第十讲 遥感影像分类.docVIP

第10讲 遥感影像分类 遥感影像计算机分类 ? 是通过模式识别理论，利用计算机将遥感 图象自动分成若干地物类别的方法。 ? 基本依据 不同的地物具有不同的光谱特征，同类地物 具有相同或相似的光谱特征 图象分类：基于数字图象中反映的同类地物 的光谱相似性和异类地物的光谱差异性 图象分类过程的总目标是，将图象中所有的像元自动地 进行土地覆盖类型或土地覆盖专题的分类。 光谱类和信息类 ? 光谱类（spectral class）：基于光谱特征形成的类别 如房屋的阳面和阴面光谱特征不同，不同的光谱类 ? 信息类 (information class)：根据实际需要待分的类别， 是根据需要人为划分的 如城市类由道路、建筑物、水体、绿地等不同地物组成 ，不同地物光谱特征不同 基本概念 模式（pattern）: 在多波段图象中，每个象元都具有一组对应 取值，称为象元模式 特征（feature）：在多波段图象中，每个波段都可看作一个变 量，称为特征变量 波段：光谱波段 其它派生波段（纹理、上下文关系、波段比等） 辅助数据(ancillary data) (非遥感数据，如DEM、 土壤类型) 特征提取(feature extraction)：通过变换找出最能反映地物类别差异的 特征变量用于分类的过程 特征选择(feature selection)：直接从原始波段数据中选择 分类算法 ? 参数分类 vs. 非参数分类 ? 监督vs. 非监督 ? 硬分类vs. 软分类 ? 逐像元分类vs. 面向对象的分类（图像分割） 参数分类 vs. 非参数分类 ? 参数分类方法（Parametric methods ）（如 最大似然分类和非监督聚类方法）假设遥 感影像的光谱值服从正态分布及各类别的 概率密度函数 ? 非参数分类方法（Nonparametric methods ）（如最近邻分类、神经网络分类等）对 类别的光谱统计分布没有假设 监督分类 vs. 非监督分类 监督分类（supervised classification）：通 非监督分类(unsupervised classification)： 过选择代表各类别的已知样本（训练区 根据事先指定的某一准则，而进行计算 ）的象元光谱特征，事先取得个类别的 机自动判别归类，无须人为干预，分类 参数，确定判别函数，从而进行分类。 后需确定地面类别 在监督分类中，先定义信息类，然后检 在非监督分类中，先确定光谱可分的 验它们的光谱可分性 类别，然后定义它们的信息类 硬分类 vs. 软分类 ? 硬分类：分类结果产生像元唯一的确定类别 ? 软分类：产生像元属于各类别的隶属度 逐像元分类 vs. 面向对象分类 ? 逐像元分类：将每个像元标记为一定的类别 ? 面向对象分类：根据图像分割算法，将图像划分 为内部相对均一的对象，类别赋予每个对象 分类过程 ? 确定分类问题：确定专题数据的需求、研究区域、分类体系、拟采用 的分类方法等 ? 获取合适的遥感数据（各种分辨率、季相等）和地面参考数据 ? 遥感数据处理：辐射纠正、几何纠正等 ? 专题信息提取：特征选择、特征提取、分类算法等 ? 分类后处理 ? 精度评价 地表 几何和辐射纠正 特征提取 分类 分类结果 传感器测量 待分类图像 特征 训练数据 分类体系 ? 互斥性(Mutually Excluded) ? 无遗漏（Exhaustive） ? 层次性（ hierarchical ） 不同层次的分类体系，反映类别差别的细节 不同，对遥感数据空间分辨率和光谱分辨 率的要求也不同 不同层次的土地利用分类体系对遥感 空间分辨率的要求（Anderson体系） 不同尺度植被调查对类别细节和遥 感分辨率的要求 监督分类过程 地表 遥感图像 训练数据 分类器 参考数据 采样 采样 分类图 比较 精度报告 训练样本的选择 ? 代表性：训练样本必须具有研究区内空间 上的代表性 ? 数量：假定由N个波段参与分类，训练样本 的数目至少10×N，以保证某些分类算法 中方差－协方差矩阵的运算 ? 选取方式：野外调查＋参考数据＋目视判 断 特征选择 特征选择：确定参与分类的波段 依据：类别间的可区分性 选择方法：图形法、统计法 特征选择 图形法 特征选择 统计法 ?离散度（divergence） 1 ? ? ? ? [( )( )] 1 1 Divercd tr V V V V = c d d c 2 1 [( )( )( ) ] + ?1 ?1 tr + ? ? T Vc V M M M M d c d c d 2 平均离 散度 Diver avg = m 1 m ? ∑ ∑ Diver cd c 1 d c 1 = = + C 特征选择 统计法 ?Bhattacharyya