监督分类中常用的具体分类方法
测绘技术中的遥感影像分类和变化检测方法
测绘技术中的遥感影像分类和变化检测方法引言：遥感影像处理在现代测绘技术中扮演着重要的角色。
遥感影像分类和变化检测方法是为了从大规模数据中提取信息，解决人类社会发展中的问题。
本文将讨论测绘技术中遥感影像分类和变化检测的方法和技术。
一、遥感影像分类方法1. 监督分类法监督分类法是遥感影像分类中常用的方法之一。
其基本思想是通过人工标注样本数据集，并利用机器学习的方法进行分类。
方法包括最大似然法、支持向量机、随机森林等。
监督分类法需要充分了解被观测场景的特征，以便正确指导样本标记。
2. 无监督分类法无监督分类法是另一种常用的遥感影像分类方法。
该方法不需要预先标记样本，而是将影像数据分成不同的类别。
无监督分类法使用的技术包括聚类、主成分分析等。
与监督分类相比，无监督分类法更适用于未知场景，但其分类结果的准确性有所下降。
3. 半监督分类法半监督分类法结合了监督分类法和无监督分类法的优点。
其基本思想是在一部分已标记的样本上进行监督分类，然后通过无监督分类法对未标记的样本进行分类。
半监督分类法能够提高分类的准确性，并减少样本标记的工作量。
二、变化检测方法1. 基于阈值的方法基于阈值的方法是最简单和常用的变化检测方法之一。
该方法通过设定一个阈值，将两个时间点的遥感影像像素值进行比较，从而检测出变化。
然而，基于阈值的方法对于光照、拍摄角度等因素的敏感度较高，且会忽略时间点之间的连续性。
2. 基于差异图的方法基于差异图的方法通过计算两个时间点遥感影像的差异图来进行变化检测。
差异图可以是像素级别的差异，也可以是物体级别的差异。
该方法能够更好地抑制光照、拍摄角度等因素对变化检测的影响，提高检测的准确性。
3. 基于特征提取的方法基于特征提取的方法通过从遥感影像中提取特定的特征，利用机器学习算法进行变化检测。
特征可以包括颜色、纹理、形状等。
该方法能够更好地捕捉目标变化的特征，提高变化检测的准确性。
三、遥感影像分类和变化检测的应用遥感影像分类和变化检测方法在许多领域都有广泛的应用。
遥感导论复习题
第一章1、广义的遥感：指一切无接触的远距离探测，包括对电磁力、力场、机械波（声波、地震波）等的探测。
2、狭义的遥感：应用探测仪器，不与探测目标相接触，从远处吧目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术。
3、遥感系统包括：被测目标的信息特征、信息的获取、信息的传输与记录、信息的处理和信息的应用五大部分。
4、遥感的特点：大面积的同步观测、时效性、数据的综合性和可比性、经济性、局限性。
第二章1、辐射测量:辐射能量（W）：电磁辐射的能量。
辐射通量（υ）：单位时间内通过某一面积的能量。
辐射通量密度（E）：单位时间内通过单位面积的能量。
辐照度（I）：被辐射的物体表面单位面积上的辐射通量。
辐射出射度（M）：辐射源物体表面单位面积上的辐射通量。
辐射亮度（L）。
2、绝对黑体：如果一个物体对于任何波长的电磁辐射都全部吸收，则这个物体是绝对黑体。
3、黑体辐射规律：⑴普朗克公式，普遍适用，Mλ(λ,T)=2πhc²\λ5(e hc\λkT-1)，式中，c为光速，k为波尔兹曼常数，h为普朗克常数，M为辐射出射度。
⑵斯忒藩-波尔兹曼定律，M=∫Mλ(λ)dλ,用普朗克公式对波长积分，M=σT4。
⑶维恩位移定律，λmax T=b。
4、太阳常数：是指不受大气影响，在距太阳一个天文单位内，垂直于太阳光辐射方向上，单位面积单位时间黑体所接收的太远辐射能量I。
5、大气层次与成分：在垂直方向上自下而上为对流层、平流层、中间层、热层、散逸层，也常把平流层和中间层统称为平流层，热层和散逸层统称为电离层。
大气主要是分子和其他微粒，分子主要有N2和O2。
微粒主要有烟、尘埃、雾霾、小水滴和气溶胶。
6、大气散射：瑞利散射、米氏散射、无选择性散射。
7、太阳辐射与地表的相互作用：当太阳辐射达到地表后，就短波而言，地表反射的太阳辐射成为地表的主要反射来源，而来自地球的自身的辐射，几乎可以忽略不计。
地球自身的辐射主要集中在长波，及6μm以上的热红外区段。
监督分类是需要学习训练的分类方法
监督分类是需要学习训练的分类方法,如最大似然分类,人工神经网络分类,即是需要事先为每类地物在遥感图像上采集样本数据,之后通过学习训练过程才来分类;非监督分类不需要人工采集地物样本点数据,多是通过聚类的方法来自动分类,主要有isodata,k均值等.总体来说,监督分类的效果要优于非监督分类.遥感影像的分类方法按照是否有先验类别可以分为监督分类和非监督分类，这两种分类法有着本质的区别但也存在一定的联系．监督分类的主要方法最大似然判别法.也称为贝叶斯(Bayes)分类,是基于图像统计的监督分类法,也是典型的和应用最广的监督分类方法.它建立在Bayes准则的基础上,偏重于集群分布的统计特性,分类原理是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的,做出样本的概率密度等值线,确定分类,然后通过计算标本(像元)属于各组(类)的概率,将标本归属于概率最大的一组.用最大似然法分类,具体分为三步:首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描影像各像元,将像元特征向量代入判别函数,求出其属于各类的概率,将待判断像元归属于最大判别函数值的一组.Bayes判别分类是建立在Bayes决策规则基础上的模式识别,它的分类错误最小精度最高,是一种最好的分类方法.但是传统的人工采样方法由于工作量大,效率低,加上人为误差的干扰,使得分类结果的精度较差.利用GIS数据来辅助Bayes分类,可以提高分类精度,再通过建立知识库,以知识来指导分类的进行,可以减少分类错误的发生[1],这正是Bayes分类的发展趋势和提高其分类精度的有效途径.神经元网络分类法.是最近发展起来的一种具有人工智能的分类方法,包括BP神经网络、Kohonen神经网络、径向基神经网络、模糊神经网络、小波神经网络等各种神经网络分类法.BP神经网络模型(前馈网络型)是神经网络的重要模型之一,也是目前应用最广的神经网络模型,它由输入层、隐含层、输出层三部分组成,所采取的学习过程由正向传播过程和反向传播过程组成.传统的BP网络模型把一组样本的输入/输出问题作为一个非线性优化问题,它虽然比一般统计方法要好,但是却存在学习速度慢,不易收敛,效率不高的缺点.采用动量法和学习率自适应调整的策略,可以提高学习效率并增加算法的可靠性[3].模糊分类法.由于现实世界中众多的自然或半自然现象很难明确划分种类,反映在遥感影像上,也存在一些混合像素问题,并有大量的同谱异物或者同物异谱现象发生,使得像元的类别难以明确确定.模糊分类方法忽略了监督分类的训练过程所存在的模糊性,沿用传统的方法,假定训练样本由一组可明确定义、归类,并且具有代表性的目标(像素)构成.监督分类中的模糊分类可以利用神经元网络所具有的良好学习归纳机制、抗差能力和易于扩展成为动态系统等特点,设计一个基于神经元网络技术的模糊分类法来实现.模糊神经网络模型由ART发展到ARTMAP再到FasART、简化的FasART模型[4],使得模糊神经网络的监督分类功能不断完善、分类精确度不断增加.最小距离分类法和Fisher判别分类法.它们都是基于图像统计的常用的监督分类法,偏重于几何位置.最小距离分类法的原则是各像元点划归到距离它最近距离的类别中心所在的类,Fisher判别分类采用Fisher准则即“组间最大距离”的原则,要求组间距离最大而组内的离散性最小,也就是组间均值差异最大而组内离差平方和最小.用这两种分类法进行分类,其分类精度取决于对已知地物类别的了解和训练统计的精度,也与训练样本数量有关.针对最小距离分类法受模式散布影响、分类精度不高的缺点,人们提出了一种自适应的最小距离分类法,在训练过程中,将各类样本集合自适应地分解为子集树,定义待分类点到子集树的距离作为分类依据[2],这种方法有效地提高了最小距离法的分类正确率和分类速度,效率较高.Fisher判别分类也可以通过增加样本数量进行严密的统计分类来增加分类精度。
基本知识点计算机图像分类的两种主要方法
基本知识点——计算机图像分类的两种主要方法图像分类方法1.监督分类监督分类包括利用训练区样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别过程。
监督分类中常用的具体分类方法包括：(1) 最小距离分类法，最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
(2) 多级切割分类法，多级分割法分类便于直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。
(3) 特征曲线窗口法，特征曲线窗口法可以根据不同特征进行分类，如利用标准地物光谱曲线的位置(nm)、反射峰或谷的宽度和峰值的高度作为分类的识别点，给定误差容许范围，分别对每个像素进行分类；或者利用每一类地物的各个特征参数上、下限值构造一个窗口，判别某个待分像元是否落入该窗口，只要检查该像元各特征参数值是否落入到相应窗口之内。
特征曲线窗口法分类的效果取决于特征参数的选择和窗口大小。
各特征参数窗口大小的选择可以不同，它要根据地物在各特征参数空间里的分布情况而定。
(4) 最大似然比分类法，最大似然比分类法(maximum likelihood classifier) 是经常使用的监督分类方法之一，它是通过求出每个像素对于各类别归属概率，把该像素分到归属概率最大的类别中去的方法。
最大似然比分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。
这里，归属概率是指：对于待分像元x，它从属于分类类别k的（后验）概率。
2.非监督分类非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。
非监督分类方法不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取的统计特征的差别来达到分类的目的，最后对已分出的各个类别的实地属性进行确认。
非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别，即“物以类聚”。
微型计算机系统(简称微机系统)与传统的计算机系统一样,也是由硬件系统和软件系统两大
微型计算机系统(简称微机系统)与传统的计算机系统一样，也是由硬件系统和软件系统两大部分组成。
计算机硬件系统由控制器、运算器、存储器、输入设备、输出设备五大基本部件构成。
软件系统由系统软件和应用软件两大部分组成。
系统软件包括操作系统、语言处理程序、数据库管理系统、网络通信管理程序等部分。
应用软件包括的面非常广，它包括用户利用系统软件提供的系统功能、工具软件和其它实用软件开发的各种应用软件。
当前使用比较多的操作系统有UNIX、Linux，MS-DOS 和Windows操作系统。
内存又称为主存，分为随机存储RAM和只读存储器ROM两种，速度比外存快由于CPU比内存速度快，目前，在计算机中还普遍采用了一种比主存储器存取速度更快的超高速缓冲存储器，即Cache，置于CPU 与主存之间，以满足CPU 对内存高速访问的要求。
有了CaChe 以后，CPU 每次读操作都先查找CaChe，如果找到，可以直接从Cache中高速读出；如果不在CaChe中再由主存中读出在微型计算机中，常用的外存有磁盘、光盘和磁带，磁盘又可以分为硬盘和软盘。
基数是指该进制中允许选用的基本数码的个数。
每一种进制都有固定数目的计数符号。
十进制：基数为10，10个记数符号，0、1、2、……9。
每一个数码符号根据它在这个数中所在的位置(数位)，按“逢十进一”来决定其实际数值。
二进制：基数为2，2 个记数符号，0 和1。
每个数码符号根据它在这个数中的数位，按“逢二进一”来决定其实际数值。
八进制：基数为8，8个记数符号，0、1、2、……7。
每个数码符号根据它在这个数中的数位，按“逢八进一”来决定其实际的数值。
