遥感影像监督分类和非监督分类方法探讨
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)。
关 键 词 ：遥 感 ；图像 分 类 ；监 督 分 类 ；非 监督 分 类
１概 述
获取 和评 估 训练 样本 耗 时耗 力 。
随着卫星遥感技术的成熟 ，遥感影像 的应用也更加丰 富，其 面向 ４非 监 督分 类
对象也从政府、专业客户转向大众。在遥感技术的研究 中，对资源分布 、 非监督分类（ｕｎｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ），也称为聚类分 析，是指
心的距离 ，把该像元分配到最近的类别 中，计算修改聚类 中心 ，反复进
３监 督 分类
行，直到满足选代要求 ，确认类别 ，精度评估。
监督３３ｖ：￣（Ｓｕｐｅｒｖｉｓｅｄ Ｃｌａｓｓｉｆ ｉｃａｔｉｏｎ），又￣ｉＪＩＩ练场地法 ，思想是 ：首 ４．２ Ｋ一均摧 ．类。Ｋ一均值分类法的准则是使每一聚类 中，像元到
２遥 感 图像 分类 原理
元进行归类 ，再次计算修改聚类 中心，重复进行直到满足选代条件 。最
遥感 图像分类是指在特征空间中，计算机对遥感图像 中各类地物 后 ，输 出分类结果。非监督分类的方法有 ：ＩＳＯＤＡＴＡ分类和 Ｋ一均值分
的光谱信息和空间信 息进行统计、分析 、对 比和归纳 ，选择相应 的特征 类 法 。
面体法 。
“同物异谱”及“异物同谱”现象 ，则集群组与类别匹配难度加大 。（３）由
３．１最大似然法。每一类地物数据在特征空间 中都会构成特定的 于各类不同光谱受地形时间的影响 ，图像间的光谱集群组无法连续 ，对
点群 ，其一维数据或多维数据都会构成正态分布 ，每种正态分布模 型 比难 度 加大 。
自然灾害 、区域环境等 的监测和分析依附于遥感图像分类 ，而遥感 图 在没有先验类别（训练场地 ）作为样本 的条件下 ，凭遥感影像地物的光
像分类是进行影像信息提取 的有效手段 。遥感专题信 息的提取方法随 谱特征的分布规律进行“盲 目”分类。它是按照灰度值 向量或波谱样式
着遥感技术的发展不断地改进 ，从 目视解译 、自动分类 、光谱特征的信 在特征空间聚集的情况下划分点群或类别 ，再根据像元间的相似度进
率判别 函数和贝叶斯判别规则来进行的分类称为最ｊ￣ｆｎ２然法。此分类 特 陛进行分类 ，因此非监督分类方法简单 。若两地物类型对应的光谱
法的优点是 ：考虑特征空间中类别的形状 、大小和定位 ，精度高。缺点是 特征差异小 ，则监督分类效果更好 ，事实上 ，分类效果应以实 际调查结
数据计算量大 ，计算时间长。
息提取到光谱与空间特征的专题信息提取。遥感技术的常用的遥感图 行归类。其分类结果仅能区分不同类别，而无法确定类别相关的属性 。
像分类的方法主要有监督分类和非监督分类 ，本文将对二者的区别和 非监督分类的过程 ：首先选择若干个点作为聚类的中心 ，每一个
联系 进 行分 析研 究 。
中心代表一个类别，选择初始聚类中心。其次 ，按照最小距离原则将像
重于几何位置 ，其最小距离判别有马氏距离 、欧式距离 、绝对值距离。此 ｋａｐｐａ值为 ０．９５８９，ＩＳＯＤＡＴＡ分类器的 ｋａｐｐａ值为 ０．７８ １ ８，故最 大似
先从需要研究的区域选取有代表性的训练场地作为样本 ，根据 已知的 该类别 中心的距离的平均和最小 。其基本思想是 ，通过迭代，逐次移动
样本求解特征参 数 ，确定判别 函数和相应的判别准则 ，依此来计算未 各 类 的 中心 ，直 至得 到最 好 的聚类 结 果为 止 。它 的优 点是 实现 简单 ，而
果来检验 。
３．２最小距离法。最小距离法的基本思想是 ：对遥感图像中每一类 ６ 实例分 析
Βιβλιοθήκη Baidu
别选—个具有代表意义的统计特征量 ，设法计算未知矢量 ｘ到有关类 数据源 ：某一研究 区，获取其 Ｌａｎｄｓａｔ ＴＭ遥感影像 ，分辨率是 ３０
别集群之间的距离 ，哪类距离它最近 ，其就属于哪类。距离 惕Ⅱ函数偏 米。选取训练样本 ：建立感兴区（ＲＯＩ），分类结果表明 ：最大似然法 的
