遥感图像分类.pptVIP

遥感图像分类2015年4月 图像分类基本概念和原理遥感图像分类过程非监督分类方法监督分类方法分类后处理内容大纲 遥感图像分类是图像信息提取的一种方法遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一遥感图像自动识别分类提取信息的类型举例分类土地覆盖、树种识别、植被和农作物变化检测土地覆盖变化物理量的提取温度、大气成分、高程、土壤含水量指标提取植被指数、浑浊指标特定地物和状态的提取山火、水灾、线形构造、遗迹探察 在特征空间中，依据像元相似度的大小，归类相似的像元，分离不相似的像元，并给每一个像元赋类别值的过程分类的总目标是将图像中所有的像元自动进行土地覆盖类型或土地覆盖专题的分类什么是遥感图像计算机分类？ 计算机分类实例原始遥感图像对应的专题图像 遥感图像遥感图像计算机分类流程框图色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局遥感图像特征集基于光谱的基于空间关系的统计分类 结构分类 模糊分类 神经网络分类 小波分析 专家系统遥感图像计算机分类光谱模式识别空间模式识别新方法 计算机分类较目视解译的优势？将影像数据的连续变化转化为地图模式，以提供给用户有意义的信息获得关于地面覆盖和地表特征数据的更深刻的认识较目视解译客观，在分析大数据集时比较经济可对复杂的多波段数据及其相互关系进行有效分析 光谱特征空间光谱特征空间：以各波段图像的亮度分布为坐标轴组成的空间同类地物在特征空间形成一个相对聚集的点集群不同类地物的点集群在特征空间内一般是相互分离的 SPOT影像 真实二维特征空间示例1-21-31-42-32-43-4 特征空间中的距离“物以类聚”，而图像分类的依据通常是像元之间的相似性。相似性通常又采用“距离”来度量。距离可以有不同的具体定义几何距离：欧式距离、绝对值距离统计距离：马氏距离 几何距离：欧氏距离 X到集群中心在多维空间中距离的绝对值之总和来表示 几何距离：绝对值距离 统计距离：马氏距离 马氏距离几何意义：X到类重心之间的加权距离，其权系数为协方差 图像分类方法按人工干预的程度不同，可以分为：非监督分类法监督分类法 分类步骤选择合适的分类算法用所选算法分割特征空间根据像元在特征空间中的定位对每一个像元赋类别值对分类结果进行精度评价 在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法根据图像数据本身的统计特征及点群的分布情况，从纯统计学的角度对图像数据进行类别划分 非监督分类 利用事先定义的参数确定特征空间中类别的位置，然后确定单个像元是否属于某个类别聚类 一般的聚类算法是先选择若干个点作为聚类的中心每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各点归于各聚类中心所代表的类别，形成初始分类然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止聚类过程 按照某个原则选择一些初始聚类中心计算像元与初始类别中心的距离，把像素分配到最近的类别中聚类过程 计算并改正重新组合的类别中心过程重复直到满足迭代结束的条件聚类过程 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 简单集群分类方法K-均值法（K-means Algorithm）Cluster分类法迭代自组织数据分析技术方法（Iterative Self-Organization Data Analysis Techniques，ISODATA）主要的非监督分类方法 K-均值法通过自然的聚类，把它分成8类 K-均值算法的聚类准则是使每一聚类中，像元到该类别中心的距离的平方和最小基本思想：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K-均值法 （1）确定类别数并各类的初始中心：z1(0), z2(0),…, zK(0)，K为类别数。初始中心可任意选取初始中心的选择对聚类结果有一定影响，初始中心的选择一般有以下方法：①根据问题的性质，用经验的方法确定类别数K，从数据中找出从直观上看来比较适合的K个类的初始中心②将全部数据随机地分为K个类别，对计算每类的重心，将这些重心作为K个类的初始中心K-均值法 （2）择近分类，即将所有像元按照与各中心的距离最小的原则分到K个聚类中心（3）计算新中心。待所有样本第i 次划分完毕后，重新计算新的集群中心zj(i +1), j=1, 2, …, K（4）如果聚类中心不变，则算法收敛，聚类结束；否则回到（2），进入下一次迭代K-均值法 优点：实现简单缺点：过分依赖初值，容易收敛于局部极值在迭代过程中没有调整类