《遥感图像分类》课件.pptVIP

;图像分类根本概念和原理 计算机分类的概念 判别函数与判别规那么 影像空间与特征空间 特征空间中的间隔 遥感图像分类过程 监视分类方法 非监视分类方法 提高分类精度的方法;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置的重要环节，也是遥感运用最广泛的领域之一;在特征空间中，根据像元类似度的大小，归类类似的像元，分别不类似的像元，并给每一个像元赋类别值的过程 分类的总目的是将图像中一切的像元自动进展土地覆盖类型或土地覆盖专题的分类;计算机分类实例;遥感图像;为什么运用计算机分类？;光谱特征空间;SPOT影像;真实二维特征空间例如;特征空间中的间隔;图像分类方法;分类步骤;确定每个类别的样区 学习或训练 确定判别函数和相应的判别准那么 计算未知类别的样本观测值函数值 按规那么进展像元的所属判别;判决函数：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 判别规那么：判别特征矢量属于某类的根据。当计算完某个矢量在不同类别判决函数中的值后，我们要确定该矢量属于某类必需给出一个判别的根据。 这种判别的根据，称之为判别规那么;监视法分类;监视法分类;准确性——确保选择的样区与实践地物的一致性 代表性——思索到地物本身的复杂性，所以必需在一定程度上反映同类地物光谱特性的动摇情况 统计性——选择的训练样区内必需有足够多的像元;选择训练区;训练区与特征空间的联络;;建立类别的判别函数;主要的监视分类方法;最小间隔分类法;最近邻法;根本思想是设法计算未知矢量X到有关类别集群之间的间隔，哪类间隔它最近，该未知矢量就属于那类 间隔判决函数偏重于集群分布的几何位置 间隔判别规那么是按最小间隔判别的原那么 ;平行六面体分类法;以一个包括该集群的“盒子〞作为该集群的判别函数 判决规那么为假设未知矢量X落入该“盒子〞，那么X分为此类，否那么再与其它盒子比较 这种分类法在盒子重叠区域有错分景象，错分与比较盒子的先后次序有关;最大似然分类法;最大似然分类法;最大似然分类法;根据运用目的和区域，有选择的决议??类类别，防止出现一些不用要的类别 可以控制训练样本的选择 可以经过检查训练样本来决议训练样天性否被准确分类，从而防止分类中的严重错误，分类精度高 防止了非监视分类中对光谱集群的重新归类 分类速度快;客观性 由于图像中间类别的光谱差别，使得训练样本没有很好的代表性 训练样本的获取和评价破费较多人力时间 只能识别训练中定义的类别;非监视分类的思想 主要非监视分类方法 K-均值法 ISODATA 非监视分类的特点 分类后处置 分类后的误差分析;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，主要根据像元间类似度的大小进展归类合并〔将类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展类别划分 ;利用事先定义的参数确定特征空间中类别的位置，然后确定单个像元能否属于某个类别;普通的聚类算法是先选择假设干个点作为聚类的中心 每一中心代表一个类别，按照某种类似性度量方法〔如最小间隔方法〕将各点归于各聚类中心所代表的类别，构成初始分类 然后由聚类准那么判别初始分类能否合理，假设不合理就修正分类，如此反复迭代运算，直到合理为止;按照某个原那么选择一些初始聚类中心 计算像元与初始类别中心的间隔，把像素分配到最近的类别中;计算并矫正重新组合的类别中心 过程反复直到满足迭代终了的条件;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，进展“盲目〞的分类 其分类的结果只是对不同类别到达了区分，但并不能确定类别的属性；其类别的属性是经过分类终了后目视判读或实地调查确定的;K-均值法〔K-means Algorithm〕 迭代自组织数据分析技术方法〔Iterative Self-Organization Data Analysis Techniques，ISODATA〕;K-均值法;K-均值算法的聚类准那么是使每一聚类中，像元到该类别中心的间隔的平方和最小 根本思想：经过迭代，逐次挪动各类的中心，直至得到最好的聚类结果为止;〔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。初始中心可恣意选取 初始中心的选择对聚类结果有一定影响，初始中心的选择普通有以下方法： ①根据问题的性质，用阅历的方法确定类别数K，从数据中找出从直观上看来比较适宜的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;〔2〕择近分类，即将一切像元按照与各中心的间隔最小的原那么分到K个聚类中心 〔3〕计算新中心。待一切样本第i 次划分终了后，重新计算新的集群中心zj(i +1), j=1, 2, …, K 〔4〕