遥感图像分类
遥感图像的分类课件
理等空间信息。
区域生长法
从种子点开始,根据像素之间的 相似性(如灰度值、纹理等)进 行区域扩展,直到无法再扩展为 止。然后对每个区域进行特征提
取和分类。
随机森林
随机森林是一种集成学习算法, 通过构建多个决策树并结合它们 的预测结果来进行分类。这种方 法能够处理高维特征,并在一定
支持向量机(SVM) SVM是一种二分类模型,通过寻找最优超平面来对像素进 行分类。对于多类别分类问题,可以通过构建多个二分类 器来解决。
K最近邻(KNN) KNN算法根据像素周围K个最近邻的类别来决定该像素的 类别。这种方法考虑了空间上下文信息,通常能够取得较 好的分类效果。
基于对象的分类算法
分水岭算法
遥感图像分类的基本流程
• 流程概述:遥感图像分类的基本流程包括数据预处理、特征提取、分类器设计和分类结果评价四个主要步骤。其中,数据 预处理是对原始遥感图像进行预处理操作,如去噪、增强等,以改善图像质量和提高分类精度;特征提取是从预处理后的 图像中提取出有效的光谱、空间、纹理等特征,为后续分类器设计提供输入;分类器设计是根据提取的特征,选择合适的 算法设计分类器,实现对图像的自动分类;分类结果评价是对分类结果进行评估和分析,以验证分类方法的有效性和可行性。
城市用地分 类
遥感图像分类可用于城市用地类型的 识别与划分,为城市规划提供基础数 据。
城市扩展与变化监测
利用遥感图像分类技术对城市扩展和 变化进行监测,为城市规划和管理提 供科学依据。
遥感图像分类的研究前沿与挑战
深度学习技术应用
将深度学习技术应用于遥感图像分类, 提高分类精度和自动化程度。
遥感图像分类方法及应用示例
遥感图像分类方法及应用示例遥感技术是通过卫星、飞机等远距离传感器获取地表信息的一种技术手段。
遥感图像分类是遥感技术中的一项重要任务,它可以将遥感图像中的像素按照其特征进行分类,并生成分类结果。
本文将介绍遥感图像分类的方法,并给出一些应用示例。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点看作一个样本进行分类,通过像素点的光谱特征来确定其所属类别。
常见的方法有最大似然法、支持向量机等。
最大似然法是一种基于统计学原理的分类方法,它通过求解样本的概率密度函数来确定像素点的类别。
支持向量机是一种基于样本间距离的分类方法,它通过构建超平面将不同类别的样本分开。
2. 基于对象的分类方法基于对象的分类方法是将遥感图像中的像素组成的对象进行分类,通过对象的形状、纹理等特征来确定其所属类别。
常见的方法有基于区域的分割和基于对象的分类。
基于区域的分割将遥感图像中的像素按照相似性进行分组,形成具有相同特征的区域。
基于对象的分类是在分割得到的区域基础上,通过提取区域的特征来确定其所属类别。
3. 基于深度学习的分类方法随着深度学习技术的发展,基于深度学习的分类方法在遥感图像分类中得到了广泛应用。
深度学习通过构建深层神经网络模型,可以自动学习遥感图像中的特征表示。
常见的方法有卷积神经网络(CNN)、循环神经网络(RNN)等。
卷积神经网络可以有效地提取图像的空间特征,循环神经网络可以捕捉图像序列的时序特征。
二、遥感图像分类的应用示例1. 农作物类型分类农作物类型分类是农业生产中的重要任务,可以帮助农民了解农田的分布情况和种植结构,指导农作物管理和精细化农业。
通过遥感图像分类方法,可以将农田遥感图像中的不同农作物进行分类,比如小麦、玉米、水稻等。
这样可以帮助农民进行农作物识别和农田监测,提高农业效益。
2. 土地利用分类土地利用分类是城市规划和土地资源管理中的重要任务,可以帮助决策者了解土地利用的分布情况和变化趋势,指导城市规划和土地资源开发。
遥感图像分类常见方法
遥感图像分类常见方法一、前言遥感分类算法大致有三个阶段(1)基于传统数学统计的方法;(2)经典机器学习;(3)深度学习。
按是否有样本可以分为监督分类和非监督分类两种。
实现分类的流程是:特征+算法二、分类之特征工程分类本来就是计算机领域的问题,遥感分类的本质也是图像处理。
遥感分类属于CV领域的一个子集。
不论是监督还是非监督,分类的前提是特征工程。
构建特征工程的目的是突出关注目标和其他目标之间的差异,从而使得分类具有更好的效果。
遥感的特征工程可以大致分为三类:(1)纹理特征,(2)光谱特征,(3)时序特征。
当然,由上述特征还可延伸出LAI等生物量信息,但其本质上是由光谱特征反演出来的。
(1)纹理特征纹理特征一般从高空间分辨率的遥感影像提取才有效果,纹理特征又可以分为以下三种:统计方法:灰度共生矩阵、灰度游程长度法等模型方法:自相关模型、Markov随机场模型、分形模型等数学变换方法:空间域滤波、傅里叶滤波, Gabor和小波模型等。
