第8章遥感图像分类 76页PPT文档

12
8.3 工作流程
图像的预处理 选择分类方法
1.确定工作范围 4.辐射校正
2.多源图像的几何配准 5.几何精纠正
3.噪声处理 6.多图像融合
特征选择和提取
选择合适的分类 参数进行分类
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。
特征提取是在特征选择以后，利用特征提取算法(如主成分分析算法) 从原始特征中求出最能反映地物类别性质的一组新特征。
16
8.4 非监督分类
主要过程如下: （1）确定初始类别参数，即确定最初类别数和类别中心 (集群中心) （2）计算每一个像元所对应的特征矢量与各集群中心的 距离。 （3）选与中心距离最短的类别作为这一矢量的所属类别。 （4）计算新的类别均值向量。 （5）比较新的类别均值与原中心位置上的变化，若位置 发生了改变，则以新的类别均值作为聚类中心，再从第2 步开始重复，进行反复迭代操作。 （6）如果聚类中心不再变化，计算停止。
式中：m为已形成的初始类别数。
4）在此基础上，再对所有各剩余点的最小距离进行相互比较，
取其中最大者，并选择与该最大的最小距离相应的抽样点（例
如

X 11
）作为一个新的初始类别中心点（例如
）。
Z3 X11
重复以上步骤，直到初始类别的个数达到需要的个数为止。
25
8.4 非监督分类
8.4.1 初始类别参数的选定 4.局部直方图峰值定心法
22
8.4 非监督分类
8.4.1 初始类别参数的选定
3.最大最小距离选心法
该法的选心原则是使各初始类别之间，尽可能地保持远距
离，为做到这一点，首先在整幅图像中按一定方式（如等间隔
方式）获取一个抽样点像素集合
{

X
}

{X}{X1X2X3 Xn}
式中n为抽样个数
23
8.4 非监督分类
Z q im ii[2 (q 1 )/Q ( 1 ) 1 ]
例如， Q=4时
Z 1i

mi


；
i
Z 3i

m
＋
i
1 3

；
i
Z 2i

mi

1 3

i；
Z 4i

m
＋
i

；
i

用作图法不难证明，该法所选定的初始类别中心通过整体集群
中心的一条直线均匀散布的，并基本上包括在整体集群的范围 之内
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k，计算它到各类中心点的距离 d。若di<dj，则k像素属于i类而不属于j类，此处，判别准则 为di<dj
8
8.2 相似性度量
1.绝对距离
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。
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 (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。
分类后处理
成果输出
13
8.4 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。
17
8.4 非监督分类
8.4.1 初始类别参数的选定 8.4.2 常用非监督分类算法
18
8.4 非监督分类
8.4.1 初始类别参数的选定 初始类别参数是指基准类别集群中心（数学期望Mi），以 及集群分布的协方差矩阵Σi 。因为无论采用何种判别函数， 都要预先确定其初始类别的参量。以下为几种常用的方法。
7
8.2 相似性度量
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 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 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。
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 离比与其他类别中心的距离小。因此，在点群(团)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 以完成分类工作。
遥感数字图像处理
林金堂 闽江学院地理科学系
1
第8章 遥感图像分类
2
第8章 遥感图像分类
8.1 概述 8.2 相似性度量 8.3 工作流程 8.4 非监督分类 8.5 监督分类 8.6 其他分类方法 8.7 分类后处理 8.8 分类精度分析
3
8.1 概述
8.1.1 基本原理 8.1.2 分类方法
5
8.1 概述
8.1.2 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， 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。 事先己经知道类别的部分信息(即类别的先验知识)，对未 知类别的样本进行分类的方法称之为监督分类(Supervised Classification)。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非监督分类(Unsupervised Classification) 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 糊数学方法分类。前者以随机数学理论为基础，包括K-均 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。
N
( xij
j 1

mi
)
2


1 N
mi

N
xij
j 1

式中，i为波段号；j为像素点号；x ij 为像素i在第j波段的亮度 值；n为波段数；N为像素总数。
21
8.4 非监督分类
8.4.1 初始类别参数的选定 2.总体直方图均匀选心法
现假设我们需要Q个初始类别，每个初始类别集群中心可 按下式确定：
则

Z2 X 7
24
8.4 非监督分类
8.4.1 初始类别参数的选定 3.最大最小距离选心法
3）对于剩余的每个抽样点，计算它到已有各初始类别中心的距
离 Dij(i1,2,,m) m为已有初始类别数，并取其中的最小距离
作为该点的代表距离 D j
D j mD i1jn ,D 2 { j, ,D m }j
• 1.像素光谱特征的比较法 • 2.总体直方图均匀选心法 • 3.最大最小距离选心法 • 4.局部直方图峰值定心法
19
8.4 非监督分类
8.4.1 初始类别参数的选定 1.像素光谱特征的比较法
• 首先，在遥感图像中定义一个抽样集，它可以是整幅图像的 所有像素，但通常是按一定间隔抽样的像素。
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， 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。 如此不断地迭代，直到有关参数达到允许的范围为止。
所以说，非监督算法的核心问题是初始类别参数的选定，以 及它的迭代调整问题。
2.欧氏(Euclidean)距离
该距离是平面上两点之间的halanobis)距离
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 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， 尽管K点距MA的距离DA比距MB的距离 DB小，即DA<DB ，但由于B点群比A点 群离散得多，因而把K点划入B类更合 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 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。
• 然后，选定抽样集中任一像素作为第一个类别； • 给定一个光谱相似性比较阈值； • 依次把抽样集中每个像素的光谱特征与已建起的初始类别比
较，若该像素与其中一个初始类别相似，则作为该类集群中 的一个成员，若不与任何一个相似，则以该像素建立一个新 的初始类别。 • 当以上聚类过程完成后，每个已经建立起来的初始类别都包 含了一定成员，依据此可统计其集群中心（数学期望Mi）和 协方差矩阵Σi 。
4
8.1 概述
8.1.1 基本原理 同类地物在相同的条件下(光照、地形等)应该具有相同或 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 干个类别(Class)的过程，称为图像的分类。 遥感图像分类以每个像素的光谱数据为基础进行。 假设遥感图像有K个波段，则(i,j)位置的像素在每个波段上 的灰度值可以构成表示为X=(x1，x2，…，xk)T，包含X的K 维空间称为特征空间，这样K个波段的多光谱图像便可以 用K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模式，而把属于该类 中的像素称为样本， X=(x1，x2，…，xk)T 可以称为样本的 观测值。
10
8.2 相似性度量
3.马氏(Mahalanobis)距离
11
8.2 相似性度量
4.相似系数 又称为余弦距离，其数学表达式为:
α为图像像素光谱与参照光谱之间的夹角(光谱角) X为图像像素光谱曲线向量 Y为参照光谱曲线向量。 当cosα的值接近1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α弧度角来表示，它代表了光谱曲线之间的 相似性，其变化范围是[0，π/2]
由于整幅遥感图像总体直方图的分布是由各类别直方图叠 加而形成的。同时，每个类别的集群中心一般位于本类别直方 图的峰值位置，而在该位置处的总体直方图往往会出现局部峰 值。因而，该法便以搜索总体直方图局部峰值为原理来选定初 始类别的中心。其基本过程包括：图像数据抽样集的获取，建 立总体直方图以及搜索直方图局部峰值3个步骤。