十六进制：基数为16，16个记数符号，0-9，A，B，C，D，E，F。
其中A～F对应十进制的10～15。
每个数码符号根据它在这个数中的数位，按“逢十六进一”决定其实际的数值。
字节简写为B，人们采用8位为1个字节。
1个字节由8个二进制数位组成。
字节是计算机中用来表示存储空间大小的基本容量单位。
ENVI中几种监督分类方法精度比较
ENVI中几种监督分类方法精度比较遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，最大似然法，神经网络法以及支持向量机法等。
文章将就以上所述的五种常用的监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8 OLI数据进行土地覆盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行浅析，进而对实际的生产以及应用做出借鉴。
标签：监督分类；平行六面体；神经网络；支持向量机；分类精度Abstract：The common methods of supervised classification of remote sensing images can be divided into：parallelepiped classifier method，Mahalanobis distance method，maximum likelihood method，neural network method and support vector machine method. In this paper，the land cover and utilization of the same Landsat8 OLI data in Weizhou Town，Wenchuan County are classified by the five common supervised classification methods mentioned above in ENVI. Comparing the classification accuracy of various methods，we made an analysis of the causes of the differences，and then identify their actual production and application.Keywords：supervised classification；parallelepiped；neural network；support vector machine；classification accuracy1 概述遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不重叠的各个子空间之中。
遥感与地理信息系统复习题含答案
空间数据库管理系统 空间数据应用系统
5. 矢量线段长度、多边形面积及区域体积的计算方法
基本思路 校正前的图像看起来是由行列整齐的等间距像元点组成的，但实际上，由于 某种几何畸变，图像中像元点间所对应的地面距离并不相等。校正后的图像 亦是由等间距的网格点组成的，且以地面为标准，符合某种投影的均匀分 布，图像中网格的交点可以看作是像元的中心。校正的最终目的是确定校正 后图像的行列数值，然后找到新图像中每一像元的亮度值。
3电磁波谱区间段，遥感探测区间段
紫外遥感：0.05～0.38μm
按传感器的 可见光遥感：0.38～0.76μm
探测波段分 红外遥感：0.76～1000μm
微波遥感：1mm～1m
多波段遥感：探测波段在可见光波段和红外波段范围内，再分
成若干窄波段来探测目标。
名称
波长范围
紫外线
0.01 ---- 0.38 μｍ
1.遥感影像辐射畸变的原因，辐射校正的原理及方法
原因:传感器仪器本身的误差、大气对辐射的影响 基本原理：在同一幅图像的有限面积内，程辐射度是一个近似于常数的值， 其值的大小只与波段有关。 方法：直方图最小值去除法、回归分析法直方图(亮度值、像元数)最小值去 除法
遥感图像的几何校正(原因、思路、步骤、方法及控制点的选取，教材P103112) 影响图像变形的外部因素： 1） 遥感平台位置和运动状态变化 2） 地形起伏－像点位移 3） 地球的曲率－像点位移和地面宽度不等 4） 大气折射－像点位移 5） 地球自转－影像变形
监督分类中常用的具体分类方法
监督分类中常用的具体分类法包括：最小距离分类法（minimum distance classifier）：最小距离分类法是用特征空间中的距离作为像元分类依据的。
最小距离分类包括最小距离判别法和最近邻域分类法。
最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。
最近邻域分类法是上述法在多波段遥感图像分类的推广。
在多波段遥感图像分类中，每一类别具有多个统计特征量。
最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。
最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
多级切割分类法（multi-level slice classifier）：是根据设定在各轴上值域分割多维特征空间的分类法。
通过分割得到的多维长体对应各分类类别。
经过反复对定义的这些长体的值域进行外判断而完成各象元的分类。
这种法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。
多级切割分类法要求训练区样本选择必须覆盖所有的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。
多级分割法分类便于直观理解如分割特征空间，以及待分类像元如与分类类别相对应。
由于分类中不需要复杂的计算，与其它监督分类法比较，具有速度快的特点。
但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。
