第九章遙感圖像自動識別分類

1、 遙感圖像自動分類的重要性 自動分類的基礎(chǔ) 分類前的預(yù)處理 分類的具體方法 對各種方法的評價 相關(guān)軟件的操作 遙感圖像分類的發(fā)展趨勢本 章 要 點遙感圖像分類是圖像信息提取的一種方法從遙感信息中提取的專題信息提取信息類型 應(yīng)用分類 土地覆蓋、樹種識別、植被和農(nóng)作物等變化檢測土地覆蓋變化物理量提取溫度、大氣成分、土壤含水量指標(biāo)提取 植被指數(shù)、渾濁指數(shù)特定地物和姿態(tài)的提取火災(zāi)，水災(zāi)，線形構(gòu)造，遺跡探察空間位置 平面位置，高程與目視判讀的聯(lián)系與區(qū)別 從影象上提取信息方法：目視判讀和計算機(jī)自動分類。 目視判讀：對遙感圖像上的各種特征進(jìn)行綜合分析、比較、推理和判斷，最后提取感興趣的信息。 計算機(jī)自動分類

2、：計算機(jī)根據(jù)一定的算法把圖像上所有的像素或像素組分類，提取感興趣的信息。TM原始影像和分類圖像TM圖像各波段原始灰度值與對應(yīng)的類別TM各波段灰度值對應(yīng)的類別計算機(jī)分類基本情況 模式識別技術(shù)在遙感技術(shù)領(lǐng)域的具體應(yīng)用。 模式識別對一系列過程或時間的分類描述，識別時具有某些相似的性質(zhì)或事件就分類一類 目前遙感圖像自動分類主要采用決策理論（統(tǒng)計）方法。統(tǒng)計模式識別 需要從被識別的對象（模式）中提取一些反映對象屬性的度量-特征（變量），把它定義在一個特征空間中，然后利用統(tǒng)計決策的原理對特征空間進(jìn)行劃分，以區(qū)分不同特征的對象達(dá)到分類目的。 遙感圖像計算機(jī)分類的依據(jù)是遙感圖像像素的相似度。常使用距離和相關(guān)系

3、數(shù)來衡量相似度。 采用距離衡量相似度時，距離越小相似度越大。 采用相關(guān)系數(shù)衡量相似度時，相關(guān)程度越大，相似度越大。 遙感圖像計算機(jī)分類方法 監(jiān)督分類法：選擇具有代表性的典型實驗區(qū)或訓(xùn)練區(qū)，用訓(xùn)練區(qū)中已知地面各類地物樣本的光譜特性來“訓(xùn)練”計算機(jī)，獲得識別各類地物的判別函數(shù)或模式，并以此對未知地區(qū)的像元進(jìn)行分類處理，分別歸入到已知的類別中。 非監(jiān)督分類：是在沒有先驗類別（訓(xùn)練場地）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進(jìn)行歸類合并（即相似度的像元歸為一類）的方法。遙感數(shù)字圖像計算機(jī)分類基本過程根據(jù)圖像分類目的選取特定區(qū)域的遙感數(shù)字圖像，需考慮圖像的空間分辨率、光譜分辨

4、率、成像時間、圖像質(zhì)量等。根據(jù)研究區(qū)域，收集與分析地面參考信息與有關(guān)數(shù)據(jù)。根據(jù)分類要求和圖像數(shù)據(jù)的特征，選擇合適的圖像分類方法和算法。制定分類系統(tǒng)，確定分類類別。找出代表這些類別的統(tǒng)計特征。為了測定總體特征，在監(jiān)督分類中可選擇具有代表性的訓(xùn)練場地進(jìn)行采樣，測定其特征。在非監(jiān)督分類中，可用聚類等方法對特征相似的像素進(jìn)行歸類，測定其特征。對遙感圖像中各像素進(jìn)行分類。分類精度檢查。對判別分析的結(jié)果進(jìn)行統(tǒng)計檢驗。9.1 分類預(yù)處理9.1.1 基礎(chǔ)知識1、光譜特征空間 同名地物點在不同波段圖像中亮度的觀測量將構(gòu)成一個多維的隨機(jī)向量X，稱為光譜特征向量光譜特征向量。即式中 n ：圖像波段總數(shù)； Xj：地物

5、圖像點在第i波段圖像中的亮度值。如TM圖像上任一個點TM=TM1，TM2，TM3，TM4，TM5，TM6，TM7TnxxxX,21波譜特性曲線與響應(yīng)曲線2、特征空間及地物聚類用亮度值軸構(gòu)成的一個直角坐標(biāo)空間地物在特征空間中的聚類情況理想情況典型情況一般情況3、地物在特征空間中聚類的統(tǒng)計特性)()(21exp)2()(1221MXMXXPTn12,nMm mmkikixNm1nnnnnn212222111211)(1jikkiikijmxmxNikx為均值向量；為協(xié)方差矩陣，即其中，式中，表示第i 特征第k 個特征值；N為第i 特征的特征值總個數(shù)。4、如何把這些地物分類？1）找出每類的邊界）找出

