遥感图像的分类.ppt

1、一、概述,图像分类：将图像中每个像元根据其光谱信息、空间结构信息和（或）其它专题信息，按照一定的规则或算法划分为不同的类别。 可在由计算机自动完成。 最常用于分类的信息是光谱信息，即各波段的亮度值。另外还可以将空间结构信息，如图像纹理密度、方向等，及其它专题信息用于分类。这些信息的加入常可使分类的精度得到显著提高。 除考虑目标象元的特征外，还可以考虑周围象元的特征。,二、监督分类（supervised),原理 方法与步骤 监督分类的优缺点,原理,建立各类型已知样本区（训练区），根据训练区确定各类的统计特征，以此为基础，建立分类的判别函数，对每个象元进行类别划分。,步骤,训练区的选取 类别统计特

2、征的计算 判别函数的确定 对每个象元进行判别计算,1 训练区的选取,对每一分类类型，在图像上圈定若干个已知区，作为训练区 要点： 训练区要典型，有代表性 训练区最好能均匀分布于全区,2 类别统计特征的计算,计算各类别训练区中各分类参数（波段）的统计特征值：均值、标准差、最大值、最小值、方差、协方差矩阵、相关矩阵或重心等。,训练样本分类能力的考查,地物亮度分布一般属于正态分布或对数正态分布 某类单波段亮度直方图应为单峰，方差越小分类效果越好。如出现多峰说明有多个总体，视情况需修改训练区 不同类在单波段直方图上均值相距越大，方差越小，分类效果越好。两类直方图有重叠，则重叠区样本难以区分 特征空间二

3、维图中各类样本越集中，距离越远，分类效果越好 错分误差(commission error)像元被分到一个错误类别的比例 漏分误差(omission error)像元没被到相应类别的比例,3 判别函数的确定,常用三种方法： 平行算法 最小距离法 最大似然法,平行算法,又称盒式决策规则 根据各类训练样本的亮度值范围(由亮度最大值和最小值确定） 形成的多维数据空间区域来进行判别，将落入该区域内的像元划为该类。也可用均值和标准差来确定,则,如：,或,第i波段j类的最小亮度值；,第i波段j类的最大亮度值；,第i波段象元值；,第i波段j类的标准差；,人为规定阈值,特点： 快速 边界附近的判别准确 但当类别

4、间亮度区域有重叠时无法判别,最小距离法,以均值向量或重心作为每类的中心位置，根据像元到各类别重心的距离来进行判断，将像元划到距离最小的类别 无法考虑类别方差的来同，重叠区的划分误差较大,或,为均值向量,tm4,tm3,最大似然法（Bayes),基于亮度值服从正态分布的假设； 计算像元属于各类别的概率，将像元归入具最大概率的一类 概率公式为：,特点： 可同时定量考虑多个波段和类别，且较好地考虑了各类方差（离散程度），因而较为合理，也具有较高的精度。,a1,a2,监督分类的优缺点,可根据应用和区域，有选择地决定分类类别 可控制训练样本的选择 通常具有较高的精度 可根据训练样本分析分类精度 参入了一

5、定的人为因素 所选类别可能不能履盖所有类型，造成一些象元找不到归属 不能识别训练者不知道的类别 花较多的人力和时间,三、非监督分类,也称集（点）群分析或聚类分析，是按光谱（亮度值）向量在特征空间聚集的情况来划分点群或类别。 一个点群或类别在N维的特征空间里在某个众数的周围，该区域数据点相对密集，亮度向量之间具有更大的相似性。 相似性量度的基本特征： 1）亮度向量之间的距离 2）特征空间中不同区域的点密度 非监督分类由程序来划分出符合实际的点群或类别，需通过叠代运算来完成。,非监督分类步骤,1 、选定起始集群中心 根据直方图人为选取 程序产生：分裂方法,分别为全图的均值向量和标准差向量,2 、计

6、算距离与归类 计算像元到各中心的距离，用最小距离的原则反像元归入不同的类别,3、 检查和修改集群中心：根据规定的参数（阈值）来检查前一次循环中归类的结果，决定再分裂，合并或取消某些类别 分裂：标准差超过参数“最大标准差”，已有类别数小于预期类别数，或某一类的像元数大于参数“最大像元数，则该类就要分裂为两个新的集群中心（类别）：,及,合并：把两个集群（类）合并在一起，重新计算其中心（均值）。两种情况下进行： 两个集群之间的距离小于规定的阈值“最小群间距” 集群数超过了规定的“最大分类数” 类间距一般采用相似距离：,为两个集群的中心；,为两个集群的标准差,取消：当某个集群的像元数少于参数“一类最小像元数”，则这一点群被取消，其像元分散到相邻的群中。 4 、输出分类结果：两个循环间各类均值向量平均移动距离小于规定的移动阈值，或循环达到规定次数，则计算停止，输出结果。,开始,输入用户参数,选定初始集群中心,将每个像元归入最近集群中心,是否符合给定参数要求,分裂、组合或取消