环境遥感-遥感图像专题分类
如何进行遥感图像的分类和变化检测
如何进行遥感图像的分类和变化检测遥感图像的分类和变化检测是遥感技术应用的重要方向之一。
随着遥感技术的不断发展，遥感图像在资源调查、环境监测、农业发展等领域有着广泛的应用。
本文将从遥感图像分类和遥感图像变化检测两个方面，介绍如何进行遥感图像的分类和变化检测。
一、遥感图像的分类遥感图像的分类是将遥感图像中的像素按照一定规则划分成不同的类别，以达到对图像内容的理解和分析的目的。
遥感图像的分类方法有多种，常用的有基于像素的分类方法和基于目标的分类方法。
基于像素的分类方法主要是根据像素的强度、颜色和纹理等特征，将图像中的像素划分到相应的类别中。
常用的像素分类方法有最大似然法、支持向量机、随机森林等。
这些方法通过对遥感图像的像素进行统计分析和模式识别，可以有效地实现图像的分类。
基于目标的分类方法是以目标为单位进行分类，将图像中的目标分割并划分到相应的类别中。
常用的目标分类方法有基于规则的分类方法和基于特征的分类方法。
基于规则的分类方法通过设定一些先验规则，如形状、大小、颜色等，对目标进行划分。
而基于特征的分类方法则是通过提取目标的形状、纹理、光谱等特征，利用各种分类算法进行识别和分类。
二、遥感图像的变化检测遥感图像的变化检测是指通过对不同时间或不同传感器获取的遥感图像进行比较和分析，确定图像中发生了变化的区域和程度。
遥感图像的变化检测对资源环境的监测、城市规划和自然灾害等方面具有重要的应用价值。
遥感图像的变化检测方法有多种，常用的有像差法、差异指数法、纹理分析法等。
像差法是通过计算不同时间或不同传感器获取的图像的像素值之差，来确定图像中的变化区域。
差异指数法是通过计算像素的差异指数，来判断图像中是否发生了变化。
纹理分析法是通过提取图像的纹理特征，来检测和分析图像中的变化。
在进行遥感图像的变化检测时，还需要考虑遥感图像的配准和辐射校正问题。
配准是指将不同时间或不同传感器获取的图像进行几何校正，以使它们具有相同的位置和方向。
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。
遥感入门-图像分类
非监督分类主要是采用聚类分析的方法， 聚类是把一组像素按照相似性规成若干类 别。它的目的是使得属于同一类别的像素 之间的距离尽可能地小而不同类别上像素 间的距离尽可能地大。在进行聚类分析时， 首先要确定基准类别的参量。而非监督分 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置的参量，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。
遥感图像分类
概述-遥感图像计算机分类的一般原理
遥感图像的解译
目视解译 计算机自动解译
光谱特征 如图：
这种同类聚集的特性说明，如果按照地物类别聚集的规律把多光谱 空间划分为若干个子空间，每一子空间包含有一个类别，这样就 可以把图像中未知的像元进行分类，把他们分配到各自的子空间 中去。
遥感图像的计算机分类 1）监督分类和非监督分类 监督分类：基于对于图像上样本区内的地物 类属已有先验的知识，即已经知道它所对 应的地物类别，于是可以利用这些样本类 别的特征作为依据来判断非样本数据的类 的别； 非监督分类：遥感图像地物的属性不具有先 验知识，纯粹依靠不同光谱数据组合在统 计上的差别来进行“盲目分类”，事后再 对已分出各类的地物属性进行确认的过程。
Xj
j 1
1 ni Si [( X j M i )( X j M i )T ] ni 1 j 1 ni是类w i的像元数目，j为像元标号，p是参加分类的特征数（或波段数）
2.正态分布
对判别函数用对数变换可得出更便于计算的形式， 即判别函数为：
1 1 1 T gi ( X ) ln P( wi ) ln Si ( X M i ) Si ( X M i ) 2 2
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
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
测绘技术中的遥感图像分类与监督分类方法
测绘技术中的遥感图像分类与监督分类方法引言遥感图像分类是测绘技术中常用的图像处理方法之一，它通过对遥感图像进行分类和分割，为地理信息系统（GIS）和地球观测提供了重要的数据支持。
本文将介绍遥感图像分类的基本概念，以及常用的监督分类方法。
一、遥感图像分类的基本概念遥感图像分类是指将遥感图像中的像素根据其反射率或辐射率等特征划分为不同地物类别，并赋予其相应的分类标签。
遥感图像分类可以帮助人们了解地物分布、变化趋势以及环境状况等，对于农业、城市规划、环境保护等领域具有重要的应用价值。
二、监督分类方法1. 最大似然法最大似然法是一种常用的监督分类方法，它基于贝叶斯决策理论，通过计算每个像素属于不同类别的概率，从而确定其分类标签。
最大似然法假设像素的灰度值服从高斯分布，并通过最大化像素灰度值在每个类别中的概率来进行分类。
虽然最大似然法在某些情况下效果较好，但它对于复杂的遥感图像分类问题可能存在一定的局限性。
2. 支持向量机（SVM）支持向量机是一种基于统计学习理论的监督分类方法，它通过构建一个最优的超平面，将不同类别的像素分隔开。
支持向量机不仅可以处理线性可分的数据，还可以通过核函数将数据映射到高维空间，从而处理线性不可分的数据。
支持向量机在处理遥感图像分类问题时具有较好的性能，但其计算复杂度较高，需要大量的训练样本和运算时间。
3. 随机森林随机森林是一种集成学习方法，它通过组合多个决策树，从而提高分类准确性。
随机森林不仅可以处理多类别的分类问题，还可以处理高维数据，并且具有较好的鲁棒性和抗噪性。
在遥感图像分类中，随机森林通常能够取得较好的分类效果，并且对于特征的选择和处理具有一定的鲁棒性。
