6.遥感图像自动识别分类

23
1．不能精确控制分类的类别数。 2．当地物光谱响应是不重合的正态分布时是可行的，并且
容易实现，但若特征分布出现交叠，则使用这种方法将
产生较大的分类错误。 3．该分类法的主要优点是简单、速度快。
24
1）将图像中每个像元看作一类，
作为分类的初始值
2）计算各类均值间的相关系数矩 阵R 3）从已分类别中选取最邻近的两 类进行合并
16

遥感图像分类的重要依据是遥感图像的特征变量。 多光谱遥感图像各个波段的像素值是最基本的原始特征
变量。经过加、减、乘、除运算以及一些变化处理，如
K-L变换、比值变换等，可以生成一系列新的特征变量。

原始遥感图像的特征彼此之间往往存在较强的相关性，
不加选择地利用这些特征变量分类不但会增加多余的运

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。
37

多数平滑：平滑时中心像元值取周围占多数的类别。
ˆ K N nii ni. n.i
i 1 i 1 r r
N 2 ni. n.i
i 1
r
nii：对应第 i 行第 i 列的数；
ni. ：第 i 行的和； n.i ：第 i 列的和；
罗艳云 2013.12.11
1



【作 者】韦玉春、汤国安编著 【丛书名】普通高等教育“十一 五”国家级规划教材 【出版项】 北京市：科学出版 社，2007 参考内容：第九章 遥感图像分 类 P208-257
2
遥感图像分类
1、 基本原理
2 、分类方法
3 、工作流程 4 、非监督分类 5 、监督分类 6 、分类后处理
32
33
1.
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；
2. 3.
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；
4. 5.
分类速度快。
34
1. 2.
主观性； 由于图象中间类别的光谱差异，使得训练样本 没有很好的代表性；
2 、分类方法
3 、工作流程 4 、非监督分类 5 、监督分类 6 、分类后处理
7 、分类精度分析
8、 遥感专题制图
11
图像预处理 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
12
1. 根据图像分类目的选取特定区域的遥感影像，考虑空间分
辨率、光谱分辨率、成像时间、图像质量等。
◦ 图像上的每一个像素可以同时被分到两个或两个以上类的 分类方法 ◦ 这时每个像素除了被分类外，还同时允许它在不同的两个 或多个类中具有类隶属概率(class membership probability)或部分隶属值(partial membership value)。
10
ຫໍສະໝຸດ Baidu
遥感图像分类
1、 基本原理
包括K-均值分类、最大相似性分类等。
◦ 模糊数学方法以模糊数学理论为基础
主要是模糊分类。
9

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和软分类。 硬分类(hard classification)
◦ 图像上的一个像素只能被分到一个类的分类方法。


软分类(soft classification)
3. 4.
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。
35
遥感图像分类
1、 基本原理
2 、分类方法
3 、工作流程 4 、非监督分类 5 、监督分类 6 、分类后处理
7 、分类精度分析
8、 遥感专题制图
36

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”。
21
遥感图像分类
1、 基本原理
2 、分类方法
3 、工作流程 4 、非监督分类 5 、监督分类 6 、分类后处理
7 、分类精度分析
8、 遥感专题制图
22

指人们事先对分类过程不施加任何的先验知识， 而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。
4）重复步骤2-3，直到合并的新
类之间符合分类的要求为止( 各类间的相关系数小于阀值或
是距离大于阀值）
25

动态聚类就是在开始 时先建立一批初始中 心，而让待分类的各 个像元依据某些判决 准则向初始中心凝聚 然后再逐步修改调整 中心，重新分类 并根据各类离散性统 计量和两类间可分离 性的统计量再进行合 并和分裂 此后再修改调整中心， 这样不断继续下去， 直到分类比较合理为 止。
6
遥感图像分类
1、 基本原理
2 、分类方法
3 、工作流程 4 、非监督分类 5 、监督分类 6 、分类后处理
7 、分类精度分析
8、 遥感专题制图
7

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。

监督分类(supervised classification)
26



遥感图像分类
1、 基本原理
2 、分类方法
3 、工作流程 4 、非监督分类 5 、监督分类 6 、分类后处理
7 、分类精度分析
8、 遥感专题制图
27

需要事先确定训练场地和选择训练样本，训练样本需要具 有一定的代表性

考虑到各种地物光谱辐射的复杂性和干扰因素的多样性，
需要多考虑一些样本

算，反而会影响分类的准确性。因此，往往需要从原始 图像n个特征中通过处理选择k个特征(n>k)来进行分类。
17
1，2，3三个波段之间相关显著，系数都在0．9以上
而近红外波段表现出很强的独立性，信息质量高
18

根据特征与分类对象的实际情况选择适当的分类方
法。 一般来说，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
在某一地区建立起来的判别式只能适用于同一地区或地学 条件相似的地区
28
（1）确定感兴趣的类别数。

首先确定要对哪些地物进行分类，这样就可以建 立这些地物的先验知识。 根据感兴趣地物的特征进行有针对性的特征变换，
（2）特征变换和特征选择


变换之后的特征影像和原始影像共同进行特征选 择，以选出既能满足分类需要，又尽可能少参与 分类的特征影像，加快分类速度，提高分类精度。
◦ 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。

