第8章自动识别分类2

一监督分类1）确定每个类别的样区2）学习或训练3）确定判别函数和相应的判别准则4）计算未知类别的样本观测值函数值5）按规则进行像元的所属判别1当前1页，总共74页。原始遥感图像对应的专题图像2当前2页，总共74页。(一)判决函数和判决规则

1判决函数当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函数。

3当前3页，总共74页。2判别规则

这种判断的依据，我们称之为判别规则

判断特征矢量属于某类的依据4当前4页，总共74页。概率判别函数：把某特征矢量（X）落入某类集群的条件概率当成分类判决函数（概率判决函数）贝叶斯判别规则：把X落入某集群wi的条件概率P(wi/X)最大的类为X的类别以错分概率或风险最小为准则的判别规则

1、概率判决函数和贝叶斯判决规则5当前5页，总共74页。根据贝叶斯公式可得：

P(wi)——wi

类出现的概率，也称先验概率。

P(wi/X)——在wi

类中出现X的条件概率， 也称wi

类的似然概率。

P(X/wi)——X属于wi

的后验概率。

P(X)对各个类别都是一个常数， 故可略去所以，判决函数可用下式表示：

6当前6页，总共74页。为了计算方便，将上式可以用取对数方式来处理。即

同类地物在特征空间服从 正态分布，则类别的概率密度函数:

7当前7页，总共74页。去掉与i值无关的项对分类结果没有影响，因此上式可简化为：

相应的贝叶斯判决规则为：若对于所有可能的j=1,2,···,m;j≠i有

>

,则X属于

类。根据概率判决函数和贝叶斯判决规则来进行的分类通常称为最大似然分类法。

8当前8页，总共74页。贝叶斯判决规则是以错分概率最小的最优准则9当前9页，总共74页。2、距离判决函数和判决规则 基本思想是设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类。 概率判决函数那样偏重于集群分布的统计性质，距离判决函数偏重于集群分布的几何位置。

10当前10页，总共74页。

根据距离判决函数分类11当前11页，总共74页。距离判别规则是按最小距离判别的原则

马氏（Mahalanobis）距离

欧氏（Euclidean）距离

计程（Taxi）距离

基于距离判别函数和判别规则，在实践中以此为原理的分类方法称为最小距离分类法。

12当前12页，总共74页。1）马氏距离

马氏距离几何意义：X到类重心之间的加权距离，其权系数为协方差。

判别函数：在各类别先验概率和集群体积|∑|

都 相同情况下的概率判别函数则有13当前13页，总共74页。在马氏距离的基础上，作下列限制将协方差矩阵限制为对角的沿每一特征轴的方差均相等欧氏距离是马氏距离用于分类集群的形状都相同情况下的特例。

2）欧氏距离

则有14当前14页，总共74页。X到集群中心在多维空间中距离的绝对值之总和来表示

3）计程（Taxi）距离15当前15页，总共74页。16当前16页，总共74页。3、其它的判决函数和判决规则盒式分类法基本思想:

以一个包括该集群的“盒子”作为该集群的判别函数。

判决规则为若未知矢量X落入该“盒子”，则X分为此类，否则再与其它盒子比较。17当前17页，总共74页。例如 对于A类的盒子，其边界（最小值和最大值）分别是X1=a、X1=b；X2=c、X2=d。这种分类法在盒子重叠区域有错分现象。错分与比较盒子的先后次序有关。

18当前18页，总共74页。(二)分类过程

原始影像数据的准备图像变换及特征选择分类器的设计初始类别参数的确定逐个像素的分类判别形成分类编码图像输出专题图19当前19页，总共74页。水新城区老城区耕地植被

选择样本区域20当前20页，总共74页。计算每个类别的M和Σ，建立类别的判别函数水老城区新城区植被红255绿255••••耕地0•蓝255

将样本数据在特征空间进行聚类21当前21页，总共74页。根据判别函数逐个像素的分类判别22当前22页，总共74页。••••••？1老城区1分类结果影像的形成23当前23页，总共74页。分类得到的专题图24当前24页，总共74页。(三)影响监督分类精度的几个方面:

1.特征变换和特征选择 根据感兴趣地物的特征进行有针对性的特征变换，加快分类速度，提高分类精度。

2.分类的类别数与实际是否相符?25当前25页，总共74页。3.训练样区的选择 训练样区的选择要注意准确性、代表性和统计性三个问题。 准确性就是要确保选择的样区与实际地物的一致性 代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况 统计性是有足够多的像元。26当前26页，总共74页。4.分类方法（判决函数和判决规则）27当前27页，总共74页。(四)监督法分类的优缺点优点：

.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；

.可以控制训练样本的选择

.可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误,分类精度高

.避免了非监督分类中对光谱集群的重新归类

.分类速度快28当前28页，总共74页。主观性；由于图象中间类别的光谱差异，使得训练样本没有很好的代表性；训练样本的获取和评估花费较多人力时间；只能识别训练中定义的类别。缺点29当前29页，总共74页。§8-4非监督分类

二非监督分类 仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类； 其类别的属性是通过分类结束后目视判读或实地调查确定的。30当前30页，总共74页。(一)K-均值聚类法

K-均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。

基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。31当前31页，总共74页。32当前32页，总共74页。33当前33页，总共74页。34当前34页，总共74页。