4. 卷积神经网络（CNN）卷积神经网络是一种基于深度学习的监督分类方法，它通过多层卷积层和池化层进行特征提取和降维，最后通过全连接层进行分类。
卷积神经网络在图像分类领域取得了显著的成就，对于遥感图像分类问题也有较好的应用效果。
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
遥感图像场景分类综述
人工智能及识别技术本栏目责任编辑：唐一东遥感图像场景分类综述钱园园，刘进锋*（宁夏大学信息工程学院，宁夏银川750021）摘要：随着科技的进步，遥感图像场景的应用需求逐渐增大，广泛应用于城市监管、资源的勘探以及自然灾害检测等领域中。
作为一种备受关注的基础图像处理手段，近年来众多学者提出各种方法对遥感图像的场景进行分类。
根据遥感场景分类时有无标签参与，本文从监督分类、无监督分类以及半监督分类这三个方面对近年来的研究方法进行介绍。
然后结合遥感图像的特征，分析这三种方法的优缺点，对比它们之间的差异及其在数据集上的性能表现。
最后，对遥感图像场景分类方法面临的问题和挑战进行总结和展望。
关键词：遥感图像场景分类；监督分类；无监督分类；半监督分类中图分类号：TP391文献标识码：A文章编号：1009-3044(2021)15-0187-00开放科学（资源服务）标识码（OSID ）：Summary of Remote Sensing Image Scene Classification QIAN Yuan-yuan ，LIU Jin-feng *(School of Information Engineering,Ningxia University,Yinchuan 750021,China)Abstract:With the progress of science and technology,the application demand of remote sensing image scene increases gradually,which is widely used in urban supervision,resource exploration,natural disaster detection and other fields.As a basic image pro⁃cessing method,many scholars have proposed various methods to classify the scene of remote sensing image in recent years.This pa⁃per introduces the research methods in recent years from the three aspects of supervised classification,unsupervised classification and semi-supervised classification.Then,combined with the features of remote sensing images,the advantages and disadvantages of these three methods are analyzed,and the differences between them and their performance performance in the data set are com⁃pared.Finally,the problems and challenges of remote sensing image scene classification are summarized and prospected.Key words:remote sensing image scene classification;Unsupervised classification;Supervise classification;Semi-supervised clas⁃sification遥感图像场景分类，就是通过某种算法对输入的遥感场景图像进行分类，并且判断某幅图像属于哪种类别。
遥感图像分类
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。
由于不同场合遥感图像的应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节——图像分类也就显得尤为重要,经过多年的努力,形成了许多经典的分类方法和算法。
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。
图像分类是模式分类(Pattern Classification)在图像处理中的应用，它完成将图像数据从二维灰度空间转换到目标模式空间的工作。
分类的结果是将图像根据不同属性划分为多个不同类别的子区域。
图像分类器(Image Classifier)的定义如下：给定一个二值均匀测度函数P，如果图像中某个区域满足一定意义下的均匀特性，则该区域P值为真，否则为假。
对图像的一个分类就是获得图像的一个划分其中代表第i类属性的区域，该区域应满足：[1]，其中是像素点的总集；[2] 是连通；[3]如果，相邻,且P() = True , P() = True ,但P(∪) = False。
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。
- 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)。
d. 如果|A-iB|i，（ >0, ）则结束循环，否则返回步
骤b，继续循环。
第二节 非监督分类
2. Isodata 法
