9 遥感影像计算机专题分类
遥感影像计算机专题分类
是否进行类别分裂
确定分裂后的中心
是否进行并类
确定并类后的中心
基准类别参数确定, 转入分类处理 图 2-7 ISO D ATA 算 法
4 分类规则进行多光谱遥感图像的分类。 决策线在 n 维光谱空间中是一个平行的管道。 管道的直径根据距离平均值的标准差 确定。如果某个像元落在某一类的平行管道的阈值范围内,则划分到该类别中。如果落 在多个类中,ENVI 则将这格像元划分到最后匹配的类别。落不到任何管道中,则标识 为未分类像元。 输入参数 Max stdev from the mean, 是距离平均值多少个标准差。 最小距离分类 计算未知像元距离各个类别均值向量的欧氏距离, 将该像元划分到距离最小的类别 中。如果没有没有确定最大的标准差和距离阈值,则所有的像元都会分类。 输入参数:Max stdev from the mean, 是距离平均值多少个标准差。 Max distance error , 距离的最大阈值
⑤分层系统采样(Stratified System Sampling) 除了聚类采样以块以外,其余 4 种方法都以像元为基本单位。 检验样本的采样方法是影响精度评价结果的重要因素。 Peng Gong(1990)在土地覆盖分类时,分别采用了①②⑤三种采样方法进 行精度评价, 得到的精度由大到小依次为: 简单随机采样 > 分层随机采样 > 分 层系统采样,这一现象是否带有普遍性,需要更多的实践检验。 Strehman(1992)指出要依据研究目标来确定采样方法。 3)混淆矩阵 采用某种采样方法得到检验数据,对比遥感分类结果图得到混淆矩阵。混淆 矩阵的形式如表。
2.3 分类的后处理
由于基于像元的图像分类结果必然出现零星的类别,一般需要进行分类的后处理。后处 理的目的是去除孤立的离散点。 1) 2) 3) 分类的后处理,进行滤波,驱除孤立离散点。 将已知训练样本和分类结果做比较, 进行分类结果的精度评价。 如果结果不满足精度要 求,分析原因,重新进行处理,直到满意为止。 生成最终分类图像,供进一步处理。
遥感导论复习资料之第九章 图像分类
24
遥感原理
(3)完成上述过程后,每个初始类别都包含了 一定的成员,据此可以计算各类中心的期望 (均值)和协方差矩阵。
25
遥感原理
方差:
协方差:
相关系数:
26
遥感原理
27
遥感原理
2.最大最小距离法 (1)取抽样集中任何一像素X1作为第一个初始类别的 中心。 (2)计算像素X1与其他各抽样点之间的距离D。取与之 距离最远的抽样点为第二个初始类别的中心。 (3)对于剩余的每个抽样点,计算它到已知各初始类别 的距离,并取其中的最小距离作为该点的代表距离。 在此基础上,在对所有各剩余点的最小距离进行相互 比较,取其中最大者,并选择与之对应的抽样点作为 一个新的初始类别中心点。 (4)重复上面步骤,直到初始类别的个数达到指定数目 为止。
36
遥感原理
B到两个类的平方距离:
结果表明,B应重新分配到类(CD)中,得 到类(BCD)
37
遥感原理
3.更新类中心坐标
38
遥感原理
4.再次检查每个像素,以决定是否需要重新分类, 计算各种平方距离,得出如下结果:
39
遥感原理
三、ISODATA方法 即迭代式自组织数据分析算法,可简称迭代法。 其与K-算法的区别: 第一,它不是每调整一个样本的类别就重新计算 一次各类样本的均值,而是把所有样本都调整 完毕之后才重新计算。前者称为这个样本修正 法,后者称为成批样本修正法。 第二,ISODATA算法不仅可以通过调整样本所 属类别完成样本的聚类分析,而且可以自动的 进行类别合并和分裂,从而得到类数比较合理 的聚类结果。
L为每次允许合并的类的对数 (14)按照l=1,2,…..L的顺序,把所对应的两个类中心合 并成一个新的类中心,并使Nc=Nc-1 在合并类的时候,如果其中至少有一个类中心已经被合 并过,则越过该项,继续进行后面的合并处理。 (15)若迭代次数大于I,或者迭代中的参数的变化在限差 以内,则迭代结束,否则转向(3)
遥感图像的计算机分类
三、图像分类中的有关问题
2、提高遥感图像分类精度受到限制
大气状况的影响:吸收、散射。 下垫面的影响:下垫面的覆盖类型和起伏状态对分类具有一 定的影响。 其他因素的影响:云朵覆盖;不同时相的光照条件不同,同 一地物的电磁辐射能量不同;地物边界的多样性。
16
3.