非监督分类(unsupervised 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。
8

根据分类使用的统计数学方法可以分为随机统计方 法和模糊数学方法分类。
◦ 随机统计方法以随机数学理论为基础
调查点个数；

2) 产品精度（producer accuracy）：各类地貌中正确分 类的调查点占模型分类到对应地貌类型的比例；

3) 用户评价精度（user accuracy）：各类地貌正确分类 的调查点占地面实际调查点中对应地貌类型的比例；
42

4) Kappa分析，精确评价实际调查地貌类型和模型 预测地貌类型的关系，能整体反映误差矩阵的评价 结果。
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。
13

1) 确定工作范围
◦ 可以通过图像裁剪和图像掩膜方法将工作范围的图像提取
出来。

2) 多源图像的几何配准
◦ 对某一特定地区来说，有时可能没有数字图像；或者需
要使用卫星照片或底片扫描得到数字图像。这时，不同 波段图像可能错行或错列和行列数都不同，需要在分类 或其他处理之前进行图像之间的几何配准。
2. 根据研究区域，收集与分析地面参考信息与有关数据。 3. 根据分类要求和影像的特征，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. 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。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。

5) 几何精纠正
◦ 如果分类结果要用于专业制图或较准确的空间定位，那么在分类前
必须作几何纠正。几何纠正通常以相应比例尺的地形图为标准来进
行，其中用得较多的是1：5万的地形图。

6) 多图像融合
◦ 为了使高光谱分辨率的图像也同时具有高空间分辨率的性质，需要
进行图像融合。 ◦ 融合方法或类型有多种：空间域融合、光谱域融合、比例尺—空间 融合等。
◦ 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。
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,x2,…,xk)T，包含X的K维空间称为特征空间， 这样K个波段的多光谱图像便可以用K维特征空间中的一系列点来表 示。 在遥感图像分类问题中，常把图像中的某一类地物称为模式，而把属 于该类中的像素称为样本，X=(x1,x2,…,xk)T可以称为样本的观测值。
38
平滑前后举例
39
遥感图像分类
1、 基本原理
2 、分类方法
3 、工作流程 4 、非监督分类 5 、监督分类 6 、分类后处理
7 、分类精度分析
8、 遥感专题制图
40

总体精度 Kappa系数 混淆矩阵（像元数）


混淆矩阵（百分比）
发生器精度 用户精度

41

1) 总体精度（overall accuracy）：用矩阵对角线上的数 值，即分类正确的调查点个数之和除以所有用于分类的


督分类方法比较好。
19

由于分类过程是按像素逐个进行的，分类结果图像 中成片的地物类别分布区往往会出现零星的异类像 素，其中许多是不合理的。因此，要根据分类的要 求进行分类后处理工作。
20

对于达到精度要求的分类图像，根据需要和用途， 设置投影、比例尺、图例等制作专题图，或将数据 转换为向量格式，供其他系统使用。
5

多光谱图上的每个像素可用特征空间中的一个点表示出 来。通常情况下，同一类地物的光谱特性比较接近，因
此在特征空间中的点聚集在一起，多类地物在特征空间
中形成多个点簇。
设曲线的表达式为fAB(X) A，B两类之间的判别界限： fAB(X)=0 遥感图像分类算法的核心就是确定判别函 判别准则： 数fAB(X) 和相应的判别准则。 如果当fAB(X)>0时X∈A;当 fAB(X)<0时X∈B 判别函数： fAB(X)
7 、分类精度分析
8、 遥感专题制图
3

在遥感应用中，通过遥感图像处理和判读来识别各 种地物是主要的工作目的之一。

分类的目的是从图像中识别实际地物，进而提取地
物信息。

遥感图像分类的对象是原始遥感图像及各种变换之
后的图像，采用决策理论或统计方法对变量特征空 间进行划分来达到分类的目的。
4

图像的分类
14

3) 噪声处理
◦ 尽可能选用质量好的图像。但有时免不了用到有噪声的图
像，分类前要对它进行校正。噪声多半由传感器引起。
◦ 可以用图像平滑、傅里叶变换等方法进行处理。

4) 辐射校正
◦ 辐射校正包括辐射定标、太阳高度角辐射校正、地形引起 的辐射变化校正、大气校正等。 ◦ 其中最难的是大气校正。
15
29
（3）选择训练样区

训练样区的选择要注意准确性、代表性和统计性三个问 题。
准确性就是要确保选择的样区与实际地物的一致性。 代表性一方面指所选择区为某一地物的代表，另一方面还要
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。 统计性是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。实际应用中，每一类
别的样本数都在102数量级左右。
30
植
被
老城区 耕地 水 新城区
选择样本区域
31
（4）确定判别函数和判别规则

一旦训练样区被选定后，相应地物类别的光谱特征便可以 用训练区中的样本数据进行统计。
（5）根据判别函数和判别规则对非训练样区的图 像区域进行分类。