遥感图像计算机分类共40页文档
遥感影像计算机专题分类
是否进行类别分裂
确定分裂后的中心
是否进行并类
确定并类后的中心
基准类别参数确定， 转入分类处理 图 2-7 ISO D ATA 算 法
4 分类规则进行多光谱遥感图像的分类。 决策线在 n 维光谱空间中是一个平行的管道。 管道的直径根据距离平均值的标准差 确定。如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。如果落 在多个类中，ENVI 则将这格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。 输入参数 Max stdev from the mean, 是距离平均值多少个标准差。 最小距离分类 计算未知像元距离各个类别均值向量的欧氏距离， 将该像元划分到距离最小的类别 中。如果没有没有确定最大的标准差和距离阈值，则所有的像元都会分类。 输入参数：Max stdev from the mean, 是距离平均值多少个标准差。 Max distance error , 距离的最大阈值
⑤分层系统采样（Stratified System Sampling） 除了聚类采样以块以外，其余 4 种方法都以像元为基本单位。 检验样本的采样方法是影响精度评价结果的重要因素。 Peng Gong（1990）在土地覆盖分类时，分别采用了①②⑤三种采样方法进 行精度评价， 得到的精度由大到小依次为： 简单随机采样 > 分层随机采样 > 分 层系统采样，这一现象是否带有普遍性，需要更多的实践检验。 Strehman（1992）指出要依据研究目标来确定采样方法。 3）混淆矩阵 采用某种采样方法得到检验数据，对比遥感分类结果图得到混淆矩阵。混淆 矩阵的形式如表。
2．3 分类的后处理
由于基于像元的图像分类结果必然出现零星的类别，一般需要进行分类的后处理。后处 理的目的是去除孤立的离散点。 1) 2) 3) 分类的后处理，进行滤波，驱除孤立离散点。 将已知训练样本和分类结果做比较， 进行分类结果的精度评价。 如果结果不满足精度要 求，分析原因，重新进行处理，直到满意为止。 生成最终分类图像，供进一步处理。
遥感图像计算分类综述
遥感图像计算分类综述1引言随着卫星遥感图像和航空遥感图片分辨率的不断提高,人们可以从遥感图像中获得更多的有用的数据和信息。
伴随着“数字地球”概念的提出,越来越多的民用场合需要用到遥感图像,包括资源调查,自然灾害观测、大气气象预报等。
遥感图像的一个主要研究内容就是分类, 将各种地物划分出来, 最终目的是识别地物。
但由于受到许多条件的限制, 例如大气、地形、分辨率以及混合像元的影响, 分类精度一直不是太高。
许多科研人员为了提高分类精度, 提出了许多分类算法本文主要研究和讨论了遥感图像分类技术的分类方法和算法,并且作了简要的评价。
2图像分类技术遥感图像是按一定比例尺, 客观真实地记录和反映地表物体的电磁辐射的强弱信息, 是遥感探测所获得的遥感信息资料的一种表现形式。
所以, 遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征, 判读识别地面物体的类属及其分布特征。
遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。
只要了解这些因素对遥感图像特征的影响, 则可按图像特征判读地面物体的属性及其分布范围, 实现遥感图像的分类识别。
遥感图像分类主要依据是地物的光谱特征,既地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。
分类是对图像上每个像素按照亮度并接近程度给出对应类别,以达到大致区分遥感图像中多种地物的目的。
数据挖掘是指从巨量的、有噪音的、随机的数据中提取有效的、新颖的事先未知而又潜在有用的信息, 借助数据挖掘技术提高遥感数据的地物分类和目标识别已成为遥感研究领域的热点之一。
由于数据挖掘研究的发展, 对遥感图像的信息提取也提高到了以主动获取信息的高度，主要有两大方面，监督分类，非监督分类。
