遥感图像的分类
如何进行遥感图像的分类和变化检测
如何进行遥感图像的分类和变化检测遥感图像的分类和变化检测是遥感技术应用的重要方向之一。
随着遥感技术的不断发展，遥感图像在资源调查、环境监测、农业发展等领域有着广泛的应用。
本文将从遥感图像分类和遥感图像变化检测两个方面，介绍如何进行遥感图像的分类和变化检测。
一、遥感图像的分类遥感图像的分类是将遥感图像中的像素按照一定规则划分成不同的类别，以达到对图像内容的理解和分析的目的。
遥感图像的分类方法有多种，常用的有基于像素的分类方法和基于目标的分类方法。
基于像素的分类方法主要是根据像素的强度、颜色和纹理等特征，将图像中的像素划分到相应的类别中。
常用的像素分类方法有最大似然法、支持向量机、随机森林等。
这些方法通过对遥感图像的像素进行统计分析和模式识别，可以有效地实现图像的分类。
基于目标的分类方法是以目标为单位进行分类，将图像中的目标分割并划分到相应的类别中。
常用的目标分类方法有基于规则的分类方法和基于特征的分类方法。
基于规则的分类方法通过设定一些先验规则，如形状、大小、颜色等，对目标进行划分。
而基于特征的分类方法则是通过提取目标的形状、纹理、光谱等特征，利用各种分类算法进行识别和分类。
二、遥感图像的变化检测遥感图像的变化检测是指通过对不同时间或不同传感器获取的遥感图像进行比较和分析，确定图像中发生了变化的区域和程度。
遥感图像的变化检测对资源环境的监测、城市规划和自然灾害等方面具有重要的应用价值。
遥感图像的变化检测方法有多种，常用的有像差法、差异指数法、纹理分析法等。
像差法是通过计算不同时间或不同传感器获取的图像的像素值之差，来确定图像中的变化区域。
差异指数法是通过计算像素的差异指数，来判断图像中是否发生了变化。
纹理分析法是通过提取图像的纹理特征，来检测和分析图像中的变化。
在进行遥感图像的变化检测时，还需要考虑遥感图像的配准和辐射校正问题。
配准是指将不同时间或不同传感器获取的图像进行几何校正，以使它们具有相同的位置和方向。
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。
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。
答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。
主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、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。
通常使用马氏距离、欧氏距离、计程距离这三种判别函数。
主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。
主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。
非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。
可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。
主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
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
如何进行遥感图像的分类与解译
如何进行遥感图像的分类与解译遥感图像是指通过遥感技术获取的地球表面的图像数据。
遥感图像可以包含丰富的地理信息，因此，对遥感图像进行分类与解译是十分重要的，可以帮助我们了解地表覆盖类型、监测环境变化、进行资源调查等。
本文将为读者介绍如何进行遥感图像的分类与解译的基本方法和技巧。
一、遥感图像分类的基本原理遥感图像分类是将图像像素按照其地物类型进行分组，划分为不同的类别。
其基本原理是利用图像的光谱、空间和纹理信息来识别不同的地物类型。
常用的方法包括：像元级分类、目标级分类和语义级分类。
1. 像元级分类像元级分类是将每个像元按照其光谱反射率或辐射率的数值来进行分类。
通过分析图像的光谱特征，将每个像元划分到预定义的类别中。
常用的方法有最大似然分类法、支持向量机和人工神经网络等。
像元级分类主要适用于地物类型相对单一的图像。
2. 目标级分类目标级分类是将图像中的连续像元聚合成具有一定空间形态和特征的地物对象。
通过分析图像的空间关系和纹理特征，将相邻的像元组合为目标，并进行分类。
常用的方法有阈值分割法、区域生长法和聚类法等。
目标级分类适用于地物类型复杂、边界模糊的图像。
3. 语义级分类语义级分类是将图像中的地物类型与具体的语义信息关联起来进行分类。
通过结合地理数据和专业知识，将图像中的地物类型与现实世界中的物体和场景相匹配。
常用的方法有基于规则的分类和知识驱动的分类等。
语义级分类适用于需要更精细、更准确的地物分类任务。
二、遥感图像分类与解译的步骤进行遥感图像分类与解译时，一般需要以下步骤：1. 数据准备首先需要获得高质量的遥感图像数据。
可以通过卫星、航空摄影等方式获取高空分辨率的图像。
同时，还需进行辐射校正、几何校正等数据预处理，以保证数据的质量和准确性。
2. 特征提取根据特定的分类任务，选择合适的特征提取方法。
可以利用图像的光谱、纹理、形态学等特征来描述地物类型。
