《第8章遥感图像分类.ppt》由会员分享，可在线阅读，更多相关《第8章遥感图像分类.ppt（75页珍藏版）》请在第壹文秘上搜索。
1、1遥感数字图像处理遥感数字图像处理2第第8章章 遥感图像分类遥感图像分类 3第第8章章 遥感图像分类遥感图像分类 8.1 概述概述 8.2 相似性度量相似性度量 8.3 工作流程工作流程 8.4 非监督分类非监督分类 8.5 监督分类监督分类 8.6 其他分类方法其他分类方法 8.7 分类后处理分类后处理 8.8 分类精度分析分类精度分析48.1 概述概述 8.1.1 基本原理基本原理 8.1.2 分类方法分类方法58.1 概述概述 8.1.1 基本原理基本原理同类地物在相同的条件下同类地物在相同的条件下(光照、地形等光照、地形等)应该具有相同或应该具有相同或相似的光谱信息和空间信息特征。不同
2、类的地物之间具有相似的光谱信息和空间信息特征。不同类的地物之间具有差异根据这种差异，将图像中的所有像素按其性质分为若差异根据这种差异，将图像中的所有像素按其性质分为若干个类别干个类别(Class)的过程，称为的过程，称为图像的分类图像的分类。遥感图像分类以每个像素的光谱数据为基础进行。遥感图像分类以每个像素的光谱数据为基础进行。假设遥感图像有假设遥感图像有K个波段，则个波段，则(i,j)位置的像素在每个波段上位置的像素在每个波段上的灰度值可以构成表示为的灰度值可以构成表示为X=(x1，x2，xk)T，包含，包含X的的K维空间称为维空间称为特征空间特征空间，这样，这样K个波段的多光谱图像便可以个
3、波段的多光谱图像便可以用用K维特征空间中的一系列点来表示。在遥感图像分类问维特征空间中的一系列点来表示。在遥感图像分类问题中，常把图像中的某一类地物称为题中，常把图像中的某一类地物称为模式模式，而把属于该类，而把属于该类中的像素称为中的像素称为样本样本，X=(x1，x2，xk)T 可以称为可以称为样本的样本的观测值观测值。68.1 概述概述 8.1.2 分类方法分类方法根据是否需要分类人员事先提供已知类别及其训练样本，根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。监督分
4、类和非监督分类。事先己经知道类别的部分信息事先己经知道类别的部分信息(即类别的先验知识即类别的先验知识)，对未，对未知类别的样本进行分类的方法称之为知类别的样本进行分类的方法称之为监督分类监督分类(Supervised Classification)。事先没有类别的先验知识，对未知类别的。事先没有类别的先验知识，对未知类别的样本进行分类的方法称之为样本进行分类的方法称之为非监督分类非监督分类(Unsupervised Classification)根据分类使用的统计数学方法可以分为根据分类使用的统计数学方法可以分为随机统计方法和模随机统计方法和模糊数学方法分类糊数学方法分类。前者以随机数学理论
5、为基础，包括。前者以随机数学理论为基础，包括K-均均值分类、最大相似性分类等。后者以模糊数学理论为基础，值分类、最大相似性分类等。后者以模糊数学理论为基础，主要是模糊分类。主要是模糊分类。78.1 概述概述 8.1.2 分类方法分类方法根据一个像素被分到一个类还是多个类，可将遥感图像分根据一个像素被分到一个类还是多个类，可将遥感图像分类方法分为硬分类和软分类。图像上的一个像素只能被分类方法分为硬分类和软分类。图像上的一个像素只能被分到一个类的分类方法称为到一个类的分类方法称为硬分类硬分类(hard classification)。传。传统的统计分类方法都是硬分类。统的统计分类方法都是硬分类。硬
