第7-2章-高光谱遥感图像分类教学教材

11 12 1N
21 22 2N
i
m1 m2 mN
i 为第i类别的协方差矩阵，其协方差为：
ni
xkj Mij xkl Mil
k1 jl
nini 1
17
4. 相似系数
co(s) XY
X Y
即
其中，α 是两个矢量间夹角
cos1
n
(xi yi )
i 1
n
n
xi2
y
2 i
(2) 扫描图像，对每个像元y，分别计算y到每个类中心的距离
K
Di ||ymi |2| (ykmik)2 k1
若 Di m j[1,ic]nDj
y i
13
Minimum distance classifier
TM Band 4 TM Band 4
255
0 0
255
TM Band 3
concrete high buildings grass slope water bare soils forest
❖ 明氏距离与特征参数的量纲有关。具有不同量纲的特征参数的明氏距离 常常是无意义的
❖ 明氏距离没有考虑特征参数间的相关性
16
3. 马哈拉若比斯距离
d ix k x k M iT i 1 x k M i
式中，
x kx k,1 x k,2 ,x kN T M iM i,1 M i2 , ,M iN T
2
分类方法
分类执行方式：监督分类、非监督分类
分类模型或分类器：统计分类、模糊分类、邻域分 类、神经网络分类
参数分类和非参数分类：假定类的概率分布函数并 估计其分布参数
硬分类和软分类：像元属于一个类或多个类
3
4
监督分类（Supervised classification）
通过选择代表各类别的已知样本（训练区）的像 元光谱特征，事先取得各类别的参数，确定判别函数， 从而进行分类。在监督分类中，先定义信息类，然后 检验它们的光谱可分性
i 1
i 1
18
最小距离监督分类
注意：最小距离监督分类方法可以从以下几方面扩展：
①上述的距离可以是绝对距离（city block）或其他距离。 ② 分类判决可以考虑使用门限阈值，即，若 =D mi in D i 则DyT j [1,c]， 否则，y属于拒绝类。阈值 的选择D与T 各特征波段的标准偏差有关，可以 事先求出各类组的训练样本的标准偏差或标准偏差的均值，并根据专业 知识和经验考虑门限阈值的设置。 ③ 类判决中可以考虑k—近邻法，直观来说，取未知样本y的k个近邻， 看这k个近邻中多数属于哪一类，就把y归于哪一类。更进一步，还可考 虑距离加权的k近邻法，即计算未知样本与k个近邻训练样本的距离，并 将距离的倒数作为权赋与k个近邻样本，将权大的近邻的归属作为未知样 本的归属。 (3)对图像上的每个象素而言，比较它到每个类中心的距离，距离哪个区 域的中心值最近，就将该象素归为那个区域；最后获得分类后的图像。
255
11
分类判决过程：
12
2、最小距离监督分类
假定初拟分类c个类别，分别是 1 ， 2，…， c，则最小距离分类的 步骤是：
(1) 取c个类别的训练区域，第i个类别训练区域的样本个数为N i
(2)计算每个类别的均值m i(
或 i
)m：i
1 Ni
y
yTi
具体地，若样本y有K个波段组成， 则均值是K维向量，每 个分量是训练区域相应波段的像素均值
对图像中每个像素的光谱响应曲线进行相似性 比较，如果落到某一类平行管道阈值范围内，则 划分到该类别；如果落到多个类中，则将这个像 元划分到最后匹配的类别；落不到任何管道中， 则标识为未分类像元每类的初始参数要在分类过 程中逐步建立。其分类判决过程如下：
10
Parallelepiped classifier
15
欧几里德距离就是两点之间的直线距离。这是我们用的最多因 而也是最为熟悉的一种距离。与我们习惯用的距离一致。欧氏 距离的表达式为：
2. 欧几里德距离
n
2
dixk
xkjMij
j1
欧氏距离中各特征参数也是等权的。 以上两种距离都称为明可夫斯基(Minkowski)距离（以下 简称明氏距离），使用明氏距离应该注意以下问题：
255
0 0
1
2
TM Band 3
concrete high buildings grass slope water bare soils forest
255
14
分类常用距离与有关统计量
1. 绝对值距离
n
di xk xkjMij j1
式中：di(xk)为距离；j为波段序号；总波段数为n，i为类别号； Xkj为k象元在j波段的灰度值；Mij为均值。这个距离也叫出租 汽车距离或城市块距离。在二维空间中可以看出，这种距离是 计算两点之间的直角边距离，相当于城市中出租汽车沿城市街 道拐直角前进而不能走两点连接的最短距离，它的名称也由此 而来
第7-2章-高光谱遥感图像分类
相似性：可以表现为不同的形式和量度
距离值（Distance Value）：像素或像素组信号特征 向量之间距离值的大小来衡量
概率值（Probability Value）：像素信号特征向量与 某一像素组的似然性的大小为相似性的量度
光谱角值（Spectral Angle Value）：像素或像素组之 间光谱角的大小为相似性量度
5
监督分类
训练区
已知地表覆盖类型的代表样区 用于描述主要特征类型的 其精度直接影响分类
检验区
用于评价分类精度的训练样区
6
样区选择示例
训练样区与检验区的选择：相互独立、不能重叠
7
样区选择示例
8
监督算法介绍
1、平行管道分类算法 2、最小距离分类算法 3、最大似然分类算法
9
1、平行管道监督分类原理
19
பைடு நூலகம்、最大似然监督分类
最大似然法是经典的分类方法，已在宽波段遥感图像分类
中普遍采用。它主要根据相似的光谱性质和属于某类的概率最
大的假设来指定每个像元的类别。MLC法最大优点是能快速指定
TM Band 4 TM Band 4
255
0 0
255
TM Band 3
concrete high buildings grass slope water bare soils forest
255
0 0
1 2
TM Band 3
concrete high buildings grass slope water bare soils forest