第六章 遥感数字图像的计算机解译.

二、图像分类方法
1、监督分类 2、非监督分类 3、监督分类与非监督分类方法比较
1 非监督分类
分类标准的确定不需要人的参与，由计算机根 据某一标准（例如距离最短）自动进行。需要 确定要分几种类别，或者类似的输入条件。分 类后的结果，还需要再给出具体的涵义。 类似的概念：聚类分析、点群分析、空间集群 等。 常用的非监督分类方法： 1） K-MEANS; 2) ISODATA
1. 人工目视解译
目视解译的主要方法
1) 直接判定法 解译人员根据遥感图像上可以用肉眼直接观测到的标志如色调、 形状、阴影、纹理结构、大小、位置、相关布局等建立“模式图 像” 或称做直接解译标志，来确定地物的存在和属性，比如河流、 房屋，铁路等都可以直接判定。
2 ) 对比分析法 借助不同时相、不同波段、地面资料进行相互补充，相互验证。
第六章 遥感数字图像的计算机解译
目视解译与计算机自动分类
遥感专题分类：是以区别图像中所含多个目标为目 的，对每个像元或者比较匀质的像元组给出对应其 特征的名称。这些名称为分类的类别，多个特征矢 量定义的空间为特征空间。
遥感专题分类的方法主要有人工目视解译和计算机 自动分类。
目视解译是计算机自动分类的基础； 计算机自动分类总是尽可能地模拟目视解译的过程。
选定初始类别中心，Zi
输入各迭代限值参数 I, Tn , Tc , Tm
对样本象素时行聚类并统计 nI , MI , 2
Ni<Tn 否？
是 Ni<Tn 否？
迭代次满足 i=I 否？或相邻两次 迭代之类别中心变动小于限值否
是否进行类别分裂
确定分裂后的中心
是否进行并类
确定并类后的中心
基准类别参数确定， 转入分类处理
影响神经网络的三个要素： 1) 神经元（信息处理单元）的特性； 2) 神经元之间的相互连接（拓扑结构） 3) 为适应环境而改善性能的学习规则
神经网络方法的原型——生物信息处理
2.5.2 神经元结构
美国心理学家Mcculloch 和数学家Pitts 1943年提出的。
2.5.2 神经元结构
数学表达：
输入参数 Max stdev from the mean, 是距离平均值多少个标准差。
2.1 平行管道分类
2.2 最小距离分类
计算未知像元距离各个类别均值向量的欧 氏距离，将该像元划分到距离最小的类别 中。如果没有确定最大的标准差和距离阈 值，则所有的像元都会分类。
输入参数：Max stdev from the mean, 是距 离平均值多少个标准差。
3）逻辑分析法 运用地学规律的相关分析和实际经验，进行逻辑判断。例如根据 水系的分布格局来判断岩性和地貌类型；根据植被的类型来推断 土壤类型；利用地震后地应力释放形成的“构造云” 的分布来推 测构造应力场等。逻辑分析大大开拓了遥感图像所能发挥的作用。
2. 计算机图象分类
在70年代初期，随着遥感技术和地球资源卫星的发射开始应用 于遥感图像处理方面，奠定了遥感图像分类的数学理论基础。 遥感专题分类属于模式识别的范畴。 模式识别的主要方法有统计模式识别、句法模式识别、模糊识 别和智能模式识别。智能模式识别又分为人工神经网络和逻辑 推理系统。除句法模式识别主要应用于文字、符号、语言的识 别外，其他三种方法在遥感专题分类都有不同程度的使用，其 中统计模式识别方法应用最为普遍。
寻找有用权值集合的过程，称为训练（也 称为学习过程）。
B P 学 习
2.5.5 影响误差曲线的因素
除训练样本本身以外； 学习率：决定网络的收敛速率。较大的学
习率可以使学习的速率加快，但过大的学 习率会导致学习过程在稳定状态附近跳跃， 反而影响学习的速度。 冲量项：加快收敛，并使变化平滑。
2. 计算机图象分类
目视解译和计算机图象分类的对比
第一节 遥感数字图像的性质与特点 第二节 遥感数字图像的计算机分类 第三节 遥感图像多种特征的抽取 第四节 遥感图像解译专家系统
第一节 数字图像的性质和特点
一． 遥感数字图像
遥感数字图像是以数字表示的遥感图像,其 最基本的单元是像素.像素是成像过程的采 样点,也是计算机处理图像的最小单元.像素 具有空间特征和属性特征.
