遥感概论课件：10图象分类

1、1遥感图像分类2遥感图像分类图像分类: 概念与原理方法: 监督分类方法: 非监督分类分类精度分析提高分类精度的方法3遥感图像分类 遥感图像分类是图像信息提取的一种方法 遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一4图像分类图像分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。 如土地覆盖/土地利用分类、森林类型分类、植被类型分类、岩性分类、 数据-信息 （遥感数据-地物信息）5图像分类基本原理： 不同的地物具有不同的光谱特征，同类地物具有相同或相似的光谱特征 由不同探测波段组成的多波段数字图象是地物这一特征的量化图像分类：基于数字图像中反映的同

2、类地物的光谱相似性和异类地物的光谱差异性67图像分类图像分类过程的目标是，将图像中所有的像元自动地进行地表覆盖类型或地表覆盖专题的分类。8图像分类问题一（光谱分类）： 同物异谱：同类地物具有不同的光谱特征 同谱异物：不同的地物可能具有相似的光谱特征。 例如： 同一类作物，生长状态不同，光谱特征有差异(同物异谱)； 不同的植被类型可能有相似的光谱特征(同谱异物)9长满藻类并含有不同浓度悬浮物的水体（0 - 500 mg/l）的光谱曲线清水和长满藻类的水体的实测光谱曲线叶绿素a在 400 与500 nm间和675 nm处的强烈吸收水体光谱特征的变化：同物异谱10图像分类问题二：光谱类和信息类不对应

3、光谱类（spectral class）：基于光谱特征形成的类别 如房屋的阳面和阴面光谱特征不同，不同的光谱类信息类 (information class)：根据实际需要对待分的类别人为的划分 如城市类由道路、建筑物、水体、绿地等不同地物组成，不同地物光谱特征不同 11图像分类 模式（pattern）: 在多波段图像中，每个象元都具有一组对应 取值，称为象元模式 特征（feature）：在多波段图像中，每个波段都可看作一个变量，称为特征变量一个像元可以看成由n个特征组成的n维空间的一个点,同类地物的像元形成n维空间的一个点群,差异明显的不同地物会构成维空间的若干个点群.图像分类就是要分析特征空间

4、这些点群的特点,如点群位置、分布中心、分布规律，从而确定点群的界限，最终完成分类任务。几个基本概念：12Image Space VS. Feature Space (图像空间与特征空间)Band 1Band 2Band 3XY图像分类的本质：特征空间的操作13特征空间的操作14波段： 光谱波段 其它派生波段（纹理、上下文关系、波段比等） 辅助数据(ancillary data) (非遥感数据，如DEM、 土壤类型)特征约简（减少）（feature reduction） 特征提取(feature extraction)：通过变换找出最能反映地物类别差异的特征变量用于分类的过程 特征选择(feat

5、ure selection)：直接从原始波段数据中选择几个基本概念：15图像分类中常用的距离 欧氏距离:N, 波段数; dij第个i像元与第j个像元在N维空间中的距离;xik为第个k波段上第i个像元的灰度值; 绝对距离: 明斯基距离: 欧氏距离和绝对距离可统一表示为:16图像分类中常用的距离 马氏距离(Mahalanobis): 相似系数 (光谱角距离):其中, 为两个矢量间的夹角17图像分类方法 分类执行方式：监督分类、非监督分类； 分类模型或分类器：统计分类、模糊分类、邻域分类、神经网络分类。18图像分类方法(一)：监督分类（supervised classification）： 通过选择

6、代表各类别的已知样本（训练区）的象元光谱特征，事先取得各类别的参数，确定判别函数，从而进行分类。在监督分类中，先定义信息类，然后检验它们的光谱可分性19 非监督分类(unsupervised classification)：根据事先指定的某一准则，让计算机自动进行判别归类，无须人为干预，分类后需确定地面类别 在非监督分类中，先确定光谱可分的类别(光谱类)，然后定义它们的信息类图像分类方法(二):204-3-2假彩色合成图像非监督分类(聚类)结果: 15个光谱类非监督分类：实例121 非监督分类：实例21. 4-3-2假彩色合成图像(香港九龙); 2. 聚类结果(10类)22 非监督分类3. 聚

7、类结果合并(5类); 4. 最终结果 (类别颜色改变)23训练区 （训练样本, training samples）：已知地表覆盖类型的代表样区用于描述主要特征类型的光谱属性其精度直接影响分类结果检验区（检验样本, test samples） ：用于评价分类精度的代表样区监督分类24分类训练区的选择 训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获取的信息的价值 用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中光谱类别的所有组成。 代表性、完整性 分布：多个样区 检验区(样本)的选择,也应遵循类似的规则25训练区与检验区的选择:相互独立、不能重叠26训练区的选择27分类结

8、果1 水体2 林地3 城镇4 稻田5 菜地6 土壤7 云28训练和检验样本TrainingTest29分类结果Original ImageClassified Image30图像分类过程分类预处理：几何校正与配准、大气校正、相关信息的计算等特征选择(提取)分类（监督分类训练区的选择）分类后处理，包括精度评价专题图制作3132原始图像33 分类图像34最终结果：专题制图35非监督分类: 常用方法最常用的方法: 迭代自组织数据分析技术（ISODATA，Iteractive Self-Organizing Data Analysis Technique）在初始设定基础上，在分类过程中根据一定原则不断

