遥感图像分类.pptxVIP

遥感图像分类;图像分类基本概念和原理 遥感图像分类过程 非监督分类方法 监督分类方法 分类后处理;遥感图像分类是图像信息提取的一种方法 遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一 ;在特征空间中，依据像元相似度的大小，归类相似的像元，分离不相似的像元，并给每一个像元赋类别值的过程 分类的总目标是将图像中所有的像元自动进行土地覆盖类型或土地覆盖专题的分类;计算机分类实例;遥感图像;计算机分类较目视解译的优势？;光谱特征空间;SPOT影像;真实二维特征空间示例;特征空间中的距离;;X到集群中心在多维空间中距离的绝对值之总和来表示 ;统计距离：马氏距离 ;图像分类方法;分类步骤;在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法 根据图像数据本身的统计特征及点群的分布情况，从纯统计学的角度对图像数据进行类别划分 ;利用事先定义的参数确定特征空间中类别的位置，然后确定单个像元是否属于某个类别;一般的聚类算法是先选择若干个点作为聚类的中心 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）将各点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;按照某个原则选择一些初始聚类中心 计算像元与初始类别中心的距离，把像素分配到最近的类别中;计算并改正重新组合的类别中心 过程重复直到满足迭代结束的条件;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;简单集群分类方法 K-均值法（K-means Algorithm） Cluster分类法 迭代自组织数据分析技术方法（Iterative Self-Organization Data Analysis Techniques，ISODATA）;K-均值法;K-均值算法的聚类准则是使每一聚类中，像元到该类别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 ;（1）确定类别数并各类的初始中心：z1(0), z2(0),…, zK(0)，K为类别数。初始中心可任意选取 初始中心的选择对聚类结果有一定影响，初始中心的选择一般有以下方法： ①根据问题的性质，用经验的方法确定类别数K，从数据中找出从直观上看来比较适合的K个类的初始中心 ②将全部数据随机地分为K个类别，对计算每类的重心，将这些重心作为K个类的初始中心;（2）择近分类，即将所有像元按照与各中心的距离最小的原则分到K个聚类中心 （3）计算新中心。待所有样本第i 次划分完毕后，重新计算新的集群中心zj(i +1), j=1, 2, …, K （4）如果聚类中心不变，则算法收敛，聚类结束；否则回到（2），进入下一次迭代;优点：实现简单 缺点： 过分依赖初值，容易收敛于局部极值 在迭代过程中没有调整类数的措施，产生的结果受到所选聚类中心的数目、初始位置、类分布的几何性质和读入次序等因素影响较大 初始分类选择不同，最后的分类结果可能不同;Iterative Self-Organization Data Analysis Techniques“迭代自组织数据分析技术方法”的简称 可以自动地进行类别的“合并”和“分裂”，从而得到比较合理的聚类结果 ;（1）初始化，设置参数； （2）选择初始聚类中心； （3）按一定规则(如距离最小)对所有像元分配类别； （4）计算并改正重新组合的类别中心； （5）类别的分裂和合并； （6）如果达到迭代次数或者两次迭代之间类别均值变化小于阈值，则结束迭代；否则，重复（3）-（6）； （7）确认类别，对结果进行精度评估;K ：希望得到的类别数 θN ：所希望的一个类中样本的最小数目 θS ：类的分散程度的参数（如标准差、方差） θC ：类间距离的参数（如最小距离） L ：每次允许合并的类的对数 I ：允许迭代的次数 ;合并（类数-1） 每一类中的像元个数少于期望的类别最少像元数θN 类别的个数大于期望的类别数K的2倍 分裂（类数+1） 类别的标准差大于类别标准差阈值θS 类别的个数小于期望的类别数K的1/2 当类别数在一定范围内，类别中心间的距离在阈值以上，类别内的方差的最大值在阈值以下;两次迭代之间，如果上一次和这一次的中心不变，或者变化小于一个阈值，说明聚类结束 如果迭代次数达到了预设值I ，那么即使不收敛，也强行结束 ;类别数：20 迭代次数：20;类别数：10 迭代次数：10;优点： 不需要预先对待分类区域有广泛的了解 需要较少