(2)光谱特征光谱特征包括地物原始光谱反射率和衍生植被指数两种。
光谱特征较纹理特征容易获得,缺点是反射光谱容易受到“同物异谱”和“异物同谱”的影响。
光谱特征:R,G,B,NIR等衍生植被指数:NDVI,EVI等(3)时序特征由多时相遥感数据提取的特征成为时序特征,包括光谱时序和纹理时序。
时序特征可以描述作物在生育进程中动态的生长变化,已成为遥感农作物分类的重要特征支撑。
大量研究表明,生育期内高频次的时间特征会显著提升分类效果;多特征时间序列比单特征时间序列更能表征不同作物之间的差异特征比较特征的计算是基于数学方法计算的。
(1)光谱植被指数就是加、减、乘,除;(2)纹理特征一般通过滤波模板计算;(3)但数学中更高级,更有用的特征应该是偏导,在矩阵中,偏导及其重要。
因为偏导能够综合多个变量,因此个人认为,偏导特征会更具优势。
传统的统计学方法偏导较少,机器学习次之,深度学习偏导参数最多。
遥感图像分类
原始遥感图像
对应的专题图像
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”
产生噪声的原因有原始影像本身的噪声,在地类 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,以及其它原因等
另外还有一种现象,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,因此希望用综合的方法使它从图 面上消失
简单集群分类方法
K-均值法(K-means Algorithm) Cluster分类法 迭代自组织数据分析技术方法(Iterative
Self-Organization Data Analysis Techniques, ISODATA)
通过自然的聚类,把它分成8类
K-均值算法的聚类准则是使每一聚类中,像元到 该类别中心的距离的平方和最小
A. 按照某个原则选择一些初始聚类中心 B. 计算像元与初始类别中心的距离,把像素分配
到最近的类别中
C. 计算并改正重新组合的类别中心 D. 过程重复直到满足迭代结束的条件
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
其分类的结果只是对不同类别达到了 区分,但并不能确定类别的属性;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
遥感图像计算机分类
色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局
基于光谱的
基于空间关系的
遥感图像特征集
遥感图像 遥感图像计算机分类流程框图
将影像数据的连续变化转化为地图模式, 以提供给用户有意义的信息
获得关于地面覆盖和地表特征数据的更深 刻的认识
较目视解译客观,在分析大数据集时比较 经济
基本思想: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
遥感图像的分类方法
遥感图像的分类方法
遥感图像的分类方法常见有以下几种:
1. 监督分类方法:该方法需要先准备一些具有标签的样本数据集进行训练,并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法:该方法不需要标签样本数据集,通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法:该方法结合监督和无监督分类方法的优势,同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法:近年来,随着深度学习方法的发展,基于卷积神经网络(CNN)的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练,能够实现较高的分类精度。
除了以上几种方法外,还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素,选择合适的分类方法对于遥感图像的分类任务非常重要。
《遥感图像分类》课件
将原始特征进行变换,生成新的特征,以更好地 反映地物类别之间的差异。
分类器设计
监督分类
利用已知样本的训练集设计分类器,对未知样本进行分类。
非监督分类
对未知样本进行聚类分析,将相似的样本归为同一类。
混合分类
结合监督分类和非监督分类的优势,提高分类精度和稳定性。
