。 2）ISODATA法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别合并和类别分裂，从而得到类数比较合理的聚类结果。 ISODATA法（Interactive Self-Organizing Data Analysis Techniques Algorithm）