专题三：遥感图像分类

变量(Variables )及常用表达
The variables in ENVI's decision tree classifier refer to a band of data or to a special function that acts on the data. {variable name} bx

______参考help文档
常用变量





{slope} - slope calculated from a DEM file {aspect} - aspect calculated from a DEM file {ndvi} - NDVI calculated from file, if the sensor type is set in the header, the bands used to calculate the NDVI are automatically found, if ENVI does not know which bands to use, it will prompt you to enter the band numbers {tascap[n]} - tasseled cap transform - the subscript, n, points to which tasseled cap result to use in the expression, for example, for TM data, {tascap[2]} will use the greenness band {pc[n]} - principal components - the subscript, n, points to which PC band to use
训练区（ROI &AOI）：抽样调查 ROI类型 点 线 面 ROI选择 具有代表性和光谱特征比较均一的地段，实地调查

二、图像分类方法
2、监督分类
（1）、最小距离分类法
Step 2 – for each unclassified pixel, calculate the distance to average for each training area
图象预处理
几何校正，裁剪，
选择分类方法 特征选择和提取 选择合适的分类参数 进行分类 分类后处理 成果输出
监督、非监督、决策、其他
Fra Baidu bibliotek
训练样区的选择
分类数目，迭代次数，阈值范围
提高分类精度，转换为矢量
遥感数字图像计算机分类基本过程
特征选取
特征（变量）是分类的依据 对图象而言，特征是图象波段值和其他处理后的 信息。 分类的重要依据是特征变量 像素值是原始特征变量

Parallelepiped Minimum Distance,(最小距离) Mahalanobis Distance, Maximum Likelihood, (最大似然法) Spectral Angle Mapper, Binary
2、监督分类 前提：已知遥感图像上样本区内地物的类别， 该样本区又称为训练区。 过程： （1）确定判别准则，计算判别函数——训练 （2）将未知类别的样本值代入判别函数 ，判定类别。 利用已知类别样本的特征值求解判别函数的 过程称为学习或训练。

非监督分类＿光谱类 监督分类＿地物类

监督分类
通过对工作地区图象的目视判读，实地勘察 或结合GIS，我们可以得到部分地物的分类信息 ，利用已知地物的信息对未知地物进行分类的方 法称为监督分类。
Supervised Classification
selecting training areas, also known as regions of interest (ROIs).
2、监督分类
（2）最大似然分类法
是基于贝叶斯准则的分类错误概率最小的一种非线性 分类，是应用比较广泛、比较成熟的一种监督分类方法。 基于原理是假设每个波段数据都为正态分布 点群：位置、形状、密集程度 多维正态分布：三维“钟”型立方体，概率密度函数
最大似然法（Maximum Likelihood，ML）是一 种具有理论性的点估计法，此方法的基本思想是： 当从模型总体随机抽取n组样本观测值后，最合理 的参数估计量应该使得从模型中抽取该n组样本观 测值的概率最大，而不是像最小二乘估计法旨在得 到使得模型能最好地拟合样本数据的参数估计量。 http://baike.baidu.com/view/1918804.htm http://wiki.mbalib.com/wiki/%E6%9C%80 %E5%A4%A7%E4%BC%BC%E7%84%B6 %E4%BC%B0%E8%AE%A1%E6%B3%95
1）K-Means (K值) 迭代计算
算法的准则是使每一分类中，像素点到该类 别中心的距离的平方和最小。基本思想，通过迭 代，逐次移动各类的中心，直到满足收敛条件为 止。 最小距离法 参数:
实例计算：

假定4个像素A，B，C，D的两个波段B1和B2
波段 像素
B1 5 -1 1 -3
B2 3 1 -2 -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 使用距离衡量相似度。 采用距离衡量相似度时，距离越小相似度越大。

距离判别函数及判断准则：类中距＜类间距
绝对距离 欧式距离 马氏距离：方差

遥感数字图像计算机分类基本过程 1. 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。 2. 根据研究区域，收集与分析地面参考信息与有关数据。 3. 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。 4. 找出代表这些类别的统计特征 5. 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。 6. 对遥感图像中各像素进行分类。 7. 分类精度检查。 8. 对判别分析的结果进行统计检验。

二、图像分类方法
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。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。

决策树的基本模式
each decision divides the data into one of two possible classes.
ENVI Decision Tree Text File
begin node name = "ndvi>0.3" type = Decision location = 1,1 expression = "{ndvi} gt 0.3" end node
k个波段,在(i,j)位置的像素在每个波段上的灰度 值表示为X=(x1,x2,…xk)T 包含X的K维空间称为特征空间 模式、样本、样本的观测值