因此运用多级分割法分类前，需要先进行主成分分析，或采用其它法对各轴进行相互独立的正交变换，然后进行多级分割。
论述监督分类与非监督分类却别与联系及各自优缺点
论述监督分类与非监督分类却别与联系及各自优缺点监督分类和非监督分类是机器学习中常用的两种分类方法。
它们之间的区别与联系主要体现在训练数据的标记情况、算法的目标和应用场景上。
以下是它们的具体区别与联系以及各自的优缺点。
1. 数据标记情况：- 监督分类：监督分类算法使用已标记的训练数据，其中每个样本都有所属的类别标签。
算法通过学习输入特征和对应的类别标签之间的关系，来构建分类模型。
- 非监督分类：非监督分类算法使用未标记的训练数据，其中没有给定每个样本的类别标签。
算法通过学习数据本身的内在结构和模式，来对数据进行聚类或分组。
2. 算法目标：- 监督分类：监督分类算法的目标是根据已有的训练数据，建立一个能够对未知数据进行准确分类的模型。
具体目标可以是最大化分类准确率、最小化分类错误率等。
- 非监督分类：非监督分类算法的目标是为了揭示数据中的内在结构和模式，将相似的数据点聚类或分组在一起。
具体目标可以是最大化组内相似度、最小化组间差异度等。
3. 应用场景：- 监督分类：监督分类算法常用于需要根据给定标签对新数据进行分类预测的场景，如垃圾邮件分类、图像识别等。
- 非监督分类：非监督分类算法常用于探索性数据分析、发现数据中的隐藏模式、特征提取等场景，如市场分割、社交网络分析等。
4. 优缺点：- 监督分类的优点是能够利用标签信息进行有监督的学习，可以达到较高的分类准确率。
缺点是需要标记大量的训练数据，且在面对未知类别或类别不平衡的情况下表现不稳定。
- 非监督分类的优点是无需标记训练数据，可以自动发现数据中的结构和模式。
缺点是算法的评价相对主观，结果的解释性较低，且对数据质量较为敏感。
监督分类和非监督分类在数据标记情况、算法目标和应用场景上存在明显的差异。
它们各自有着适用的优势和限制，需要根据具体需求和数据特点选择合适的方法。
数字图像处理复习资料（补充的答案）
数字图像处理复习资料（补充的答案）遥感和数字图像处理复习题⼀、名词解释：数字影像：物体光辐射能量的数字记录形式或像⽚影像经采样量化后的⼆维数字灰度序列图像采样：将空间上连续的图像变换成离散点的操作称为采样灰度量化：将像素灰度转换成离散的整数值的过程叫量化像素：将地⾯信息离散化⽽形成的格⽹单元辐射误差：传感器接受到的电磁波能量和⽬标本⾝辐射的能量是不⼀致的辐射校正：消除图像数据中依附在图亮度中的各种失真的过程灰度直⽅图: 以每个像元为单位，表⽰线性拉伸:采⽤线性或分段线性的函数改善图像对⽐度平滑：为抑制噪声，改善图像质量所做的处理锐化：通过微分使图像中的地物边缘，轮廓或线状⽬标突出滤波：将信号中特定波段频率部分滤除的操作，是抑制和防⽌⼲扰的⼀项重要措施⾼通滤波：保留图像的⾼频部分⽽消弱低频部分的处理低通滤波：保留图像的低频部分⽽抑制⾼频部分的处理植被指数：根据地物光谱反射率的差异作⽐值可以突出图像中植被的特征、提取植被类别或估算绿⾊⽣物量，能够提取植被的算法称为植被指数伪彩⾊合成：将⼀个波段或单⼀的⿊⽩图像变换为彩⾊图像，从⽽把⼈眼不能区分的微⼩的灰度差别显⽰为明显的⾊彩差异，更便于解译和提取有⽤信息。
真彩⾊合成：根据彩⾊合成原理，可选择同⼀⽬标的单个多光谱数据合成⼀幅彩⾊图像，当合成图像的红绿蓝三⾊和三个多光谱段相吻合，这幅图像就再现了地物的彩⾊原理，就称为真彩⾊合成。
假彩⾊合成：根据加⾊法或减⾊法，将多波段单⾊影像合成为假彩⾊影像的⼀种彩⾊增强技术。
密度分割法:对单波段⿊⽩遥感图像按灰度分层，对每层赋予不同的⾊彩，使之变为⼀幅彩⾊图像直⽅图均衡化：将原图像的直⽅图通过变换函数变为各亮度级均匀分布的直⽅图，然后按均匀直⽅图像修改原图像的像元亮度值，从⽽获得⼀幅亮度分布均匀的新图像。
监督分类: 事先已经知道类别先验知识，对未知类别的样本进⾏分类的⽅法⾮监督分类：在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）的⽅法特征空间：以各波段图像的亮度分布为坐标轴组成的空间训练区：在监督分类中,从图像上选取的已知其地物属性或物体特性的图像区域或像元,⽤于进⾏分类的学习和训练,以建⽴分类模型或分类函数（即感兴趣区）。
有监督学习(supervised-learning)和无监督学习(unsupervised-learning)
有监督学习(supervised learning)和无监督学习(unsupervised learning)机器学习的常用方法，主要分为有监督学习(supervised learning)和无监督学习(unsupervised learning)。
监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。
在人对事物的认识中，我们从孩子开始就被大人们教授这是鸟啊、那是猪啊、那是房子啊，等等。
我们所见到的景物就是输入数据，而大人们对这些景物的判断结果（是房子还是鸟啊）就是相应的输出。
当我们见识多了以后，脑子里就慢慢地得到了一些泛化的模型，这就是训练得到的那个（或者那些）函数，从而不需要大人在旁边指点的时候，我们也能分辨的出来哪些是房子，哪些是鸟。
监督学习里典型的例子就是KNN、SVM。
无监督学习（也有人叫非监督学习，反正都差不多）则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。
这听起来似乎有点不可思议，但是在我们自身认识世界的过程中很多处都用到了无监督学习。
比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。
无监督学习里典型的例子就是聚类了。
聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。
因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。