常用的特征提取方法有主成分分析、小波变换和纹理特征提取等。
遥感图像的分类与特征提取方法
遥感图像的分类与特征提取方法遥感图像处理是一项重要的技术，可以帮助我们更好地理解和利用地球表面的信息。
其中，遥感图像的分类与特征提取方法是关键的研究方向。
本文将探讨这一主题，介绍常见的分类和特征提取方法，并讨论各种方法的优劣以及适用场景。
一、常见的遥感图像分类方法遥感图像的分类是将图像像素按照其代表的地物类别进行划分和识别。
常见的分类方法包括像素级分类、对象级分类和混合分类。
1. 像素级分类：像素级分类是将图像中的每个像素点都进行分类。
该方法适用于较小的地物或者需要保留细节信息的需求场景。
常见的像素级分类方法包括支持向量机（SVM）、最大似然分类和随机森林分类等。
2. 对象级分类：对象级分类是将图像中的连续区域作为分类单元，对整个区域进行分类。
这种方法可以更好地利用图像中的上下文信息，提高分类精度。
常见的对象级分类方法有基于区域的卷积神经网络（RCNN）、基于区域的卷积神经网络（R-CNN）和卷积神经网络（CNN）等。
3. 混合分类：混合分类方法是将像素级分类和对象级分类相结合，综合利用两者的优点。
例如，可以先进行像素级分类得到初步分类结果，再通过对象级分类对初步结果进行修正和细化。
这种方法可以在保留细节信息的同时，提高分类的准确性和鲁棒性。
二、常见的遥感图像特征提取方法特征提取是遥感图像分类的关键环节，通过提取图像中的特征信息，可以更好地描述和区分不同地物类别。
常见的特征提取方法包括光谱特征提取、纹理特征提取和形状特征提取等。
1. 光谱特征提取：光谱特征是指通过对图像中每个像素点的光谱反射率进行分析和处理，提取出的表示不同地物的特征。
常见的光谱特征提取方法有主成分分析（PCA）、线性判别分析（LDA）和维度约简等。
2. 纹理特征提取：纹理特征是指图像中不同地物的纹理差异。
通过对图像的纹理进行分析和提取，可以更好地区分不同地物。
常见的纹理特征提取方法有灰度共生矩阵（GLCM）、局部二值模式（LBP）和方向梯度直方图（HOG）等。
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
如何进行遥感图像的分类和特征提取
如何进行遥感图像的分类和特征提取遥感图像是指通过遥感技术获取到的地球表面的图像，这些图像具有广阔的覆盖范围和高空间分辨率的特点。
遥感图像的分类和特征提取是遥感技术中的重要任务，对于地理信息系统、环境监测、农业、城市规划等领域具有重要的应用价值。
一、遥感图像的分类遥感图像的分类是指将遥感图像中的目标或地物按照一定的规则和标准进行分类和分割的过程。
分类的目的是将图像中的像素或物体划分到不同的类别中，以便进行后续的分析和应用。
遥感图像的分类主要分为无监督分类和监督分类两种方法。
无监督分类是一种基于统计学原理的分类方法，它通过对图像中的像素进行聚类分析，将相似的像素划分到同一类别中。
无监督分类不需要事先提供训练样本，但需要人工对分类结果进行验证和调整，以保证分类的准确性。
监督分类是一种基于训练样本的分类方法，它需要提供事先标注好的样本集合，然后通过对样本的特征进行分析和学习，构建分类器模型，最后将模型应用到整个图像的分类中。
监督分类的准确性和鲁棒性较高，但需要大量标注样本和专业的专业知识支持。
二、遥感图像的特征提取遥感图像的特征提取是指从遥感图像中提取出有区别于其他类别的特征信息的过程。
特征提取的目的是为了能够准确地描述和区分地物或目标的特征，以便进行后续的分类、识别和分析。
遥感图像的特征提取可以基于人工设计的特征，也可以通过机器学习的方法自动学习特征。
常用的特征包括光谱特征、纹理特征、形状特征、结构特征等。
光谱特征是根据不同波段的反射率或辐射亮度来描述目标或地物的光谱响应。
通过分析目标在不同波段上的反射率差异，可以获取到目标的光谱特征，从而进行分类和分析。
纹理特征是用来描述目标或地物纹理的特征，纹理通常包括纹理方向、纹理密度、纹理粗糙度和纹理对比度等。
通过对图像进行纹理分析和特征提取，可以获取到目标的纹理特征，从而进行分类和分析。
形状特征是用来描述目标或地物的形状的特征。
形状特征可以通过目标的边界进行提取，常用的形状特征包括面积、周长、斜率、紧凑度等。
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。
遥感影像分类
1.电磁波谱
• 根据电磁波在真空中传播的波长或频率的 大小，按递增或递减顺序依次排列所构成 的图谱叫电磁波谱。 • 该波谱以频率从高到低排列（即按波长从 小（短）到大（长）排列），可以划分为γ 射线、X射线、紫外线、可见光、红外线、 无线电波。
• 波长（或频率）之所以不同，是由于产生 电磁波的波源不同。 • 无线电波是由电磁振荡发射的； • 红外辐射是由于分子的振动、转动和能级 跃迁时产生的； • 可见光与近紫外辐射是由于原子、分子中 的外层电子跃迁时产生的； • 紫外线、X射线和γ射线是由于内层电子跃 迁和原子核内状态改变时产生的；
一．遥感摄影像片的判读 二．遥感扫描影象的判读 三．微波影象的判读 四．目视解译方法与基本步骤
1.遥感摄影像片的判读
1、遥感摄影像片的种类 （1）可见光黑白全色像片 （2）黑白红外像片 （3）彩色像片 （4）彩红外像片 （5）多波段摄影像片
遥感摄影像片特点与解译标志
（1）摄影像片的特点
绝大部分为大中比例尺像片,各种人造地物的形状特征与图型结构 清晰可辨； 绝大部分采用中心投影，可以看到地物的顶部轮廓。
