第四次上机-遥感图像分类

课程安排第一讲：ENVI基本操作和影像配准第二讲：辐射定标与大气校正•第三讲：图像镶嵌与融合•

第四讲：遥感图像分类•第五讲：植被指数与高光谱数据分析遥感图像分类遥感图像分类：

将遥感图像中每个像元根据其在不同波段的光谱亮度、空

间结构特征或者其他信息，按照某种规则或算法划分为不

同的地物类别。基本方法：

非监督分类、监督分类

非监督分类(unsupervisedclassification)监督分类(supervisedclassification)遥感图像分类非监督分类基本原理

非监督分类也称为聚类分析或点群分析，即在图像中搜寻、定义其自然相似光谱集群组的过程。其完全按照像元的光谱特征进行统计分类，常常用于对分类区没有太多了解的情况。这种方法人为干预较少，自动化程度较高。非监督分类ENVI提供的主要方法K均值算法

典型基于距离的聚类算法，采用距离作为相似度的评价指标，即认为两个对象的距离越近，其相似度越大。算法过程：从N个像元随机选取K个像元作为质心测量剩余像元到每个质心的距离，并把它归到最近的质心的类重新计算各个类的质心迭代2-3步直至新的质心与原质心相等或小于制定阀值，算法结束

非监督分类ENVI提供的主要方法ISODATA算法(IterativeSelf-OrganizingDataAnalysisTechniquesAlgorithm)(迭代自组织数据分析算法)ISODATA算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。“合并”操作：当聚类结果某一类中样本数太少，或两个类间的距离太近时，进行合并。“分裂”操作：当聚类结果某一类中样本某个特征类内方差太大，将该类进行分裂迭代次数会影响最终结果，分类参数选择很重要。非监督分类优点不需要预先对所要分类的区域有广泛的了解和熟悉。只需要定义几个预先的参数，因而大大减少了人为误差，自动化高。独特的、覆盖量小的类别能够被识别，不会像监督分类那样由于分析

者的失误而丢失。缺点分析者较难对产生的类别进行控制，因而产生的类别不一定让分析者满意。图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使得不同图像间的对比变得困难。演示和练习时间…非监督分类(unsupervisedclassification)

监督分类(supervisedclassification)遥感图像分类监督分类基本原理

根据类别的先验知识确定判别函数和相应的判别准则学习(Learning)或(Training):利用一定数量的已知类别的样本（称为训练样本）的观测值，确定判别函数中待定参数类别判定:然后将未知类别的样本观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。基本步骤：

选择训练样本和提取统计信息

选择合适的分类算法监督分类过程1）选择训练区（代表性、完整性、多个样区）2）提取统计信息（进行多元统计分析，训练样本的有效评价，样本纯化）3）选择合适的监督分类算法4）计算机自动分类5）分类精度评价监督分类ENVI提供的主要方法•平行六面体法（Parallelepiped）•最小距离法（MinimumDistance）•最大似然法（MaximumLikelihood）•马氏距离法（MahalanobisDistance）•波谱角度法（SpectralAngleMapper）•二值编码法（BinaryEncoding）•神经元网络法（NeuralNet）监督分类平行六面体法（parallelepiped）根据训练样本的亮度值范围形成一个多维数据空间。其它像元的光谱值如果落在训练样本的亮度值所对应的区域，就被划分到其对应的类别中。优点：简明，能将大多数像元划分到一个类别中。缺点：当类别较多时，各类别定义的区域容易重叠。由于存在选择误差，训练样本的亮度范围可能大大低于其实际的亮度

范围，从而造成很多像元不属于任何一类。监督分类最小距离法（minimumdistance）利用训练样本中各类别在各波段的均值，根据各像元离训练样本平均值距离的大小来决定其类别缺点：没有考虑不同类别内部方差的不同，从而造成一些类别在其边界上的

重叠，因而该法在遥感分类中较少使用平行六面体法和最小距离法都没有考虑到各类别在不同波段上的内部方差，以及不同类别直方图分布的重叠监督分类最大似然法（maximumlikelihood）假设类别A和B的亮度均值不同，但其整个亮度分布之间有重叠，最大似然法考虑了在其重叠部分两类出现频率的不同，基于正态分布的假设，根据训练样本的均值和方差来决定处于A、B重叠部分的C是更相似于类别A还是类别B。优点：可以同时定量的考虑两个以上的类别和波段，是一种广泛应用的分类

方法。缺点：

计算量比前面两种算法大。对不同类别的方差变化比较敏感。监督分类优点可根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别。可控制训练样本的选择。缺点人为主观因素较强，类别定义、训练样本选择的代表性问题。由于图像中同一类别的光谱差异（同物异谱），使得类内部的方差较大