五讲遥感影像分类PPT参考课件
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)。
非监督分类，也称为聚类分析或点群分析。即在多光谱
图像中搜寻、定义其自然相似光谱集群组的过程。非监督 分类不需要人工选择训练样本，仅需极少的人工输入．计 算机按一定规则自动地根据像无光谱或空间等特征组成集 群组，然后分析者将每个组和参考数据比较，将其划分到 某一类别中去。
模糊分类 ：
前面讲到的各种分类方法都是假设每个像元只能被归入
用于分类的辅助数据 ：
利用辅助数据的一个主要障碍是辅助数据和遥感数据 之间的不匹配。由于多数辅助数据并不是用来为遥感数据 应用服务的，因此其数字化辅助数据对应的比例尺、分辨 率、时间、精度以及记录格式很少和遥感图像相匹配。当 其应用于遥感图像分类时，有时必须对其进行预处理，以 保证其和图像之间的物理匹配。
一个类型中．像元和类型之间只能是一对一的关系。但在 事实上，由于遥感图像分辨率及其他因素的影响，图像中 的像元所对应的地面实体并不只是一个类别，面是二个或 二个以上类别的混合体。
模糊分类就是允许根据其混合类型的百分比将一个像元 归到几个类型。如果一个像元50％是草地、20％是房屋、 30％是道路．则在模糊分类中，这个像元属于这三种类型 的成分分别为0.5、0.2和0.3。
算法包括两个主要步骤:对来自模糊训练数据的模糊参 数的估计;对光谱空间的模糊划分。这可以鉴别混合象元中 各组分覆盖类型的不完全隶属性以及产生更精确的统计源自文库 数,从而达到更高的分类精度。
空间结构纹理分类 ：
单纯的光谱分类器只考虑图像的光谱特征，但在实际景 观中，由于地物是具有一定空间结构特征的，如城市的居 住区多是由树木、草地、道路、房屋顶、停车地等组成的。 因此在分类中，利用其空间特征纹理的差异可以比较容易 地区分不同类型，而单纯的亮度信息则不一定能很好地区 分不同类型。
1 采样方法 采样设计应当采用概率采样．以确保样本的代表性和有效
性，使利用样本估计总体参数建立在可靠的基础之上。 精度评价中有不同的采样方法，常用的概率采样方法包括
简单随机采样、分层采样、聚点式集群采样以及系统采样等。 不同的采样方法所采用的参数估计的具体形式和计算公式不同， 它们各具有一定的优缺点。具体采用哪种方法，应考虑分类系 统相应用目的的影响，依据精度评价的目的而定。
2)分层采样 当图像中某些类别占的数量很小时，随机采样往往会丢掉这些类别。为 了保证每个类别都能在采样中出现，可以用分层采样．即分别对每个类别 进行随机采样。分层采样往往是为保证在采样空间或类型选取上的均匀性 及代表性所采用的方法。如没有特殊需要，随机采样可取得较好的样本。 但在野外调查或采样时有可能遇到一些困难，如是否能到达采样地点等； 如在层内采用系统采样往往也可获得区域中具代表性的样本，且较容易进 行野外作。
另外，哪种辅助数据也成为一个重要的决策问题。比如 对于山区的植物分类，其地形高度、坡度和坡向是一些有 用的辅助信息，帮助确定植被的类型。但在其他分类中， 地形也许就不是一个关键的因素。虽然有人提倡尽可能多 的利用所有相关辅助数据，但考虑到其中的时间和其他代 价，这种提议显然并不是最好的。仔细地选择和决定重要 的辅助数据应该是必需的。
遥感数字图像的计算机分类
遥感数字图像的分类方法
分类执行方式：监督分类、非监督分类 分类模型或分类器：统计分类、模糊分类、 邻域分类、神经网络分类等、混合像元分解。
监督分类，又称训练分类法，即用被确认类别的样本像元
去识别其他未知类别像元的过程。已被确认类别的样本像 元是指那些位于训练区的像元。在这种分类中，分析者在 图像上对每一种类别选取一定数量的训练区，计算机计算 每种训练样区的统计或其他信息．每个像元和训练样本作 比较，按照不同规则将其划分到和其最相似的样本类。
1 采样方法