那么，什么时候应该采用监督学习，什么时候应该采用非监督学习呢？我也是从一次面试的过程中被问到这个问题以后才开始认真地考虑答案。
基于ENVI的遥感图像分类方法比较研究
基于ENVI的遥感图像分类方法研究比较（聊城大学环境与规划学院GIS专业2010级4班学号:2010203***）摘要基于监督分类方法在遥感图像分类中已经普遍应用，本文将介绍了几种ENVI 提供的常用的监督分类方法和ENVI EX提供的面向对象的分类方法。
对同一遥感图像运用这几种方法进行分类，并对分类结果进行对比，从而分析这几种方法分类精度之间的差异。
关键词遥感图像分类平行六面体最小距离法最大似然法面向对象第一章绪论1.1、研究的背景和意义随着遥感技术的发展，遥感已逐步成为采集地球数据及其变化信息的重要技术手段和重要的信息来源，并在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用。
由于不同领域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。
遥感图像通过亮度值或像元值的高低差异( 反映地物的光谱信息) 及空间变化( 反映地物的空间信息) 来表示不同地物的差异。
这是区分不同图像地物的物理基础。
遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感图像中与实际地物的对应信息，从而实现遥感图像的分类。
目前随着各种新理论新方法的相继涌现，遥感图像存在多种分类方法，所以本文主要是选取几种常用的监督分类方法和ENVI EX提供的面向对象分类方法用实验结果表明它们之间存在的差异。
1.2、研究方法(1)、本文从遥感图像解译的基本原理出发，阐述了ENVI软件在遥感图像解译中使用的原理，并对其提供的方法进行了详细的解读。
(2)、详细叙述了ENVI EX提供的Feature Extraction工具即面向对象分类方法的使用。
(3)、根据得到的分类结果，采用混淆矩阵和kappa系数对分类结果进行精度评价。
从中得出一些结论，并对ENVI软件在遥感图像分类方法中提出可行性建议。
基于辅助信息学习的监督分类方法
基于样本选择策略的监督学习算法框架
1
基于样本选择策略的监督学习算法是一种通过利 用辅助信息来提高分类性能的方法。
2
该算法框架主要包括输入数据、辅助信息、样本 选择策略、分类器和性能评估五个部分。
3
输入数据和辅助信息是算法的基础，样本选择策 略是算法的核心，分类器是算法的关键，性能评 估是算法的反馈机制。
要点二
模型训练
基于深度学习的监督分类算法通常采 用卷积神经网络（CNN）或循环神经 网络（RNN）等模型进行训练。在训 练过程中，输入样本经过网络的前向 传播，计算损失并通过反向传播算法 更新权重和偏置。
要点三
模型评估与优化
训练完成后，需要对模型进行评估， 以了解其性能和泛化能力。常用的评 估指标包括准确率、精确率、召回率 和F1得分等。根据评估结果，可以进 一步优化模型，如调整超参数、添加 更多层或使用其他结构改进方法等。
04
基于集成学习的监督分类方法
集成学习的基本原理与方法
集成学习原理
集成学习是一种通过结合多个个体学习模型的预测结果来产生更 强预测性能的机器学习方法。
集成学习方法
常见的集成学习方法有Bagging、Boosting和Stacking。
集成学习优势
集成学习可以降低模型的方差，提高模型的泛化性能，同时可以 充分利用数据集中的所有信息。
辅助信息重要性
在监督分类中，辅助信息可以提供额外的特征和先验知识，有助于 提高分类精度。
辅助信息来源
辅助信息可以来自不同的来源，如领域知识、先验知识、样本标签 等。
辅助信息利用方法
常见的辅助信息利用方法包括特征选择、特征融合、先验知识引入等 。
基于Landsat8数据和监督分类方法的土地利用分类研究
基于Landsat8数据和监督分类方法的土地利用分类研究作者：肖凡郭俊军张梦杰来源：《安徽农学通报》2020年第08期摘要：该研究以Landsat8数据为基础，采用ENVI软件对数据进行预处理，以《土地利用现状分类》（GB/T21010-2017）为标准，将研究区的土地利用分为农用地、林地、水域、建筑用地和未利用地5种类型，分别采用平行六面体法、马氏距离法、最小距离法、最大似然法、神经网络法、支持向量机等6种监督分类方法进行分类，并对土地分类结果和精度进行评价，以分类精度和制图精度最高的支持向量机分类结果为对象，用其他5种分类方法与其进行结果差异对比分析。
通过多种监督分类方法结果对比，以期为后期土地利用分类提供指导和借鉴。
关键词：Landsat8;监督分类方法;土地利用分类中图分类号 TP79 文献标识码 A 文章编号 1007-7731（2020）08-0110-04土地利用/覆盖变化（LUCC）是全球环境变化人文因素计划（IHDP）与国际地圈生物圈计划（IGBP）的核心研究内容之一，也是全球变化研究的重要因素之一[1]。
开展土地利用分类研究有助于及时掌握区域土地覆盖变化，合理制定土地利用规划，节约土地资源，提升土地利用效率。
20世纪以来，打造新型卫星的传感器相继发射，針对不同问题，不同传感器有不同的参数特点[2]。
Landsat8由于波段信息丰富、空间分辨率高、易获取等优点成为广大学者研究的重要数据来源。
而随着国内遥感技术的发展，高分辨率遥感影像凭借地物内部分异明显、纹理清晰、细节丰富等优点也被应用到土地利用分类中。
本研究通过获取Landsat8 OLI遥感影像数据，以长沙市望城区为研究区域，对其遥感影像进行辐射校正、大气校正、融合、裁剪等预处理后，采用目视解译选取具有代表性的土地利用分类训练样本，分别采取平行六面体法、马氏距离法、最大似然法、最小距离法、神经网络法和支持向量机等监督分类方法对研究区域进行分类，并对分类结果进行对比分析。
机器学习的四大类分析技术的主要算法包括
机器学习的四大类分析技术的主要算法包括机器学习是一项融合数学、统计学和计算机科学理论的信息处理技术，它允许计算机系统从它经历的历史记录学习，而不是由程序员给它明确的指令，实现准确的预测和决策。
