遥感图像分类教学课件.ppt

单元八 遥感图像分类 任务一 遥感图像分类基础知识 概述 概念: 根据遥感图像中目标地物的波谱特征或者其它特征确定每个像元的类别的过程。 方式：人工目视解译和计算机自动解译。 人工解译：判读人员通过分析遥感图像提供的目标信息并结合一定的知识进行分析判断，进而确定图像中目标物类别的过程 计算机解译：计算机在一定的人工干预下采用某种算法自动地实现分类的过程。 人工目视解译充分利用了人的视觉和思维推理能力，这是现有计算机视觉和人工智能水平所无法匹及的。 人工目视解译的工作效率低，分类结果的主观性强，分类精度的高低很大程度上取决于目视解译人员对图像所覆盖区域的了解程度以及个人的经验及知识。人的视觉系统只能同时接收三个波段组合而成的真彩色或假彩色合成信息，但是遥感图像的波段发展到几百个。要分析如此多的波段信息人眼显然难以胜任。 任务一 遥感图像分类基础知识 概述 根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类，这是分类中常用的方法，此外专家分类系统是近年来蓬勃发展的一个方向。 （一）非监督分类 对分类过程不施加任何先验知识，无需人为干预，仅凭像元的光谱特征，运用迭代自组织数据分析（ISODATA）算法，把一组像素按照相似性归成若干类别。 （二）监督分类 在对遥感图像上地物类别属性已经有了先验知识的基础上进行，即要从图像中选取所要区分的各类地物的样本，建立模板再进行自动识别。 （三）专家分类系统 专家分类系统是模式识别和人工智能技术结合的产物。首先利用某一领域内专家的知识和经验建立知识库，然后依据分类目标提出假设，并制定支持假设的规则、条件和变量，最后运用知识库自动进行分类。 任务一 遥感图像分类基础知识 概述 非监督、监督分类方法比较 方法 优点 缺点 适用范围 非监督分类 工作量小 精度低 无先验知识 监督分类 精度高 工作量大 有先验知识 任务一 遥感图像分类基础知识 工作流程 （一）预处理 图像的裁剪、辐射校正、几何校正等 （二）选择分类方法 根据要求，结合实际情况及方法各自的优缺点，选择合适的分类方法。 （三）特征选取和提取 特征是分类的依据，对于遥感图像而言，特征是是图像波段值和其他处理后的信息。一个波段就是一个特征。 原始遥感图像的特征彼此之间往往存在较强的相关性，不加选择地利用这些特征变量分类不但会增加多余的运算，反而会影响分类的准确性。 任务一 遥感图像分类基础知识 工作流程 （四）进行分类 一般来说，非监督分类方法简单，不需要先验知识，当光谱与地物类别对应较好时比较适用。地物类别之间光谱差异很小或比较复杂时，使用监督分类方法比较好。 （五）分类后处理 由于分类过程是按像素逐个进行的，输出分类图中往往会出现成片的地物类别中有零星的异类像素散落分布的情况，其中许多是不合理的“类别噪声”。因此，要根据分类的要求进行分类后处理工作。 （六）精度检验、结果输出 受“同物异谱”、“异物同谱”影响，错分的情况普遍存在，图像分类后必须进行检验，错分像素及地块所占的比例越小，则分类结果越佳。 任务二 非监督分类 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，仅凭据遥感影像地物的光谱特征的分布规律，利用自然聚类特性进行图像分类。其分类的结果，只是对不同类别加以区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。 非监督分类主要采用聚类分析的方法 聚类是把一组像素按照相似性归成若干类别。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上像素间的距离尽可能大。 任务二 非监督分类 ERDAS非监督分类实验操作 （一）ISODATA算法 按照某个原则确定一些初始聚类中心。 实际操作中，要把初始聚类设定得大些，同时引入各种参数控制迭代次数。 像素聚类与分析 计算像素与初始类别中心的距离，把像素分配到最近的类别中，从而获得每个初始类别的集群成员。 确定类别中心 在全部像素按照各类中心分类后，重新计算每一类新的均值，并作为下一次分类的中心，并执行上一步，循环迭代，直到达到迭代的次数。 任务二 非监督分类 三、非监督分类方法的优缺点 非监督分类的优点在于客观性强，不容易遗漏覆盖面积小而独特的地类。而且在聚类后的解译过程中，可以只关心那些感兴趣的类别，因此节省一些不必要的工作。非监督分类的缺点在于其聚类的结果取决于数据本身，很难通过人为的控制来获取希望得到的聚类结果。另外，不同地区或者不同时相的影像用非监督分类得到的结果可比性差。 总的来说，非监督分类一般适用于缺少足够可靠的训练样本的情况。另外非监督分类也往往被人们用作后续的监督分类的数据，作为预分析的一种手段，为制定监督分类的分类方案提供依据。 任