监督分类方法.docVIP

... ... 基于光谱的影像的分类可分为监督与非监督分类， 这类分类方法适合于中低 分辨率的数据， 根据其原理有基于传统统计分析的、 基于神经网络的、 基于模式 识别的等。 本专题以 ENVI 的监督与非监督分类的实际操作为例， 介绍这两种分类方法 的流程和相关知识。有以下内容组成： 监督分类 非监督分类 分类后处理 监督分类 监督分类： 又称训练分类法， 用被确认类别的样本像元去识别其他未知类别 像元的过程。 它就是在分类之前通过目视判读和野外调查， 对遥感图像上某些样 区中影像地物的类别属性有了先验知识， 对每一种类别选取一定数量的训练样本， 计算机计算每种训练样区的统计或其他信息， 同时用这些种子类别对判决函数进 行训练，使其符合于对各种子类别分类的要求， 随后用训练好的判决函数去对其 他待分数据进行分类。 使每个像元和训练样本作比较， 按不同的规则将其划分到 和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下 6 个步骤，如图 1 所示： 图 1 监督分类步骤 1、类别定义 /特征判别 根据分类目的、 影像数据自身的特征和分类区收集的信息确定分类系统； 对 影像进行特征判断， 评价图像质量， 决定是否需要进行影像增强等预处理。 这个 过程主要是一个目视查看的过程，为后面样本的选择打下基础。 本例是以 ENVI 自带 Landsat tm5数据 Can_tmr.img为数据源，类别分为： 林地、草地 /灌木、耕地、裸地、沙地、其他六类。 2、样本选择 为了建立分类函数， 需要对每一类别选取一定数目的样本， 在 ENVI 中是通 过感兴趣区（ ROIs）来确定，也可以将矢量文件转化为 ROIs 文件来获得，或者 利用终端像元收集器（ Endmember Collection）获得。 本例中使用 ROIs 方法，打开分类图像，在 Display-Overlay-Region of Interest，默认 ROIs 为多边形，按照默认设置在影像上定义训练样本。如图 2 所 示，设置好颜色和类别名称（支持中文名称）。 在 ROIs 面板中，选择 Option-Compute ROI Separability,计算样本的可分离 性。如图 3 所示，表示各个样本类型之间的可分离性，用 Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在 0~2.0 之间，大于 1.9 说明 样本之间可分离性好，属于合格样本；小于 1.8，需要重新选择样本；小于 1， 考虑将两类样本合成一类样本。 图2 训练样本的选择 图3 样本可分离性计算报表 在计算样本可分离性时候， 可能会出现以下错误信息（Singular Value encountered ）? ，经常出现在影像波段非常多的情况。出现这个情 况主要是这一类样本的样本点数量太少， 解决方法是多选择样本点。 图 4 样本可分离性计算报错 在选择样本的时候， 可以使用一些增强的手段辅助样本的选择， 如主 成分分析、波段合成等。 3、分类器选择 根据分类的复杂度、 精度需求等确定哪一种分类器。 目前监督分类可分为基 于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于 神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱 角（SAM），光谱信息散度，二进制编码。下面是几种分类器的简单描述。 表 几种监督分类器说明 分类器 说明 平行六面体 根据训练样本的亮度值形成一个 n 维的平行六面体数 （Parallelpiped ） 据空间，其他像元的光谱值如果落在平行六面体任何 一个训练样本所对应的区域，就被划分其对应的类别 中。平行六面体的尺度是由标准差阈值所确定的，而 该标准差阈值则是根据所选类的均值求出。 最小距离（ Minimum 利用训练样本数据计算出每一类的均值向量和标准 Distance ） 差向量，然后以均值向量作为该类在特征空间中的中 心位置，计算输入图像中每个像元到各类中心的距 离，到哪一类中心的距离最小，该像元就归入到哪一 类。 马氏距离（Mahalanobis Distance ） 计算输入图像到各训练样本的马氏距离（一种有效的 计算两个未知样本集的相似度的方法），最终统计马 氏距离最小的，即为此类别。 最大似然 假设每一个波段的每一类统计都呈正态分布，计算给 定像元属于某一训练样本的似然度，像元最终被归并 （Likelihood 到似然度最大的一类当中。 Classification ） 神经网络 指用计算机模拟人脑的结构，用许多小的处理单元模 拟生物的神经元，用算法实现人脑的识别、记忆、思 （Neural Net 考过程应用于图像分类。 Classific