像素的属性特征采用亮度值来表达. 正像素;混合像素
第一节 数字图像的性质和特点
二、遥感数字图像的特点
便于计算机处理与分析 图像信息损失少 抽象性强
第一节 数字图像的性质和特点
三、遥感数字图像的表示方法
1. 遥感数字图像是以二维数组来表示的.
第一节 数字图像的性质和特点
三、遥感数字图像的表示方法
Max distance error , 距离的最大阈值 如果两个参数都输入了，ENVI 使用其中小
的作为最终的判别标准。
2.2 最小距离分类
2.3 最大似然分类
假设条件：数据符合多维正态分布。如果不符合， 分类的精度也将下降。
计算每个像元属于各个类别的似然度 （likelihood）,该像元分到似然度最大的类别中。
非监督分类：是在没有先验类别（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（即相似度的像 元归为一类）的方法。
一、分类原理与基本过程
遥感数字图像计算机分类基本过程
1. 根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的 空间分辨率、光谱分辨率、成像时间、图像质量等。
STEP4: 每一类的像元数目变化达到要求，算法结束。
影响K－均值法的因素：聚类中心数目，初始类中心的选择，样本输 入的次序，数据的几何特性等。
输入参数: Number of class: 要分成几类 Change threshold%(0-100): 如果每一类的像元 数目变化小于此数值，则迭代停止。
采用距离衡量相似度时，距离越小相似度越大。
采用相关系数衡量相似度时，相关程度越大，相似 度越大。
遥感图像计算机分类方法
监督分类法：选择具有代表性的典型实验区或训练 区，用训练区中已知地面各类地物样本的光谱特性 来“训练”计算机，获得识别各类地物的判别函数 或模式，并以此对未知地区的像元进行分类处理， 分别归入到已知的类别中。
第一节 数字图像的性质和特点
四、航空像片的数字化
空间采样：将航空像片具有的连续灰度信息转 化为每行有m个单元，每列有n个单元的像素组 合。
属性量化：可得到每个像元的数字模拟量，与 航空像片中对应位置上的灰度相对应。
第二节 遥感图像的计算机分类
一、分类原理与基本过程
遥感图像计算机分类的依据是遥感图像像素的相似度。 常使用距离和相关系数来衡量相似度。
这些方法在遥感图像专题分类中经常采用两种方案，一是监 督分类，另一种是非监督分类。两者只是实施的步骤上有
前后差别，其理论本质是一样的。非监督分类，事先没有类别 的先验知识，纯粹根据图像数据的统计特征和点群分布情况， 根据相似性程度自动进行归类，最后再确定每一类的地理属性。 监督分类有类别的先验知识，根据先验知识选择训练样本，由 训练样本得到分类准则。
m
uk wkj xj j 1 yk (uk bk)
2.5.3 激励函数
1) Thresh Hold 2） Piecewise Linear 3） Sigmoid 4） Hyperbolic 5） Logistic
2.5.4 训练过程
2.5.4 训练过程
把输入模式映射到相应分类器，所需知识 由权值来体现。最初，给定问题域的权值 是未知的，直到找到有用权值之前，神经 网络不能解决这个问题。
输入参数：
最大和最小类别数目，因为算法进行自动的类别分裂和合并，所以不能确定类别 的具体数目。
最大迭代次数和每类中像元数量的变化，其中一项满足，则分类结束。 如果某一类别中的像元数目不满足 Minimum # pixel in class，则删除该类别， 像元归并到最近的一类中。 如果某一类的标准差大于Minimum class stdv，则该类别需要分裂成两个类别。 如果来年改革类别的平均距离小于Maximum class distance，则该两个类别合并 成一类。 Maximum # merge class 定义最多合并多少类别。 Maximum stdev from mean; Maximum distance error.
