第十讲 遥感影像分类
遥感影像分类方法
遥感影像分类方法1. 引言遥感影像分类是遥感技术的重要应用之一，它通过对遥感影像中的地物进行自动识别和分类，为地理信息系统、城市规划、农业等领域提供了重要数据支持。
本文将介绍遥感影像分类的基本概念和方法，并对常用的分类算法进行详细讨论。
2. 遥感影像分类概述遥感影像分类是指将遥感图像中的每个像素点或图像区域分配到预先定义的类别中。
这些类别通常代表不同的地物类型，如建筑物、水体、森林等。
遥感影像分类可以根据不同的目标进行不同尺度和精度的划分，从而满足不同应用需求。
3. 遥感影像分类方法3.1 监督学习方法监督学习是一种常用的遥感影像分类方法，它需要使用已标记好类别的样本数据作为训练集，并通过机器学习算法来构建分类模型。
常见的监督学习算法包括支持向量机（SVM）、随机森林（Random Forest）和深度学习等。
3.1.1 支持向量机（SVM）支持向量机是一种二分类模型，它基于统计学习理论和结构风险最小化原则进行模型训练。
在遥感影像分类中，支持向量机可以通过寻找最优的超平面来实现不同类别的分离。
3.1.2 随机森林（Random Forest）随机森林是一种集成学习方法，它通过构建多个决策树并进行投票来进行分类。
在遥感影像分类中，随机森林可以通过对决策树进行训练和组合来实现高精度的分类结果。
3.1.3 深度学习深度学习是一种基于神经网络的机器学习方法，它通过多层次的神经元网络结构来提取遥感影像中的特征，并进行分类。
深度学习在遥感影像分类中具有较好的性能，并且能够自动提取特征，无需手动设计特征。
3.2 无监督学习方法无监督学习是另一种常用的遥感影像分类方法，它不需要使用已标记好类别的样本数据进行训练。
无监督学习算法通常通过对图像进行聚类来实现分类，常见的算法包括K均值聚类和谱聚类等。
3.2.1 K均值聚类K均值聚类是一种简单且高效的无监督学习算法，它将遥感影像中的像素点划分为K个不同的类别。
K均值聚类通过迭代计算每个像素点与各个类别的距离，并将其划分到距离最近的类别中。
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。
如何进行遥感影像的分类与地物提取
如何进行遥感影像的分类与地物提取遥感影像是近年来在地理信息领域中应用广泛的一种技术。
通过使用遥感影像，我们可以获取地球表面的大量数据，可以利用这些数据进行地物的分类与提取。
地物分类与提取在自然资源管理、城市规划、环境监测等领域都有着重要的应用。
本文将探讨如何进行遥感影像的分类与地物提取。
一、遥感影像的分类方法遥感影像的分类主要是将影像中的像素点划分到不同的类别中，常用的分类方法有监督分类和无监督分类两种。
监督分类是指根据已经标记好的样本数据进行分类。
首先需要准备一部分已经标记好的样本数据，然后通过分析样本的特征，建立一个分类模型。
接下来，通过模型对整幅影像进行分类。
监督分类需要充分利用专业知识和经验，对样本特征进行细致的分析，从而提高分类的准确性。
无监督分类是指根据影像中像素点的相似性进行分类，不需要准备样本数据。
无监督分类是一种相对简单和快速的分类方法。
它可以帮助我们发现影像中存在的一些隐含的地物类型，但由于没有准确的样本数据，分类结果可能会存在一定的误差。
二、地物提取的方法地物提取是指根据分类结果，将影像中的地物单独提取出来。
常用的地物提取方法有阈值分割、形态学操作、边缘检测等。
阈值分割是一种基于像素灰度值的提取方法，根据不同地物的灰度特征，设置合适的阈值将地物提取出来。
阈值分割简单直观，但对光照、阴影等影像杂波比较敏感，对影像质量要求较高。