1)简单随机采样 即在分类图上随机地选择一定数量的像元，然后比较这些像元的类别 和其标准(或实际)类别之间的一致性。应用此设计，所有样本空间中的单元 被选中的概率都是相同的。在此基础上所计算出的有关总体的参数估计也 是无偏的。如果所研究区域内各种类型分布均匀，且面积差异不大，则简 单随机采样应予以优先考虑。相反，如果地域内类型的空间分布不均匀， 或出现空间上稀少并群集的类型，采用简单随机采样就有可能遗漏这些类 型，或抽取不到足够数量的样本。
分类精度评价方法
精度评价最好是比较两幅图像中每个像元之间的一致性。 但在多数情况下，我们很难取得一整幅精确的参考图，因此大 多数精度评价都是对图像采样的一部分像元进行评价，其参考 类别可以通过野外考察、更详细的航空像片，或者其他来源的 分类图上得到。通常把训练样本分为两部分，一部分用于分类， 另一部分用于精度评价。
空间结构分类器主要是利用一些测量空间纹理结构的函 数得到新的层。一般这些函数都是利用一定的窗口测量像 元和其周边像元之间的关系，比如说在5x 5窗口内像元之间 的方差、空间相关系数等，将这些层加到原始图像的光谱 层中．从而对混合图像进行分类。
纹理特征：中值(Mean), 协方差(Variance), 同质性（或称为逆差 距）(Homogeneity), 反差(Contrast), 差异性(Dissimilarity), 熵 (Entropy), 二阶距(Angular Second Moment), 自相关 (Correlation)。
用于分类的辅助数据 ：
辅助数据是指用于帮助因像分析和分类的非图像信息， 包括航空像片、地图、备类专题图、野外考察、报告等。 在数字化图像分析中，辅助数据通常是被转化成数字化的 格式，如GIs中的各种地形图、土壤图、植被图等。
数字化的辅助数据一般有两种使用方式，一是将辅助层 简单地加到图像现有的光谱数据中、将辅助层看成是另一 个单一的图像波段，并将这种复合的图像进行监督或非监 督分类；二是使用分层分类策略，将光谱图像先进行分类， 然后利用辅助数据将其分成几个层．将每个层按照一定的 规则重新分类或者精确化初始的分类结果。这种方法可以 根据辅助数据将所研究的重点类别或者难以分类的类别孤 立出来，允许复杂的分类算法有效地运用于这些类别中， 从而提高分类精度。
图像中搜寻、定义其自然相似光谱集群组的过程。非监督 分类不需要人工选择训练样本，仅需极少的人工输入．计 算机按一定规则自动地根据像无光谱或空间等特征组成集 群组，然后分析者将每个组和参考数据比较，将其划分到 某一类别中去。
模糊分类 ：
前面讲到的各种分类方法都是假设每个像元只能被归入
用于分类的辅助数据 ：
利用辅助数据的一个主要障碍是辅助数据和遥感数据 之间的不匹配。由于多数辅助数据并不是用来为遥感数据 应用服务的，因此其数字化辅助数据对应的比例尺、分辨 率、时间、精度以及记录格式很少和遥感图像相匹配。当 其应用于遥感图像分类时，有时必须对其进行预处理，以 保证其和图像之间的物理匹配。
一个类型中．像元和类型之间只能是一对一的关系。但在 事实上，由于遥感图像分辨率及其他因素的影响，图像中 的像元所对应的地面实体并不只是一个类别，面是二个或 二个以上类别的混合体。
模糊分类就是允许根据其混合类型的百分比将一个像元 归到几个类型。如果一个像元50％是草地、20％是房屋、 30％是道路．则在模糊分类中，这个像元属于这三种类型 的成分分别为0.5、0.2和0.3。
算法包括两个主要步骤:对来自模糊训练数据的模糊参 数的估计;对光谱空间的模糊划分。这可以鉴别混合象元中 各组分覆盖类型的不完全隶属性以及产生更精确的统计源自文库 数,从而达到更高的分类精度。
空间结构纹理分类 ：
单纯的光谱分类器只考虑图像的光谱特征，但在实际景 观中，由于地物是具有一定空间结构特征的，如城市的居 住区多是由树木、草地、道路、房屋顶、停车地等组成的。 因此在分类中，利用其空间特征纹理的差异可以比较容易 地区分不同类型，而单纯的亮度信息则不一定能很好地区 分不同类型。
1 采样方法 采样设计应当采用概率采样．以确保样本的代表性和有效
性，使利用样本估计总体参数建立在可靠的基础之上。 精度评价中有不同的采样方法，常用的概率采样方法包括