4. 5.
6. 7.
8.
找出代表这些类别的统计特征 为了测定总体特征,在监督分类中可选择具有代表性的训练场 地进行采样,测定其特征。在非监督分类中,可用聚类等方法 对特征相似的像素进行归类,测定其特征。 对遥感图像中各像素进行分类。 分类精度检查。 对判别分析的结果进行统计检验。
3
遥感原理
二、图像分类方法
1、监督分类
(1)、最小距离分类法
最小距离判别法
Step 2 – for each unclassified pixel, calculate the distance to average for each training area
4
遥感原理
二、图像分类方法
1、监督分类
(1)、最小距离分类法
最近邻域分类法 Nearest Neighbour
2
遥感原理
一、分类原理与基本过程
1. 2.
遥感数字图像计算机分类基本过程
根据图像分类目的选取特定区域的遥感数字图像,需考虑图像的空间 分辨率、光谱分辨率、成像时间、图像质量等。 根据研究区域,收集与分析地面参考信息与有关数据。 根据分类要求和图像数据的特征,选择合适的图像分类方法和算法。 制定分类系统,确定分类类别。
14
遥感原理
三、图像分类中的有关问题
1、未充分利用遥感图像提供的多种信息
第9章遥感图像分类PPT课件
9.4 监督分类
➢ 最大似然比分类法(Maximum Likelihood) 通过求出每个像素对于各类别的归属概率,把该像
素分到归属概率最大的共24页
9.4 监督分类
监督分类的优缺点:
优点:
缺点:
✓ 根据应用目的和区域,有选 ✓ 主观性
择的决定分类类别,避免出 ✓ 由于图像中间类别的光谱差
现一些不必要的类别;
异,使训练样本没有很好的
✓ 可以通过检查训练样本来决
代表性;
定训练样本是否被精确分类, ✓ 训练样本的获取和评价花费 从而避免分类中的严重错误; 较多的人力时间;
✓ 分类速度快。
✓ 只能识别训练中定义的类别。
第8页/共24页
9.5 非监督分类
根据一个像素被分到一个类还是多个类,可将遥感 图像分类方法分为硬分类(hard classification)和软分类 (soft classification)。图像上的一个像素只能被分到一 个类的分类方法称为硬分类。
第2页/共24页
9.2 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。常使用距离来衡量相似度。
第14页/共24页
9.5 非监督分类
3、监督分类与非监督分类方法比较
➢ 根本区别在于是否利用训练场地来获取先验的类别知识。 ➢ 监督分类的关键是选择训练场地。训练场地要有代表性,
样本数目要能够满足分类要求。此为监督分类的不足之 处。 ➢ 非监督分类不需要更多的先验知识,据地物的光谱统计 特性进行分类,分类方法简单。当两地物类型对应的光 谱特征差异很小时,分类效果不如监督分类效果好。
第15页/共24页
9.6 专家系统分类
遥感图像解译专家系统是模式识别与人工智能技 术相结合的产物。
遥感图像的计算机分类
一、概述
分类处理与增强处理 共同点
增强和提取遥感图像中的目标信息 异同点 ✓ 增强主要是增强图像的目视效果,提高图像的可解译
性——定性 ✓ 分类着眼于地物类别的区别——定量
一、概述
遥感图像分类处理的特点 多变量
特征选择 有选择地去除多光谱图像中对分类贡献不大的波段,从 而确定分类的信息源的过程
❖ 前提 各类的分布为正态函数
❖ 依据 贝叶斯(Bayes)公式
p(i/X)p(i)pp ((X X )/i)
❖ 判别函数
g i(X ) P (X / i)P (i)
❖ 判别规则
若 P (i) P ( X /i) P (j) P ( X /j) 则 X i
式中,p(X/—i)— 似然概率 —p(—i )先验概率 p(—i /—X)后验概率 ——p(X )出现的概率