分类结果评价
精度评价
通过比较分类结果与实际地物类别, 计算分类精度、混淆矩阵等指标。
THANKS
感谢观看
分类器。
多源遥感数据融合问题
多源遥感数据融合可以提高分类精度和可靠性,但同时也带 来了数据匹配、融合算法选择等问题。
解决多源遥感数据融合问题的策略包括使用先进的融合算法 ,如基于深度学习的融合方法,以及优化数据匹配方法。
遥感图像分类技术的发展趋势
01
遥感图像分类技术正朝着高精度、高效率和自动化的方向发展 。
可靠性评价
评估分类结果的稳定性、可靠性以及 抗干扰能力。
应用价值评价
根据分类结果在实际应用中的价值, 如土地利用、资源调查、环境监测等
,对分类方法进行综合评价。
04
CATALOGUE
遥感图像分类的挑战与展望
数据质量问题
遥感图像常常受到噪声、失真和 模糊等影响,导致数据质量下降
。
数据质量问题还表现在不同传感 器获取的图像之间的差异,以及 不同时间获取的图像之间的变化
遥感图像分类的应用
遥感图像分类在多个领域有广泛应用,如环境保护、城市规划、资源调查、军事 侦察等。
通过遥感图像分类,可以快速获取大范围的地物信息,为相关领域的决策提供科 学依据。
02
CATALOGUE
遥感图像分类的方法
遥感概论第12章 遥感图像的分类 122.12 第12章 遥感图像的分类
影像分类是遥感、影像分析和模式识别的重要组成部分
• 影像分类可以作为影像分析的直接目标:如土地利用分类、 农作物种类识别、湿地类型识别等,以分类影像作为成果
• 影像分类也可以作为影像分析的中间环节:如研究森林情 况,需要先提取出森林的范围;研究草地或农业情况,需 要先提取出草地和耕地的范围等
在影像分类过程中,需要用到分类器:即按照一定方法进 行影像分类的计算机程序
• 此时,需要采用距离量算法确定该点究竟属于哪个点集群
• 如果像元A、C间的距离大于B、C间的距离,则像元C属于B ,否则属于A
因此,距离的量算是非监督分类的核心
(3)距离量算的方法
殴几里得距离测量
n
Dab [ (ai bi)2 ]1/ 2 i 1
• i表示波段,a和b表示像元值,Dab表示两像元之间的距离
概念:非监督分类是指在多光谱影像中搜寻和定义自然光 谱集群组的过程,也叫聚类分析或点群分析
• 计算机按照一定的规则自动地根据像元光谱或空间特征进 行像元分类,不需要人工选择训练样本,仅需极少的人工 输入参数
目前,非监督分类已经发展了近百种分类算法,但所有的 算法都是基于像元亮度的相似度
• 相似度一般用距离或相关系数来衡量,距离越小或相关系 数越大,则相似度越大,相似度大的像元归并为一类
• 分类器的种类很多,但还没有一种分类器能够适用于所有 的任务
• 研究人员,只需根据当前的实际需要,选择一种分类器即 可,也可针对自己的需要,设计自己的分类器
• 简单的点分类器 简单、高效,但错误多
• 邻域分类器 设计复杂,但能结合空间
纹理信息,提高了精度
2 信息类别和光谱类别
信息类别是用户使用的对地面事物的信息分类 • 如湿地的不同类型、农田的类型、土地利用的不同类型等 • 这些信息类别可提供给规划者、管理者、研究者参考使用 • 影像不直接记录信息类别,只记录亮度值,分析人员只能
遥感图像的分类
第i波段象元值; S ij 第i波段j类的标准差; T 人为规定阈值
j k X i m ij T * S ij
minij 第i波段j类的最小亮度值; maxij 第i波段j类的最大亮度值;
波 段
2 波段1
特点: 快速 边界附近的判别准确 但当类别间亮度区域有重叠时无法判别
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。
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
N
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): (1 ,..., i Si ,..., n ) (1 ,..., i Si ,..., n ) 及
遥感图像分类ppt课件
– 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,
T
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)
14
8.4 非监督分类
• 非监督分类,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:遥感图像上的同
