遥感图像分类ppt课件
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)。
遥感数字图像处理
1
第8章 遥感图像分类
2
第8章 遥感图像分类
8.1 概述 8.2 相似性度量 8.3 工作流程 8.4 非监督分类 8.5 监督分类 8.6 其他分类方法 8.7 分类后处理 8.8 分类精度分析
3
8.1 概述
8.1.1 基本原理 8.1.2 分类方法
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，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。
化，若位置发生了改变，则以新的类别均值作 17
为聚类中心，再从第2步开始重复，进行反复
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
12
图像的预处理 选择分类方法
8.3 工作流程
1.确定工作范围
2.多源图像的几何配准
4.辐射校正
5.几何精纠正
3.噪声处理 6.多图像融合
特征选择和提取
选择合适的分类 参数进行分类
特征选择是从众多特征中挑选出可以参加分类运算的若干个特征。
特征提取是在特征选择以后，利用特征提取算法(如主成分分析算 法)从原始特征中求出最能反映地物类别性质的一组新特征。
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，称为软分类(soft classification )，这时每个像素除了被分类外，7
8.2 相似性度量
距离是常用的相似性度量的概念。分类是
确定像素距离哪个点群中心较近，或落入 哪个点群范围可能性大的问题。像素与点 群的距离越近，那么，属于该点群的可能 性越高。按照一定的准则，当距离小于一 定值时，像素被划分给最近的点群。每个 点群为一个类。
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。
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)
根据分类使用的统计数学方法可以分为随机统 6
类地物在相同的表面结构特征、植被覆盖、15
8.4 非监督分类
非监督分类主要采用聚类分析的方法，聚
类是把一组像素按照相似性归成若干类别。 它的目的是使得属于同一类别的像素之间 的距离尽可能小，而不同类别上像素间的 距离尽可能大。
在进行聚类分析时，首先要确定基准类别
的参量。在非监督分类的情况下，并无基 准类别的先验知识可以利用，因而，只能 先假定初始的参量，并通过预分类处理来 形成集群，再由集群的统计参数来调整预 16
8.1 概述
8.1.2 分类方法
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。图像 上的一个像素只能被分到一个类的分类方法称 为硬分类(hard classification)。传统的统计分 类方法都是硬分类。
硬分类有时可能不合理。因为有些像素可能同 时具有两个类或多个类的性质。
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。
10
8.2 相似性度量
3.马氏(Mahalanobis)距离
11
8.2 相似性度量
4.相似系数 又称为余弦距离，其数学表达式为:
α为图像像素光谱与参照光谱之间的夹角(光谱角) X为图像像素光谱曲线向量 Y为参照光谱曲线向量。 当cosα的值接近1的时候有最好的估计光谱值和类别分类结果。
光谱角值以很小的α弧度角来表示，它代表了光谱曲线之间的 相似性，其变化范围是[0，π/2]
பைடு நூலகம்
8.4 非监督分类
主要过程如下:
（1）确定初始类别参数，即确定最初类别数 和类别中心(集群中心)
（2）计算每一个像元所对应的特征矢量与各 集群中心的距离。
（3）选与中心距离最短的类别作为这一矢量 的所属类别。
（4）计算新的类别均值向量。 （5）比较新的类别均值与原中心位置上的变
同一类别中点间的距离一般来说比不同类
别点间距离要小。也可以认为，一个点属 于某一类，一定与这个类别中心的距离比 8
1.绝对距离
8.2 相似性度量
dik为当前像素i到类k的距离， P为波段数， xij为像素i在j波段的像素值， Mjk为类k在波段j的均值。
2.欧氏(Euclidean)距离
该距离是平面上两点之间的直线距离，应用最多。
特征选取的原则：尽可能选取数量适当有助于增加同类地物的类聚性 (即类内个体间离散性小)、能扩大地物类别之间差异性的特征变量。
分类后处理
成果输出
13
8.4 非监督分类
根据事先指定的某一准则，让计算机自动进行判 别归类，无需人为干预，分类后需确定地面类别。在非 监督分类中，先确定光谱可分的类别（光谱类）然后定 义它们的信息类。
