第十讲 遥感影像分类

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
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）
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
Di源自文库t =
(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
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
聚类过程: 类别中心的变化
原始的聚类中心
第1次迭代后的类别分布
聚类过程: 类别中心的变化
第2次迭代后的类别分布
第n次迭代后的类别分布
分类算法特点
分类精度评价
误差积累过程
总的误差
数据获取 数据分析 最终产品与表达 决策实施
数据处理
数据转换
决策
数据获取
9几何关系 9传感器系统 9卫星平台 9地面控制 9地面景的影响
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
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.
硬分类 vs. 软分类
• 硬分类：分类结果产生像元唯一的确定类别 • 软分类：产生像元属于各类别的隶属度
逐像元分类 vs. 面向对象分类 • 逐像元分类：将每个像元标记为一定的类别 • 面向对象分类：根据图像分割算法，将图像划分 为内部相对均一的对象，类别赋予每个对象
分类过程
• • • • • • 确定分类问题：确定专题数据的需求、研究区域、分类体系、拟采用 的分类方法等 获取合适的遥感数据（各种分辨率、季相等）和地面参考数据 遥感数据处理：辐射纠正、几何纠正等 专题信息提取：特征选择、特征提取、分类算法等 分类后处理 精度评价
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（或面积百分比）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
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）
[(
)
]
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 ⎥ ⎢ ⎥ ⎣ ⎦
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
遥感图像
训练数据 参考数据
分类器
采样 比较
采样 分类图
精度报告
训练样本的选择 • 代表性：训练样本必须具有研究区内空间 上的代表性 • 数量：假定由N个波段参与分类，训练样本 的数目至少>10×N，以保证某些分类算法 中方差－协方差矩阵的运算 • 选取方式：野外调查＋参考数据＋目视判 断
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
∗ 18个像元被包含 到玉米 ∗ 玉米和森林混淆 严重
漏分误差
REFERENCE REFERENCE DATA DATA
CLASSIFIED IMAGE IMAGE CLASSIFIED
∗ 32个玉米样本中 有7个被漏分了 • 玉米和黄豆、森 林混淆
• 分类精度表达
– 总体精度 (overall accuracy) – 用户精度（user’s accuracy） (1-commission error) – 生产者精度 (1-omission error) REFERENCE DATA
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.
• 类别 wi 的概率密度分 布函数用公式计算：
⎡ 1 (x − μ ˆ i )2 ⎤ ˆ ( x | wi ) = p exp ⎢− ⎥ 1 2 ˆi ⎣ 2 σ ⎦ ˆi (2π )2 σ 1
ˆ i ：样本估计均值 μ
ˆ i 2：估计方差 σ
多波段概率密度函数
p( X | wi ) = 1
(2π )
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
User’s accuracy for corn category:
25 *100 = 58.1% 43
CLASSIFIED IMAGE IMAGE CLASSIFIED
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。
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
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)
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
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
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
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
误差矩阵方法
分类精度指标
• • 总体精度（Overall accuracy）：对角线所有元素的合除以所用样本数 生产者精度 某类中正确分类的象元数除以参考数据中所有该类的象元数（列方向）
• 用户精度 某类中正确分类的象元数除以所有的被分为该类的象元数（行方向） • Kappa系数
Kappa系数