原始图像的预处理 训练区的选择
特征选择和特征提取 分类
检验结果 结果输出
三、计算机分类处理的一般过程
➢ 原始图像的预处理
对观测数据作成像处理,以及图像的几何校正、辐射校 正、量化、采样、预滤波、去噪声等处理,以便获得一 幅比较清晰、对比度强、位置准确的图像提高分类精度
三、计算机分类处理的一般过程
➢ 训练区的选择
❖ 要求 普遍性、代表性
❖ 方法 实地调查 借助地图、航片或其他专题资料 非监督分类
平原水田
水
景观相片
田
遥感影像
丘陵水田
山区水田
平原旱地
旱地
景观相片
遥感影像
丘陵旱地
山区旱地
有林地
林地
景观相片
遥感影像
灌木林地 疏林地
高覆盖度草地
草地
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
一定的范围,类别中心间的距离在阈值以上,类别内的方差的最
大值为阈值以下时,可以看做动态聚类的结束。当不满足动态聚 类的结束条件时,就要通过类别的合并及分离,调整类别的数目
和中心间的距离等,然后返回到上一步,重复进行组合的过程。
42
ISODATA分类计算框图
43
动态聚类法中有类别的合并或分裂,这说明迭代过程中类别总数
Band 1 Var1 Cov12 Cov13
Band 2 Cov21 Var2 Cov23
Band 3 Cov31 Cov32 Var3
26
1. 最短距离分类器(Classifier)
基本思想:计算待分像元的光谱 特征向量X到每一类别集群之间 的谱距离(spectral distance),哪 类离它最近,该未知矢量就属于 哪类。 判别函数——谱距离
最小值=65 最大值=255 平均值=155.4 标准偏差=31.9
1500
最小值=53 最大值=246 平均值=160.1 标准偏差=36.4
1000
1000
Blue
500 0
0 50 100 150 200 250
Green 600
400 200 0
0 50 100 150 200 250
800
V=[v1, v2, …, vn]
n=图像波段总数; vj=地物图像点在第i波段图像中的亮 度值。如TM图像上任一个点有[TM1, TM2, TM3, TM4, TM5, TM6, TM7]。
14
2. 光谱特征空间及地物聚类
光谱特征空间(Spectral Feature Space):所有波段的亮度 轴构成的直角坐标空间,同类地物具有聚类(Clustering)的 效应。
遥感图象计算机专题分类
N X X
2 i a 统计系数
遥感图象计算机专题分类(下)
1 神经网络分类方法 2 光谱分类方法 3 分类方法的改进 4 软件实习
1 神经网络分类
1.1 概念 1.2 神经网络结构 1.3 输入参数 1.4 神经网络的优缺点
2.1 二值编码分类
对已知地物类别,根据其光谱曲线进行2值编码(0或者1) 编码方法:各个波段的灰度值(反射率)和平均值作比较, 大于生成0或者1 对于待判定的像元光谱曲线进行2值编码 使用异或方法进行待判像元光谱和已知光谱匹配。(异或 操作用于检查两个数是否有差别,有则为1,无则为0) 将待分类的像元分到波段数目相似性最多的类别中。 匹配的最小阈值(百分比) 举例:
2.1 二值编码分类(续1)
待判像元1 和植被的运算结果:000000,6个波段匹配(100%)
待判像元1 和土壤的运算结果:001001,4个波段匹配(67%), 所以待判像元1属于植被。 判断像元2
2.2 光谱角分类方法
每个样本看作是一个n维空间内的一个向量,第i个向量和 第j个向量之间的存在一个夹角,定义交角的余弦作为两个 向量之间的相似性度量。
学习率=0.1
分类过程
1.4 神经网络方法的优缺点
神经网络方法没有对数据分布特征的任 何假设前提。它不考虑数据是正态分布或是不连