2.电磁波性质
• • • • ①是横波; ②在真空中以光速传播； ③满足f•λ=c和Ε=h•f； ④电磁波具有波粒二象性。 各种电磁波的本质都是完全相同的， 只是由于它们的波长（或频率）不同而具 有不同的特性，因而探测记录它们的方法 也不同。
• • • • •
遥感常用的各光谱段的主要特性如下： 紫外线：波长0.01－0.38µｍ 可见光：波长0.38－0.76µｍ 红外线：波长0.76－1000µｍ 微波：波长1mm－1m
遥感图像中目标地物的特征是地物电磁波的辐射差异 在遥感影像上的反映。
- 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)。
实验四遥感图像分类一、背景知识图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。
常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。
非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像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于分类运算，分类结果往往是各类像元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
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其它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)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。
由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。
二、实验目的理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。
能够针对不同情况，区别使用监督分类、非监督分类。
理解计算机分类的常用算法实现过程。
熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。
三、实验容（6课时）1.非监督分类（Unsupervised Classification)；2.监督分类（Supervised Classification)；3.分类精度评价（evaluate classification）；4.分类后处理（Post-Classification Process）；四、实验准备实验数据：非监督分类文件：germtm.img监督分类文件：tm_860516.img监督模板文件：tm_860516.sig五、实验步骤、方法1、非监督分类（Unsupervised Classification)ERDAS IMAGINE使用ISODATA算法(基于最小光谱距离公式)来进行非监督分类。
聚类过程始于任意聚类平均值或一个已有分类模板的平均值；聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。
ISODATA 实用程序不断重复，直到最大的循环次数己达到设定阈值或者两次聚类结果相比有达到要求百分比的像元类别已经不再发生变化停止。
(1)打开非监督分类对话框DataPrep图标/Data Preparation/Unsupervised Classification菜单项；(2)如下图输入相应参数后，OK完成非监督分类；(3)分类评价(Evaluate Classification )获得一个初步的分类结果以后，应用分类叠加检查分类精度。
1.显示原图像与分类图像在视窗中同时显示germtm.img和germs_isodat两个图像，叠加顺序为germtm.img在下，germtm_isodat.img在上。
germtm.img显示方式用红(4)、绿(5)、蓝(3)。
2.打开分类图像属性表并调整字段显示顺序最后使Histogam，Opacity，Color，Class_Names四个字段的显示顺序依次排在前，点击OK按钮(关闭Column Properties对话框)。
3.给各个类别赋相应的颜色Rarster Attribute Editor对话框(germtm_isodata的属性表：点击一个类别的Row字段从而选择该类别，右键点击该类别的Color字段(颜色显示区)，选择一种颜色。
4.不透明度设置由于分类图像覆盖在原图像上面，为了对单个类别的判别精度进行分析，首先要把其它所有类别的不透明程度(Opacity)值设为0(透明)。
而要分析的类别的透明度设为1(即不透明)，操作方法：Rarster Attribute Editor对话框(genntm_isodata的属性表)：右键点击Opacity字段的名字，打开Column Options菜单，选择Formula 菜单项：在formula对话框的formula输入框中(用鼠标点击右上数字区)输入0，点击Apply按钮(应用设置)，所有类别设置成透明的。
把要所分析类别的不透明度设置为1。
逐类别检查分析类别的分类准确性。