形态学操作是一种基于形状和结构的提取方法，通常包括腐蚀和膨胀操作。
通过对影像进行腐蚀操作，可以去除噪声，减小地物的面积；通过膨胀操作，可以填补裂缝，增大地物的面积。
形态学操作结合的阈值分割可以得到较为精确的地物提取结果。
边缘检测是一种基于边缘信息的提取方法，通过检测影像中的边缘特征来提取地物。
常用的边缘检测算法有Sobel算子、Canny算子等。
边缘检测可以提取出地物的轮廓信息，但对于复杂纹理和噪声干扰较多的影像，边缘检测可能会存在一定的偏差。
三、遥感影像分类与地物提取的挑战尽管遥感影像的分类与地物提取方法日益成熟，但仍然存在一些挑战。
遥感影像有关知识点总结
遥感影像有关知识点总结一、遥感影像的基础知识1. 遥感影像的定义遥感影像是指通过无人载具（如卫星、飞机、无人机等）对地面进行观测和测量，获取地面信息的影像数据。
遥感影像可以分为光学遥感影像、雷达遥感影像等。
2. 遥感影像的波段遥感影像的波段是指影像中所使用的波段范围。
在光学遥感中，常见的波段包括可见光、红外线、近红外线等。
而在雷达遥感中，波段主要包括X波段、C波段、S波段等。
3. 遥感影像的分辨率遥感影像的分辨率是指影像中能够分辨的最小物体的大小。
分辨率可以分为空间分辨率、光谱分辨率和时间分辨率，其中空间分辨率最为重要，它决定了遥感影像能够显示的地面细节。
4. 遥感影像的分类根据遥感影像所使用的波段和传感器类型，遥感影像可以分为多种类型，如全色影像、多光谱影像、高光谱影像、雷达影像等。
二、遥感影像的采集和处理1. 遥感影像的获取遥感影像的获取主要通过卫星、飞机、无人机等载具进行观测和测量，然后将采集的数据进行处理，得到遥感影像。
2. 遥感影像的预处理遥感影像在获得后，需要进行预处理来提高影像质量。
预处理包括辐射校正、几何校正、大气校正等环节，以确保影像能够准确地反映地面信息。
3. 遥感影像的特征提取特征提取是指利用计算机算法从遥感影像中提取地物信息的过程。
常用的特征提取方法包括阈值分割、区域生长、边缘检测等。
4. 遥感影像的分类遥感影像的分类是指将影像中的像元根据其光谱特征和空间信息分为不同的类别。
常用的分类方法包括最大似然分类、支持向量机分类、人工神经网络分类等。
5. 遥感影像的地物识别地物识别是指对遥感影像进行解译，识别影像中的地物类型。
常见的地物识别包括植被识别、水体识别、建筑物识别等。
6. 遥感影像的信息提取信息提取是指利用遥感影像获取地面信息，如地表覆盖类型、地面高程等。
信息提取可以借助数字高程模型、地物识别技术等手段。
三、遥感影像的应用1. 环境监测遥感影像可以用来监测大气污染、土壤侵蚀、植被覆盖等环境变化，为环境保护和治理提供数据支持。
遥感影像分类
4.目视判读的方法
• 目视判读的方法：
直接判读法：依据判读标志，直接识别地物属性。
对比分析法：与该地区已知的资料对比，或与实 地对比而识别地物属性；或通过对遥感图像不同 波段、不同时相的对比分析，识别地物的性质和 发展变化规律。
逻辑推理法：根据地学规律，分析地物之间的内 在必然分布规律，由某种地物推断出另一种地物 的存在及属性。如由植被类型可推断出土壤的类 型，根据建筑密度可判断人口规模等。
纹理：通过色调或颜色变化表现的细纹或细小的图案。这种细纹或细 小的图案在某一确定的图像区域中以一定的规律重复出现。可揭示地 物的细部结构或内部细小的物体。
图型：是目标地物以一定规律排列而成的图型结构。揭示了不同地物 间的内在联系。
位置：指目标地物在空间分布的地点。
间接解译标志
