自动识别分类详解.pptVIP

主观性； 由于图象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。 缺点 * 目前三十页\总数七十三页\编于一点 §8-4非监督分类 二 非监督分类 仅凭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。 * 目前三十一页\总数七十三页\编于一点 (一) K-均值聚类法 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。 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。 * 目前三十二页\总数七十三页\编于一点 * 目前三十三页\总数七十三页\编于一点 * 目前三十四页\总数七十三页\编于一点 * 目前三十五页\总数七十三页\编于一点 缺点: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。 * 目前三十六页\总数七十三页\编于一点 (二) ISODATA算法聚类分析 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。 * 目前三十七页\总数七十三页\编于一点 选定初始类别中心 输入迭代限值参数:I,Tn, TS ,TC 对样本像素进行聚类并统计ni,m,σ niTn 取消第i类 是 迭代次数=I或相邻两次迭代类别中心变动小于限值 σ TS 确定分裂后的中心 DIK TC 确定并类后的中心 输出 否 否 是 否 否 是 ISODATA算法过程框图 每类集群允许 的最大标准差 集群允许的最 短距离 每类集群至少的点数 是 迭代次数 * 目前三十八页\总数七十三页\编于一点 * 目前三十九页\总数七十三页\编于一点 (三) 平行管道法聚类分析 它以地物的光谱特性曲线为基础，同类地物在特征空间上表现为以特征曲线为中心，以相似阈值为半径的管子，此即为所谓的“平行管道”。 这种聚类方法实质上是一种基于最邻近规则的试探法。 * 目前四十页\总数七十三页\编于一点 * 目前四十一页\总数七十三页\编于一点 §8-5 非监督分类与监督分类的结合 通过非监督法将一定区域聚类成不同的单一类别 监督法再利用这些单一类别区域“训练”计算机 使分类精度得到保证的前提下，分类速度得到了提高 * 目前四十二页\总数七十三页\编于一点 §8-6 分类后处理和误差分析 一分类后处理 1、分类后专题图像的格式 遥感影像经分类后形成的专题图，用编号、字符、图符或颜色表示各种类别。 * 目前四十三页\总数七十三页\编于一点 原始遥感图像 对应的专题图像 * 目前四十四页\总数七十三页\编于一点 2、 分类后处理 用光谱信息对影像逐个像元地分类，在结果的分类地图上会出现“噪声” * 目前四十五页\总数七十三页\编于一点 “噪声” √ 地类交界处的像元中包括有多种类别，其混合的幅射量造成错分类 √分类是正确的，但某种类别零星分布于地面，占的面积很小，我们对大面积的类型感兴趣。 * 目前四十六页\总数七十三页\编于一点 平滑时中心像元值取周围占多数的类别 * 目前四十七页\总数七十三页\编于一点 平滑前后的一个例子 * 目前四十八页\总数七十三页\编于一点 二、分类后的误差分析 利用一些样本对分类误差进行估计。 采集样本的方式有三种类型： ﹡来自监督分类的训练样区； ﹡专门选定的试验场； ﹡随机取样。 * 目前四十九页\总数七十三页\编于一点 混淆矩阵 分类精度的评定 实际类别 试验像元的百分比% 类别1 类别2 类别3 试验像元 1 2 3 84.3 4.9 10.8 8.5 80.3 11.2 6.1 4.1 89.8 100% 102 100% 152 100% 49 * 目前五十页\总数七十三页\编于一点 平均精度 S =（84.3%+80.3%+89.8%）/3=84.8% 加权平均精度 S =84.3%*102+80.3%*152+89.8%*49） /(102+152+49)=83.2% * 目前五十一页\总数七十三页\编于一点 检验混淆矩阵 实测数 据类型