五讲遥感系影像分类.pptVIP

一、　概念 决策树以其直观、清晰、计算效率高等特点受到遥感专家们的青睐。特别是,它在处理多维属性时, 较传统的遥感分类方法有了一定的提高, 它能利用除光谱特性以外的其他属性(包括相关的几何、纹理特性以及数字地形模型等背景信息) , 在图像处理的过程中确定各属性的重要程度,从而可以提取必要的属性进行分类。 二、分类步骤 ①输入遥感图像, 确定图像待分区域中的主要地物类型; ②统计训练区内各地物类型的特征, 包括光谱特征, 每个地类信息各个波段的统计分析(均值、方差、协方差等) 以及波段间各个地类之间的可分性; 还包括非光谱特征: 各个地类的几何信息(形状、大小等) 、高程信息、纹理信息等; ③根据②步的统计分析, 确定可分性最大的特征及波段(或波段组合)作为根节点, 选择分类器开始进行分类; ④对上一步得到的每一个类别分别选择可分性相对较大的特征及波段(或波段组合)建立决策树的一个内部节点, 依据不同属性值进行分类; ⑤重复④步的过程, 递规的形成每个划分上的样本子决策树, 直到出现下列情况之一, 停止递规:该节点上的所有像元属性值相同或没有剩余的属性能进行下一步的划分或分支中没有样本; ⑥检查分类结果是否满足确定的地物类型, 如果不能满足要求, 需要对决策树进行调整, 如剪枝或增加节点, 直到建立一棵正确的决策树。 应用一、基于TM数据及决策树的地物分类 实验选用的数据是徐州市1994 年卫星影像的截取图像, 大小为338 列×332 行, 波段1 为94TM 图像中的BAND5、波段2 为BAND4、波段3为BAND3。具体步骤为:1) 在图像中, 根据地物、地貌色彩的差异选择4个感兴趣区。通过对感兴趣区可分性的计算(表1) , 可以看出这4 个区域之间的可分性系数Jeffried Matusita和Transformed Divergence都大于1.19, 满足对感兴趣区的选择要求。因此, 可以将这些区域作为分类的样本。 应用一、基于TM数据及决策树的地物分类 确定分类系统 分类方法 分类特征分析与筛选 最优波段组合 选取训练样本 初始分类结果 波谱特征分析 基于决策树的分类后处理 应用二、基于SPOT数据及决策树的吐鲁番绿洲土地利用分类 分类流程 《土地利用现状调查技术规程》将土地利用类型分为八大类别：耕地、园地、林地、牧草地、居民点及工矿用地、交通用地、水域、未利用土地 。 分类系统 全国荒漠化普查地类划分表 分类系统 SPOT原始波段、K-L-1、K-L-2、DEM、SLOPE、NDVI、TC1、TC2、TC3、NDMI、MNF-1共14个波段作为分类特征. 土壤湿度特征选择湿度指数（NDMI）来表达，湿度指数NDMI 已成功地应用到生态环境中对土壤湿度的监测中。该指数根据短波红外波段(相当于SPOT的Band4波段)受水吸收带的影响，对湿度、含水量信息非常敏感，且绿波段(相当于SPOT的Bandl波段1对水体发射较高的特点，选用这两个波段经标准化处理构建而成，表达式为： NDMI= (Band1- Band4)/ (Band1+ Band4)   分类特征 最小噪声分离变换（MNF变换） MNF(最小噪声分离)变换是同主分量变换相似的一种方法，它被用来分离数据中的噪声，确定数据内在的维数，减少随后处理的计算量。MNF实质上是两次层叠的主成份变换。第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声。第一步操作使变换后的噪声数据只有最小的方差并且没有波段间的相关。第二步是对噪声白化数据(noise-whitened)的标准主成分变换。因此，它将数据空间分为两部分：一部分为大的特征值和相干特征影像；另一部分为近似为1的特征值和噪声占主导地位的影像。最后，经过MNF变换的数据，按最感兴趣到最不感兴趣的顺序排列出变换后的波段，感兴趣的信息处于前几个光谱波段中。  分类特征 最小噪音分离变换 基于类间可分性的分类波段优化 随着参与分类的像元矢量特征维度的增加，分类的代价也会相应的增加。因此，那些对光谱类别可分性贡献很小因而无助于分类识别的特征在进行分类的前应该被抛弃，这实际就是分类波段优化子集的确定问题。 目前，有多种分类特征筛选及优化方法，如波段间相关性比较、最佳指数法（OIF）、各波段数据的信息熵和联合熵、协方差矩阵特征值法、波段指数法等。 进行分类波段选优通常可以根据类间可分性来进行考量。基于类间可分性的方法首先选择各类的样本，然后通过样本的光谱值统计波段组合的地类光谱距