指能够间接反映和表现地物信息的遥感图像 的各种特征，借助它可推断与某地物属性 相关的其他现象。
2）先整体后局部：先整体观察，综合分析目标地物 阴影:目标地物与背景之间的辐射差异造成阴影
色：指目标地物在遥感影像上的颜色，包括色调、颜色和阴影。
与周围环境的关系。 目视解译：指专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息的过程
微波影像中的分辨率是由成像雷达的斜距分辨率和方位向分辨率决定的，它们分别由脉冲的延迟时间和波束宽度来控制的。 （2）微波影像的判读方
✓ 其他遥感影象:
•
2、遥感扫描影像特征与解译方法
遥感扫描影像特征
1）宏观综合概括性强：空间分辨率越低，对地 面景观概括性越强，对景物细节的表现力越差。
2）信息量丰富：遥感扫描影像采用多波段记 录地物的电磁波信息，每个波段都提供了丰富的 信息。
3）动态观测：资源卫星进入太空，就一刻不 停地绕地球运转，以一定周期重复扫描地球表面， 并及时向地面发送最新所获扫描影像
遥感影像分类方法与技巧分享
遥感影像分类方法与技巧分享引言：在当今科技迅速发展的时代，遥感技术的广泛应用已经深深影响到了我们的生活。
作为遥感技术的重要应用领域之一，遥感影像分类在土地利用、环境监测和资源管理等方面发挥着重要作用。
本文将分享一些遥感影像分类的方法和技巧，希望能为相关领域的研究者和从业人员提供一些参考。
一、像元级分类方法像元级分类方法是最基本、最常用的遥感影像分类方法之一。
其基本思想是将图像中的每个像元作为一个独立的单位进行分类判别。
常见的像元级分类方法包括最大似然分类、支持向量机（SVM）分类和决策树分类等。
这些方法可以通过大量的样本数据训练，自动提取特征并进行分类。
1.1 最大似然分类最大似然分类是一种基于统计学原理的分类方法，其核心思想是根据已有训练样本的统计特征，在分类器中计算每个类别出现的可能性，并选择最大可能性对应的类别作为分类结果。
最大似然分类方法简单易懂，适用于多数遥感影像分类任务。
1.2 支持向量机（SVM）分类支持向量机是一种经典的机器学习分类方法，在遥感影像分类中也得到了广泛应用。
SVM分类通过构建超平面，使得样本点能够最大程度上分隔开来。
其优点是具有较好的泛化能力和鲁棒性，适用于高维数据的分类。
1.3 决策树分类决策树分类是一种基于逻辑判断的分类方法，通过构建一系列的条件规则，将输入数据逐层划分为不同类别。
决策树分类方法的优点是易于理解和解释，并且可以直观地呈现分类过程。
二、基于对象的分类方法基于对象的分类方法将像元级分类进一步扩展为对影像中的对象进行分类。
该方法将图像中的像素组织为不同的对象区域，然后根据这些区域的形状、纹理和空间关系等特征进行分类判别。
常见的基于对象的分类方法包括分割和目标识别等。
2.1 分割分割是将连续的像元组合成不同对象区域的过程。
常见的分割方法包括基于阈值、区域生长和图论等。
分割方法的选择应根据图像的特点和需要进行合理的选择。
2.2 目标识别目标识别是将已经分割好的对象区域进行分类的过程。
遥感图像分类
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
最大似然分类法
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
聚类过程
一般的聚类算法是先选择若干个点作为聚 类的中心
每一中心代表一个类别，按照某种相似性 度量方法（如最小距离方法）将各点归于 各聚类中心所代表的类别，形成初始分类
然后由聚类准则判断初始分类是否合理， 如果不合理就修改分类，如此反复迭代运 算，直到合理为止