科 技 论 坛
·７９·
遥感影像监 督分类和非监 督分类 方法探 讨
张 莹 （西安科技 大学 高新学院 ，陕西 西安 ７１０１０９）
摘 要 ：从 遥 感 图像 的 分 类 的原 理 入 手 ，比较 分 析 遥 感 图像 分 类 的 监 督 分 类 和 非监 督 分 类 的 具体 分 类 方 法及 特 点 ，运 用 某 地 区 的遥 感 影 像 采 用 不 同分 类 方 法 对 其精 度进 行 了评 估 。
作为判据标准 ，并将特征空间划分为若干互不重叠 的子空间 ，根据各 ４．１ ＩＳＯＤＡＴＡ分类。ＩＳＯＤＡＴＡ分类，可 自动进行类别的“合并”和
地物像元 的灰度值 ，将其划分至各个子空间中 ，以此来 实现 图像 目标 “分裂”，它是按照某个原则选择初始聚类中心 ，计算像元与初始类别 中
识 别 的工 作 。
类别数 ，选择各类有代表的样本，并分析样本 区的质量 ；其次 ，选择合适 机率降低。（３）通过其分类可形成小范围但光谱特征独特的集群 ，其较
的分类算法 ；最后 ，对分类结果的精度评估。根据判别函数和判别规则 监督分类更均质 。（４）凡是覆盖量小 的类别均能够被区分 。非监督分类
的不同，监督分类的方法有 ：最大似然法 、最小距离分类法 、平行六 （多 ） 的缺点 ：（１）可靠的结果需进行大量分析处理才可获取 。（２）由于存在的
都有其分布特征 ，利用每一类的训练区 ，求 出相应的均值 、方差等特征 ５监督分类和非监督分类的区别
参数 ，并求 出总体的概率密度函数 ，以此为基础 ，求 出每个像元对于各 监督 与非监督根本 区别在于监督分类利用训练场地来获取先验
类别的归属概率 ，并将该像元归属到概率最 大的类别 中，这类根据概 类别 ，而非监督分类则无需更多的先验知识 ，直接根据地物的光谱统计
知类别的样本观测值 的函数值 ，再按照判别准则进行所属类别的判 不足是过分依赖初值 ，容易收敛于局部极值。
别 。
４．３非监督分类的特点。非监督分类的优点 ：（１）不需要对分类区
监督分类 的主要步骤包括 ：首先 ，选择训练样本区 ，其中包括确定 域广泛 了解 ，仅用一定的知识来解释分类出的集群组。（２）人为误差的
１概 述
获取 和评 估 训练 样本 耗 时耗 力 。
随着卫星遥感技术的成熟 ，遥感影像 的应用也更加丰 富，其 面向 ４非 监 督分 类
对象也从政府、专业客户转向大众。在遥感技术的研究 中，对资源分布 、 非监督分类（ｕｎｓｕｐｅｒｖｉｓｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ），也称为聚类分 析，是指
心的距离 ，把该像元分配到最近的类别 中，计算修改聚类 中心 ，反复进
３监 督 分类
行，直到满足选代要求 ，确认类别 ，精度评估。
监督３３ｖ：￣（Ｓｕｐｅｒｖｉｓｅｄ Ｃｌａｓｓｉｆ ｉｃａｔｉｏｎ），又￣ｉＪＩＩ练场地法 ，思想是 ：首 ４．２ Ｋ一均摧 ．类。Ｋ一均值分类法的准则是使每一聚类 中，像元到
２遥 感 图像 分类 原理
元进行归类 ，再次计算修改聚类 中心，重复进行直到满足选代条件 。最
遥感 图像分类是指在特征空间中，计算机对遥感图像 中各类地物 后 ，输 出分类结果。非监督分类的方法有 ：ＩＳＯＤＡＴＡ分类和 Ｋ一均值分
的光谱信息和空间信 息进行统计、分析 、对 比和归纳 ，选择相应 的特征 类 法 。
面体法 。
“同物异谱”及“异物同谱”现象 ，则集群组与类别匹配难度加大 。（３）由
３．１最大似然法。每一类地物数据在特征空间 中都会构成特定的 于各类不同光谱受地形时间的影响 ，图像间的光谱集群组无法连续 ，对
点群 ，其一维数据或多维数据都会构成正态分布 ，每种正态分布模 型 比难 度 加大 。
自然灾害 、区域环境等 的监测和分析依附于遥感图像分类 ，而遥感 图 在没有先验类别（训练场地 ）作为样本 的条件下 ，凭遥感影像地物的光
像分类是进行影像信息提取 的有效手段 。遥感专题信 息的提取方法随 谱特征的分布规律进行“盲 目”分类。它是按照灰度值 向量或波谱样式
