遥感技术第八章-图像分类2014PPT.pptxVIP

第八章 图像分类;遥感图像的计算机分类，就是利用计算机技术来模拟人脑的识别功能，对地球表面及其环境在遥感图像上的特征进行属性的自动判别和分类，获取不同类别属性的分布信息。;第一节 基础知识 第二节 图像分类归类 第三节 特征选择 第四节 监督分类 第五节 非监督分类 第六节 分类结果的精度评价;;;;; ???????????????????????????????????????????????? ;3. 分类过程 ;第二节 图像分类归类;监督分类和非监督分类;参数分类和非参数分类;硬分类和软分类;第三节 特征选择;特征选择，即根据原始波段或者变换后的波段（主成分），选择不仅能够有效区分感兴趣目标，又能够减少数据处理量的波段。特征选择可以利用图解和统计的方法实现。;特征选择的图解方法;Co-spectral mean vector plots ;Feature space plots ;特征选择的统计方法;Divergence;当类别数大于两类时，则需要计算 ;其他方法，如Bhattacharyya distance假定类别c和d服从高斯分布，有： ;相似性（similarity）;;第四节 监督分类;监督分类（supervised），又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。;1. 选择训练样本数据;?;最大似然法将遥感图像多波段数据的分布当作多维正态分布来构造判别分类函数。其基本思想是：各类的样本像元在平面或空间中构成一定的点群；每一类的每一维数据都在自己的数据轴上形成一个正态分布，该类的多维数据就构成该类的一个多维正态分布；各类的多维正态分布模型各有其分布特征，例如，所在位置、形状、密集或分散的程度等。对于三维正态分布来说，每一类的数据都形成一个近似钟形的立方体。不同类形成的“钟”在高低、粗细、尖阔等形状方面都不相同；;根据已知各类的已知数据（通过实地调查或其他方法确定地物类别及其训练区获得），可以构造出各类的多维正态分布模型，实际为各类的概率函数；有了各类的多维分布模型，对于任何一个未知类别的数据向量，都可反过来求它属于各类的概率；比较这些概率的大小，比较这些概率的大小，看属于哪一类的概率大，就把这个数据向量或者个像元归为该类。;有了g个概率密度函数（也叫类分布函数），对任何一个已知的m维数据向量x（即1个像元）都可以反过来计算它属于g个类中第k类的概率。根据条件概率公式，;3. 分类后处理;聚类处理（clump） 聚类处理（clump）是运用形态学算子将邻近的类似分类区域聚类并合并。分类图像经常缺少空间连续性（分类区域中斑点或洞的存在）。低通滤波虽然可以用来平滑这些图像，但是类别信息常常会被临近类别的编码干扰，聚类处理解决了这个问题。首先将被选的分类用一个扩大操作合并到一块，然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作。;过滤处理（Sieve）;第五节 非监督分类;非监督分类根据每个像素的光谱性质寻找natural groupings。聚类的结果就是获得一张包含了m类的分类图。分析人员然后根据经验或者实地情况分配给每个光谱类一个特定的类别（比如，森林，农田，城市等）。实际上，这也不是那么简单的，因为有些光谱类没有意义，因为它们是混合类。因此，要求分析人员对于研究区的光谱特征非常熟悉，从而能正确的为每个光谱类确定其地物类别。 （1）ISODATA(Iterative Self-Organizing Data Analysis Technique，迭代式自组织数据分析技术算法) （2）K-均值分类法 ;;第六节 分类结果的精度评价;在遥感数据应用过程中，用户关心一个重要问题就是这些遥感数据以及从这些遥感数据中提取的数据中所包含的错误类别及其精度高低。 在遥感过程的各个环节均会产生误差或错误。如遥感数据获取过程中的各种由于轨道位置不稳定、太阳高度、大气、地形等引起的几何和光谱畸变；在几何和光谱校正的数据处理过程中由于模型的不完善或者不适当运用，或者使用者人为错误；在数据分析过程中分类方法的选择，训练样本的提取，各种参数的选择；由矢量数据与栅格数据相互转换时所引起的位置或属性误差等。;这里主要讨论遥感图像分类过程中的精度评价。 精度评价必须客观地通过某种方法，定量地将一幅图像和另一幅同一地区的参考图像或其他参考数据进行对比。任何用户都不会在没有足够证据前提下，接受对一幅遥感图像或图的科学性、质量和精度的评价。;2. 精度评价方法;（1）采样方法 1）简单随机采