遥感影像计算机专题分类
遥感图像自动分类
类间散布矩阵表示了不同类别间相互散布的程度
3）总体散布矩阵：
类间散布矩阵表示了不同类别间相互散布的程度
8.3、监督分类
自动识别分类
监督分类法
非监督分类法
监督分类法是选择有代表性的试验区
来训练计算机，再按一定的统计判别规则 对未知地区进行自动分类的方法。
监督分类的思想：
1）确定每个类别的样区 2）学习或训练 3）确定判别函数和相应的判别准则 4）计算未知类别的样本观测值函数值 5）按规则进行像元的所属判别
4 比值变换
– 比值变换图像用作分类有许多优点，它可以增强土 壤，植被，水之间的辐射差别，压抑地形坡度和方 向引起的辐射量变化。由于地形的影响，一般情况 下各种地物光谱反射率ρi乘上一个相近的因子α ,当 使用比值变换时，
– R12 = x1/x2 = αρ1/αρ2 = ρ1/ρ2
5 生物量指标变换 NDVI (NIR R) (NIR R)
距离判别函数是设法计 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。
距离判别函数不象概率
判别函数那样偏重于集群分 布的统计性质，而是偏重于 几何位置。
距离判别规则是按最小 距离判别的原则。
最小距离法中常使用的三种距离判别函数
➢ 马氏（Mahalanobis）距离 ➢ 欧氏（Euclidean）距离 ➢ 计程（Taxi）距离
虽然每一种图像数据都可能包含了一些可用 于自动分类的信息，但是就某些指定的地物 分类而言，并不是全部获得的图像数据都有 用，如果不加区别地将大量原始图像直接用 来分类，不仅数据量太大，计算复杂，而且 分类的效果也不一定好
8.2 特征变换及特征选择
（1）特征变换，是将原有的m测量值集合 并通过某种变换，产生n个新的特征。n<=m ➢特征变换将原始图像通过一定的数字变换 生成一组新的特征图像，这一组新图像信息 集中在少数几个特征图像上，这样，数据量 有所减少。 （2）特征选择，是从原有的m个测量值集 合中，按某一准则选择出n个特征。 ➢特征选择就是在原始图像或特征影像中， 选择一组最佳的特征影像进行分类。
遥感影像分类精度评价
遥感影像分类精度评价在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。
将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。
点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。
对分类结果进行评价，确定分类的精度和可靠性。
有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。
对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。
1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。
混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。
混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。
2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。
被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。
像元总数等于所有地表真实分类中的像元总和。
3、Kappa系数：是另外一种计算分类精度的方法。
它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。
遥感图像的计算机分类
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：吸收、散射。 下垫面的影响：下垫面的覆盖类型和起伏状态对分类具有一 定的影响。 其他因素的影响：云朵覆盖；不同时相的光照条件不同，同 一地物的电磁辐射能量不同；地物边界的多样性。
16
3.
4. 5.
6. 7.
8.
找出代表这些类别的统计特征 为了测定总体特征，在监督分类中可选择具有代表性的训练场 地进行采样，测定其特征。在非监督分类中，可用聚类等方法 对特征相似的像素进行归类，测定其特征。 对遥感图像中各像素进行分类。 分类精度检查。 对判别分析的结果进行统计检验。
3
遥感原理
二、图像分类方法
1、监督分类
（1）、最小距离分类法
最小距离判别法
Step 2 – for each unclassified pixel, calculate the distance to average for each training area
4
遥感原理
二、图像分类方法
1、监督分类
（1）、最小距离分类法
最近邻域分类法 Nearest Neighbour
2
遥感原理
一、分类原理与基本过程
1. 2.