着遥感技术的发展不断地改进 ，从 目视解译 、自动分类 、光谱特征的信 在特征空间聚集的情况下划分点群或类别 ，再根据像元间的相似度进
率判别 函数和贝叶斯判别规则来进行的分类称为最ｊ￣ｆｎ２然法。此分类 特 陛进行分类 ，因此非监督分类方法简单 。若两地物类型对应的光谱
法的优点是 ：考虑特征空间中类别的形状 、大小和定位 ，精度高。缺点是 特征差异小 ，则监督分类效果更好 ，事实上 ，分类效果应以实 际调查结
数据计算量大 ，计算时间长。
息提取到光谱与空间特征的专题信息提取。遥感技术的常用的遥感图 行归类。其分类结果仅能区分不同类别，而无法确定类别相关的属性 。
像分类的方法主要有监督分类和非监督分类 ，本文将对二者的区别和 非监督分类的过程 ：首先选择若干个点作为聚类的中心 ，每一个
联系 进 行分 析研 究 。
中心代表一个类别，选择初始聚类中心。其次 ，按照最小距离原则将像
重于几何位置 ，其最小距离判别有马氏距离 、欧式距离 、绝对值距离。此 ｋａｐｐａ值为 ０．９５８９，ＩＳＯＤＡＴＡ分类器的 ｋａｐｐａ值为 ０．７８ １ ８，故最 大似
先从需要研究的区域选取有代表性的训练场地作为样本 ，根据 已知的 该类别 中心的距离的平均和最小 。其基本思想是 ，通过迭代，逐次移动
样本求解特征参 数 ，确定判别 函数和相应的判别准则 ，依此来计算未 各 类 的 中心 ，直 至得 到最 好 的聚类 结 果为 止 。它 的优 点是 实现 简单 ，而
果来检验 。
３．２最小距离法。最小距离法的基本思想是 ：对遥感图像中每一类 ６ 实例分 析
Βιβλιοθήκη Baidu
别选—个具有代表意义的统计特征量 ，设法计算未知矢量 ｘ到有关类 数据源 ：某一研究 区，获取其 Ｌａｎｄｓａｔ ＴＭ遥感影像 ，分辨率是 ３０
别集群之间的距离 ，哪类距离它最近 ，其就属于哪类。距离 惕Ⅱ函数偏 米。选取训练样本 ：建立感兴区（ＲＯＩ），分类结果表明 ：最大似然法 的
科 技 论 坛
·７９·
遥感影像监 督分类和非监 督分类 方法探 讨
张 莹 （西安科技 大学 高新学院 ，陕西 西安 ７１０１０９）
摘 要 ：从 遥 感 图像 的 分 类 的原 理 入 手 ，比较 分 析 遥 感 图像 分 类 的 监 督 分 类 和 非监 督 分 类 的 具体 分 类 方 法及 特 点 ，运 用 某 地 区 的遥 感 影 像 采 用 不 同分 类 方 法 对 其精 度进 行 了评 估 。
作为判据标准 ，并将特征空间划分为若干互不重叠 的子空间 ，根据各 ４．１ ＩＳＯＤＡＴＡ分类。ＩＳＯＤＡＴＡ分类，可 自动进行类别的“合并”和
地物像元 的灰度值 ，将其划分至各个子空间中 ，以此来 实现 图像 目标 “分裂”，它是按照某个原则选择初始聚类中心 ，计算像元与初始类别 中
识 别 的工 作 。
类别数 ，选择各类有代表的样本，并分析样本 区的质量 ；其次 ，选择合适 机率降低。（３）通过其分类可形成小范围但光谱特征独特的集群 ，其较
的分类算法 ；最后 ，对分类结果的精度评估。根据判别函数和判别规则 监督分类更均质 。（４）凡是覆盖量小 的类别均能够被区分 。非监督分类
的不同，监督分类的方法有 ：最大似然法 、最小距离分类法 、平行六 （多 ） 的缺点 ：（１）可靠的结果需进行大量分析处理才可获取 。（２）由于存在的
都有其分布特征 ，利用每一类的训练区 ，求 出相应的均值 、方差等特征 ５监督分类和非监督分类的区别
参数 ，并求 出总体的概率密度函数 ，以此为基础 ，求 出每个像元对于各 监督 与非监督根本 区别在于监督分类利用训练场地来获取先验
类别的归属概率 ，并将该像元归属到概率最 大的类别 中，这类根据概 类别 ，而非监督分类则无需更多的先验知识 ，直接根据地物的光谱统计
知类别的样本观测值 的函数值 ，再按照判别准则进行所属类别的判 不足是过分依赖初值 ，容易收敛于局部极值。
别 。
４．３非监督分类的特点。非监督分类的优点 ：（１）不需要对分类区
监督分类 的主要步骤包括 ：首先 ，选择训练样本区 ，其中包括确定 域广泛 了解 ，仅用一定的知识来解释分类出的集群组。（２）人为误差的