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。
9
8.2 相似性度量
3.马氏(Mahalanobis)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。
遥感图像分类_2
遥感图像分类遥感图像的分类就是通过对遥感图像中地物的光谱信息和空间信息进行分析,选择特征,将图像中每个象元按照某种规则或算法划分为不同的类别,然后获得遥感图像与实际地物的对应信息,从而实现遥感图像的分类。
一般的分类方法可分为两类:监督分类和非监督分类。
将多源数据应用于图像分类中,发展成基于专家知识的决策树分类。
一、监督分类监督分类(supervised),又称训练分类法,即用被确认的样本象元去识别其他未知象元的过程。
已经被确认类别的样本象元是指那些位于训练区的象元。
在这种分类中,分析者在图像上对每一种类别选取一定数量的训练区,计算机计算每种训练样区的统计或其他信息,每个象元和训练样本作比较,按照不同规则将其划分到其最相似的样本类。
监督分类的算法主要有:平行算法、最小距离法、最大似然法等。
这里采用最大似然法作为监督分类的算法。
原理:最大似然法假设遥感图像的每个波段数据都是正态分布。
其基本思想是:地物类数据在空间中构成特定的点群;每一类的每一维数据都在自己的数轴上成正态分布,该类的多维数据就构成了一个多维正态分布;各类多维正态分布模型各有其分布特征。
根据各类已有的数据,可以构造出各类的多维正态分布模型,在此基础上,对于任何一个像素,可反过来求出它属于各类的概率,取最大概率对应的类为分类结果。
步奏:第一步:分析图像①打开图像,将图像以5、4、3波段合成RGB显示在#1中。
②通过目视分析,可以定义6类样本:水体、建筑、耕地、草地、荒地、其他。
第二步:选择训练样本①在主图像窗口选择Overlay-----Region of Interest,打开ROI Tool对话框。
②在ROI Tool对话框中设置相关样本的名称、颜色等。
③选择ROI_Type—Polygon,在window中选择image,在图像上绘制训练区。
④重复②、③步奏,最终完成以下结果:第三步:评价训练样本①在ROI Tool对话框中,选择Options——Compute ROI Separability,打开目标图像。
第9章--遥感图像分类
软分类:一个像素分为多个类---混合像素
相似性度量
遥感图像计算机分类的依据是遥感图像 像素的相似度。在遥感图像分类过程中, 常使用距离和相关系数来衡量相似度。 距离:特征空间中象元数据和分类类别 特征的相似程度。距离最小即相似程度最 大。 度量特征空间中的距离经常采用以下几 种算法:
K-均值法分类过程
确定初始类别中心 判断样本至各类的距离 将样本分到较近的类S中 重新计算类S的中心 是
类中心是否变化? 否
迭代结束
具体算法步骤如下:
K-Means处 理结果
类别=5;光谱 混淆?
类别=10
ISODATA(迭代自组织数据分析技术)
动态聚类法的代表: 在初始状态给出图像粗糙的分类,然后基于 一定原则在类别间重新组合样本,直到分类 比较合理为止。
利用计算机对遥感数字图像进行分类难度很大。
遥感图像是从遥远的高空成像的,成像过程要受传
感器、大气条件、太阳位臵等多种因素的影响。影 像中所提供的目标地物信息不仅不完全,而且或多 或少地带有噪声,因此人们需要从不完全的信息中 尽可能精确地提取出地表场景中感兴趣的目标物。 遥感影像信息量丰富,与一般的图像相比,其包容 的内容远比普通的图像多,因而内容非常“拥挤”。 不同地物间信息的相互影响与干扰使得要提取出感 兴趣的目标变得非常困难。 遥感图像的地域性、季节性和不同成像方式更增加 了计算机对遥感数字图像进行解译的难度。
ISO-DATA处 理结果
监督分类
监督分类方法。首先需要从研究区域选取
有代表性的训练区作为样本。根据已知训 练区提供的样本,通过选择特征参数(如 像素亮度均值、方差等),建立判别函数, 据此对样本像元进行分类,依据样本类别 的特征来识别其它像元的归属类别。
遥感数字图像处理第九章 遥感图像分类
gi ( x) p(wi | x) p(wi x) p(wi | x) p( x) p( x | wi ) p(wi ) gi ( x) p(wi | x) p( x | wi ) p(wi ) / p( x)
对于同一个像素来说,p(x)是相同的,因此可以约掉
最大似然方法
训练区:已知类别的区域,用于训练分类算法
样本区域类别的确定:实地观测,航片解译、 地图分析、个人经验等
监督分类的步骤
(1)提取样本区的光谱特性 (2)确定判别准则(最小距离?),生成判别函数 (3)将类型未知的样本值代入到判别函数中,根 据函数值对样本进行分类
样本区的选择
样本区类型:点、线、面 样本区的选择: 具有代表性(典型性) 时间或空间上的一致性 像元要足够多
A.图像预处理
确定工作范围 多源图像的几何配准 噪声处理 辐射校正 几何精校正 多图像融和(高空间分辨率和高光谱分辨率的图像)
C.特征选择和提取
特征:用于测量的属性 特征选择:变量:数据
波段数据、波段代数运算后的数据 图像变换之后的数据 非遥感图像数据
特征提取:地物光谱与图像亮度的先验关系
可分性、可靠性、独立性、数量少
XY ( X ) (Y )
2 2
p
பைடு நூலகம்
p
分类方法
(1)监督分类 (2)非监督分类 (3)其它的综合性分类方法:
模糊聚类、神经网络、决策树、专家系统分类、面 向对象的分类
工作流程
A.图像预处理 B.选择分类方法 C.特征选择和提取 D.选择合适的分类参数进行分类 E.分类后处理 F.成果输出
平行管道方法(盒式分类器,平行六面体分类器)
分类原理:每个训练区的样本的特征向量生成一个盒子,盒子 的中心为均值向量,边界为标准差的倍数(1、2、1.73等)。未 分类的向量落到哪个盒子就属于哪个类,即
遥感图像分类
简单集群分类方法
K-均值法(K-means Algorithm) Cluster分类法 迭代自组织数据分析技术方法(Iterative
Self-Organization Data Analysis Techniques, ISODATA)
通过自然的聚类,把它分成8类
K-均值算法的聚类准则是使每一聚类中,像元到 该类别中心的距离的平方和最小
在不同层次可以更换分 类方法,也可以更换分 类特征,以提高这类别 的可分性
城市
非建筑物 建筑物
裸地
植被
树木
草地
将原有的GIS数据和各种土地利用类型变化的先验 性知识综合集成用于新的遥感图像的分类中,不仅 可以促进GIS数据更新的自动化,而且还可以得到 比常 规最大 似然法 高的分 类精度
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
A. 按照某个原则选择一些初始聚类中心 B. 计算像元与初始类别中心的距离,把像素分配
到最近的类别中
C. 计算并改正重新组合的类别中心 D. 过程重复直到满足迭代结束的条件
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
其分类的结果只是对不同类别达到了 区分,但并不能确定类别的属性;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
可对复杂的多波段数据及其相互关系进行 有效分析
光谱特征空间:以各波段图像的亮度 分布为坐标轴组成的空间
同类地物在特征空间形成一个相对聚 集的点集群
不同类地物的点集群在特征空间内一 般是相互分离的
SPOT影像
1-2
1-3
1-4
2-3
2-4
3-4
“物以类聚”,而图像分类的依据通 常是像元之间的相似性。相似性通常 又采用“距离”来度量。
遥感图像分类方法与结果验证技巧
遥感图像分类方法与结果验证技巧遥感图像分类是利用遥感数据进行地物分类的过程,是遥感技术在地学领域中的重要应用之一。
而遥感图像分类方法的选择和结果验证技巧的使用对于获得准确可靠的分类结果至关重要。
本文将讨论常见的遥感图像分类方法以及一些结果验证技巧。
一、遥感图像分类方法1. 监督分类方法监督分类方法是最常用的一种遥感图像分类方法,它需要先手动标注一些样本点,然后使用机器学习算法进行分类。
常用的监督分类方法包括支持向量机(SVM)、随机森林(RF)和人工神经网络(ANN)等。
这些方法在遥感图像分类中表现出色,但要求标注样本点会增加工作量。
2. 无监督分类方法与监督分类方法相反,无监督分类方法不需要事先手动标注样本点,而是通过对图像内部的类别划分进行分类。
常用的无监督分类方法包括聚类算法,如K均值算法和谱聚类算法。
这些算法可以有效地从遥感图像中自动识别出地物的类别,但分类结果的准确性可能不如监督分类方法。
3. 半监督分类方法半监督分类方法结合了监督和无监督分类方法的优点,它既可以利用有标签样本进行训练,又可以利用无标签样本进行分类。
典型的半监督分类方法包括自动编码器和生成对抗网络(GAN)等。
这些方法在遥感图像分类中具有潜力,可以有效提高分类结果的准确性。
二、结果验证技巧1. 精确度评估精确度评估是验证分类结果准确性的重要指标之一。