聚类过程
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
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） 的方法
根据图像数据本身的统计特征及点群 的分布情况，从纯统计学的角度对图 像数据进行类别划分
聚类
利用事先定义的参数确定特征空间中类别的 位置，然后确定单个像元是否属于某个类别
植被 老城区 耕地 水 新城区
将样本数据在特征空间进行聚类
建立类别的判别函数
绿
255
植
新城区
老城区
被
• •
水
•
耕地
•
0
•
255 红
255 蓝
主要的监督分类方法
距离判别函数和距离判别规则
◦ 最小距离分类法 ◦ 最近邻分类算法 ◦ 平行六面体分类法
如何进行遥感影像的分类与地物识别
如何进行遥感影像的分类与地物识别遥感影像是现代遥感技术的重要成果之一，它通过卫星、飞机等遥感平台获取的图像数据，可以为我们提供大范围、全面、准确的地貌信息。
遥感影像的分类与地物识别是一项非常重要的任务，它可以帮助我们快速准确地了解地球表面的特征，为各个领域的应用提供支持。
一、何为遥感影像的分类与地物识别遥感影像的分类与地物识别是指将遥感图像中的像素点或区域进行分类，根据地物的不同特征对其进行识别和划分。
通过这样的操作，我们可以得到不同类别地物的分布情况和空间分布特征。
遥感影像的分类可以分为监督分类和无监督分类两种方法。
监督分类是根据已经确定好的训练样本进行分类，通过机器学习方法对图像进行识别；而无监督分类则是根据图像中像素点之间的相似度进行自动分类。
这两种方法都有各自的优劣，需要根据具体需求选择合适的方法。
二、遥感影像分类与地物识别的意义遥感影像的分类与地物识别在许多领域具有重要的应用价值。
首先，在城市规划领域，可以通过遥感影像的分类与地物识别分析城市土地利用状况，为城市的合理规划提供数据支持。
其次，在环境资源管理中，可以通过对遥感影像的分类与地物识别，对农田、水域、林地等进行识别和划分，提供环境资源管理的参考信息。
再次，在灾害监测和评估中，可以通过遥感影像的分类与地物识别，快速获取受灾区域的信息，进行灾害评估和应急响应。
总之，遥感影像的分类与地物识别具有广泛的应用前景，对于各个领域的研究和决策都具有重要的参考意义。
三、遥感影像分类与地物识别的方法1. 特征提取特征提取是遥感影像分类与地物识别的关键步骤，通过提取合适的特征可以有效地区分不同地物。
常用的特征包括光谱特征、纹理特征和形状特征等。
在特征提取过程中，可以利用不同的算法和技术，如主成分分析、小波变换等，将原始图像转化为具有判别性的特征。
2. 分类算法分类算法是基于提取的特征对遥感影像进行分类与地物识别的关键环节。
常用的分类算法包括最大似然法、支持向量机、人工神经网络等。
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。
遥感影像分类方法
遥感影像分类方法一、引言随着遥感技术的发展和应用范围的扩大，遥感影像分类成为了遥感图像处理的重要任务之一。
遥感影像分类是指根据遥感图像中各个像元的光谱信息和空间分布特征，将图像中的像元分配到不同的类别中。
准确的遥感影像分类可以为资源调查、环境监测、农业生产等领域提供重要的信息支持。
二、传统分类方法1. 基于统计的分类方法基于统计的分类方法是一种常用的遥感影像分类方法，它通过对遥感图像中的像元进行统计分析，从而确定像元所属的类别。
常用的统计方法包括最大似然法、最小距离法、贝叶斯分类法等。