2.1监督分类监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法，间督的分类方法可以分为分布无关方法和与分布有关的统计分类。
遥感图像分类
最小距离分类法
最近邻法
最小距离分类法
基本思想是设法计算未知矢量X到有关类别 集群之间的距离，哪类距离它最近，该未 知矢量就属于那类
距离判决函数偏重于集群分布的几何位置 距离判别规则是按最小距离判别的原则
平行六面体分类法
平行六面体分类法基本思想
以一个包括该集群的“盒子” 作为该集群的判别函数
ISODATA判断迭代结束
两次迭代之间，如果上一次和这一次的中 心不变，或者变化小于一个阈值，说明聚 类结束
如果迭代次数达到了预设值I ，那么即使不 收敛，也强行结束
ISODATA
类别数：20 迭代次数：20
ISODATA
类别数：10 迭代次数：10
非监督分类方法的特点
主要的非监督分类方法
K-均值法（K-means Algorithm） 迭代自组织数据分析技术方法
（Iterative Self-Organization Data Analysis Techniques，ISODATA）
K-均值法
通过自然的聚类，把它分成8类
K-均值法
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
判决规则为若未知矢量X落 入该“盒子”，则X分为此 类，否则再与其它盒子比较
这种分类法在盒子重叠区域 有错分现象，错分与比较盒 子的先后次序有关
最大似然分类法
最大似然分பைடு நூலகம்法
地物类数据在特征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为正态分
布，该类的多维数据就构成了一个多维正态分布 各类的多维正态分布模型各有其分布特征 利用各类的已知数据（训练区），求出均值、方
第9章遥感图像分类
9.5 非监督分类
4-3-2原始图像 分类结果(10类) 结果合并(5类) 最终结果
9.5 非监督分类
3、监督分类与非监督分类方法比较
➢ 根本区别在于是否利用训练场地来获取先验的类别知识。 ➢ 监督分类的关键是选择训练场地。训练场地要有代表性，
样本数目要能够满足分类要求。此为监督分类的不足之 处。 ➢ 非监督分类不需要更多的先验知识，据地物的光谱统计 特性进行分类，分类方法简单。当两地物类型对应的光 谱特征差异很小时，分类效果不如监督分类效果好。
– 基本思想大体上是给每个类规定一个应保留的最小连 片像素数，然后将小于此数的孤立像素合并到与其相 邻的或包围它的较大的连片像素类中。
9.7 分类后处理
• 9.7.2 类别合并
– 非监督分类前不知道实际有多少地类，在策略上总是 先分出较多的类，然后对照实地情况或根据己有知识， 确定最后需要的类别。
9.4 监督分类
➢ 最大似然比分类法(Maximum Likelihood) 通过求出每个像素对于各类别的归属概率，把该像素分到归
属概率最大的类别中去的方法。
分类图像
原始图像
9.4 监督分类
监督分类的优缺点：
优点：
缺点：
✓ 根据应用目的和区域，有选 ✓ 主观性
择的决定分类类别，避免出 ✓ 由于图像中间类别的光谱差
思考题
1、多波段遥感数字图像最初分发时，通常采用哪几种数 据存贮格式？
2、遥感图像分类方法有哪几类？并简述每种方法的分类 过程。
3、比较监督分类与非监督分类的优缺点。 4、什么是专家系统？它由哪几个组成部分？
思考题
比较监督分类与非监督分类的优缺点。 根本区别在于是否利用训练场地来获取先验的类别知识。 监督分类优点：简单实用，运算量小。缺点：受训练场地个 数和训练场典型性的影响较大。受环境影响较大，随机性大。 训练场地要有代表性，样本数目要能够满足分类要求。 非监督分类优点：事先不需要对研究区了解，减少人为因素 影响，减少时间，降低成本。不需要更多的先验知识，据地物 的光谱统计特性进行分类。缺点：运算量大。当两地物类型对 应的光谱特征差异很小时，分类效果不如监督分类效果好。
地理信息科学概论 第六章-遥感图像计算机分类
3
本章主要内容
◦ 第一节 遥感数字图像的性质与特点 ◦ 第二节 监督分类、非监督分类 ◦ 第三节 其它分类方法 ◦ 第四节 误差与精度评价
4
教学目的