常用的精确度评估方法包括混淆矩阵、精确度(Accuracy)、召回率(Recall)和F1值等。
通过对分类结果和真实样本进行对比,可以评估分类算法的准确性。
2. 交叉验证交叉验证是在有限的数据集上评估模型性能的常用方法,它可以有效地避免由于数据集选择不当而引起的偏差。
常见的交叉验证方法有k折交叉验证和留一交叉验证。
在遥感图像分类中,交叉验证可以帮助评估模型在不同样本集上的分类性能。
3. ROC曲线分析ROC曲线分析是衡量分类器性能的重要工具,它可以绘制出分类器在不同阈值下真阳性率和假阳性率之间的关系。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
实验四遥感图像分类
一、背景知识
图像分类就是基于图像像元的数据文件值,将像元归并成有限几种类型、等级或数据集的过程。
常规计算机图像分类主要有两种方法:非监督分类与监督分类,本实验将依次介绍这两种分类方法。
非监督分类运用ISODATA(Iterative Self-Organizing Data Analysis Technique)算法,完全按照像元的光谱特性进行统计分类,常常用于对分类区没有什么了解的情况。
使用该方法时,原始图像的所有波段都参于分类运算,分类结果往往是各类像元数大体等比例。
由于人为干预较少,非监督分类过程的自动化程度较高。
非监督分类一般要经过以下几个步骤:初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
监督分类比非监督分类更多地要用户来控制,常用于对研究区域比较了解的情况。
在监督分类过程中,首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板,然后基于该模板使计算机系统自动识别具有相同特性的像元。
对分类结果进行评价后再对模板进行修改,多次反复后建立一个比较准确的模板,并在此基础上最终进行分类。
监督分类一般要经过以下几个步骤:建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。
由于基本的非监督分类属于IMAGINE Essentials级产品功能,但在IMAGINE Professional级产品中有一定的功能扩展,非监督分类命令分别出现在Data Preparation菜单和Classification菜单中,而监督分类命令仅出现在Classification菜单中。
二、实验目的
理解并掌握图像分类的原理,学会图像分类的常用方法:人工分类(目视解译)、计算机分类(监督分类、非监督分类)。
能够针对不同情况,区别使用监督分类、非监督分类。
理解计算机分类的常用算法实现过程。
熟练掌握遥感图像分类精度评价方法、评价指标、评价原理,并能对分类结果进行后期处理。
三、实验内容(6课时)
1.非监督分类(Unsupervised Classification);
2.监督分类(Supervised Classification);
3.分类精度评价(evaluate classification);
4.分类后处理(Post-Classification Process);
四、实验准备
实验数据:
非监督分类文件:germtm.img
监督分类文件:tm_860516.img
监督模板文件:tm_860516.sig
五、实验步骤、方法
1、非监督分类(Unsupervised Classification)
ERDAS IMAGINE使用ISODATA算法(基于最小光谱距离公式)来进行非监督分类。
聚类过程始于任意聚类平均值或一个已有分类模板的平均值;聚类每重复一次,聚类的平均值就更新一次,新聚类的均值再用于下次聚类循环。
ISODATA实用程序不断重复,直到最大的循环次数己达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化停止。
(1)打开非监督分类对话框
DataPrep图标/Data Preparation/Unsupervised Classification菜单项;
(2)如下图输入相应参数后,OK完成非监督分类;
(3)分类评价(Evaluate Classification )
获得一个初步的分类结果以后,应用分类叠加检查分类精度。
1.显示原图像与分类图像
在视窗中同时显示germtm.img和germs_isodat两个图像,叠加顺序为
germtm.img在下,germtm_isodat.img在上。
germtm.img显示方式用红(4)、绿(5)、蓝(3)。