9遥感图像自动识别分类.pptVIP

第九章遥感图像自动识别分类;遥感图像的计算机分类，就是利用计算机技术来模拟人类的识别功能,对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，达到提取所需地物信息的目的。

遥感图像的自动识别分类主要采用决策理论方法，按照决策理论方法，需要从被识别的模式中，提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。;一、基础知识;xn;2.光谱特征空间及地物在特征空间中聚类

的统计特性;水;特征点集群在特征空间中的分布大致可分为如下三种情况：;一般情况——无论在总的特征空间中，还是在任一子空间中，不同类别的集群之间总是存在重叠现象。这时重叠部分的特征点所对应的地物，在分类时总会出现不同程度的分类误差，这是遥感图像中最常见的情况。;典型情况——不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中可以完全区分的。这时可采用特征变换使之变成理想情况进行分类。;二、特征变换及特征选择;特征变换的目的：;特征变换的方法：;特征选择的目的：;特征选择的方法：;三、监督分类;监督分类法是选择有代表性的试验区来训练计算机，再按一定的统计判别规则对未知地区进行自动分类的方法。;监督分类的思想：;原始影像数据的准备;判别函数: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。

这些函数不是集群在特征空间形状的数学描述，而是描述某一未知矢量属于某个类别的情况，如属于某个类别的条件概率。一般，不同的类别都有各自不同的判别函数。

;判别规则:判断特征矢量属于某类的依据。

当计算完某个矢量，在不同类别判别函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。如若所得函数值最大则该矢量属于最大值对应的类别。这种判断的依据，我们称之为判别规则。;监督分类的方法：;;概率判别函数：把某特征矢量X落入某类集群wi的条件概率P(wi/X)当成分类判决函数（概率判决函数）。

贝叶斯判别规则：把X落入某集群wi的条件概率P(wi/X)最大的类为X的类别。

贝叶斯判别规则以错分概率或风险最小为准则的判别规则。;?最小距离法;距离判别函数是设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类。

距离判别函数不象概率判别函数那样偏重于集群分布的统计性质，而是偏重于几何位置。

距离判别规则是按最小距离判别的原则。

;马氏（Mahalanobis）距离

欧氏（Euclidean）距离

计程（Taxi）距离;?盒式分类法;例如

对于A类的盒子，其边界（最小值和最大值）分别是X1=a、X1=b；X2=c、X2=d。这种分类法在盒子重叠区域有错分现象。错分与比较盒子的先后次序有关。

;监督分类的步骤：;（3）选择训练样区

训练样区的选择要注意准确性、代表性和统计性三个问题。

准确性就是要确保选择的样区与实际地物的一致性。

代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况。

统计性是指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。实际应用中，每一类别的样本数都在102数量级左右。;水;（4）确定判别函数和判别规则

一旦训练样区被选定后，相应地物类别的光谱特征便可以用训练区中的样本数据进行统计。

（5）根据判别函数和判别规则对非训练样区的图像区域进行分类。

;分类得到的专题图;监督分类的优点：;监督分类的缺点：;四、非监督分类;非监督分类也称聚类分析。

一般的聚类算法是先选择若干个模式点作为聚类的中心。

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）将各模式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。

;非监督分类的方法：;?K-均值聚类法;;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，这是这种方法的缺点。可以通过其它的简单的聚类中心试探方法，如最大最小距离定位法，来找出初始中心，提高分类效果。;?ISODATA聚类分析法;它与K－均值算法有两点不同: