遥感图像分类
合集下载
相关主题
- 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)。
在此基础上，对于任何一个像元，通过求出每个像素 对于各类别的归属概率（对于待分像元x，从属于分 类类别k的概率），把该像素分到归属概率最大的类 别中去
利用概率判别函数与贝叶斯判别规则 进行分类
优点：
➢考虑特征空间中类别的形状、大小和定位
缺点：
➢计算量大，计算时间长 ➢假定地物光谱特征呈正态分布
距离可以有不同的具体定义
➢几何距离：欧式距离、绝对值距离 ➢统计距离：马氏距离
X到集群中心在多维空间中距离的绝对值之总和来
表示
m
dTi | X M ij |
j 1
马氏距离几何意义：X到类重心之间的加权距离， 其权系数为协方差
按人工干预的程度不同，可以分为： 监督分类法 非监督分类法
基本思想是设法计算未知矢量X到有关类别 集群之间的距离，哪类距离它最近，该未 知矢量就属于那类
距离判决函数偏重于集群分布的几何位置 距离判别规则是按最小距离判别的原则
以一个包括该集群的“盒子” 作为该集群的判别函数
判决规则为若未知矢量X落 入该“盒子”，则X分为此 类，否则再与其它盒子比较
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
在分析大数据集时比较经济 较目视解译客观 可对复杂的多波段数据及其相互关系进行
有效分析
ຫໍສະໝຸດ Baidu
光谱模式识别
空间模式识别
新方法
统计分类 结构分类 模糊分类 神经网络分类 小波分析 专家系统
根据图像数据本身的统计特征及点群的分 布情况，从纯统计学的角度对图像数据进 行类别划分
分类：通过对已知类别的训练集的分析， 用样本的特征建立一个关于类别属性准确 划分的模型，以便用来判定新的未知数据 的类别
道路R
水体W
水稻S
蔬菜V
碎石地S
田埂T
根据应用目的和区域，有选择的决定分类类 别，避免出现一些不必要的类别
可以控制训练样本的选择 可以通过检查训练样本来决定训练样本是否
被精确分类，从而避免分类中的严重错误， 分类精度高 避免了非监督分类中对光谱集群的重新归类 分类速度快
主观性
由于图像中间类别的光谱差异，使得训练 样本没有很好的代表性
事先已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
根据已知训练场地提供的样本，通过选择 特征参数，建立判别函数，然后把图像中 各个像元点归划到给定类中的分类处理
1. 确定每个类别的样区 2. 学习或训练
3. 确定判别函数和相应 的判别准则
4. 计算未知类别的像元 的函数值
统计性——选择的训练样区内必须有足够 多的像元
▪ 植被 老城区 耕地 水 新城区
建立类别的判别函数
绿
255
植
新城区
被
• •
水
•
•
0
•
老城区
耕地
255 红
255 蓝
距离判别函数和距离判别规则
◦ 最小距离分类法 ◦ 最近邻分类算法 ◦ 平行六面体分类法
概率判别函数和贝叶斯判别规则
◦ 最大似然分类法
5. 按判别准则进行像元 所属的判别
主要步骤 选择训练样本区
➢确定类别数 ➢对每类选择足够多的有代表性的样本 ➢分类前分析样本区质量
选择合适的分类算法 分类结果的精度评价
准确性——确保选择的样区与实际地物的 一致性
代表性——考虑到地物本身的复杂性，所 以必须在一定程度上反映同类地物光谱特 性的波动情况
相同地物具有相同或者相似的光谱特征（光谱相似 性）；不同地物具有不同的光谱特征（光谱差异性）
在特征空间中，依据像元 相似度的大小，归类相似 的像元，分离不相似的像 元，并给每一个像元赋类 别值的过程
分类的总目标是将图像中 所有的像元自动进行土地 覆盖类型或土地覆盖专题 的分类
原始遥感图像
对应的专题图像
这种分类法在盒子重叠区域 有错分现象，错分与比较盒 子的先后次序有关
地物类数据在特征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为正态分布， 该类的多维数据就构成了一个多维正态分布
各类的多维正态分布模型各有其分布特征
利用各类的已知数据（训练区），求出均值、方差及 协方差等特征参数，从而求出总体的概率密度函数
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
特征点集群在特征空间中的分布大 致可分为如下三种情况：
理想情况——不同 类别地物的集群至 Bj
少在一个特征子空
植被
间中的投影是完全
可以相互区分开的
Bi
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
水
以完全区分的。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
水
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
“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。
训练样本的获取和评估花费较多人力时间 只能识别训练中定义的类别
距离判别函数和距离判别规则
➢最小距离分类法 ➢平行六面体分类法
概率判别函数和贝叶斯判别规则
➢最大似然分类法
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（将 相似度大的像元归为一类）的方法
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
原始影像数据的准备 图像变换及特征选择
分类器的设计 初始类别参数的确定 逐个像素的分类判别
形成分类编码图像 输出专题图
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
空间信息技术系 任课教师：杨晓霞 yangxx2003@126.com
2012年3月
图像分类基本概念和原理 遥感图像分类过程 监督分类方法 非监督分类方法 数字图像分类新技术 提高分类精度的方法
遥感图像分类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
计算机分类的概念 判别函数与判别规则 影像空间与特征空间 特征空间中的距离
利用概率判别函数与贝叶斯判别规则 进行分类
优点：
➢考虑特征空间中类别的形状、大小和定位
缺点：
➢计算量大，计算时间长 ➢假定地物光谱特征呈正态分布
距离可以有不同的具体定义
➢几何距离：欧式距离、绝对值距离 ➢统计距离：马氏距离
X到集群中心在多维空间中距离的绝对值之总和来
表示
m
dTi | X M ij |
j 1
马氏距离几何意义：X到类重心之间的加权距离， 其权系数为协方差
按人工干预的程度不同，可以分为： 监督分类法 非监督分类法
基本思想是设法计算未知矢量X到有关类别 集群之间的距离，哪类距离它最近，该未 知矢量就属于那类
距离判决函数偏重于集群分布的几何位置 距离判别规则是按最小距离判别的原则
以一个包括该集群的“盒子” 作为该集群的判别函数
判决规则为若未知矢量X落 入该“盒子”，则X分为此 类，否则再与其它盒子比较
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
在分析大数据集时比较经济 较目视解译客观 可对复杂的多波段数据及其相互关系进行
有效分析
ຫໍສະໝຸດ Baidu
光谱模式识别
空间模式识别
新方法
统计分类 结构分类 模糊分类 神经网络分类 小波分析 专家系统
根据图像数据本身的统计特征及点群的分 布情况，从纯统计学的角度对图像数据进 行类别划分
分类：通过对已知类别的训练集的分析， 用样本的特征建立一个关于类别属性准确 划分的模型，以便用来判定新的未知数据 的类别
道路R
水体W
水稻S
蔬菜V
碎石地S
田埂T
根据应用目的和区域，有选择的决定分类类 别，避免出现一些不必要的类别
可以控制训练样本的选择 可以通过检查训练样本来决定训练样本是否
被精确分类，从而避免分类中的严重错误， 分类精度高 避免了非监督分类中对光谱集群的重新归类 分类速度快
主观性
由于图像中间类别的光谱差异，使得训练 样本没有很好的代表性
事先已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
根据已知训练场地提供的样本，通过选择 特征参数，建立判别函数，然后把图像中 各个像元点归划到给定类中的分类处理
1. 确定每个类别的样区 2. 学习或训练
3. 确定判别函数和相应 的判别准则
4. 计算未知类别的像元 的函数值
统计性——选择的训练样区内必须有足够 多的像元
▪ 植被 老城区 耕地 水 新城区
建立类别的判别函数
绿
255
植
新城区
被
• •
水
•
•
0
•
老城区
耕地
255 红
255 蓝
距离判别函数和距离判别规则
◦ 最小距离分类法 ◦ 最近邻分类算法 ◦ 平行六面体分类法
概率判别函数和贝叶斯判别规则
◦ 最大似然分类法
5. 按判别准则进行像元 所属的判别
主要步骤 选择训练样本区
➢确定类别数 ➢对每类选择足够多的有代表性的样本 ➢分类前分析样本区质量
选择合适的分类算法 分类结果的精度评价
准确性——确保选择的样区与实际地物的 一致性
代表性——考虑到地物本身的复杂性，所 以必须在一定程度上反映同类地物光谱特 性的波动情况
相同地物具有相同或者相似的光谱特征（光谱相似 性）；不同地物具有不同的光谱特征（光谱差异性）
在特征空间中，依据像元 相似度的大小，归类相似 的像元，分离不相似的像 元，并给每一个像元赋类 别值的过程
分类的总目标是将图像中 所有的像元自动进行土地 覆盖类型或土地覆盖专题 的分类
原始遥感图像
对应的专题图像
这种分类法在盒子重叠区域 有错分现象，错分与比较盒 子的先后次序有关
地物类数据在特征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为正态分布， 该类的多维数据就构成了一个多维正态分布
各类的多维正态分布模型各有其分布特征
利用各类的已知数据（训练区），求出均值、方差及 协方差等特征参数，从而求出总体的概率密度函数
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
特征点集群在特征空间中的分布大 致可分为如下三种情况：
理想情况——不同 类别地物的集群至 Bj
少在一个特征子空
植被
间中的投影是完全
可以相互区分开的
Bi
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
水
以完全区分的。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
水
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
“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。
训练样本的获取和评估花费较多人力时间 只能识别训练中定义的类别
距离判别函数和距离判别规则
➢最小距离分类法 ➢平行六面体分类法
概率判别函数和贝叶斯判别规则
➢最大似然分类法
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（将 相似度大的像元归为一类）的方法
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
原始影像数据的准备 图像变换及特征选择
分类器的设计 初始类别参数的确定 逐个像素的分类判别
形成分类编码图像 输出专题图
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
空间信息技术系 任课教师：杨晓霞 yangxx2003@126.com
2012年3月
图像分类基本概念和原理 遥感图像分类过程 监督分类方法 非监督分类方法 数字图像分类新技术 提高分类精度的方法
遥感图像分类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
计算机分类的概念 判别函数与判别规则 影像空间与特征空间 特征空间中的距离