◦ 巩固基础知识（遥感数字图像的概念、特点及表示方法）
◦ 掌握遥感数字图像计算机分类的基本原理 ◦ 理解监督分类、非监督分类的含义 ◦ 了解分类方法，做好实践操作的理论准备
◦ (5)根据上面(4)中的检查和评估,修改训练样本,必要时可重新选择和评估 训练样本;
◦ (6)将训练样本的信息运用于合适的分类过程中。
监督分类中常用的分类方法
◦ 最小距离分类法 ◦ 多级切割分类法 ◦ 特征曲线窗口法 ◦ 最大似然比分类法
2019/5/19
27
1、最小距离分类法
最小距离法—是利用训练样本中各类别在各波段的均值,根据各 像元离训练样本平均值距离的大小来决定其类别
◦ (2)对图像进行检查,对照已有的参考数据或者实地考察经验,评价图像质 量,检查其直方图,决定是否需要别的预处理,如地形纠正、配准等,并确 定其分类系统;
◦ (3)在图像上对每一类别按照前面提到的标准选择训练样本,训练样本必 须是容易识别的,均匀分布于全图
◦ (4)对每一类别的训练样本,显示和检查其直方图,计算和检查其均值、方 差、协方差短阵,以及其对应的特征空间相关波谱椭圆形图和不同的指 示其分离度的统计指数等,从而评估其训练样本的有效性;
由于图像中同一类别的光谱差异,如同一森林类,由于森林密度、年 龄、阴影的差异,其森林类的内部方差大,造成训练样本并没有很好 的代表性;
训练样本的选取和评估需花费较多的人力、时间; 只能识别训练样本中所定义的类别,若某类别由于训练者不知道或
遥感图像的计算机分类
一、概述
分类处理与增强处理 共同点
增强和提取遥感图像中的目标信息 异同点 ✓ 增强主要是增强图像的目视效果，提高图像的可解译
性——定性 ✓ 分类着眼于地物类别的区别——定量
一、概述
遥感图像分类处理的特点 多变量
特征选择 有选择地去除多光谱图像中对分类贡献不大的波段，从 而确定分类的信息源的过程
❖ 前提 各类的分布为正态函数
❖ 依据 贝叶斯(Bayes)公式
p(i/X)p(i)pp ((X X )/i)
❖ 判别函数
g i(X ) P (X / i)P (i)
❖ 判别规则
若 P (i) P ( X /i) P (j) P ( X /j) 则 X i
式中，p(X/—i)— 似然概率 —p(—i )先验概率 p(—i /—X)后验概率 ——p(X )出现的概率
原始图像的预处理 训练区的选择
特征选择和特征提取 分类
检验结果 结果输出
三、计算机分类处理的一般过程
➢ 原始图像的预处理
对观测数据作成像处理，以及图像的几何校正、辐射校 正、量化、采样、预滤波、去噪声等处理，以便获得一 幅比较清晰、对比度强、位置准确的图像提高分类精度
三、计算机分类处理的一般过程
➢ 训练区的选择
❖ 要求 普遍性、代表性
❖ 方法 实地调查 借助地图、航片或其他专题资料 非监督分类
平原水田
水
景观相片
田
遥感影像
丘陵水田
山区水田
平原旱地
旱地
景观相片
遥感影像
丘陵旱地
山区旱地
有林地
林地
景观相片
遥感影像
灌木林地 疏林地
高覆盖度草地
草地
9-10 遥感影像计算机专题分类(上下)
1.2 遥感影像专题分类
遥感专题分类
是以区别图像中所含多个目标为目的，对每个像元或者比较匀质的 像元组给出对应其特征的名称。这些名称为分类的类别，多个特征矢量 定义的空间为特征空间。 遥感专题分类的方法主要有人工目视解译和计算机自动分类。 目视解译是计算机自动分类的基础； 计算机自动分类总是尽可能地模拟目视解译的过程。
3.5.6 神经网络方法的优缺点（续1）
目前对神经网络方法的使用效果还没有获 得一致认识。有的研究报告精度提高，也 有一些研究指出它的分类结果不确定。 神经网络的参数设置要经过大量的实验， 使之成为一个很难使用的方法。
（主要用于进行高光谱数据的分类，传统 的方法对于高光谱分类时间开销太大，要 么进行 特征的选取或者 特征选择，要么 采用新的分类方法， 介绍两个。 一个是2值编码方法， 另一个是光谱角分类方法。
3.1 平行管道分类
① 使用简单的分类规则进行多光谱遥感图像的分类。 ② 决策线在n维光谱空间中是一个平行的管道。 ③ 管道的直径根据距离平均值的标准差确定。 ④ 如果某个像元落在某一类的平行管道的阈值范围内， 则划分到该类别中。 ⑤ 如果落在多个类中，ENVI则将这格像元划分到最 后匹配的类别。 ⑥ 落不到任何管道中，则标识为未分类像元。