它是一种自动模式识别技术，它可以通过观察现有数据、学习其特点，并基于此来做出未来的预测或决策。
机器学习分为四大类：监督学习、非监督学习、强化学习和概率图模型。
每种学习都有自己特有的特点，同时也有许多不同的算法，用于解决特定的问题。
下面就来阐述这四种机器学习分析技术的主要算法。
一、监督学习：监督学习是一种分类和回归的机器学习技术，它根据我们提供的标准输入数据，学习机器去做分类或者是回归，针对特定的给定输入，输出一组特定的分类或回归结果。
监督学习有许多种不同的算法，其中最常用的是决策树算法，基于熵理论的分类算法如朴素贝叶斯分类器、SVM，还有非线性回归模型如EM算法等。
二、非监督学习：非监督学习是一种从原始数据中发现规律和关联的方法。
它不需要指定任何可能的结果，只要有原始数据，就可以进行大量的处理。
它的目标是自动发掘出数据的内部规律，并利用这些规律对数据进行建模和识别。
非监督学习的算法有聚类算法、有向无环图（DAG）模型等。
三、强化学习：强化学习是一种以试错的方式来实现机器自动学习的方法，它是一种增强学习算法，它能够动态地从经验中学习，以解决一般说来更加复杂的问题。
强化学习的主要算法有Q算法、SARSA算法、TD算法、Reinforce算法和DQN算法等。
四、概率图模型：概率图模型是一种多层的机器学习模型，它利用历史的观测数据分析后形成的概率模型，来预测未来的输出。
它可以分为隐马尔可夫模型（HMM）、条件随机场（CRF）、半马尔可夫随机场（Semi-Markov Random Field）和结构化感知器（Structured Perceptron）等。
本文介绍了机器学习四大类分析技术的主要算法。
通过具体介绍了每类分析技术的算法，本文让我们更加清楚的知道机器学习的4大类分析技术的具体细节。
监督分类方法
基于光谱的影像的分类可分为监督与非监督分类，这类分类方法适合于中低分辨率的数据，根据其原理有基于传统统计分析的、基于神经网络的、基于模式识别的等。
本专题以ENVI的监督与非监督分类的实际操作为例，介绍这两种分类方法的流程和相关知识。
有以下内容组成：∙监督分类∙非监督分类∙分类后处理监督分类监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。
遥感影像的监督分类一般包括以下6个步骤，如图1所示：图1监督分类步骤1、类别定义/特征判别根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。
这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
本例是以ENVI自带Landsat tm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。
2、样本选择为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。
本例中使用ROIs方法，打开分类图像，在Display->Overlay->Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。
如图2所示，设置好颜色和类别名称（支持中文名称）。
监督分类 练习
监督分类（Supervised Classification）监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。
在监督分类过程中，首先选择可以识别或者借助于其他信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。
对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。
监督分类一般要经过以下几个步骤：建立模板（训练样本）、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。
1．建立模板（训练样本、定义分类模板Define Signatures）ERDAS IMAGINE的监督分类是基于分类模板（Classification Signature）来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器（Signature Editor）来负责的。
在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。
第一步：显示需要分类的图像在视窗Viewer中显示图像aaa.img第二步：打开分类模板编辑器（两种方式）①ERDAS图标面板菜单条：Main →Image Classification → Classification菜单→ Signature Editor菜单项→ Signature Editor对话框②ERDAS图标面板工具条：点击Classifier图标→Classification菜单→Signature Editor菜单项→ Signature Editor对话框从上图中可以看到分类模板编辑器由菜单条、工具条和分类模板属性表（CellArray）三大部分组成。
第三步：调整分类属性字段Signature Editor对话框中的分类属性表中有很多字段，分类名称（将带入分类图像）分类颜色（将带入分类图像）分类代码（只能用正整数）分类过程中的判断顺序分类样区中的像元个数分类可能性权重（用于分类判断）不同字段对于建立分类模板的作用或意义是不同的，为了突出作用比较大的字段，需要进行必要的调整。
第三节 监督分类法
1.训练区的选取应与研究区的特点和分类系统相适应；2.同类样本 -- 均质（检查其直方图）3.保证一定总数量。
4.典型性和代表性5.时间和空间一致性2）提取统计信息（1）对已知训练区土地类型的光谱特征数据进行多元统计分析，计算其基本统计值------ 如最大值、最小值、均值、方差、协方差矩阵、相关矩阵等；（2）评价样本的有效性，即各类别训练样本的分布、离散度和相关性-----图表显示（均值图、直方图、散度图）和统计测量样本间离散度定量计算。
