遥感技术应用_06遥感图像分类

人工神经网络法
决策树分类法
• 决策树是一 树状结构， 依据规则把 遥感数据集 一级级往下 细分以定义 决策树的各 个分支。
T
T1
T2
T3
根结点 分支
叶结点 叶结点
决策树分类法
• 基本思想：从“原级”（根结点）开始，利 用表达式，每一个决策将影像中的像元分成 两类，使用另一表达式，每个新类又能被分 成另外的两个新类，如此不断地通过选择不 同的特征用于进一步地有效细分类，直到所 要求的“终极”（叶结点）类别分出为止。
监督分类 非监督分类
• 新的分类方法：
人工神经网络方法 决策树分类法 专家系统分类法
监督分类
监督分类法是选择有代表性的试验区来训练计算 机，再按一定的统计判别规则对未知地区进行自 动分类的方法。
分类目的: 将图象中所有像元自动地进行土地覆盖专题分类
原始遥感图像
分类的依据是什么?
对应的专题图像
监督分类的思想
• 专家系统也是人工智能的一个分支，它采用人 工智能语言将某一领域（如地学知识）的专家 分析方法或经验，对地物的多种属性进行分析、
判断，从而确定各地物的归属。
• 利用这样的系统就可以把判读专家的经验性知 识综合起来进行分类
其它分类方法
• 除了以上常用的分类方法之外，还有多时相数 据分类方法、模糊分类法、亚像元分类法，基 于纹理的分类法等等
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。
（2）特征变换和特征选择
根据感兴趣地物的特征进行有针对性的特 征变换，这部分内容在前面特征选择和特征 变换一节有比较详细的介绍。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。
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）计算未知类别的样本观测值函数值 5）按规则进行像元的所属判别
分类过程
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
监督分类的主要步骤如下：
（1）确定感兴趣的类别数。
（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。
第4章 遥感图像处理3
遥感图像分类
• 遥感图像分类是影像信息提取的一种方法
• 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
• 图像分类：是通过模式识别理论，利用计算机
将遥感图像自动分成若干地物类别的方法。
如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、……
缺点
• 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； • 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。
• 确定像元聚集的判别规则
• 平行管道分类（平行六面体）
最简单的方法——仅仅需要规定每个特征的DN范围 一些像元可能未分类或重复分类
• 最小距离分类
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
非监督分类举例
聚类Fra Baidu bibliotek
解译
人工神经网络法
• 人工神经网络是基于生物神经系统分布式存储、 并行处理、自适应学习这些现象构造出具有一 些低级智慧的人工神经网络系统。
• 目前代表性的神经网络模型有：
BP（Back Propagation）神经网络 模糊自组织神经网络 RBF（Radial Basis Function）神经网络 Kohonen自组织神经网络 ……
将样本数据在特征空间进行聚类
计算每个类别的 M 和 Σ，建立类别的判别函数
绿
255
植
新城区
老城区
被
• •
水
•
耕地
•
0
•
255 红
255 蓝
(5)根据判别函数逐个像素的分类判别
6) 分类结果影像的形成
？1
老城区 1
•• • •••
分类得到的专题图
监督法分类的优缺点
优点： .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
▪ 选择样本区域 植被 老城区 耕地 水 新城区
（4）确定判决函数和判决规则 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。
如果使用最大似然法进行分类。那么就可 以用样区中的数据计算判别函数所需的参数 和。
如果使用盒式分类法则和用样区数据算出 盒子的边界。判决函数确定之后，再选择一 定的判决规则就可以对其它非样区的数据进 行分类。
通过训练样本确定类别中心 某个像元距哪类距离最小，则判归为该类
• 最大似然分类
建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类 计算每个像元属于每一类的概率，找出概率最大者，将该像元归为
概率最大的一类
非监督分类
• 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）
数据－信息（遥感数据－地物信息）
• 举例
Landsat TM 真彩色合成影像
分类后的影像
• 基本原理：
在遥感图像上，同类物体在同样条件下，应具有相同的光谱信息 特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信息 特征不同，而群集在不同的光谱空间区域内。
遥感图像分类方法
• 计算机自动分类：
决策树分类法
• 在决策树分类中经常采用的特征有：
光谱值； 通过光谱值算出来的指标（如NDVI）； 光谱值的算术运算值（如，和、差、比值等）； 主成分； ……
由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采 用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类 处理
专家系统分类方法