STEP4: 每一类的像元数目变化打到要求，算法结束。
影响K－均值法的因素：聚类中心数目，初始类中心的选择，样本输入的次 序，数据的几何特性等。 输入参数: Number of class: 要分成几类 Change threshold%(0-100): 如果每一类的像元数目变化小于此数值， 则迭代停止。
五讲遥感影像分类_OK
10
2 ．误差矩阵与精度估计量
2021/8/22
11
2 ．误差矩阵与精度估计量
2021/8/22
12
2021/8/22
13
2021/8/22
14
混合像元分解
一、 概念 二、 常用的混合像元分解模型 三、 线性光谱混合模型 四、 应用实例
2021/8/22
15
一 概念
遥感器所获取的地面反射或发射光谱信号是以像元为单位记 录的。它是嫁元所对应的地表物质光谱信号的综合。图像中每个 像元所对应的地表，往往包含不同的覆盖类型，它们有着不同的 光谱响应特征。若该像元仅包含一种类型，则为纯像元(pure pixel)，它所记录的正是该类型的光谱响应特征或光谱信号；若该 像元包含不止一种土地覆盖类型，则称为混合像元（mixed pixel)， 它记录的是所对应的不同土地覆盖类型光谱响应特征的综合。如； 野外测得的值物光谱多为植物及其下垫面土壤的混合光谱(往往 还包含有阴影)，即使裸露的地表(无植被或少植被覆盖)也是不同 类型土壤、矿物质等的混合光谱。
2021/8/22
5
用于分类的辅助数据 ：
利用辅助数据的一个主要障碍是辅助数据和遥感数据之 间的不匹配。由于多数辅助数据并不是用来为遥感数据应 用服务的，因此其数字化辅助数据对应的比例尺、分辨率、 时间、精度以及记录格式很少和遥感图像相匹配。当其应 用于遥感图像分类时，有时必须对其进行预处理，以保证 其和图像之间的物理匹配。
空间结构分类器主要是利用一些测量空间纹理结构的函 数得到新的层。一般这些函数都是利用一定的窗口测量像 元和其周边像元之间的关系，比如说在5x 5窗口内像元之间 的方差、空间相关系数等，将这些层加到原始图像的光谱 层中．从而对混合图像进行分类。
06遥感图像计算机分类
2、非监督分类
（2）动态聚类法（ISODATA） ➢ 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。 ➢ 在分类过程中类别数可以变化，某个像元 可能被分为不同的类。
2、非监督分类
非监督分类的优缺点
➢ 主要优点：
✓ 不需要预先对研究区广泛了解和熟悉 ✓ 人为误差的机会减少 ✓ 独特地、覆盖量小的类别均能被识别
三、图像分类中的有关问题
2、提高遥感图像分类精度受到限制
大气状况的影响 下垫面的影响 云朵覆盖 不同时相 地物边界的多样性
§4、遥感图像专家解译系统
专家系统：把某一特定领域的专家知识 与经验形式化后输入到计算机中，由计算 机模仿专家思考问题与解决问题，是代替 专家解决专业问题的技术系统。
一、遥感图像解译专家系统的组成
1、图像处理与特征提取子系统：包括图像处理、 地形图数字化、精纠正、特征提取，结果存贮 在遥感数据库内。
2、遥感图像解译知识获取系统：获取遥感图像 解译专家知识，并把专家知识形式化表示，存 贮在知识库中。
3、狭义的遥感图像解译专家系统。
二、图像处理与特征提取子系统
1、图像处理： ➢ 图像滤波可消除图像的噪声； ➢ 图像增强可突出目标物体与背景的差异； ➢ 大气纠正可消除大气散射、雾霁等影响； ➢ 几何精校正后的数字影像可与专题图精确复
例如，1-7波段亮度值是特征变量 x1,x2,…,x7；组合运算也可产生特征变 量。
1.概述
遥感图像分类中所用统计特征变量：
局部统计特征变量：将数字图像分割为 不同识别单元，在各单元内分别抽取的统计 特征变量（如描述纹理的特征量）。
1.概述
利用统计特征变量进行分类，需要：
遥感图像分类
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。
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。