（3）样本纯化，以选择最有效的样本与谱段，保证后续分类的可靠性。
ENVI 提供了一个N维可视化分析器（N — Dimensional Visualizer）,通过它可对选择的训练区像元进行提纯。
若多维空间旋转时，某些像元始终聚集在一起，则为同一类别的较纯像元；若多维空间旋转时，所选像元分成了两个部分或散得较开，则说明选择的训练样本不纯，需把此训练区像元重新处理。
3)选择合适的监督分类算法平行算法---根据训练样本的亮度值范围（最大值、最小值）形成一个多维数据空间。
其他像元的光谱值如果落在训练样本的亮度值所对应的区域，就被划分到其对应的类别中。
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。
最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
多级切割法--- 根据设定在各轴上的值域分割多维特征空间的分类方法。
通过选取训练区，详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。
对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。
图8 多级切割法示意图最大似然法--- 是根据训练样本的均值和方差来评价其他像元和训练类别之间的相似性（即考虑到各类别在不同波段上的内部方差，以及不同类别其直方图重叠部分的频率分布），是一种广泛应用的分类器。
- 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)。
监督分类中常用的具体分类方法包括：最小距离分类法（minimum distance classifier）：最小距离分类法是用特征空间中的距离作为像元分类依据的。
最小距离分类包括最小距离判别法和最近邻域分类法。
最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。
最近邻域分类法是上述方法在多波段遥感图像分类的推广。
在多波段遥感图像分类中，每一类别具有多个统计特征量。
最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。
最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
多级切割分类法（multi-level slice classifier）：是根据设定在各轴上值域分割多维特征空间的分类方法。
通过分割得到的多维长方体对应各分类类别。
经过反复对定义的这些长方体的值域进行内外判断而完成各象元的分类。
这种方法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。
多级切割分类法要求训练区样本选择必须覆盖所有的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。
多级分割法分类便于直观理解如何分割特征空间，以及待分类像元如何与分类类别相对应。
由于分类中不需要复杂的计算，与其它监督分类方法比较，具有速度快的特点。
但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。
因此运用多级分割法分类前，需要先进行主成分分析，或采用其它方法对各轴进行相互独立的正交变换，然后进行多级分割。
最大似然分类法(maximum likelihood classifier)：最大似然分类法是经常使用的监督分类方法之一，它是通过求出每个像元对于各类别归属概率（似然度）（likelihood），把该像元分到归属概率（似然度）最大的类别中去的方法。
最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。
当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然分类法。
最大似然分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分象元的归属概率（似然度）。
这里，归属概率（似然度）是指：对于待分象元x，它从属于分类类别k的（后验）概率。
设从类别k中观测到x的条件概率为P(x|k)，则归属概率Lk 可表示为如下形式的判别函数：式中P(k)为类别k的先验概率，它可以通过训练区来决定。
此外，由于上式中分母和类别无关，在类别间比较的时候可以忽略。
最大似然分类必须知道总体的概率密度函数P(x|k)。
由于假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布(对一些非正态分布可以通过数学方法化为正态问题来处理)，因此通常可以假设总体的概率密率函数为多维正态分布，通过训练区，按最大似然度测定其平均值及方差、协方差。
此时，像元X归为类别k的归属概率Lk表示如下（这里省略了和类别无关的数据项）。
(6-9)式中：n:特征空间的维数；P(k)：类别k的先验概率；Lk(x)：像元X归并到类别k的归属概率；X：像元向量；μk 类别k的平均向量(n维列向量)；det：矩阵A的行列式∑k：类别k的方差、协方差矩(n×n矩阵).这里注意:各个类别的训练数据至少要为特征维数的2到3倍以上这样才能测定具有较高精度的均值及方差、协方差；如果2个以上的波段相关性强，那么方差协方差矩阵的逆矩阵可能不存在，或非常不稳定，在训练样本几乎都取相同值的均质性数据组时这种情况也会出现。
此时，最好采用主成分变换，把维数压缩成仅剩下相互独立的波段，然后再求方差协方差矩阵；当总体分布不符合正态分布时，不适于采用正态分布的假设为基础的最大似然分类法。
当各类别的方差、协方差矩阵相等时，归属概率变成线性判别函数，如果类别的先验概率也相同，此时是根据欧氏距离建立的的线性判别函数，特别当协方差矩阵取为单位矩阵时，最大似然判别函数退化为采用欧氏距离建立的最小距离判别法。