这些方法能够利用图像中的统计特征，对不同类别进行判别分析，但对于复杂的地物类型、光谱混合和空间分布不均匀的情况，效果有限。
2. 基于规则的分类方法基于规则的分类方法是一种根据已知的规则和知识来进行分类的方法。
该方法通过将遥感图像中的像元与已知规则进行匹配，从而确定像元所属的类别。
常用的规则包括专家规则、决策树规则等。
这些规则能够利用专家知识和经验，对不同类别进行判断，但对于复杂的地物类型和大规模的遥感图像，需要大量的规则和专家知识，且易受限于规则的准确性和完备性。
三、基于机器学习的分类方法随着机器学习算法的发展和应用，基于机器学习的遥感影像分类方法成为了研究热点。
机器学习可以通过训练样本来学习遥感图像中不同类别的特征，并通过对新样本的分类，实现遥感影像的自动分类。
常用的机器学习算法包括支持向量机、随机森林、深度学习等。
1. 支持向量机（Support Vector Machine，SVM）支持向量机是一种常用的分类算法，它通过将样本映射到高维空间中，构建最优的分类超平面，从而实现对遥感影像的分类。
支持向量机可以处理高维数据和非线性问题，并具有较好的泛化能力。
2. 随机森林（Random Forest）随机森林是一种基于决策树的集成学习算法，它通过构建多个决策树，并对其结果进行集成，从而实现对遥感影像的分类。
随机森林能够处理大规模数据和高维特征，并具有较好的鲁棒性和准确性。
遥感影像分类
GPU加速算法研究
从加速原理角度，大致可分为下面三种方法 (1) 基于数据分块的多线程并行技术 该技术的主要特点是对图像数据进行分块 和线程任务分配，让每个线程负责处理其中 一个数据块，通过多线程并行工作的方式共 同完成整个遥感图像数据处理。
(2) 基于CUDA库的并行加速技术 通过调用CUDA函数库中并行处理算法 来实现遥感图像的并行处理。
12/26
ISODATA分类
ISODATA算法是在K均值算法的基础上，增加对聚类结果的“合 并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类 算法。 基本思想：当某两类聚类中心距离小于某一阈值时，将它们合并 为一类，当某类标准差大于某一阈值或其样本数目超过某一阈值 时，将其分为两类。在某类样本数目少于某阈值时，需将其取消。
20/26
机群系统
计算机机群是通过高性能的互联网络连接的一组相互独立计算 机(节点)的集合体。各节点除了可以作为单一的计算资源供用户使 用外，还可以协同工作并表现为一个集中的计算资源供并行计算任 务使用。
典型的集群系统体系结构
21/26
机群系统的优点
系统开发周期短：计算机系统大多采用商用工作站和通用LAN 网络，使主控节点管理系统相对容易上手，可靠性高。 系统总价低：构成集群的工作站或PC机都是批量生产的，价格 低廉。 节约系统资源：由于集群系统的结构比较灵活，它可以将不同 体系结构，不同性能的工作站或PC机连在一起，用户可以充分利 用现有设备，节约系统资源，提高工作效率。 系统扩展性好：机群系统大多使用通用网络，系统扩展性很强， 而且对大小不同的颗粒度并行应用都具有很好的效率。 易于升级：机群计算机在结点性能上可以同处理器发展保持同 步，降低系统升级的费用。
遥感图像分类
类别=5；光谱 混淆？
类别=10
பைடு நூலகம்
遥感图象分类
基本原理 同类地物在相同条件下（光照、地形等）应该 具有相同或相似的光谱信息和空间特征信息。不同 类地物之间具有差异。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.
