第9讲遥感分类.pptVIP

新时期区域规划理论、方法与实践 主要内容 遥感影像分类 非监督分类 监督分类 遥感影像分类处理中的几个问题 最小距离分类法 最大似然比分类法 三、监督分类 （7） 11 最小距离分类法 最大似然比分类法 三、监督分类 （7） 11 最小距离分类法 最大似然比分类法 三、监督分类 （7） 11 最小距离分类法 最大似然比分类法 三、监督分类 （7） 11 四、遥感影像分类处理中的几个问题 四、遥感影像分类处 理中的几个问题 训练场地和训练样本的选择问题 地形因素影响 混合像元问题 特征变量的选择问题 空间信息在分类中的应用问题 影像分类的后期处理问题 训练场地和样本选择 地形因素影响 混合像元问题 特征变量的选择问题 空间信息的应用问题 后期处理问题 四、遥感影像分类处 理中的几个问题 一般情况下，每类至少有10—100个训练样本数据。 确定训练场地和训练样本应注意：①时间；②空间。 训练场地和样本选择 地形因素影响 混合像元问题 特征变量的选择问题 空间信息的应用问题 后期处理问题 四、遥感影像分类处 理中的几个问题 解决由于地形因素造成的“同物异谱”现象的一种有效的方法是采用“同类多组法”来选取训练样本。 K-mean ISODATA 二、非监督分类 K-mean原理: 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。 K-mean ISODATA 确定初始类别中心 判断样本至各类的距离 将样本分到较近的类S中 重新计算类S的中心 类中心是否变化？ 迭代结束 否 是 K-mean算法流程图 K-mean ISODATA K-mean具体步骤 K-mean ISODATA 二、非监督分类 K=5的分类结果 K-mean ISODATA 二、非监督分类 K=10的分类结果 K-mean ISODATA 二、非监督分类 ISODATA分类原理： 在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。 主要步骤： 按照某个原则选择一些初始类聚类中心。 计算像素与初始类别中心的距离，把该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 K-mean ISODATA 二、非监督分类 按照某个原则选择一些初始类聚类中心。 在实际操作中，要把初始聚类数设定得大一些，同时引入各种对迭代次数进行控制的参数，如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别数等，在整个迭代过程中，不仅每个像元的归属类别在调整，而且类别总数也在变化。在用计算机编制分类程序时，初始聚类中心可按如下方式确定：设初始类别数为n，这样共有n个初始聚类中心，求出图像的均值M和方差σ，按下式可求出初始聚类中心: k=1,2,…,n，为初始类中心编号，n为初始类总数。 K-mean ISODATA 二、非监督分类 计算像素与初始类别中心的距离，把该像素分配到最近的类别中。 动态聚类法中类别间合并或分割所使用的判别标准是距离，待分像元在特征空间中的距离说明互相之间的相似程度，距离越小，相似性大，则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。 计算并改正重新组合的类别中心 如果重新组合的像素数目在最小允许值以下，则将该类别取消，并使总类别数减1。当类别数在一定的范围，类别中心间的距离在阈值以上，类别内的方差的最大值为阈值以下时，可以看作动态聚类的结束。当不满足动态聚类的结束条件时，就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返回到上一步，重复进行组合的过程。 K-mean ISODATA 二、非监督分类 ISODATA中的合并或分裂 如果两个类别的中心点距离近，说明相似程度高，两类就可以合并成一类；或者某类像元数太少，该类就要合并到最相近的类中去。 类别的分裂也有两种情况： 某一类像元数太多，就设法分成两类； 如果类别总数太少，就将离散性最大的一类分成两个类别，可以先求出每个类别的均值和标准差，然后通过对每一个波段的标准偏差设定阈值来实现，标准差大于阈值，该类就要分裂。 K-mean ISODATA K-mean ISODATA K-mean ISODATA K-mean ISODATA K-mean ISODATA ISODATA分类结果 三、监督分类 核心思想： 首先根据类别的先验知识确定判别函数和准则，利用已知类别样本（训练样本）的观测值来确定待定参数； 然后将未知类别样本的观测值代入判别函数； 依据判别准则对该样本所属类别做出判定。 三、监