6、每類的邊界從每類的統(tǒng)計特性出發(fā)，研究每類所占據(jù)的區(qū)域。2）建立判別函數(shù)或判別邊界）建立判別函數(shù)或判別邊界類別二類別三類別一d12(X)=0d13(X)=0d23(X)=0+-+-+-類別一類別二x1x2類別三 IR IR IR IRd3(X)=0d2(X)=0d1(X)=0判別函數(shù)判決：當(dāng)且僅當(dāng)對于更多的類別，當(dāng)且僅當(dāng)m為類別數(shù)3）示例判別函數(shù)判別函數(shù)故xa屬于1。因判別函數(shù)xb屬于25、有關(guān)統(tǒng)計量1）像元之間的相關(guān)系數(shù)2）相似系數(shù)3）歐氏距離4）絕對距離5）馬氏距離6）混合距離7）二類均值的標(biāo)準(zhǔn)化距離8）二類可分離性統(tǒng)計量概念：將原始圖像通過一定的數(shù)字變換生成一組新的特征圖像，這一組新圖像信

7、息集中在少數(shù)幾個特征圖像上。目的：數(shù)據(jù)量有所減少，去相關(guān)，有助于分類。常用的特征變換：主分量變換、哈達(dá)瑪變換、生物是指標(biāo)變換、比值變換以及穗帽變換等。9.1.2 特征變換1、主分量變換Principal Component Analysis Karhunen-Loeve (K-L)變換 基本思想：一種線性變換，均方誤差最小的最佳正交變換；是在統(tǒng)計特征基礎(chǔ)上的線性變換。目的：數(shù)據(jù)壓縮；新的特征圖像之間互不相關(guān)；增加類別的可分性。幾何意義把原始特征空間的特征軸旋轉(zhuǎn)到平行于混合集群結(jié)構(gòu)軸的方向上。K-L變換的性質(zhì)變換后的矢量的協(xié)方差矩陣是對角的。所有正交變換中均方誤差最小。 主分量變換后，有的特征影

8、像反差拉大，信息集中，整個影像上離散度變大；而另一些特征影像上離散度變小，出現(xiàn)更多的噪聲。 根據(jù)統(tǒng)計，對于Landsat MSS四個波段的影像，經(jīng)主分量變換后，在第一主分量PC1圖像中占有90%左右的總信息量，第二主分量PC2圖像的占7%，PC3和PC4共占3%左右。主分量變換計算步驟如下（1）計算均值向量M和協(xié)方差矩陣C；（2）計算矩陣C的特征值和特征向量；（3）將特征值按由大到小的次序排列；（4）選擇前n個特征值對應(yīng)的n個特征向量構(gòu)造變換矩陣n。（5）根據(jù)nX進(jìn)行變換，得到的新特征影像就是變換的結(jié)果，X為多光譜圖像的一個光譜特征矢量。MSS主分量變換前后的信息量分布TM主分量變換前后的信息

9、量分布PC1PC2PC52、哈達(dá)瑪變換 哈達(dá)瑪變換是利用哈達(dá)瑪矩陣作為變換矩陣實施的遙感多光譜域變換。哈達(dá)瑪矩陣的維數(shù)N總是2的冪，即N=2m。 哈達(dá)瑪矩陣的變換核為：哈達(dá)瑪變換的幾何意義：1mmmmmHHHHH變換比較 3、 穗帽變換（K-T變換） MSS圖像信息隨時間變化的空間分布形態(tài)是呈規(guī)律性形狀的，像一個頂部有纓子的氈帽。 Kauth和Thomas研究出的矩陣A具有如下形式：變換成為：Y=AX，其中 Y=(ISB IGV IY IN)T X=（x4x5x6x7）式中，ISB土壤亮度軸的像元亮度值； IGV植物綠色指標(biāo)軸的像元亮度值； IY黃色軸； IN噪聲軸； xi地物在MSS四個波段

