遥感原理与应用_遥感影像分类.pptVIP

遥感原理与应用 主讲：吴兆福 过程： （1）选择样区：根据已知的样本类别和先验知识； （2）学习或训练：利用一定数量的已知类别函数中求解待定参数； （3）确定每一类的判别函数和相应的判别准则； （4）计算未知类别的样本观测值的在每一类函数值； （5）判别：按一定准则对该样本作出判定。 样区的确定 2.判别函数和判别规则 判别函数 当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函数。 判别规则 判断特征矢量属于某类的依据。 常用的两种判别函数和判别规则： ?? 概率判别函数和贝叶斯判别规则 ?? 距离判别函数和判别规则 3.概率判别函数和贝叶斯判别规则 由特征空间概念可知，地物点可以在特征空间找到相应的特征点；同类地物在特征空间中形成一个从属于某种概率分布的集群。 概率判别函数：把某特征矢量X落入某类集群的条件概率当成分类判别函数。 贝叶斯判别规则：把X落入某集群的条件概率最大的类为X的类别。 贝叶斯判别规则以错分概率或风险最小为准则的判别规则。根据概率判别函数和贝叶斯判别规则来进行的分类通常称为最大似然分类法。 3.概率判别函数和贝叶斯判别规则 假设，同类地物在特征空间服从正态分布，则类别的概率密度函数。 根据贝叶斯公式，可得 相应的贝叶斯判别规则为： 若对于所有可能的j=1，2，…，m；j≠i 有 则X属于i类。 3.概率判别函数和贝叶斯判别规则 错分概率 概率判别函数的判别边界(假设有两类)。当使用概率判别函数实行分类时，不可避免地会出现错分现象，分类错误的总概率由后验概率函数重叠部分下的面积给出，错分概率是类别判别分界两侧作出不正确判别的概率之和。 4.距离判别函数和判别规则 基本思想：计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于哪类。 距离判别规则是按最小距离判别的原则 ??马氏（Mahalanobis）距离 ??欧氏（Euclidean）距离 ??计程（Taxi）距离 基于距离判别函数和判别规则，在实践中以此为原理的分类方法称为最小距离分类法。 1）马氏距离 判别函数：在各类别先验概率和集群体积|Σ|都相同（或先验概率与体积的比为同一常数）情况下的概率判别函数 马氏距离几何意义：X到类重心之间的加权距离，其权系数为多维方差或协方差。 2）欧氏距离 在马氏距离的基础上，作下列限制： 将协方差矩阵限制为对角的 沿每一特征轴的方差均相等 则有 欧氏距离是马氏距离用于分类集群的形状都相同情况下的特例。 3）计程（Taxi）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 错分情况 最大似然法与计程距离比较 5.其他方法-----盒式分类法 基本思想是首先通过训练样区的数据找出每个类别在特征空间的位置和形状，然后以一个包括该集群的“盒子”作为该集群的判别函数。 6.分类过程 1)对训练样区的要求 准确性、代表性和统计性。 准确性：要确保选择的样区与实际地物一致； 代表性：所选样区为某一地物的代表，还要考虑到地物本身的复杂性，反映同类地物光谱特性的波动情况； 统计性：指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。 2)初始类别参数的形成 ??选择样本区域 将样本数据在特征空间进行聚类 计算每个类别的M 和Σ，建立类别的判别函数 3)根据判别函数逐个像素的分类判别 4) 分类结果影像的形成 分类得到的专题图 8.监督法分类的优缺点 优点： 根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别； 可以控制训练样本的选择； 可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误； 避免了非监督分类中对光谱集群的重新归类。 缺点 主观性； 由于图像中间类别的光谱差异，使得训练样本没有很好的代表性； 训练样本的获取和评估花费较多人力时间； 只能识别训练中定义的类别。 §5 非监督分类 非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据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。非监督分类也称聚类分析。 与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其他类区分开，但是非监督法与监督法都是以图像的灰度为基础的。通过统计计算一些特征参数，如均值、协方差等进行分类的。所以也有一些共性。 1.K-均值聚类法 K-均值算法的聚类准则是使每一