遥感原理与应用第8章遥感作业.docVIP

第章 遥感图像自动识别分类 名词解释： 遥感图像自动分类：采用决策理论或统计方法，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。 光谱特征向量：同名地物点在不同波段图像中亮度的观测量构成一个多维的随机向量X，称为光谱特征向量。 特征空间：传感器接收器输出的是一组n个测量值，这一组几个测量值可以看做是n维空间，称之为特征空间。 特征变换：是将原有的m个测量值集合并通过某种变换，产生n个（n m）新的特征，这种方法称为特征变换。 特征选择：从原有的m个测量值集合中，按某一准则选择出n个特征。 KL变换：是一种线性变换，是就均方误差最小来说的最佳正交变换。能够将原来多个波段中的有用信息尽量集中到数目尽可能少的特征图像组中去，达到数据压缩的目的，同时也能使新的特征图像之间互不相关，使新的特征图像包含的信息内容不重叠增加类别的可分性。 哈达玛变换：利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换。 KT变换：又称穗帽变换，是一种线性特征变换。将MSS影像通过K-T变换得到不同地物类别的分量值，形成的图形像一个穗帽。 判别函数：各个类别的判别区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别，这些函数就称为判别函数。 判别规则：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就必须给出一个判断的依据。如若得到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。 错分概率：是类别判别分界两侧做出不正确判别的概率之和。 最大似然法分类：根据概率判别函数和贝叶斯判别规则来进行的分类称为最大似然法分类。 最小距离法分类：基于距离判别函数和判别规则在实践中以此为原理的分类方法称为最小距离分类法。 监督分类：是基于我们对遥感图像上样本区内地物的类别已知，于是可以利用这些样本类别的特征作为依据来识别非样本数据的类别。 非监督分类：是指人们事先对分类过程不施加任何的先验知识，而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。 K-均值聚类：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。 混淆矩阵：对检核分类精度的样区内所有像元，统计其分类图中的类别与实际类别之间的混淆程度，比较结果用表格的方式列出来，这个表格我们称之为混淆矩阵。 用户精度：正确分类的像元个数与所有分为该类总个数的比值。 制图精度：正确分类的像元个数与参考数据中该类的个数之比。 问答题： 为了度量图像中地物的光谱特征，建立一个以各波段图像的亮点分布的为子空间的多维光谱特征空间。特征：1不同地物由于光谱特征不同，将分布在特征空间的不同位置。2）同类地物的各取样点在光谱特征空间中的特征点将不可能只表现为同一点，而是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。3）地物在特征空间的聚类通常用特征点分布的概率密度函数表示。