监督分类流程图（Erdas环境）在专业遥感图像处理软件Erdas环境下，监督分类的流程图可以表示如下：图2-1 监督分类流程图监督分类注意事项（1）分类应从下往上，即每一地类应先细分为若干小类，然后再依需要自下而上合并成大类。
（2）每一类的训练区文件aoi与特征文件sig应该一一对应，即每一类对应的训练区和特征文件都应该保存为一个单独的文件，以方便在调整训练区的时候进行修改。
（3）精度检验后若精度不符合要求，需要重新调整训练区，再次分类，直到精度满足要求为止。
监督分类过程示例1．图2-2为某地TM遥感影像，432波段假彩色合成。
图2-2 TM影像（432波段合成）2．确定分类类别通过色调、纹理等图像特征，确定该区域分类类别为水体，植被和滩涂。
各类分类特征如表2-1所示。
表2-1 分类特征3．为每一类选择训练区及特征文件（1）AOI操作工具简介在Viewer窗口中选择“AOI”→“Tools…”，调出AOI（Area OfInterest，感兴趣区）浮动工具栏（如图2-3 AOI浮图2-3所示）。
动工具栏其中较为常用的工具按钮为：（2）特征文件操作工具简介特征文件从AOI区域中获得。
使用“Erdas” →“Classifier” →“Signature Editor”，调出特征文件编辑器，如图2-4所示。
图2-4 特征文件编辑器其中较为常用的工具为：打开一个特征文件。
新建一个特征文件/打开新的特征文件编辑器。
添加选中的AOI的特征到特征文件中。
使用选中的AOI特征替换当前特征。
合并选中的特征文件中的特征到一个特征。
一般建立特征文件的步骤是，在Viewer窗口中使用AOI工具勾画感兴趣区，使用把该AOI区域中的特征添加到特征文件中。
也可以选中多个AOI批量添加到特征文件中。
（2）为各类别建立训练区文件和特征文件。
把遥感影像放大到像元级，选择矩形AOI选择工具，根据建图2-5图2-6立的判读标识，在遥感影像上选择AOI区域，然后使用依次添加特征到特征文件中。
（注：作为示例，本例选择3个AOI区域，且没有细分小类。
）选择完成的AOI区域和特征文件如图2-5和图2-6所示。
分别保存为“水体.aoi”和“水体.sig”。
在Viewer窗口中使用去除已经保存完毕的AOI图层，重新选择其他类别的训练区，并建立新的特征文件。
分别保存为“植被.aoi”和“植被.sig”；“滩涂.aoi”和“滩涂.sig”。
（3）合并特征文件在各个类别的特征文件建立完毕后，需要合并成为一个总体特征文件。
新建一个特征文件编辑器，选择打开保存的“水体.sig”文件。
注意选择“Append”（添加）把特征文件添加进来，而非“Replace”（替换）。
如图2-7所示。
图2-7 添加特征文件把水体特征文件添加进来之后，全部选中所有的特征，如图2-8所示。
图2-8 选中所有特征使用工具，把选中的水体的所有特征合并为一个总体的水体特征，右单击“Class#”列表，选择“Delete Selection”删除原有特征如图2-9所示。
图2-9 删除原有特征重命名总体水体特征的“Signature Name”为“水体”。
如图2-10所示。
图2-10 总体水体特征如此添加其他两类进入，并合并成各自的总体特征，分别命名为“植被”、“滩涂”。
并更改Value值为1，2，3，并另存为（Save As）“结果特征文件.sig”如图2-11所示。
图2-11 结果特征文件（4）分类选择“Erdas” →“Classifier” →“Supervised Classification”，在分类设置对话框中如图2-12设置。
图2-12 监督分类设置在该对话框中，使用输入待分类的图像“”、分类特征文件“结果特征文件.sig”并指定分类结果的保存路径及名称，如“分类结果.img”。
分类方法选择“Maximum Likelihood”（最大似然），其余可以默认。
点击“OK”，系统将对原始影像依据指定的特征文件进行分类。
运算完毕界面如图2-13示。
图2-13 运算完成（5）分类结果分类的结果如图2-14所示。
图2-14 分类结果为了更好的表达分类结果，可以使用Viewer窗口中的“Raster” →“Attributes”，更改“水体”和“植被”的显示颜色为蓝色（RGB为0 0 1）和绿色（RGB为0 1 0），如图2-15示。
图2-15 调整颜色调整颜色后的分类结果如图2-16所示。
精度检验①同时打开原始影像和分类结果图，在任一幅图中单击右键，在弹出的菜单中选择“Geo. Link/Unlink”，然后在另一幅图中单击左键，关联两幅影像。
②使用“Erdas”→“Classifier”→“Accuracy Assessment…”，调出精度检验设置窗口。
图2-17 精度检验窗口③使用该窗口中“File”→“Open”，打开原始影像“”，调入内存。
④使用“View” →“Select Viewer”，选择已经打开的分类图，用以显示将要读取的点位信息。
⑤读入GPS测量的点。
格式为标准的txt文本。
文件格式化为3列，第一列存储x坐标，第二列存储y坐标，第三列存储类别代码（即分类时指定的Value值）。
如本例中存储的GPS点文件如表2-3所示表2-3 GPS点位22文件中存储的坐标投影应与影像投影完全一致，如本例中影像投影为UTM/Clark1866 N50。
使用“Edit”→“Import User-defined Points”，读入GPS点位文件。
选项如图2-18所示。
图2-18 导入选项读取的结果如图2-19所示。
图2-19 导入结果⑥输入各点位分类类别使用“Viewer” →“Show All”，把读入的GPS点位在分类图中全部显示出来，逐一对照，在Reference列中输入分类影像的类别代码图2-20。
图2-20 输入代码⑦精度检验使用“Report” →“Accuracy report”，分析分类精度情况图2-21。
图2-21 精度检验结果若精度符合要求，则接受分类结果，若不符合要求，则重新分类。