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
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。
实验十一遥感图像分类
遥感图像分类遥感图像分类是影像信息提取的一种方法，是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一。
图像分类是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。
常用的图像分类包括土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类等利用Landsat-7遥感影像对研究区进行非监督和监督分类，通过练习，熟练掌握并理解每种分类方法、评价方法的原理及实现过程，体会在具体应用中的适应性。
非监督和监督分类流程图1、目视判读待分类图像2、制定分类系统根据目视判读制定出分类系统，大致分9类农田1，农田2，森林1，森林2，道路，建筑，水体，裸地1，裸地23、建立分类模板分类模板的建立有很多方式，最主要的有两种方式，一是在图像上建立分类模板，二是在特征空间上建立分类模板。
我们主要介绍在图像上建立分类模板，具体到ERDAS上的分类模板的建立又有三种方法，我们只介绍其中最常用的应用AOI绘制工具建立分类模板。
a）在View中打开遥感图像，单击Classifer-Classification-Signature Editor，打开分类模板编辑器。
b）在View中打开AOI工具，选择多变形，在图像中蓝色的水域上绘制一个多边形，在Signature Editor窗口中，点击，将AOI区域加载到分类模板属性表中c）在水域上在绘制一个多边形，在Signature Editor窗口中，点击，同理绘制多个水域样本多边形。
d）在分类模板属性表中，选中创建的全部水体样本，单击，将所选中的模板合成一个新的模板，并删除合并前的模板，修改模板的名字为水体，以及类别颜色。
e）同样的方法，本别创建农田，林地，居民地，裸地类别模板。
f）保存分类模板，单击File-Save，输入文件名和路径。
4.评价分类模板可能性评价：a）选中所有类别，单击Evaluate-Contingency，打开Contingency Matrix对话框，Non-parametric Rule选择Features Space，Overlap Rules选择Parametric Rule，Unclassified Rule选择Parametric Rule，Parametric Rule选择Maximum Likehood。
遥感图像处理遥感图像分类
遥感图像的分类
遥感图像的分类
一．遥感图像分类概述 二．遥感图像分类原理 三．遥感图像分类基本过程 四．遥感图像分类方法 五．遥感图像分类后处理 六．遥感图像分类精度检查 七．遥感图像分类中存在的问题
一、遥感图像分类概述
1. 分类的定义 2. 分类的意义 3. 分类的难点
四、遥感图像分类方法
利用遥感图像进行分类（classification） 是以区别图像中所含的多个目标物为目的的， 对每个像元或比较匀质的像元组给出对应其特 征的名称。在分类中注重的是各像元的灰度及 纹理等特征。分类方法主要包括以下三大类：
1. 监督分类法 2. 非监督分类法 3. 新的探索：模糊分类法、面向对象分类法等；
分类原理—特征提取
➢ 统计特征变量可以构成特征空间，多波段遥感 图像特征变量可以构成高维特征空间。
➢ 一般说来，高维特征空间数据量大，但这些信 息中仅包含少量的样本分类信息。
➢ 为了抽取这些最有效的信息，可以通过变换把 高维特征空间所表达的信息内容集中在一到几 个变量图像上。
➢ 主成分变换可以把互相存在相关性的原始多波 段遥感图像转换为相互独立的多波段新图像， 而且使原始遥感图像的绝大部分信息集中在变 换后的前几个组分构成的图像上，实现特征空 间降维和压缩的目的。
（一）监督分类
➢监督分类法：选择具有代表已知地面覆盖类型 的训练样本区，用训练样本区中已知地面各类 地物样本的光谱特性来“训练”计算机，获得 识别各类地物的判别函数或模式（如均值、方 差、判别域等），并以此对未知地区的像元进 行分类处理，分别归入到已知具有最大相似度 的类别中。
➢监督分类主要包括：最小距离分类法、最近邻 分类法、多级切割分类法、最大似然比分类法 等；
《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
遥感图像分类方法与分类精度评估技巧
遥感图像分类方法与分类精度评估技巧遥感图像分类是遥感技术的重要应用之一，通过对遥感图像中不同地物进行分类，可以有效提取地物信息，为各类地理研究和应用提供了重要数据支持。
而遥感图像分类方法和分类精度评估技巧则是遥感图像分类工作中的关键环节。
一、遥感图像分类方法遥感图像分类方法主要分为监督分类和非监督分类两种。
监督分类是根据人工定义的训练样本来进行分类，通过计算遥感图像像元的特征值与训练样本的特征值之间的距离或相似度来确定像元的地物类别。
监督分类方法具有分类精度高的优势，但需要大量准确的训练样本，并且需要人工干预进行样本分类。
非监督分类是根据图像像元自身的特征值进行分类，算法会自动对图像中的像元进行聚类，根据像元的特征相似性来确定地物类别。
非监督分类方法可以大幅降低人工干预量，但分类精度相对较低，对遥感图像的解译要求较高。
同时，还有基于物理模型的分类方法，该方法通过对地物的物理性质进行建模，从而实现对遥感图像地物的分类。
基于物理模型的分类方法可以较好地解决遥感图像的反射率与地物属性之间的关系，但对数据质量和物理模型的准确性要求较高。
二、分类精度评估技巧对于遥感图像分类的结果，需要进行分类精度评估来判断分类结果的准确性。
常用的分类精度评估技巧主要包括混淆矩阵、Kappa系数和面积误差指标等。
混淆矩阵是一种常用的分类精度评估方法，通过对分类结果与实际样本之间的差异进行矩阵统计，来获得分类的准确性。
混淆矩阵包括真阳性（TP）、假阴性（FN）、假阳性（FP）和真阴性（TN）四个参数，通过计算这些参数的比例可以得到分类的准确性。