6、分类有时可能不合理。因为有些像素可能同时具有两个硬分类有时可能不合理。因为有些像素可能同时具有两个类或多个类的性质。类或多个类的性质。图像上的每一个像素可以同时被分到两个或两个以上类的图像上的每一个像素可以同时被分到两个或两个以上类的分类方法，称为分类方法，称为软分类软分类(soft classification)，这时每个像素，这时每个像素除了被分类外，还同时允许它在不同的两个或多个类中具除了被分类外，还同时允许它在不同的两个或多个类中具有隶属概率有隶属概率(class membership probability)或部分隶属值或部分隶属值(partial Membership value)
7、。这是对硬分类不合理一面的。这是对硬分类不合理一面的一种较合理的解决方式。一种较合理的解决方式。88.2 相似性度量相似性度量 距离距离是常用的相似性度量的概念。分类是确定像素距离哪个是常用的相似性度量的概念。分类是确定像素距离哪个点群中心较近，或落入哪个点群范围可能性大的问题。像素点群中心较近，或落入哪个点群范围可能性大的问题。像素与点群的距离越近，那么，属于该点群的可能性越高。按照与点群的距离越近，那么，属于该点群的可能性越高。按照一定的准则，当距离小于一定值时，像素被划分给最近的点一定的准则，当距离小于一定值时，像素被划分给最近的点群。每个点群为一个类。群。每个点群为一个类。同一类别中点
8、间的距离一般来说比不同类别点间距离要小。同一类别中点间的距离一般来说比不同类别点间距离要小。也可以认为，一个点属于某一类，一定与这个类别中心的距也可以认为，一个点属于某一类，一定与这个类别中心的距离比与其他类别中心的距离小。因此，在点群离比与其他类别中心的距离小。因此，在点群(团团)中心已知的中心已知的情况下，以每个点与点群中心的距离作为判定的准则，就可情况下，以每个点与点群中心的距离作为判定的准则，就可以完成分类工作。以完成分类工作。运用距离判别函数时，要求各个类别点群的中心位置己知。运用距离判别函数时，要求各个类别点群的中心位置己知。对于光谱特征空间中的任一点对于光谱特征空间中的任一点k，
9、计算它到各类中心点的距离，计算它到各类中心点的距离d。若。若didj，则，则k像素属于像素属于i类而不属于类而不属于j类，此处，判别准则类，此处，判别准则为为didj98.2 相似性度量相似性度量dik为当前像素i到类k的距离，P为波段数，xij为像素i在j波段的像素值，Mjk为类k在波段j的均值。2.欧氏欧氏(Euclidean)距离距离1.绝对距离绝对距离该距离是平面上两点之间的直线距离，应用最多。108.2 相似性度量相似性度量3.马氏马氏(Mahalanobis)距离距离马氏距离是一种加权的欧氏距离，它通马氏距离是一种加权的欧氏距离，它通过协方差矩阵来考虑变量的相关性。这过协方差矩阵来
10、考虑变量的相关性。这是由于在实际中，各点群的形状是大小是由于在实际中，各点群的形状是大小和方向各不相同的椭球体，如图所示，和方向各不相同的椭球体，如图所示，尽管尽管K点距点距MA的距离的距离DA比距比距MB的距离的距离DB小，即小，即DADB，但由于，但由于B点群比点群比A点点群离散得多，因而把群离散得多，因而把K点划入点划入B类更合类更合理。加权可以这样理解，计算的距离与理。加权可以这样理解，计算的距离与各点群的方差有关。方差愈大，计算的各点群的方差有关。方差愈大，计算的距离就愈短。如果各个点群具有相同的距离就愈短。如果各个点群具有相同的方差，则马氏距离是欧氏距离的平方。方差，则马氏距离是欧
11、氏距离的平方。118.2 相似性度量相似性度量3.马氏马氏(Mahalanobis)距离距离128.2 相似性度量相似性度量4.相似系数相似系数又称为余弦距离，其数学表达式为又称为余弦距离，其数学表达式为:为图像像素光谱与参照光谱之间的夹角为图像像素光谱与参照光谱之间的夹角(光谱角光谱角)X为图像像素光谱曲线向量为图像像素光谱曲线向量Y为参照光谱曲线向量。为参照光谱曲线向量。当当cos的值接近的值接近1的时候有最好的估计光谱值和类别分类结果。的时候有最好的估计光谱值和类别分类结果。光谱角值以很小的光谱角值以很小的弧度角来表示，它代表了光谱曲线之间的弧度角来表示，它代表了光谱曲线之间的相似性，其