1
第8章 遥感图像分类
2
第8章 遥感图像分类
8.1 概述 8.2 相似性度量 8.3 工作流程 8.4 非监督分类 8.5 监督分类 8.6 其他分类方法 8.7 分类后处理 8.8 分类精度分析
3
8.1 概述
8.1.1 基本原理 8.1.2 分类方法
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，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。
化，若位置发生了改变，则以新的类别均值作 17
为聚类中心，再从第2步开始重复，进行反复
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
12
图像的预处理 选择分类方法
8.3 工作流程
1.确定工作范围
2.多源图像的几何配准
4.辐射校正
5.几何精纠正
3.噪声处理 6.多图像融合
特征选择和提取
选择合适的分类 参数进行分类
特征选择是从众多特征中挑选出可以参加分类运算的若干个特征。
特征提取是在特征选择以后，利用特征提取算法(如主成分分析算 法)从原始特征中求出最能反映地物类别性质的一组新特征。
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，称为软分类(soft classification )，这时每个像素除了被分类外，7
8.2 相似性度量
距离是常用的相似性度量的概念。分类是
确定像素距离哪个点群中心较近，或落入 哪个点群范围可能性大的问题。像素与点 群的距离越近，那么，属于该点群的可能 性越高。按照一定的准则，当距离小于一 定值时，像素被划分给最近的点群。每个 点群为一个类。
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。
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)
根据分类使用的统计数学方法可以分为随机统 6
类地物在相同的表面结构特征、植被覆盖、15
8.4 非监督分类
非监督分类主要采用聚类分析的方法，聚
类是把一组像素按照相似性归成若干类别。 它的目的是使得属于同一类别的像素之间 的距离尽可能小，而不同类别上像素间的 距离尽可能大。
在进行聚类分析时，首先要确定基准类别
的参量。在非监督分类的情况下，并无基 准类别的先验知识可以利用，因而，只能 先假定初始的参量，并通过预分类处理来 形成集群，再由集群的统计参数来调整预 16
8.1 概述
8.1.2 分类方法
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。图像 上的一个像素只能被分到一个类的分类方法称 为硬分类(hard classification)。传统的统计分 类方法都是硬分类。
硬分类有时可能不合理。因为有些像素可能同 时具有两个类或多个类的性质。
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。
10
8.2 相似性度量
3.马氏(Mahalanobis)距离
11
8.2 相似性度量
4.相似系数 又称为余弦距离，其数学表达式为:
α为图像像素光谱与参照光谱之间的夹角(光谱角) X为图像像素光谱曲线向量 Y为参照光谱曲线向量。 当cosα的值接近1的时候有最好的估计光谱值和类别分类结果。
光谱角值以很小的α弧度角来表示，它代表了光谱曲线之间的 相似性，其变化范围是[0，π/2]
பைடு நூலகம்
8.4 非监督分类
主要过程如下:
（1）确定初始类别参数，即确定最初类别数 和类别中心(集群中心)
（2）计算每一个像元所对应的特征矢量与各 集群中心的距离。
（3）选与中心距离最短的类别作为这一矢量 的所属类别。
（4）计算新的类别均值向量。 （5）比较新的类别均值与原中心位置上的变
同一类别中点间的距离一般来说比不同类
别点间距离要小。也可以认为，一个点属 于某一类，一定与这个类别中心的距离比 8
1.绝对距离
8.2 相似性度量
dik为当前像素i到类k的距离， P为波段数， xij为像素i在j波段的像素值， Mjk为类k在波段j的均值。
2.欧氏(Euclidean)距离
该距离是平面上两点之间的直线距离，应用最多。
特征选取的原则：尽可能选取数量适当有助于增加同类地物的类聚性 (即类内个体间离散性小)、能扩大地物类别之间差异性的特征变量。
分类后处理
成果输出
13
8.4 非监督分类
根据事先指定的某一准则，让计算机自动进行判 别归类，无需人为干预，分类后需确定地面类别。在非 监督分类中，先确定光谱可分的类别（光谱类）然后定 义它们的信息类。