遥感数字图像计算机分类基本过程
根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间 分辨率、光谱分辨率、成像时间、图像质量等。 根据研究区域，收集与分析地面参考信息与有关数据。 根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。 制定分类系统，确定分类类别。
14
遥感原理
三、图像分类中的有关问题
1、未充分利用遥感图像提供的多种信息
遥感发展历程、简单归类、影像特征、格式分类介绍
遥感是以航空摄影技术为基础，在20世纪60年代初发展起来的一门新兴技术。
开始为航空遥感，自1972年美国发射了第一颗陆地卫星后，这就标志着航天遥感时代的开始。
经过几十年的迅速发展，目前遥感技术已广泛应用于资源环境、水文、气象，地质地理等领域，成为一门实用的，先进的空间探测技术。
萌芽时期1608年制造了世界第一架望远镜1609年伽利略制作了放大三倍的科学望远镜并首次观测月球1794年气球首次升空侦察1839年第一张摄影像片初期发展1858年用系留气球拍摄了法国巴黎的鸟瞰像片1903年飞机的发明1909年第一张航空像片一战期间（1914-1918）：形成独立的航空摄影测量学的学科体系二战期间（1931-1945）：彩色摄影、红外摄影、雷达技术、多光谱摄影、扫描技术以及运载工具和判读成图设备现代遥感1957年：前苏联发射了人类第一颗人造地球卫星20世纪60年代：美国发射了TIROS、ATS、ESSA等气象卫星和载人宇宙飞船1972年：发射了地球资源技术卫星ERTS-1（后改名为Landsat Landsat-1），装有MSS感器，分辨率79米1982年Landsat-4发射，装有TM传感器，分辨率提高到30米1986年法国发射SPOT-1，装有PAN和XS遥感器，分辨率提10米1999年美国发射 IKNOS，空间分辨率提高到1米中国遥感事业1950年代组建专业飞行队伍，开展航摄和应用1970年4月24日，第一颗人造地球卫星1975年11月26日，返回式卫星，得到卫星像片80年代空前活跃，六五计划遥感列入国家重点科技攻关项目1988年9月7日中国发射第一颗“风云1号”气象卫星1999年10月14日中国成功发射资源卫星1空间分辨率空间分辨率（Spatial Resolution）?又称地面分辨率。
后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小。
前者是针对遥感器或图像而言的，指图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量。
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
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
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。
- 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)。
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。
确定分 类类别
特征提 取/Eݽ
提取训 练样本
测定总 体特征
分类
分类结 果评估
分类结 果图象
分析原因 图 1 计算机遥感专题分类流程图
1) 2) 3) 4) 5)
不满 足要 求
根据应用目的和数据特点，确定分类类别。 寻找各个类别的特征量，有必要时进行图像的特征空间的转化。 根据图像数据和其他辅助数据选择训练样本。 测定总体特征。 如从各个类别的样本数据中， 利用最大似然比等方法测定总体的统计量。 按照选定的分类器对整个图像进行分类
报告
图 精度评价流程
在早期的研究中，对分类的评价仅仅限于定性，通过实地的考察的检验点得 到 “ 看 起 来 很 好 的 ” 诸 如 此 类 的 结 论 。 专 题 精 度 的 评 价 经 过 Hord 和 Brooner(1976) ， Van Gendren,lock(1977),Rosenfield(1982),Conalton(1983); 直 到 1986 年 Story 和 Congalton， 根据检验数据和遥感分类结果对比的混淆矩阵成为 评价遥感图像分类结果的标准方法（Russel and Kass,1993） 。 1）检验数据 检验数据主要来自于地面实况的调查或更高空间分辨率的航空图像的目视 解译结果，但根据航空影像解译结果往往产生保守的精度（D.L.Verbyla,1995） 。 ENVI 软件中通过定义 ROI 来实现。 2）采样方法 目前常用 5 种采样方法来生成混淆矩阵（Russell G Conalton,1988） 。 ①简单随机采样（Simple Random Sampling） ②分层随机采样（Stratified Simple Random Sampling） ③聚类采样（Cluster Sampling） ④系统采样（System Sampling）
4)
Lk = P(k / x) = P(k)× P(x / k) / ∑P(i)×(x / i)
i
原理如图：
5) 6) 7)
光谱角分类 二值编码分类 神经网络分类方法
5 分类后处理
1) 类别的合并 同一类别中，光谱特征相差太大，需要再分类的时候作为几类进行分类，分类完成 后再进行类别的合并。 2) 筛滤 去除离散的像元点。与用户给定的窗口大小有关, 用户给定的组内像元数目。去除 后的像元标记为“未分类“。 四邻域 A