光谱特征
空间特征
遥感图象光谱特征 1. 不同地物在同一波段上的亮度互不相同； 2. 不同地物在不同波段上的亮度规律不同； 3. 同物异谱； 4. 异物同谱；
光谱特征向量
X [ x1, x2,, xn ]
T
地物与光谱特征空间的关系
感图像分类算法的核心是确定判别函数fAB(x)和 相应的判别准则。
K_均值算法(K-Mean)算法
原理: 通过迭代,移动各个基准类别的中心,直至得到最 好的聚类结果为止。
K均 值 法 分 类 过 程
具体算法步骤如下：
遥感影像分类
八、图像分类图像分类就是基于图像像元的数据文件值，将像元归并成有限的几种类型、等级或数据集的过程。
常规图像分类主要有两种方法：非监督分类与监督分类，专家分类法是近年来发展起来的新兴遥感图像分类方法。
实习时主要学习两种常规分类法，因为专家分类法还需要学习专家系统这门课程。
（其中英文的首字母我没有大写）（一）．非监督分类完全按照象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与分类运算，分类结果往往是各类象元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
一般要经过以下几个步骤：初始分类专题判别T分类合并T色彩确定T分类后处理T色彩重定义T 栅格矢量转换T统计分析1．初始分类获取（1）启动非监督分类点击Classifier 宀unsupervised classification 宀打开对话框（2）进行非监督分类在unsupervised classification 对话框中，进行设置：® in put raster file: germtm.img （被分类图像）® output cluster layer file name: 女口germtm_1.img （产生的分类图像，自己定义）® output sig nature set: germtm_1.sig （生成分类模板文件，自己定义）® number of classes: 10（初始分类数，即分出多少个类别）® maximum iterations : 24 （最大循环次数）® con verge nee threshold: 0.95 （循环收敛阈值）® ok （开始执行非监督初始分类）2．分类方案调整（1）叠加显示原图像与分类图像先打开germtm.img ,注意打开之前要把这畐U图的raster options 宀layers to colors设置为: red （4）, green （5）, blue （3）.然后打开germtm_1.img, 注意此时不要选择clear display 。
测绘技术中的遥感影像分类与监督分类器选择方法指南
测绘技术中的遥感影像分类与监督分类器选择方法指南引言在测绘技术的发展过程中，遥感影像的分类与监督分类器的选择方法一直是研究的热点之一。
遥感影像分类是利用遥感技术获取的图像数据，将其按照一定的规则和标准划分为不同的类别，以实现对地表特征和地物信息的描述和分析。
而监督分类器的选择则是选择适合特定应用场景的分类器算法，以提高分类的精度和效率。
本文将介绍遥感影像分类的基本概念与方法，并提供监督分类器选择的一些建议。
一、遥感影像分类的基本概念与方法1.1 遥感影像的分类概念遥感影像分类是指根据图像上不同像素点的特征和相互关系，将其划分为不同地物类型的过程。
地物类型可以包括建筑物、水体、植被、裸地等。
通过遥感影像分类，可以实现对地理现象的定量描述和分析，提供有效的地理信息支撑。
1.2 遥感影像分类的流程遥感影像分类一般包括以下几个步骤：预处理、特征选择、样本采集、分类器训练和分类结果评价。
1.2.1 预处理预处理是遥感影像分类的第一步，主要是对原始影像数据进行校正和增强，以提高数据质量和可用性。
预处理包括大气校正、辐射校正、几何校正等。
1.2.2 特征选择特征选择是遥感影像分类的关键步骤，它涉及到从海量的图像数据中提取出能够区分不同地物类型的有效信息。
常用的特征有光谱特征、纹理特征和形态特征等。
1.2.3 样本采集样本采集是指从遥感影像中选择代表各个地物类型的样本点，并进行标注和分类。
样本的数量和质量直接影响分类的准确性和可靠性。
1.2.4 分类器训练分类器训练是根据已标注的样本数据，通过一定的数学统计方法建立数学模型，以实现对遥感影像的分类。
常用的分类器包括支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）等。
1.2.5 分类结果评价分类结果评价是对分类器训练后的分类结果进行准确性和可信度的评价。
评价指标包括分类的精度、误差矩阵、Kappa系数等。
二、监督分类器选择的建议2.1 支持向量机（SVM）支持向量机是一种统计学习方法，具有强大的泛化能力和较好的分类效果，广泛应用于遥感影像分类领域。
- 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)。
数据处理
9几何纠正 9辐射纠正 9数据转换
数据分析
9定量分析 9分类 9数据综合
数据转换
9栅格-矢量 9矢量-栅格
土 地 退 化 监 测 与 评 价 GIS 和 遥 感 技 术 应 用 培 训 研 讨 会
分类精度评价方法发展
第一阶段：目视判断——主观性 第二阶段：比较分类所得的专题图中各 类别的面积范围（或面积百பைடு நூலகம்比）与地 面或其它参考数据中相应类别的面积范 围（或面积百分比）——非定位 第三阶段：以定位（site specific）类 别比较和精度测量（accuracy metrics ）为特征——定位 第四阶段：在第三阶段方法基础上的细 化和发展——误差矩阵
输入Pj
输出Ok
最小距离
最大似然
神经网络
非监督分类算法
K-Means聚类:
在初始设定基础上，在分类过程中根据一定原则不断重新计算类 别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条 件, 分类完毕. 1. 确定最初类别数和类别中心;
2. 计算每个像元多对应的特征矢量与各聚类中心的距离; 3. 选与其中心距离最近的类别作为这一矢量(像元)的所属类别; 4. 计算新的类别均值向量; 5. 比较新的类别均值与原中心位置的变化, 形成新的聚类中心; 重复2, 反 复迭代; 6. 如聚类中心不再变化, 停止计算.
