Copy of 遥感图像处理7-34.pptVIP

7.3 遥感图像的非监督分类 7.3.1 基本原理 7.3.2 选定初始类别参数 7.3.3 迭代自组织数据分析技术 ISODATA（iterative self-organizing data analysis techniques algorithm） 7.3.1 非监督分类原理 概念：指人们事先对分类过程不施加任何的先验知识，仅根据遥感影像地物的光谱特征的分布规律进行分类。 分类结果只是对不同类别达到了区分，并不确定类别的属性。类别属性需要通过事后对各类地物的光谱响应曲线进行分析，以及与实地调查结果相比较后确定。 7.3.1 非监督分类原理 原理：遥感图像上，同类地物在相同的光照等条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，位于同一个光谱空间区域；不同的地物，光谱信息特征不同，位于不同的光谱空间区域（即物以类聚）。 应用：在开始分析图像时，用来研究数据的本来结构及其自然点群的分布情况。 7.3.1 非监督分类原理 数学方法：主要采用聚类分析的方法，就是把一组像元按照相似性或差异性归并成若干类别。要求属于同一类别的像元之间尽可能相似，不同类别的像元间相似性尽可能小（相异性大）。 相似性的度量：在多光谱空间中，一般用距离来表示。 7.3.1 非监督分类原理 聚类分析类型：系统聚类、动态聚类 系统聚类： 1）将每个样品（像元）看作一类，计算各样品（像元）之间的距离； 2）把距离最小的两个(类)合并为一类； 3）计算新的各类之间的距离； 4）重复2）、3）步，一直到合并成一类为止。 7.3.1 非监督分类原理 聚类分析类型：系统聚类、动态聚类 系统聚类： 由于类与类之间的距离可以有不同的定义，所以系统聚类游细分为8种： 最短距离法 最长距离法 中间距离法 可变法 重心法 类平均法 可变类平均法 离差平方和法 7.3.1 非监督分类原理 聚类分析类型：系统聚类、动态聚类 动态聚类： 首先人为将样品（像元）作初始分类，然后用某种原则判断这种分类是否合理；如果不是，则对分类进行修改，再判断修改后的分类是否合理；仍不合理再作修改，直到分类比较合理为止。 7.3.1 非监督分类原理 聚类分析类型：系统聚类、动态聚类 动态聚类：主要步骤 7.3.1 非监督分类原理 ●分类过程 (1)确定初始类别参数，即确定最初类别数 和类别集群中心。 (2)计算每一个像元所对应的特征矢量与各 类别集群中心的距离。 (3)选取距离最短的类别作为这一像元的所 属类别。 (4)计算新的类别均值向量。 7.3.1 非监督分类原理 ●分类过程 (5)比较新的类别均值与原中心位置上的变化若 位置发生了改变，则以新的类别均值作为聚 为聚类中心，再从第2步开始重复，进行反 复迭代操作。 (6)如果聚类中心不再变化，则停止计算。 7.3.1 非监督分类原理 ●非监督分类的核心问题: 选定初始类别参数 迭代调整 7.3.2 初始类别参数选定 ●初始类别参数 基准类别集群中心(数学期望Mi) 集群分布的范围（协方差矩阵∑i） 基准类别数 7.3.2 初始类别参数选定 ●像素光谱特征的比较法 首先，定义一个抽样集；然后选定抽样集中任一像素作为第一个类别；给定一个光谱相似性比较阈值；依次把抽样集中每个像素的光谱特征与已经建立起来的各初始类别的光谱特征进行相似性比较，若该像素与其中一个已建起的初始类别相似，则作为该类集群中的一个成员，若不与任何一个相似，则以该像素建立一个新的初始类别。 7.3.2 初始类别参数选定 ●像素光谱特征的比较法 当以上聚类过程完成后，每个已经建立起来的初始类别都包含了一定的成员，依据此可统计其集群中心(数学期望Mi)和协方差矩阵∑i。 7.3.2 初始类别参数选定 ●总体直方图均匀定心法 在整幅遥感影像的总体直方图的基础上进行类别中心的选定的。 7.3.2 初始类别参数选定 ●总体直方图均匀定心法 总体直方图的均值和方差分别为： M=[m1, m2，…，mn]T ∑= 7.3.2 初始类别参数选定 ●总体直方图均匀定心法 假设需要有Q个初始类别，每个初始类别集群中心