以两个波段的遥感图象为例来说明 点簇 假设图象只包含两类地物，记为A和B 判断函数和相应的判别准则(算法核心)

b1 A
B
b2
２分类方法

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 归属概率最大的类别中去的方法。 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。
思考题：
利用最大似然估计算法说明监督分类的步骤？ （1）根据各类的已知数据，构造各类的多维正态 分布模型（概率分布函数） （2）在此基础上，对于任何一个像素，反过来求 它属于各类的概率、最大概率对应分类的结果。
分类方法
（一） 根据分类是否需要提供已知类别及训练样本， 对分类器进行训练和监督，分为监督分类和非监督分 类。 （二）随机分类和模糊分类 （三）硬分类和软分类

监督分类
最小距离法 最大似然法 K均值法

非监督分类
动态聚类法

决策树分类

监督分类法：选择具有代表性的典型实验区或训练区， 用训练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， 并以此对未知地区的像元进行分类处理，分别归入到 已知的类别中。 非监督分类：是在没有先验类别（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（即相似度的像元归为 一类）的方法。
A B C D

K=2 随意分成两类 （AB）
B1
B2
（CD）
开始
选择k个中心
所有像元分到k个类中心
计算新的类中心
类中心不变 Y 结束
二、图像分类方法
1、非监督分类
（2）、动态聚类法

ISODATA 迭代式自组织数据分析算法 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。
非监督分类主要的过程如下：




确定初始类别参数，即确定最初类别数和类别中心（点群 中心） 计算每一个像素所对应的特征向量与各点群中心的距离 选取与中心距离最短的类别作为这一向量的所属类别 计算新的类别均值向量 比较新的类别均值与初始类别均值，如果发生了改变，则 以新的类别均值作为聚类中心，再从第2步开始进行迭代 如果点群中心不再变化，计算停止
遥感图像分类
Classification 6/29/2013
分类的目的

遥感图像分类是土地利用动态变化监测的基础。

计算机分类是对遥感图象上的地物进行属性的识 别和分类，是模拟识别技术在遥感技术领域中的 具体运用
利用计算机技术来模拟人类的识别功能

１分类原理
监督分类 非监督分类 决策树分类
…. (模糊集、神经网 络、分层聚类、 空间逐步优化)

波段组合的最佳指数方式
二、图像分类方法
根据特征与分类对象的实际情况选择适当的分类 方法 非监督分类方法简单，不需要先验知识，当光谱 与地物类别对应较好时比较适用 如果地物类别之间光谱差异很小或比较复杂时， 监督分类比较好。

二、图像分类方法介绍
1、非监督分类



自然聚类的特性进行的分类，分类结果只是区 分了存在的差异，但不能确定类别的属性，类 别的属性需要通过目似判读或实地调查后确定。 原则：同一类别的像素之间的差异尽可能的小 而不同类别中像素之间的差异尽可能的大 主要的两种方法： K值法和ISODATA（动态聚类）

ISODATA与k值法的不同点
（１）不是每调整一个样本的类别就重新计算一次，成 批样本修正 （２）自动进行类别合并和分裂，类数不定。
比较两种分类结果：
两种非监督分类方法结果比较
对于特征比较明显的地物，二者的分类结果相同 对于特征差异的地物，k值分类给出了更多的细节， 但由于异物同谱等问题，分类结果错误较多。 Isodata分类结果中错误信息少一些 因此，非监督分类需要慎重选择波段，并进行实 地检验。


练习建立多个训练区进行监督分类比较
其他分类方法——决策树
Decision Tree Classification(决策树分类)
ENVI Tutorials P121
实验数据
Envidata/decision

数据描述

Boulder_tm Boulder_dem
L5 TM DEM
目视判读
基于像素
图像分类 计算机分类
基于分割单元 （面向对象）

定义 利用不同地物的光谱特征差异（波谱曲线）， 将图像中的所有像素按照其性质分为若干个类别 的过程，称为“图像分类”。
计算机分类是对遥感图像上的地物进行属性的识 别和分类，是模拟识别技术在遥感技术领域中的 具体运用。


分类以每个像素的光谱数据为基础进行
决策树分类的原理 ENVI中决策树分类的基本操作

建立决策树 — 执行分类 — 编辑决策树（添加、使用波段索引、删除） — 保存决策树（*.txt）
—
树 逐级分类

决策树的定义
A decision tree is a type of multistage classifier that can be applied to a single image or a stack of images. It is made up of a series of binary decisions that are used to determine the correct category for each pixel. have a binary result of 0 or 1. The 0 result is sent to the "No" branch and the 1 result is sent to the "Yes" branch of the decision tree.