① 指定参数包括类别数目K（近似）,允许迭代的次数I，一个 类中样本的最少个数N，关于类分散程度的参数S（标准差）, 关于类间距离的参数D，每次允许合并的类别的对数L；
K-means vs ISODATA
第三节 监督分类
1. 最大似然法 2. 最小距离分类法 3. 平行六面体法
第三节 监督分类
1. 最大似然法（MLC）
2. 判别规则：每个像素对于各类别的归属概率 3. 方法：
x 属于类别 Ki的概率为 P(Ki/x), i = 1, 2, ..., n Max（ P(K1/x)， P(K2/x)，… P(Ki/x) ）
第四章 遥感图像专题分类
内容
第一节 人工解译 第二节 非监督分类 第三节 监督分类
第二节 非监督分类
❖ K-means 法 ❖ Isodata 法
第二节 非监督分类
1. K-means 法
a. 选择C个聚类中心，设Ai, i = 1, 2, ..., c.; b. 将任一个像元归类到距离最近的类别中;
图像的某一类地物被错分到其他类别的百分比。
第五章 遥感分类中的不确定性 和尺度问题
n
pc pkk / p k 1
生产者精度
pii / pi
用户精度
K(ppipipi)/(p2pipi)
第五章 遥感分类中的不确定性 和尺度问题
1. 分类精度评价—Kappa系数
(N
K
x ii
x ix i)
(N 2
x ix i)
第五章 遥感分类中的不确定性 和尺度问题
1. 分类精度评价—Kappa系数
K(N (N 2x ii
x ix i) x ix i)
第五章 遥感分类中的不确定性 和尺度问题
1. 分类精度评价—Kappa系数
K(N (N 2x ii
x ix i) x ix i)
x A1 B1 C1 D
检验数据
y
z
A2
A3
B2
B3
C2
C3
E
F
行和 A B C N
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价—混淆矩阵
2. 后处理实测结果
分 类 结 果
总体精度？ 用户精度？ 生产者精度？
第五章 遥感分类中的不确定
第二节 非监督分类
2. Isodata 法
② 选择c个点作为聚类中心，设Ai, i = 1, 2, ..., c.; ③ 将每一个像元归类到距离最近的类别中; ④ 基于得到的类别，如果某一个类别样本个数数量少于指定的
个数N，则去掉此类，返回c； ⑤ 重新计算各类中心； ⑥ 如果迭代次数大于I，转向第8步，检查类间最小距离；
是实际的某一类地物被错误的分到其他类别的百分比。
第五章 遥感分类中的不确定性 和尺度问题
用户精度：
(pipii)/pi
表示从分类结果中任取一个随机样本，其所具有的类型与
地面实际类型相同的条件概率。
第五章 遥感分类中的不确定性 和尺度问题
错分误差： p jj / p j (p12+p13++p1n)/pj
TM4
TM1
第三节 监督分类
3. 平行六面体法
4. 例子：
x - M <T*S
第三节 监督分类
3. 平行六面体法 4. 判断方法：
设 有 某 类 别 j ， 类 别 中 心 （ 均 值 ） 为 Mij （ i 为 波 段 1 ， 2 ， 3……），标准差为Si
|xi -Mij| <T*Sij
i表示波段，j表示类别数目，x为像元灰度值，M 为j类别的均值。
pc pkk / p k 1
第五章 遥感分类中的不确定性 和尺度问题
生产者精度：
(pj pjj)/pj
又称制图精度，表示实际的任意一个随机样本与分类图上
同一地点的分类结果相一致的条件概率。
第五章 遥感分类中的不确定性 和尺度问题
漏分误差： p i i / p i (p21+p31++pn1)/pj
K(pcT)/(1T)
Kappa系数在0.4以上分类结果比较可信
第五章 遥感分类中的不确定性 和尺度问题
1. 分类精度评价—Kappa系数
K(pcT)/(1T)
假设：
( xix i)/N 2
Pc为总体精度
检验 数据
x y z 列和
x A1 B1 C1 D
图像类别
y
z
A2
A3
B2
B3
C2
C3
E
F
性和尺度问题
1. 分类精度评价—Kappa系数
2. 后处理
实测结果
分 类 结 果
第五章 遥感分类中的不确定性和
尺度问题
2. 后处理
第五章 遥感分类中的不确定性和 尺度问题
2. 后处理
无论是监督分类还是非监督分类，其结果都会产 生一些面积很小的图斑。从应用角度出发，有必 要对这些小图斑进行剔除。
处理方法： ➢ 类别合并(Combine) ➢ 聚块(Clump) ➢ 筛除(Sieve) ➢ 主／次要分析（Majority/Minority analysis)
第三节 监督分类
3. 平行六面体法
TM4
TM1
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价
2. 后处理
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价
① 混淆矩阵
② 总体精度，生产者精度，用户精度
③ Kappa系数
第五章 遥感分类中的不确定性 和尺度问题
总体精度：
n
第三节 监督分类
2. 最小距离分类法
3. 例子：
B2
p
2
dik
xij Xjk
j1
C1
A Pixel value with unknown class
C2
C3
Fig. 3
B1
第三节 监督分类
2. 最小距离分类法 ➢ 例子：
第三节 监督分类
2. 最小距离分类法 3. 判别规则：像元与各个类别之间的距离
第二节 非监督分类
2. Isodata 法
⑦ 计算每个类别中标准差，如果某个类别标准差大于指定参 数S，则将该类别拆分为两类，产生两个类别中心。
⑧ 计算类别中心两两之间的距离，将距离小于指定参数D的 两个类别合并，直到满足指定的允许合并的类别的对数L;
⑨ 如果迭代次数大于I，计算结束，否则转到第3步，即将每 一个像元归类到距离最近的类别中。