第十二讲遥感图像自动识别分类.ppt

1 第12讲 遥感图像自动识别分类 8.2 遥感图像分类前处理 8.2.1 特征建立 8.2.2 特征变换及特征选择 1. 特征变换 2. 特征选择 8.3 监督分类原理 8.3.2 监督分类思想（概念） 1. 选择训练样本和提取统计信息 2. 判决函数——分类器建立 平行六面体分类 Parallelepiped Classifier 平行六面体分类(续1) 最小距离分类Minimum Distance Classifier 计算未知像元距离各个类别均值向量的欧氏距离，将该像元划分到距离最小的类别中。如果没有没有确定最大的标准差和距离阈值，则所有的像元都会分类。 输入参数：Max stdev from the mean, 是距离平均值多少个标准差。 Max distance error , 距离的最大阈值 如果两个参数都输入了，ENVI 使用其中小的作为最终的判别标准。 最小距离分类(续1) 最大似然分类Maximum Likelihood Classifier 假设条件：数据符合多维正态分布。如果不符合，分类的精度也将下降。 计算每个像元属于各个类别的似然度（likelihood）,该像元分到似然度最大的类别中。 似然度是像元数据矢量X 属于类别G 的后验概率。 如果类别G中X的条件概率为P(g/X), 则似然度 P(g/X)的计算公式为： 最大似然分类(续1) 最大似然分类（续2） 马氏距离分类M Distance Classifier 马哈拉诺斯（Mahalanobis）距离考虑了集群的离散程度，马氏距离是加权的欧氏距离，通过协方差距阵来考虑变量的相关性。 欧氏距离是马氏距离的特例。 因此速度比最大似然法要快，比最小距离法慢。 3. 计算每一像元特征进行分类 8.4 非监督分类 1. K－均值聚类法 2.ISODATA算法聚类分析 8.5 监督分类与非监督分类的结合 8.6 分类后处理及精度评定 8.3.1 分类后处理 8.3.2 分类后误差分析——精度评定 8.7 非光谱信息在遥感图像分类中的应用 8.8 计算机自动分类新方法 K－均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。 这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果，这是这种方法的缺点。 ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法也称为迭代自组织数据分析算法。它与K－均值算法有两点不同，第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法；第二，ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。 a.原始聚类中心 b.第一次迭代的类别分布 c.第二次迭代的 类别分布 d.第n次迭代的 类别分布 1)在图像上选择一些代表区域进行非监督分类得到类似监督分类训练样本的类别信息。 2)获得聚类类别信息的先验知识。 3)然后，进行监督分类 1）分类后专题图像的输出 2）分类结果的平滑 a.去除孤立点——噪声点 b.去除零星小面积地类 PC1 PC7 2）哈达玛变换 主成分变换 Ｙ＝φnX 哈达玛变换矩阵 几何意义： 3）穗帽变换 又称K－T变换(Kauth和Thomas) 一种特殊的主成分变换 针对MSS影像 MSS图像信息随时间变化的空间分布形态是呈规律性形状的，像一个顶部有缨子的毡帽。 4）比值变换和生物量指标变换 生物量指标 经变换后，植物、土壤和水都分离开来，因此可独立地对绿色植物量进行统计。 1)定性选择，根据经验； 2)定量方法，从所有波段m中选取一定数量波段n，可以有多种组合，通过距离或散布测度，来选择可分性最好的那一组组合。 图像 特征空间 分类 可以是N维空间 8.3.1 基本分析 1.地物在特征空间中的聚类情况 2.分类器中参数的确定 梨 1.分布范围 2.均值：类别中心 3.方差：离散度 X 梨 首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别规则(分类器)，其中利用一定数量的已知类别的样本的观测值求解判别函数中待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代人判别函数，可依据判别准则对该样本的