特征选择
特征选择：确定参与分类的波段 依据：类别间的可区分性 选择方法：图形法、统计法
特征选择
图形法
特征选择
统计法
•离散度（divergence）
1 −1 −1 Divercd = tr (Vc − Vd ) Vd − Vc 2
[
(
)]
1 −1 −1 T + tr Vc + Vd (M c − M d )(M c − M d ) 2
基本概念
模式（pattern）: 在多波段图象中，每个象元都具有一组对应 取值，称为象元模式 特征（feature）：在多波段图象中，每个波段都可看作一个变 量，称为特征变量 波段：光谱波段
其它派生波段（纹理、上下文关系、波段比等） 辅助数据(ancillary data) (非遥感数据，如DEM、 土壤类型)
分类算法选择
1、平行六面体分类算法
μ ck − σ ck ≤ BVijk ≤ μ ck + σ ck
分类算法选择
最小距离分类
Dist =
(BV
ijk
− μ ck ) + (BVijl − μ cl )
2
2
分类算法选择
最大似然分类：通过比较像元属于每个类别的后验概率，确 定像元的类别 假设：每个类别在每个波段上的统计特征服从正态分布 概率信息通过估计概率密度分布函数得到
地表
几何和辐射纠正
特征提取
分类
分类结果
传感器测量
待分类图像
特征
训练数据
分类体系 • 互斥性(Mutually Excluded) • 无遗漏（Exhaustive） • 层次性（ hierarchical ） 不同层次的分类体系，反映类别差别的细节 不同，对遥感数据空间分辨率和光谱分辨 率的要求也不同
CLASSIFIED IMAGE
25 + 50 + 60 + 100 *100 = 82.7% 284
CLASSIFIED IMAGE IMAGE CLASSIFIED
z 总体分类精度：表示对每一 个随机样本，所分类的结果 与地面对应区域实际类型相 一致的概率。
REFERENCE REFERENCE DATA DATA
N ∑ p ii − ∑ (p i + * p + i )
i =1 i =1 m m
Κ=
N − ∑ (p i + * p + i )
2 i =1
m
N：样本总数 m: 混淆矩阵中的行数 pii : 位于第i行和第i列的样本数量 pi+: 第i行的样本总数量 p+i : 第i列的样本总数量
总体精度只用到 了对角线上的象 元数量； Kappa系数既考虑 了对角线上被正 确分类的象元， 也考虑了不在对 角线上各种漏分 和错分误差
光谱类和信息类
• 光谱类（spectral class）：基于光谱特征形成的类别 如房屋的阳面和阴面光谱特征不同，不同的光谱类 • 信息类 (information class)：根据实际需要待分的类别， 是根据需要人为划分的 如城市类由道路、建筑物、水体、绿地等不同地物组成 ，不同地物光谱特征不同
n 2
| Vi |
1 2
⎡ 1 ⎤ T −1 exp ⎢− ( X − M i ) Vi ( X − M i )⎥ ⎣ 2 ⎦
分类判别规则
p ( X | wi ) ⋅ p (wi ) ≥ p (X | w j )⋅ p (w j )
神经网络分类
输入层结点（i） 隐层结点（j） 输出层结点（k）
参数分类 vs. 非参数分类
• 参数分类方法（Parametric methods ）（如 最大似然分类和非监督聚类方法）假设遥 感影像的光谱值服从正态分布及各类别的 概率密度函数 • 非参数分类方法（Nonparametric methods ）（如最近邻分类、神经网络分类等）对 类别的光谱统计分布没有假设
开始 初始聚类中心 计算距离 像元归类 计算类别均值 均值与 中心数一致？ 否 新均值代替旧中心 是 停止