缺点:这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果。35当前35页，总共74页。(二)ISODATA算法聚类分析可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。

36当前36页，总共74页。选定初始类别中心输入迭代限值参数:I,Tn,TS,TC对样本像素进行聚类并统计ni,m,σni<Tn取消第i类是迭代次数=I或相邻两次迭代类别中心变动小于限值σ>TS

确定分裂后的中心DIK<TC

确定并类后的中心输出否否是否否是ISODATA算法过程框图

每类集群允许的最大标准差

集群允许的最短距离

每类集群至少的点数是迭代次数37当前37页，总共74页。38当前38页，总共74页。(三)平行管道法聚类分析 它以地物的光谱特性曲线为基础，同类地物在特征空间上表现为以特征曲线为中心，以相似阈值为半径的管子，此即为所谓的“平行管道”。 这种聚类方法实质上是一种基于最邻近规则的试探法。39当前39页，总共74页。40当前40页，总共74页。§8-5非监督分类与监督分类的结合

通过非监督法将一定区域聚类成不同的单一类别监督法再利用这些单一类别区域“训练”计算机使分类精度得到保证的前提下，分类速度得到了提高

41当前41页，总共74页。§8-6分类后处理和误差分析一分类后处理1、分类后专题图像的格式遥感影像经分类后形成的专题图，用编号、字符、图符或颜色表示各种类别。42当前42页，总共74页。

原始遥感图像对应的专题图像43当前43页，总共74页。2、分类后处理

用光谱信息对影像逐个像元地分类，在结果的分类地图上会出现“噪声”

44当前44页，总共74页。

“噪声”√地类交界处的像元中包括有多种类别，其混合的幅射量造成错分类√分类是正确的，但某种类别零星分布于地面，占的面积很小，我们对大面积的类型感兴趣。45当前45页，总共74页。平滑时中心像元值取周围占多数的类别46当前46页，总共74页。平滑前后的一个例子47当前47页，总共74页。二、分类后的误差分析

利用一些样本对分类误差进行估计。 采集样本的方式有三种类型：

﹡来自监督分类的训练样区；

﹡专门选定的试验场；

﹡随机取样。

48当前48页，总共74页。混淆矩阵分类精度的评定实际类别

试验像元的百分比%类别1类别2类别3

试验像元12384.34.910.88.580.311.26.14.189.8100%102100%152100%4949当前49页，总共74页。平均精度S=（84.3%+80.3%+89.8%）/3=84.8%加权平均精度S=84.3%*102+80.3%*152+89.8%*49） /(102+152+49)=83.2%50当前50页，总共74页。检验混淆矩阵实测数据类型

分类数据类型实测总和12……n1……2…….……………….………………n……分类总和……51当前51页，总共74页。为分类所得到的第i类的总和；

为实际观测的第j类的总和；

样本总数总体分类精度制图精度：正确分类/参考数据中的该类用户精度：正确分类/所有分为该类与分类精度有关的参数52当前52页，总共74页。Kappa分析（系数）53当前53页，总共74页。遥感数据本身制约光谱：相似性，时相与环境空间分辨力分类方法单点分类空间结构信息没有利用知识回顾：监督分类与非监督分类制约分类精度的原因54当前54页，总共74页。提高分类精度的方法1.分类前预处理校正（辐射和几何）变换空间信息提取（纹理）2.分类树与分层分类一次分类不能满足精度要求时，进行多次分类55当前55页，总共74页。提高分类精度的方法3.混合分类（多分类器结合）监督法与非监督法4.多种信息复合遥感信息非遥感信息5.与GIS集成GIS与遥感数据复合分类间接支持分类用于选样区，检验样区，纠正等56当前56页，总共74页。提高分类精度的方法6.基于目标的遥感图像分类E-COGNITION软件图象分割模糊分类精度评定57当前57页，总共74页。§8-7非光谱信息在遥感图像分类中的应用一高程信息在遥感图像分类中的应用

1.地面高程“影像”可以直接与多光谱影像一起对分类器进行训练

58当前58页，总共74页。7.5米等高线59当前59页，总共74页。DEM影像60当前60页，总共74页。2.将地形分成一些较宽的高程带，将多光谱影像按高程带切片（或分层），然后分别进行分类。61当前61页，总共74页。

二纹理信息在遥感图像分类中的应用

纹理信息提取:目前用得比较多的方法包括：共生矩阵法、分形维方法、马尔可夫随机场方法等。62当前62页，总共74页。Cosmo-SkyMed高分辨率雷达图像63当前63页，总共74页。1.纹理影像直接与多光谱影像一起对分类器进行训练2.先利用多光谱信息对遥感图像进行自动分类。再利用纹理特征对光谱分类的结果进行进一步的细分3.智能的方法(神经元网络方法等)64当前64页，总共74页。§8－9计算机自动分类的新方法一面向对象的遥感信息提取

问题的提出基于像素级别的信息提取以单个像素为单位,过于着眼于局部而忽略了附近整片图斑的几何结构情况，从而严重制约了信息提取的精度

65当前65页，总共74页。方法首先对图像数据进行影像分割,影像的最小单元不再是单个的像素，而是一个个对象(图斑),

后续的影像分析和处理也都基于对象进行。66当前66页，总共74页。

优