2.1 平行管道分类
①使用简单的分类规则进行多光谱遥感图像的分 类。
②决策线在n维光谱空间中是一个平行的管道。 ③管道的直径根据距离平均值的标准差确定。 ④如果某个像元落在某一类的平行管道的阈值范
围内，则划分到该类别中。 ⑤如果落在多个类中，ENVI则将这个像元划分到
最后匹配的类别。 ⑥落不到任何管道中，则标识为未分类像元。
2. 遥感图像按照波段数量分为:
1. 单波段数字图像:SPOT 的全色波段. 2. 多波段数字图像:TM的7个波段数据.
3. 多波段数字图像的三种数据格式
1. BSQ格式(Band sequential) 2. BIP格式(Band interleaved by pixel) 3. BIL格式(Band interleaved by line)
似然度是像元数据X 属于类别k 的后验概率。
如果类别k中X的条件概率为P(x/k), 则似然度
Lk的计算公式为：
Lk P(k / x) P(k) P(x / k) / P(i) (x / i)
i
2.3 最大似然分类
2.3 最大似然分类
2.4 马氏距离分类
这是一个方向敏感的分类器。类似于最大 似然分类。
ISODATA 算法
1.2 ISODATA
N― 所要求的类别数 I― 迭代次数限定值 Tn―每类集群中至少应有的点 数 Tc―集群分裂标准即每类集群 所允许的最大标准差 Tm―集群合并标准即两灯集群 中心间允许的最小距离
2 监督分类
2.1 平行管道分类 2.2 最小距离分类 2.3 最大似然分类 2.4 马氏距离分类 2.5 神经网络分类方法 2.6 光谱角分类 2.7 二值编码分类
2. 根据研究区域，收集与分析地面参考信息与有关数据。 3. 根据分类要求和图像数据的特征，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. 为了测定总体特征，在监督分类中可选择具有代表性
的训练场地进行采样，测定其特征。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。 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。
1.1 K-MEANS
K-均值算法 在数据空间内平均计算各类的均值，使用最小距离法，将 未知像元划分到某一类中，再调整均值，直到迭代次数满 足，或者距离阈值满足。
STEP1: 任意选择K个聚类中心，一般选前K个样本；
STEP2: 迭代，未知样本 X 分到距离最近的类中；
STEP3: 根据STEP2 的结果，重新计算聚类中心；
2. 计算机图象分类
概念：以区别图象中所含 的多个目标物为目的，对 每个像元或者比较均匀的 像元组给出对应其特征的 名称。
特征名称一般称类别，例 如土地利用/覆盖中的 居 民地、水域、园地、林地、 耕地等。
参与分类的多个特征量 （向量）所定义的空间， 称为特征空间，例如2个 波段定义的2维特征空间， 3个波段定义的3维特征空 间等。
1.2 ISODATA
ISODATA 迭代自组织数据分析算法（Interactive SelfOrganizing Data Analysis Technology Algorithm,简称 ISODATA）
在K均值算法的基础上，加入了试探性的步骤，能够吸取中间结 果的经验，在迭代的过程中可以进行类别的分离和合并，具有“自组 织”性，是目前非监督分类中使用最为广泛的算法。该算法中影响分 类结果的参数有：迭代次数、类别数、参加分类的波段数目。
区别是假定所有类别的斜方差矩阵是相同 的。
因此速度比最大似然法要快。
Baidu Nhomakorabea
2.5 神经网络分类
2.5.1 概念 2.5.2 神经元结构 2.5.3 激励函数 2.5.4 训练过程 2.5.5 误差曲线 2.5.6 神经网络的优缺点
2.5.1 人工神经网络概念
神经网络法是模拟人脑思维过程的智能推 理算法 。