续分布,可以在特征空间上形成任意边界的决策线, 并能够在每次的迭代过程中动态调节决策区域,显示 了统计方法的强大的稳定性和优越性。神经网络的监 督分类和标准的统计监督分类非常相似。主要区别在 于训练和分类在实现上的细节上。神经网络的训练过 程和 MML 计算均值和方差相类似。所不同的是 MML 的均值和方差只计算一次,而神经网络采用迭代算法, 直到计算结果和实际结果的差异满足要求。
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。
测绘技术中的遥感影像分类算法介绍
測繪技術中的遙感影像分類算法介绍遥感影像分析作为一种重要的测绘技术,广泛应用于地质勘探、环境监测、农业发展等领域。
而遥感影像的分类算法则是遥感影像处理中的核心环节之一。
本文将介绍几种常见的遥感影像分类算法,并探讨其在实际应用中的优缺点。
一、最大似然法最大似然法是遥感影像分类中最常用的一种算法。
其原理是通过分析影像中像素值的分布特征,将图像分割为不同的类别。
这种方法主要依赖于对样本的统计分析,通过计算每个像素属于每个类别的概率值,再根据最大似然的原理进行判别。
最大似然法的优点在于简单易用,适用于不同类型的遥感影像。
然而,由于该方法忽略了像素之间的空间关系,容易将相似的地物分类为不同的类别。
此外,样本的选取和像元的纹理信息对结果也有较大影响。
二、支持向量机支持向量机是一种基于统计学习理论的分类方法。
其主要思想是通过寻找一个最优的超平面,将不同类别的样本向量分隔开。
该方法通过将高维特征空间映射到一个更高维的空间中,从而找到最优分类面。
支持向量机的优点在于可以有效地解决高维特征空间的分类问题,且对样本分布的情况要求相对较低。
然而,该方法对参数的选择较为敏感,需要合理的调参才能取得较好的分类效果。
三、人工神经网络人工神经网络是一种模拟人脑神经元结构和信号传递机制的计算模型。
在遥感影像分类中,人工神经网络通过训练样本来调整网络的权值和阈值,从而实现图像的自动分类。
人工神经网络的优点在于可以进行非线性分类,对于复杂的地物分类问题具有较好的适应性。
然而,该方法的训练过程相对较慢,且对初始参数的选取要求较高。
四、决策树决策树是一种利用树形结构进行分类的方法。
其通过选择合适的特征进行划分,并构建一个由节点和分支组成的树状结构来实现分类。
决策树的优点在于计算简单,结果易于解释。
同时,决策树可以适应多种类型的数据,并且对特征的缺失值具有较好的容忍度。
然而,决策树容易过拟合和欠拟合,需要进行剪枝等操作来提高分类的准确性。
- 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)。
可从遥感图像中提取的信息分为6类:
⑥空间信息
平面位置和高程
1.2 遥感影像专题分类
遥感专题分类
是以区别图像中所含多个目标为目的,对每个像元或者比较匀质的 像元组给出对应其特征的名称。这些名称为分类的类别,多个特征矢量 定义的空间为特征空间。
2.2 ISODATA (续1)
输入参数: 最大和最小类别数目,因为算法进行自动的类别分裂和合并, 所以不能确定类别的具体数目。 最大迭代次数和每类中像元数量的变化,其中一项满足,则 分类结束。 如果某一类别中的像元数目不满足 Minimum # pixel in class,则删除该类别,像元归并到最近的一类中。 如果某一类的标准差大于Minimum class stdv,则该类别 需要分裂成两个类别。 如果某个类别的平均距离小于Maximum class distance, 则该两个类别合并成一类。 Maximum # merge class 定义最多合并多少类别。 Maximum stdev from mean; Maximum distance error.
