CH遥感图像分类.ppt

* 提高分类精度的策略 分类前预处理 大气校正、几何校正 特征选择与变换（PCA，NDVI，…） 空间信息的提取（纹理） 分类树与分类层次 一次性分类出现类间混淆而又难以解决时，可采取逐次分类的方法。 使用多种不同的分类方法 如监督分类和非监督分类结合的方法。 多种信息复合 遥感信息、非遥感信息复合 GIS支持下的分类 GIS与遥感数据复合分类。利用GIS将非遥感数据生成数字地学图像，并与遥感数据进行复合，然后对复合后的图像进行分类。 间接支持分类。利用GIS数据对遥感图像进行分层、对分类结果进行逻辑操作，以提高分类精度 GIS数据用于图像纠正、辅助训练区和检验样本的选择 * * 一、概念 二、基本原理 三、分类过程 四、分类方法 五、分类精度的评价 主要内容： 遥感图像分类 * 遥感图像的计算机分类，是通过模式识别理论，利用计算机将遥感图像中的像素自动分成若干种地物类别的方法。是图像信息提取的重要途径。 遥感数据 地物信息 土地覆盖/土地利用分类、森林类型、植被类型、岩性类型、…… 一、概念 * 遥感图像 * 自动分类结果 * 分类专题图 分类专题图 * 二、基本原理 自然地物 传感器 （光谱测量） 光谱特征向量 理论依据：不同的地物具有不同的光谱特征（数字图像上的 光谱差异性）；同类地物具有相同或相似的光谱特征（数字 图像上的光谱相似性）。 * 1、光谱特征向量：即像元模式，指每个像元在多波段图像中对应的一组值。 2、特征（Feature）：在多波段图像中，每个波段可看作一个变量，称为特征变量。 波段： 光谱波段、派生波段（纹理、上下文关系、波段比等）、辅助数据（非遥感数据，如DEM、土壤类型等）。 遥感图像自动分类 * 3、特征空间：多个特征可构成多维特征空间。 　　 每个像元对应特征空间中的一个点 图8-2 地物与光谱特征空间的关系 4、同类地物所对应像元在特征空间中呈点集群分布。一个点群代表何类地物，可以通过和已知地物类别相比较的方法解决；或通过实地抽样检查的方法来解决。 * 三维光谱特征空间 5、特征点集群在特征空间中的分布： 理想情况：不同类别地物的集群至少在一个特征子空间中的投影是完全可以相互区分的。 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，但在总的特征空间中是可以完全区分的。 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。 * 位置——是一个点群的中心，计算图象灰度的均值向量（即数学期望）； 范围——计算图象灰度的标准差向量（或协方差矩阵），即点群的离散程度； 边界——应用判别函数（或边界函数）鉴别图象像元的类别归属。 6、计算机分类时，只要能确定地物类别在特征空间中的位置、范围和地物类别的边界就完成了分类的任务。 * 三、分类过程 预处理（大气校正、几何校正、配准） 特征选择（提取） 分类 后处理和精度评价 制作分类专题图 * 四、分类方法 （一）监督分类 Supervised Classification 通过所选择代表各类别的已知样本(训练区)的像元光谱特征，事先取得各类别的参数，确定判别函数和相应的判别规则，从而进行分类。 判别函数 描述某一未知类别的像元模式属于某个类别的情况的函数，如属于某个类别的条件概率。不同的类别有各自不同的判别函数。 判别规则 对像元模式所属类别进行判断的依据。对某一未知类别的像元模式计算出在各个不同类别的判别函数中的值后，就可用判别规则来判定其所属类别。 * 监督分类法主要步骤： （1）确定类别数 （2）特征变换和特征选择 （3）选择训练样区 （4）确定判别函数和判别规则 （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。 * 1、最大似然法 基本思想：样区内的各类别集群在光谱特征空间中的概率分布函数为先验已知，对于样区外的任一未知像元，分别计算它落于各类别区域内的概率，其概率值最大的相应类别就是该像元应属的类别。 建立在贝叶斯准则的基础上，错分概率最小的一种方法。 * 为　　类出现的概率，先验概率； 为　　类中出现Ｘ的条件概率，似然概率； 为Ｘ属于　　类的后验概率。 概率判别函数： 　某特征矢量Ｘ落入某类集群　　的条件概率　　　　。 根据贝叶斯准则，有： 贝叶斯判别规则： 　若对于所有可能的ｊ＝1，2，…，m；（j不等于i）有 ，则X属于 类。 * 类的概率分布计算： 　假设同类地物在特征空间服从正态分布 * * 2、最小距离法 基本思想是计算未知类别的特征