Kappa系数是一种综合评估分类精度的方法，根据分类结果与实际样本的一致性程度来判断分类的准确性。
Kappa系数的取值范围为[-1,1]，取值越接近1表示分类结果越准确。
面积误差指标是一种用来评估分类结果准确性的指标，通过计算分类结果与实际样本之间的面积差异来评估分类的准确性。
面积误差指标越小表示分类结果越准确。
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
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。
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)。
新的分类方法：
人工神经网路方法 决策树分类法 专家系统分类法
监督分类
通过选择代表各类别的已知样本（训练区）的像 元的光谱特征，事先取得各类别的参数，确定判 别函数，从而进行分类。
在监督分类中，先定义信息类，然后检验它们的光 谱可分性
分类训练区的选择
训练区：已知地表覆被类型的代表样区 用于描述主要特征类型的光谱属性
•
训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获 取的信息的价值 用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中 光谱类别的所有组成
•
• •
代表性、完整性
分布：多个样区
确定像元聚集的判别规则
平行管道分类（平行六面体）
最简单的方法——仅仅需要规定每个特征的DN范围 一些像元可能未分类或重复分类
人工神经网络法
决策树分类法
决策树是一 树状结构， 依据规则把 遥感数据集 一级级往下 细分以定义 决策树的各 个分支。
T
根结点
T1
T2
分支
叶结点 T3
叶结点
决策树分类法
基本思想：从“原级”（根结点）开始，利 用表达式，每一个决策将影像中的像元分成 两类，使用另一表达式，每个新类又能被分 成另外的两个新类，如此不断地通过选择不 同的特征用于进一步地有效细分类，直到所 要求的“终极”（叶结点）类别分出为止。
决策树分类法
在决策树分类中经常采用的特征有：
光谱值；
通过光谱值算出来的指标（如NDVI）；
光谱值的算术运算值（如，和、差、比值等）； 主成分； ……
由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采 用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类 处理
专家系统分类方法
数据－信息（遥感数据－地物信息）
举例
分类后的影像
Landsat TM 真彩色合成影像
基本原理：
在遥感图像上，同类物体在同样条件下，应具有相同的光谱信 息特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信 息特征不同，而群集在不同的光谱空间区域内。
遥感图像分类方法
计算机自动分类：
监督分类 非监督分类
最小距离分类
通过训练样本确定类别中心 某个像元距哪类距离最小，则判归为该类
最大似然分类
建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类 计算每个像元属于每一类的概率，找出概率最大者，将该像元归为 概率最大的一类
非监督分类
在没有先验类别(训练场地)作为样本的条件下， 即事先不知道类别特征，主要根据像元间相似 度的大小进行归类合并（将相似度大的像元归 为一类）
分类精度评价
分类精度的评价通常是用分类图与标准数据 （图件或地面实测值）进行比较，以正确的百 分比来表示精度。 已经有一系列建立在混淆矩阵基础上的精度指 标来反映分类精度问题，各精度指标建立在抽 样样本基础上形成样本混淆矩阵得到的统计值， 是总体混淆矩阵的估计值。
混淆矩阵的一般形式
地 1 2 p12 p22 p32 pn2 p+2 p11 p21 p31 表 3 p13 p23 p33 pn3 p+3 类 … … … … … … m p1m p2m p3m pnm p+m p1+ p2+ p3+ pn+ N 行总数
遥感图像分类中的若干问题
遥感分类的精度和可靠性除了与分类方法本身 的优劣有关外，还取决于一些其它的因素：
训练场地和训练样本选择问题
地形因素的影响 混合像元问题 特征变量的选择问题 空间信息在分类中的应用问题
图像分类的后处理问题
遥感图像分类
孙丹峰 2006年7月
概念与原理
遥感图像分类是影像信息提取的一种方法 遥感图像分类是遥感数字图像处理的重要环节， 也是遥感应用最广泛的领域之一
图像分类：是通过模式识别理论，利用计算机
将遥感图像自动分成若干地物类别的方法。
如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、……
专家系统也是人工智能的一个分支，它采用人 工智能语言将某一领域（如地学知识）的专家 分析方法或经验，对地物的多种属性进行分析、 判断，从而确定各地物的归属。
利用这样的系统就可以把判读专家的经验性知 识综合起来进行分类
其它分类方法
除了以上常用的分类方法之外，还有多时相数 据分类方法、模糊分类法、亚像元分类法，基 于纹理的分类法等等
分类类别 1 2 3
…
n 列总数
pn1 p+1
对角线元素是被正确分类的样本数目，非对角线元素为各
类别中混分样本数目，列、行总数分别为地表类别和分类类别 样本数目和。
…
精度指标：
总体精度 用户精度 生产者精度 Kappa系数 ……
总体精度只考虑混淆矩阵中沿对角线方向的数据，而忽略了 非对角线方向的数据；Kappa系数既考虑混淆矩阵中沿对角线方 向的数据，也考虑非对角线方向的数据。
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
非监督分类举例
聚类
解译
人工神经网络法
人工神经网络是基于生物神经系统分布式存储、 并行处理、自适应学习这些现象构造出具有一 些低级智慧的人工神经网络系统。 目前代表性的神经网络模型有：
BP（Back Propagation）神经网络 模糊自组织神经网络 RBF（Radial Basis Function）神经网络 Kohonen自组织神经网络 ……