概念:以区别图象中所含 的多个目标物为目的,对 每个像元或者比较均匀的 像元组给出对应其特征的 名称。 特征名称一般称类别,例 如土地利用/覆盖中的 居 民地、水域、园地、林地、 耕地等。 参与分类的多个特征量 (向量)所定义的空间, 称为特征空间,例如2个 波段定义的2维特征空间, 3个波段定义的3维特征空 间等。
• 遥感图像的光谱特征通常是以地物在多光谱图像上的 亮度体现出来的,
不同的地物在同一波段图像上表现的亮度一般互不相同; 不同的地物在多个波段图像上亮度的呈现规律也不同,这就构 成了我们在图像上赖以区分不同地物的物理依据。
• 同名地物点在不同波段图像中亮度的观测量将构成一 个多维的随机向量(X),称为光谱特征向量。 X= [x1,x2,…xi,…,xn]T Xi :地物图像点在第i波段图像中的亮度值
训练区选择
对训练样区的要求:准确性、 代表性和统计性。
• 准确性:要确保选择的样区与 实际地物一致; • 代表性:所选样区为某一地物 的代表,还要考虑到地物本身 的复杂性,反映同类地物光谱 特性的波动情况; • 统计性:指选择的训练样区内 必须有足够多的像元,以保证 由此计算出的类别参数符合统 计规律。
3 监督分类
3.1 3.2 3.3 3.4 3.5 3.6 3.7 平行管道分类 最小距离分类 最大似然分类 马氏距离分类 二值编码分类 光谱角分类 神经网络分类方法(下节课)
3.1 平行管道分类
① 使用简单的分类规则进行多光谱遥感图像的分类。 ② 决策线在n维光谱空间中是一个平行的管道。 ③ 管道的直径根据距离平均值的标准差确定。 ④ 如果某个像元落在某一类的平行管道的阈值范围内, 则划分到该类别中。 ⑤ 如果落在多个类中,ENVI则将这格像元划分到最 后匹配的类别。 ⑥ 落不到任何管道中,则标识为未分类像元。
n:图像波段总数
1.4 计算机图象分类(续2)
目视解译和计算机图象分类的对比
特征点集群在特征空间中的分布
理想情况——不同类别地特的集群 至少在一个特征子空间中的投影是 完全可以相互区分开的。 典型情况——不同类别地物的集群, 在任一子空间中都有相互重叠的现 象存在,但在总的特征空间中可以 完全区分的。
遥感专题分类的方法主要有人工目视解译和计算机自动分类。
目视解译是计算机自动分类的基础。
1.3 人工目视解译
目视解译的主要方法
1) 直接判定法 解译人员根据遥感图像上可以用肉眼直接观测到的标志如色调、形状、 阴影、纹理结构、大小、位置、相关布局等建立“模式图像” 或称做直接 解译标志,来确定地物的存在和属性,比如河流、房屋,铁路等都可以直接 判定。
N为第i特征的特征值总个数 表示第i 特征第k个特征值
像元与像元的相关系数:
像元与像元的相似系数:
欧式距离:
绝对距离:
马氏距离: X到类重心 之间的加权距离,其权系数为多维方差 或协方差.
混合距离:
特征变换和特征选择
特征变换: 特征选择:用最少的影像数据最好地进行分类。 这样就需在这些特征影像中,选择一组最佳的特 征影像进行分类,这就称为特征选择。
3.2 最小距离分类(续1)
3.3 最大似然分类
假设条件:数据符合多维正态分布。如果不符合,分类的 精度将会受到影响。 计算每个像元属于各个类别的似然度(likelihood),该像 元分到似然度最大的类别中。 似然度是像元数据矢量X 属于类别w 的后验概率。 如果类别w中X的条件概率为P(X /w), 则似然度 Lk的计 算公式为:
分类时,逐个像元进行计算,对每一类进行计算,
3.3 最大似然分类(续1)
3.3 最大似然分类(续2)
3.4 马氏距离分类
di ( xi M i ) ( ) ( xk Mi )
• 这时可采用特征变换使之变成理想情 况进行分类。
一般情况——无论在总的特征空间 中,还是在任一子空间中,不同类 别的集群之间总是存在重叠现象。 这时重叠部分的特征点所对应的地 物,在分类时总会出现不同程度的 分类误差.
