自动识别分类

关于自动识别分类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第2页,共78页，星期六，2024年，5月3原始遥感图像对应的专题图像第3页,共78页，星期六，2024年，5月4(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。

第4页,共78页，星期六，2024年，5月52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第5页,共78页，星期六，2024年，5月6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第6页,共78页，星期六，2024年，5月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：

第7页,共78页，星期六，2024年，5月8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:

第8页,共78页，星期六，2024年，5月去掉与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。

第9页,共78页，星期六，2024年，5月贝叶斯判决规则是以错分概率最小的最优准则第10页,共78页，星期六，2024年，5月112、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。

第11页,共78页，星期六，2024年，5月

根据距离判决函数分类第12页,共78页，星期六，2024年，5月13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。

第13页,共78页，星期六，2024年，5月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第14页,共78页，星期六，2024年，5月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

则有第15页,共78页，星期六，2024年，5月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）距离第16页,共78页，星期六，2024年，5月第17页,共78页，星期六，2024年，5月183、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。第18页,共78页，星期六，2024年，5月19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。

第19页,共78页，星期六，2024年，5月(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第20页,共78页，星期六，2024年，5月21水新城区老城区耕地植被

选择样本区域第21页,共78页，星期六，2024年，5月计算每个类别的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第22页,共78页，星期六，2024年，5月根据判别函数逐个像素的分类判别第23页,共78页，星期六，2024年，5月••••••？1老城区1分类结果影像的形成第24页,共78页，星期六，2024年，5月分类得到的专题图第25页,共78页，星期六，2024年，5月(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?第26页,共78页，星期六，2024年，5月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。第27页,共78页，星期六，2024年，5月284.分类方法（判决函数和判决规则）第28页,共78页，星期六，2024年，5月29(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

.分类速度快第29页,共78页，星期六，2024年，5月30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。缺点第30页,共78页，星期六，2024年，5月31§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。第31页,共78页，星期六，2024年，5月32(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。第32页,共78页，星期六，2024年，5月第33页,共78页，星期六，2024年，5月34第34页,共78页，星期六，2024年，5月35第35页,共78页，星期六，2024年，5月36

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。第36页,共78页，星期六，2024年，5月37(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。

第37页,共78页，星期六，2024年，5月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第38页,共78页，星期六，2024年，5月第39页,共78页，星期六，2024年，5月40(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。第40页,共78页，星期六，2024年，5月第41页,共78页，星期六，2024年，5月42§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

第42页,共78页，星期六，2024年，5月43§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。第43页,共78页，星期六，2024年，5月44

原始遥感图像对应的专题图像第44页,共78页，星期六，2024年，5月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”

第45页,共78页，星期六，2024年，5月46

“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。第46页,共78页，星期六，2024年，5月47平滑时中心像元值取周围占多数的类别第47页,共78页，星期六，2024年，5月平滑前后的一个例子第48页,共78页，星期六，2024年，5月49二、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。

第49页,共78页，星期六，2024年，5月50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%49第50页,共78页，星期六，2024年，5月51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%第51页,共78页，星期六，2024年，5月52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……第52页,共78页，星期六，2024年，5月53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第53页,共78页，星期六，2024年，5月54Kappa分析（系数）第54页,共78页，星期六，2024年，5月55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第55页,共78页，星期六，2024年，5月56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，进行多次分类第56页,共78页，星期六，2024年，5月57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，纠正等第57页,共78页，星期六，2024年，5月58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第58页,共78页，星期六，2024年，5月59§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

第59页,共78页，星期六，2024年，5月607.5米等高线第60页,共78页，星期六，2024年，5月61DEM影像第61页,共78页，星期六，2024年，5月622.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。第62页,共78页，星期六，2024年，5月63

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。第63页,共78页，星期六，2024年，5月Cosmo-SkyMed高分辨率雷达图像第64页,共78页，星期六，2024年，5月651.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)第65页,共78页，星期六，2024年，5月66§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

第66页,共78页，星期六，2024年，5月67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。第67页,共78页，星期六，2024年，5月68

优点

面向对象的遥感信息提取，综合考虑了光谱统计特征、形状、大小、纹理、相邻关系等一系列因素，因而具有更高精度的分类结果。第68页,共78页，星期六，2024年，5月69二神经元网络方法（ArtificialNeuralNetwroks，简称ANN）

人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体作出交互反应。第69页,共78页，星期六，