9、重新计算类别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条件, 分类完毕.1. 确定最初类别数和类别中心;2. 计算每个像元对应的特征矢量与各聚类中心的距离;3. 选与其中心距离最近的类别作为这一矢量(像元)的所属类别;4. 计算新的类别均值向量;5. 比较新的类别均值与原中心位置的变化, 形成新的聚类中心; 重复2, 反 复迭代;6. 如聚类中心不再变化, 或达到设定的迭代次数，停止计算.36初始聚类中心开始计算距离像元归类计算类别均值均值与中心数一致？新均值代替旧中心ISODATA算法框图停止是否37原始的聚类中心第1次迭代后的类别分布聚类过程: 类别中心的变化38第2次迭代后的类

10、别分布第n次迭代后的类别分布聚类过程: 类别中心的变化39监督分类:方法最小距离法平行管道法最大似然法人工神经网络法（ANN）40平行管道分类使用简单的分类规则进行多光谱遥感图像的分类。决策线（面）在n维光谱空间中是一个平行的管道。管道的范围根据训练样本中各波段的最大最小值确定。如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。如果落在多个类中，则将这个像元划分到“未定”（未分类像元）或任意归于某个类别。落不到任何管道中，则标识为未分类像元。输入参数 Max stdev from the mean, 是距离平均值多少个标准差。41 平行管道分类42最小距离法一种相对简化了的分类方

11、法。前提是假设图像中各类地物光谱信息呈多元正态分布。假设N维空间存在M个类别，某一像元距哪类距离最小，则判归该类通过训练样本事先确定类别数、类别中心，然后进行分类。分类的精度取决与训练样本的准确与否43 最小距离分类44最大似然法建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类，是应用比较广泛、比较成熟的一种监督分类方法判别函数： gi(x)=p(wi/x) p(wi/x) : 后验概率 根据贝叶斯公式： gi(x)=p(wi/x)= p(x / wi)p(wi)/p(x)p(x / wi)为在x 观测到 wi的条件概率， p(wi)为wi的先验概率， p(xi)为变量x与类别无关情况下

12、的出现概率。假设：训练区光谱特征服从正态分布 计算每个像元属于每一类的概率gi(x), 找出gi(x)最大者,将该像元归为概率最大的这一类45最大似然分类等概率等值线46分类精度的评价图像分类精度评价是分类过程不可或缺的组成部分分类精度的评价通常是用分类结果图像与标准数据（图件或地面实测值）进行比较，以正确的百分比来表示精度方法： 非位置精度：以一个简单的数值，如面积、象元数目等表示分类精度，未考虑位置因素，所获得的精度偏高 位置精度：将分类的类别与其所在的空间位置进行统一检查。目前普遍采用混淆矩阵方法47精度评价选定参考数据-来源、大小、位置： 从参考数据获取地物类型从分类图像获取相对应的分

13、类类别逐个像元比较48分类精度的评价位置精度评价的主要参数是基于精度检验样本的混淆矩阵（误差矩阵）计算的比较分类结果与已知参考数据混淆矩阵: 用图件或某些实测值（样本）参考数据（地面实况数据，ground truth data）指地表实测值或标准数据或图件上对应的抽样样本；49精度评价：比较Reference Plot ID NumberClass determined from reference sourceClass claimed on classified mapAgreement?1ConiferConiferYes2HardwoodConiferNo3WaterWaterYes4

14、HardwoodHardwoodYes5GrassHardwoodNo6Etc.50混淆矩阵为方阵，行列数相等，与分类类别数相等；混淆矩阵中，行总数代表分类数据各类的抽样样本数目总和，列总数代表实际类型的各类抽样样本数目总和；对角线上元素为被正确分类的样本数目，非对角线上的元素为被混分的样本数。总体精度（overall accuracy）、用户精度(users accuracy)、生产者精度(producers accuracy)混淆矩阵（confusion matrix）51分类精度混淆矩阵52分类精度总体精度(overall accuracy)：整个图像中被正确分类的像元数占总的像元数的百

15、分比生产者精度(producers accuracy)某类中正确分类的象元数除以参考数据中所有该类的象元数（列方向）用户精度(users accuracy)某类中正确分类的象元数除以所有的被分为该类的象元数（行方向）53混淆矩阵 （confusion matrix, error matrix）Summarize using an error matrixClass types determined from reference sourceClass types determined from classified mapConiferHardwoodWaterTotalsConifer505

16、257Hardwood1413027Water35816Totals67231010054Class types determined from reference sourceClass types determined from classified map# PlotsConiferHardwoodWaterTotalsConifer505257Hardwood1413027Water35816Totals672310100总体精度：Overall Accuracy55用户精度: Users AccuracyClass types determined from reference so

17、urceClass types determined from classified map# PlotsConiferHardwoodWaterTotalsConifer505257Hardwood1413027Water35816Totals672310100Example: Conifer56生产者精度: Producers AccuracyClass types determined from reference sourceClass types determined from classified map# PlotsConiferHardwoodWaterTotalsConife

18、r505257Hardwood1413027Water35816Totals672310100Example: Conifer57精度评价Class types determined from reference sourceUsers AccuracyClass types determined from classified map# PlotsConiferHardwoodWaterTotalsConifer50525788%Hardwood141302748%Water3581650%Totals672310100Producers Accuracy75%57%80%Total: 71%58分类精度Kappa系数总体精度只考虑混淆矩阵中沿对角线