• 这是遥感图像中最常见的情况。
地物在特征空间的聚类通常是用特征点(或其相应的随机 矢量)分布的概率密度函数P(X)来表示的。正态分布:
2.1 K-MEANS
在数据空间内平均计算各类的均值,使用最小距离法,将未知像元划分到某一 类中,再调整均值,直到迭代次数满足,或者距离阈值满足。 STEP1: 任意选择K个聚类中心,一般选前K个样本; STEP2: 迭代,未知样本 X 分到距离最近的类中; STEP3: 根据STEP2 的结果,重新计算聚类中心; STEP4: 每一类的像元数目变化达到要求,算法结束。 影响K-均值法的因素:聚类中心数目,初始类中心的选择,样本输入的次序, 数据的几何特性等。 输入参数: Number of class: 要分成几类 Change threshold%(0-100): 如果每一类的像元数目变化小于此数值, 则迭代停止。
1 1 T exp[ ( X M ) S i i ( X M i )] 1/ 2 p/2 2 (2 ) S i
1
均值向量和协方差距阵使用训练区的均值向量和协方差距 阵作为估计值 P:参加分类的特征数,即波段个数 实际使用的判别函数:
1 1 1 g ( X ) ln( P(i )) ln Si ( X M i )T Si ( X M i ) 2 2
•遥感专题分类属于模式识别的范畴。
•模式识别的主要方法有统计模式识别、句法模式识别、模糊识 别和智能模式识别。智能模式识别又分为人工神经网络和逻辑 推理系统。除句法模式识别主要应用于文字、符号、语言的识 别外,其他三种方法在遥感专题分类都有不同程度的使用,其 中统计模式识别方法应用最为普遍。
这些方法在遥感图像专题分类中经常采用两种方案:
输入参数 Max stdev from the mean, 是距离平均值多少个标准差。
3.1 平行管道分类(续1)
3.2 最小距离分类
计算未知像元距离各个类别均值向量的欧 氏距离,将该像元划分到距离最小的类别 中。如果没有没有确定最大的标准差和距 离阈值,则所有的像元都会分类。 输入参数:Max stdev from the mean, 是距离平均值多少个标准差。 Max distance error , 距离的最大阈值 如果两个参数都输入了,ENVI 使用其中小 的作为最终的判别标准。
所关心的类别总数
协方差矩阵
类的先验概率
类间散布矩阵Sb 对于m类别情况,总 的类间散布矩阵可以写成各类别类间散布矩阵的先验概率
类间散布矩阵表示了不同类别间相互散布的程度。
是全体模式的均值向量
2 非监督分类
分类标准的确定不需要人的参与,由计算机根据自 动按照某一标准(例如距离最短)自动进行。需要 确定要分几种类别,或者类似的输入条件。分类后 的结果,还需要再给出具体的涵义。 类似的概念:聚类分析、点群分析、空间集群等。 常用的非监督分类方法: 1) K-MEANS; 2) ISODATA
Lk P(i / X ) P(i ) P( X / i ) / P(i ) ( X / i )
i
类别wi的先验概率,分类图像中类别wi出现的概率 类别wi中像元X出现的概率 不管什么类别, X出现的概率,对于各类类别来说是一个 公共因子,比较的时候不起作用。
P( X / i )
定性的方法 定量的方法
相关系数方法:
分别为类别1和类别2的均值
标准化距离法:
分别为类别1和类别2的标准偏差。
散布矩阵测度
矩阵形式来表示模式类别在特征空间中的散布情况。
1)类内散布矩阵
表示属于某一类别的模式在其均值周围的散布情况,对于 m类别情况,总的类内散布矩阵可以写成各类别类内散布 矩阵的先验概率的加权和。
2 ) 对比分析法 借助于不同时相、不同波段、地面资料进行相互补充,相互验证。
3)逻辑分析法 运用地学规律的相关分析和实际经验,进行逻辑判断。例如根据水系的 分布格局来判断岩性和地貌类型;根据植被的类型来推断土壤类型。逻辑分 析大大开拓了遥感图像所能发挥的作用。
1.4 计算机图象分类
•在自控理论、计算机科学、自动化应用以及其他一些领域基础 上发展起来的模式识别技术是用计算机来模拟人的各种识别能 力,当前主要是对视觉能力和听觉能力的模拟。 •在70年代初期,随着遥感技术和地球资源卫星的发射开始应用 于遥感图像处理方面,奠定了遥感图像分类的数学理论基础。
选定初始类别中心,Zi
输入各迭代限值参数 I, Tn , Tc , Tm 对样本象素时行聚类并统计 nI , MI , 是 Ni<Tn 否? Ni<Tn 否?