ISODATA (Iterative Self-Organizing Data Analysis Technique ) The ISODATA 算法是 k-means clustering 算法的修正算法: a) 在聚类过程中，如果两个类别间多光谱空间的距离小于设定的阈值 ，则合并 这两个类 b) 如果某些类别内部的方差大于一定阈值，则将这个类劈分为两个类 别
[(
)
]
平均离 散度
Diveravg =
∑ ∑ Diver
c =1 d = c +1
m −1
m
cd
C
特征选择
统计法
•Bhattacharyya 距离
⎡ Vc + Vd ⎤ −1 ⎢ ⎥ + V V 1 1 2 ⎞ T⎛ c d ⎥ Bhatcd = (M c − M d ) ⎜ ⎟ (M c − M d ) + log e ⎢ 8 2 ⎝ 2 ⎠ ⎢ Vc ⋅ Vd ⎥ ⎢ ⎥ ⎣ ⎦
监督分类 vs. 非监督分类
监督分类（supervised classification）：通 过选择代表各类别的已知样本（训练区 ）的象元光谱特征，事先取得个类别的 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 非监督分类(unsupervised classification)： 根据事先指定的某一准则，而进行计算 机自动判别归类，无须人为干预，分类 后需确定地面类别 在非监督分类中，先确定光谱可分的 类别，然后定义它们的信息类
第10讲 遥感影像分类
遥感影像计算机分类
• 是通过模式识别理论，利用计算机将遥感 图象自动分成若干地物类别的方法。
• 基本依据 不同的地物具有不同的光谱特征，同类地物 具有相同或相似的光谱特征 图象分类：基于数字图象中反映的同类地物 的光谱相似性和异类地物的光谱差异性
图象分类过程的总目标是，将图象中所有的像元自动地 进行土地覆盖类型或土地覆盖专题的分类。
特征提取(feature extraction)：通过变换找出最能反映地物类别差异的
特征变量用于分类的过程
特征选择(feature selection)：直接从原始波段数据中选择
分类算法
• • • • 参数分类 vs. 非参数分类 监督vs. 非监督 硬分类vs. 软分类 逐像元分类vs. 面向对象的分类（图像分割）
精度评价过程
1) 参考数据采样设计
- 随机采样, 系统采样, 层次随机采样, 聚集随机采样…
2) 样本选取
- 参考数据来源 - 样本量的大小（取决于区域大小，类别多少等）
3) 构建误差矩阵 (producer’s & user’s accuracy)
Commission (inclusion): pixels classified to category where they don’t belong. Omission (exclusion): pixels that should have been classified as one type instead of another.
4) 计算Kappa系数 5) 精度报告
采样设计
CLASSIFIED CLASSIFIED IMAGE IMAGE
REFERENCE REFERENCE DATA DATA
From Fromairphotos, airphotos,field fielddata, data,etc. etc.
1 2 3 生成随机样本点 在每个点上比较分类结果与 “真实类型” 构建和分析误差矩阵
误差矩阵
REFERENCE REFERENCE DATA DATA
CLASSIFIED IMAGE IMAGE CLASSIFIED
∗ 对角线的元素表 示正确分类的样 本数 ∗ 非对角线元素表 示错分和漏分误 差
包含误差
REFERENCE REFERENCE DATA DATA CLASSIFIED IMAGE IMAGE CLASSIFIED
不同层次的土地利用分类体系对遥感 空间分辨率的要求（Anderson体系）
不同尺度植被调查对类别细节和遥 感分辨率的要求
监督分类过程
地表