5.确定类别专题意义及其准确程度视窗菜单条：Utility/Flicker6.标注类别的名称和相应颜色Rarster Attribute Editor对话框(germtm_isodata的属性表)：点击该类别的Class Names字段从而进入输入状态，右键点击该类别的Color字段(颜色显示区)，选择一种合适的颜色(如水体为蓝色)。
2、监督分类ERDAS IMAGINE的监督分类基于分类模板进行，分类模板的生成、管理、评价、和编辑等功能由分类模板编辑器实现。
分类模板的生成器可以基于原始图像其特征空间图像。
(1)显示需要进行分类的图像，在视窗中显示tm_860516.img：(2)打开模板编辑器并调整显示字段Classifier图标/Classification菜单/Signature Editor菜单项，打开Signature Editor对话框：(3)对分类意义不大的字段，调整如下：Signature Editor对话框菜单条：View/Columns，打开View Signature Columns对话框：将需要显示的字段选中即可。
(4)获取分类模板信息可以分别应用AOI绘图工具、AOI扩展工具、查询光标在原始图像或特征空间图像中获取分类模板信息，实际工作中有时只需用一种。
1.应用AOI绘图工具在原始图像获取分类模板信息①打开工具箱；②在视窗中选择一块区域，绘制一个多边形AOI；③在Signature Editor对话框中，将选中的多边形AOI区域加载到Signature分类模板中；④在Signature Editor中，改变刚才加入模板的Signature Name和Color分别为分类颜色；⑤重复上述操作过程以多选择几个绿色区域AOI，并将其作为新的模板加入到Signature Editor当中，同时确定各类的名字及颜色。
⑥对同一个专题类型(如水体)采集了多个AOI并分别生成了模板，将这些模板合并，以使该分类模板具多区域的综合特性。
2.保存分类模板(5)评价分类模板(Evaluating Signatures )分类模板建立之后，就可以对其进行评价、删除、更名、与其它分类模板合并等操作。
分类模板的合并可使用户应用来自不同训练方法的分类模板进行综合复杂分类。
1.预警评价(Alarms)分类模板预警工具根据平行六面体决策规则(parallelepiped division rule)将那些原属于或估计属于某一类别的像元在图像视窗中加亮显示，以示警报。
一个报警可以针对一个类别或多个类别进行。
如果没有在Signature Editor中选择类别，那么当前活动类别(Signature Editor中“>”符号旁边的类别)就被用于进行报警。
操作如下：Signature Editor对话框：View / Image Alarm，打开Signature Alarm对话框。
打开文件tm_860516.sig，对其评价。
2.可能性矩阵（误差矩阵）可能性矩阵(Contingency Matrix)评价工具是根据分类模板，分析AOI训练区的像元是否完全落在相应的类别之中。
通常都期望AOI区域的像元分到它们参于训练的类别当中，实际上，AOI中的像元对各个类都有一个权重值，AOI训练样区只是对类别模板起一个加权的作用。
Contingency Matrix工具可同时应用于多个类别，如果你没有在Signature Editor中确定选择集，则所有的模板类别都将被应用。
可能性矩阵的输出结果是一个百分比矩阵，它说明每个AOI训练区中有多少个像元分别属于相应的类别。
操作如下：在Signature Editor对话框：在Signature Editor中选择所有类别，菜单：Evaluation / Contingency，打开参数设置窗口：OK后，显示评价结果：(6)执行监督分类(Perform Supervised Classification)在Supervised Classification对话框中，需要确定下列参数:∙确定输入原始文件(Input Raster File ):tm_860516.img∙定义输出分类文件(Classified File):tm_superclass.img∙确定分类模板文件(Input Signature File):tm_860516.sig∙选择输出分类距离文件:Distance File(用于分类结果进行阈值处理)∙定义分类距离文件(Filename):tm_distance.img∙选择非参数规则(Non-Parametric Rule ):Feature Space∙选择叠加规则(Overlay Rule ):Parametric Rule∙选择未分类规则(Unclassified Rule ):Parametric Rule∙选择参数规则(Parametric Rule ):Maximum Likelihood∙不选择Ciassify zeros(分类过程中是否包括0值)OK(执行监督分类，关闭Supervised Classification对话框)3、分类结果评价(evaluate classification)执行了监督分类之后，需要对分类效果进行评价，如果误差超出允许围，要重新分类，直到满意为止。
ERDAS系统提供了多种分类评价方法，包括分类叠加(classification overlay)、定义阈值(thresholding)、精度评估(accuracy assessment)等。
1.分类叠加(classification overlay)将分类图叠加于原始图像之上，通过调节显示方式，目视检查精度。