12、变化范围是相似性，其变化范围是0，/2138.3 工作流程工作流程图像的预处理图像的预处理选择分类方法选择分类方法特征选择和提取特征选择和提取选择合适的分类选择合适的分类参数进行分类参数进行分类分类后处理分类后处理成果输出成果输出1.确定工作范围确定工作范围2.多源图像的几何配准多源图像的几何配准3.噪声处理噪声处理4.辐射校正辐射校正5.几何精纠正几何精纠正6.多图像融合多图像融合特征选择特征选择是从众多特征中挑选出可以参加分类运算的若干个特征。是从众多特征中挑选出可以参加分类运算的若干个特征。特征提取特征提取是在特征选择以后，利用特征提取算法是在特征选择以后，利用特征提取算法(如主成分分析
13、算如主成分分析算法法)从原始特征中求出最能反映地物类别性质的一组新特征。从原始特征中求出最能反映地物类别性质的一组新特征。特征选取的原则特征选取的原则：尽可能选取数量适当有助于增加同类地物的类聚性：尽可能选取数量适当有助于增加同类地物的类聚性(即类内个体间离散性小即类内个体间离散性小)、能扩大地物类别之间差异性的特征变量。、能扩大地物类别之间差异性的特征变量。148.4 非监督分类非监督分类 根据事先指定的某一准则，让计算机自动进行判别归类，无需人为干预，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。158.4 非监督分类非监督分类 非监督分类非监督
14、分类，是指人们事先对分类过程不施加任何的先验知，是指人们事先对分类过程不施加任何的先验知识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类。其分类的结果，只是对不同类别进行了地进行盲目的分类。其分类的结果，只是对不同类别进行了区分，并不确定类别的属性，其属性是通过事后对各类的光区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。谱响应曲线进行分析，以及与实地调查相比较后确定的。非监督分类的理论依据：非监督分类的理论依据：遥感图像上的同类地物在相同的表遥感图像上的同类地物在相同
15、的表面结构特征、植被覆盖、光照等条件下，一般具有相同或相面结构特征、植被覆盖、光照等条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域。不同的光谱空间区域。由于在一幅复杂的图像中，训练区有时不能包括所有地物的由于在一幅复杂的图像中，训练区有时不能包括所有地物的光谱样式，这就造成了一部分像元找不到归属。在实际工作光谱样式，这就造成了一部分像元找不到归属。在实际工作中为了进行监督分类而确定类别和训练区
16、的选取也是不易的，中为了进行监督分类而确定类别和训练区的选取也是不易的，因而在开始分析图像时，用非监督分类方法来研究数据的本因而在开始分析图像时，用非监督分类方法来研究数据的本来结构及其自然点群的分布情况是很有价值的。来结构及其自然点群的分布情况是很有价值的。168.4 非监督分类非监督分类 非监督分类非监督分类主要采用聚类分析的方法主要采用聚类分析的方法，聚类是把一组像素按，聚类是把一组像素按照相似性归成若干类别。它的目的是使得属于同一类别的像照相似性归成若干类别。它的目的是使得属于同一类别的像素之间的距离尽可能小，而不同类别上像素间的距离尽可能素之间的距离尽可能小，而不同类别上像素间的距离尽可能大。大。在进行聚类分析时，首先要确定基准类别的参量。在非监督在进行聚类分析时，首先要确定基准类别的参量。在非监督分类的情况下，并无基准类别的先验知识可以利用，因而，分类的情况下，并无基准类别的先验知识可以利用，因而，只能先假定初始的参量，并通过预分类处理来形成集群，再只能先假定初始的参量，并通过预分类处理来形成集群，再由集群的统计参数来调整预制的参量，接着再聚类，再调整。由集群的统计参数来调