9 遥感图像的计算机专题分类 目 录
1 图像分类的概念 ....................................................................................................................1 2 计算机图像分类的方法 .......................................................................................................2 2．1 非监督分类 .............................................................................................................2 2．2 监督分类 .................................................................................................................2 2．3 分类的后处理 ..........................................................................................................2 3 非监督分类...........................................................................................................................2 4 监督分类...............................................................................................................................4 5 分类后处理...........................................................................................................................6 6. 精度评价..............................................................................................................................7
2)
如果两个参数都输入了，ENVI 使用其中小的作为最终的判别标准。 原理如图
3)
马氏距离分类 这是一个方向敏感的分类器。类似于最大似然分类。 区别是假定所有类别的斜方差矩阵是相同的。 因此速度比最大似然法要快。 最大似然分类 假设条件：数据符合多维正态分布。如果不符合，分类的精度也将下降。 计算每个像元属于各个类别的似然度 （likelihood） ,该像元分到似然度最大的类别中。 似然度是像元数据 X 属于类别 k 的后验概率。 如果类别 k 中 X 的条件概率为 P(x/k), 则似然度 Lk 的计算公式为：
选 定 初 始 类 别 中 心 ， Zi 输 入 各 迭 代 限 值 参 数 I, T n , T c , T m 对 样 本 象 素 时 行 聚 类 并 统 计 nI , M I ,σ 是 N i<T n 否 ？ N i< T n 否 ？
2
迭 代 次 满 足 i=I 否 ？ 或 相 邻 两 次 迭代之类别中心变动小于限值否
4） 多数或者少数分析 中心像元将被给定的窗口内的多数像元或者少数像元值所取代。 举例。 5） segmentation 图象分割，每一个连接的区域赋予一个唯一的灰度值。 6） overlay class 将分类的图象叠加在一个彩色合成图象上。对于分类图象可以选择要叠加的类别。 用途：动态变化的制图。
6. 精度评价
随着遥感和 GIS 的结合， 遥感专题分类结果作为 GIS 数据更新的需求日益加 剧。分类精度直接关系到它更新 GIS 数据库的能力，因此分类结果的精度评价 也引起了人们的普遍关注。 精度评价的流程为图：
检验数据 （采样方案，采样大小和数目） 位置精度 专题精度
均方根误差
误差矩阵
参数统计
2 计算机图像分类的方法 2．1 非监督分类
分类标准的确定不需要人的参与，由计算机根据自动按照某一标准（例如距离最短）自 动进行。需要确定要分几种类别，或者类似的输入条件。分类后的结果，还需要再给出具体 的涵义。 类似的概念，聚类分析、点群分析、空间积群等。
2．2 监督分类
首先选择已知类别的具有代表性的训练区（试验区） ，建立判别准则，对未知的地区进 行自动判别。先学习后分类法。也是遥感应用中最为常用的方法。 一般的步骤为如图 1：
1 图像分类的概念
以区别图象中所含的多个目标物为目的， 对每个像元或者比较均匀的像元组给出对应其 特征的名称。如图
特征名称一般成为类别，例如土地利用/覆盖中的 居民地、水域、园地、林地、耕地等。 参与分类地多个特征量（向量）所定义的空间，称为特征空间，例如 2 格波段定义的 2 维特 征空间，3 格波段定义的 3 维特征空间等等。 分类的实质是根据某一标准，对特征空间进行划分，并给予划分后的均匀区域相同的名称。