简单随机采样、分层采样、聚点式集群采样以及系统采样等。 不同的采样方法所采用的参数估计的具体形式和计算公式不同， 它们各具有一定的优缺点。具体采用哪种方法，应考虑分类系 统相应用目的的影响，依据精度评价的目的而定。
2)分层采样 当图像中某些类别占的数量很小时，随机采样往往会丢掉这些类别。为 了保证每个类别都能在采样中出现，可以用分层采样．即分别对每个类别 进行随机采样。分层采样往往是为保证在采样空间或类型选取上的均匀性 及代表性所采用的方法。如没有特殊需要，随机采样可取得较好的样本。 但在野外调查或采样时有可能遇到一些困难，如是否能到达采样地点等； 如在层内采用系统采样往往也可获得区域中具代表性的样本，且较容易进 行野外作。
另外，哪种辅助数据也成为一个重要的决策问题。比如 对于山区的植物分类，其地形高度、坡度和坡向是一些有 用的辅助信息，帮助确定植被的类型。但在其他分类中， 地形也许就不是一个关键的因素。虽然有人提倡尽可能多 的利用所有相关辅助数据，但考虑到其中的时间和其他代 价，这种提议显然并不是最好的。仔细地选择和决定重要 的辅助数据应该是必需的。
遥感数字图像的计算机分类
遥感数字图像的分类方法
分类执行方式：监督分类、非监督分类 分类模型或分类器：统计分类、模糊分类、 邻域分类、神经网络分类等、混合像元分解。
监督分类，又称训练分类法，即用被确认类别的样本像元
去识别其他未知类别像元的过程。已被确认类别的样本像 元是指那些位于训练区的像元。在这种分类中，分析者在 图像上对每一种类别选取一定数量的训练区，计算机计算 每种训练样区的统计或其他信息．每个像元和训练样本作 比较，按照不同规则将其划分到和其最相似的样本类。
1 采样方法
1)简单随机采样 即在分类图上随机地选择一定数量的像元，然后比较这些像元的类别 和其标准(或实际)类别之间的一致性。应用此设计，所有样本空间中的单元 被选中的概率都是相同的。在此基础上所计算出的有关总体的参数估计也 是无偏的。如果所研究区域内各种类型分布均匀，且面积差异不大，则简 单随机采样应予以优先考虑。相反，如果地域内类型的空间分布不均匀， 或出现空间上稀少并群集的类型，采用简单随机采样就有可能遗漏这些类 型，或抽取不到足够数量的样本。
分类精度评价方法
精度评价最好是比较两幅图像中每个像元之间的一致性。 但在多数情况下，我们很难取得一整幅精确的参考图，因此大 多数精度评价都是对图像采样的一部分像元进行评价，其参考 类别可以通过野外考察、更详细的航空像片，或者其他来源的 分类图上得到。通常把训练样本分为两部分，一部分用于分类， 另一部分用于精度评价。
空间结构分类器主要是利用一些测量空间纹理结构的函 数得到新的层。一般这些函数都是利用一定的窗口测量像 元和其周边像元之间的关系，比如说在5x 5窗口内像元之间 的方差、空间相关系数等，将这些层加到原始图像的光谱 层中．从而对混合图像进行分类。
纹理特征：中值(Mean), 协方差(Variance), 同质性（或称为逆差 距）(Homogeneity), 反差(Contrast), 差异性(Dissimilarity), 熵 (Entropy), 二阶距(Angular Second Moment), 自相关 (Correlation)。
用于分类的辅助数据 ：
辅助数据是指用于帮助因像分析和分类的非图像信息， 包括航空像片、地图、备类专题图、野外考察、报告等。 在数字化图像分析中，辅助数据通常是被转化成数字化的 格式，如GIs中的各种地形图、土壤图、植被图等。
数字化的辅助数据一般有两种使用方式，一是将辅助层 简单地加到图像现有的光谱数据中、将辅助层看成是另一 个单一的图像波段，并将这种复合的图像进行监督或非监 督分类；二是使用分层分类策略，将光谱图像先进行分类， 然后利用辅助数据将其分成几个层．将每个层按照一定的 规则重新分类或者精确化初始的分类结果。这种方法可以 根据辅助数据将所研究的重点类别或者难以分类的类别孤 立出来，允许复杂的分类算法有效地运用于这些类别中， 从而提高分类精度。