10、上的亮度值。TM圖像的穗帽變換矩陣4、 生物量指標(biāo)變換其形式為：式中：Ibio生物量變換后的亮度值。 x7，x5為MSS 7和MSS 5圖像的像元亮度值。 經(jīng)變換后，植物、土壤和水都分離開來，因此可獨立地對綠色植物量進(jìn)行統(tǒng)計。變換比較概念：用最少的影像數(shù)據(jù)最好地進(jìn)行分類。這樣就需在這些特征影像中，選擇一組最佳的特征影像進(jìn)行分類，這就稱為特征選擇。1.定性的方法2.定量的方法相關(guān)系數(shù)法距離測度 類內(nèi)距離越小，類間距離越大散布矩陣測度 類內(nèi)散布矩陣和類間散布矩陣9.1.3 特征選擇1、相關(guān)系數(shù)法 求取（影像）特征間的相關(guān)系數(shù)如：TM2和TM3的相關(guān)系數(shù)為0.89，說明有許多地物相關(guān)性很強(qiáng)，冗余度大

11、，只需選擇其中一個影像參加分類就可以。而TM3與TM4的相關(guān)系數(shù)僅為0.23，說明兩個波段的相關(guān)性小，需兩個波段都參與分類。2、標(biāo)準(zhǔn)化距離法由此可知，標(biāo)準(zhǔn)化距離越大，說明該影像上所要區(qū)分的兩類地物可分性大，它有兩種情況：（1）是類間離散度大，即均值間的距離大，標(biāo)準(zhǔn)化距離必然大。（2）是類內(nèi)離度度小，即標(biāo)準(zhǔn)偏差之和小，標(biāo)準(zhǔn)化距離也必然大。9.2 監(jiān)督分類監(jiān)督分類的概念 首先需要從研究區(qū)域選取有代表性的訓(xùn)練場地作為樣本。根據(jù)已知訓(xùn)練區(qū)提供的樣本,通過選擇特征參數(shù)（如像素亮度均值、差等）,建立判別函數(shù),據(jù)此對樣本像元進(jìn)行分類,依據(jù)樣本類別的特征來識別非樣本像元的歸屬類別。 監(jiān)督分類包括利用訓(xùn)練區(qū)樣本

12、建立判別函數(shù)的“學(xué)習(xí)”過程和把待分像元代入判別函數(shù)進(jìn)行判別的過程。監(jiān)督分類的思想 根據(jù)已知的樣本類別和類別的先驗知識，確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，其中利用一定數(shù)量的已知類別函數(shù)中求解待定參數(shù)的過程稱之為學(xué)習(xí)或訓(xùn)練，然后將未知類別的樣本的觀測值代入判別函數(shù)，再依據(jù)判別準(zhǔn)則對該樣本的所屬類別作出判定。監(jiān)督分類的主要步驟如下：（1）確定感興趣的類別數(shù)。（2）特征變換和特征選擇。（3）選擇訓(xùn)練樣區(qū)。（4）確定判決函數(shù)和判決規(guī)則。（5）根據(jù)判決函數(shù)和判決規(guī)則對非訓(xùn)練樣區(qū)的圖像區(qū)域進(jìn)行分類。樣區(qū)的獲取樣區(qū)的要求樣區(qū)的統(tǒng)計9.2.1 判別函數(shù)和判別規(guī)則判別函數(shù) 當(dāng)各個類別的判別區(qū)域確定后，用來表示和鑒別某

13、個特征矢量屬于哪個類別的函數(shù)。判別規(guī)則 判斷特征矢量屬于某類的依據(jù)。常用的兩種判別函數(shù)和判別規(guī)則：概率判別函數(shù)和貝葉斯判別規(guī)則距離判別函數(shù)和判別規(guī)則1、概率判別函數(shù)和貝葉斯判別規(guī)則 由特征空間概念可知，地物點可以在特征空間找到相應(yīng)的特征點同類地物在特征空間中形成一個從屬于某種概率分布的集群。 概率判別函數(shù)：把某特征矢量X落入某類集群的條件概率當(dāng)成分類判別函數(shù)。 貝葉斯判別規(guī)則：把X落入某集群的條件概率最大的類為X的類別。 葉斯判別規(guī)則以錯分概率或風(fēng)險最小為準(zhǔn)則的判別規(guī)則。根據(jù)概率判別函數(shù)和貝葉斯判別規(guī)則來進(jìn)行的分類通常稱為最大似然分類法。 假設(shè)，同類地物在特征空間服從正態(tài)分布，則類別的概率密度

14、函數(shù)。根據(jù)貝葉斯公式，可得貝葉斯判別函數(shù) 相應(yīng)的貝葉斯判別規(guī)則為：若對于所有可能的j=1，2，m；ji 有則X屬于i類。錯分概率 概率判別函數(shù)的判別邊界(假設(shè)有兩類)。當(dāng)使用概率判別函數(shù)實行分類時，不可避免地會出現(xiàn)錯分現(xiàn)象，分類錯誤的總概率由后驗概率函數(shù)重疊部分下的面積給出，錯分概率是類別判別分界兩側(cè)作出不正確判別的概率之和。2、距離判別函數(shù)和判別規(guī)則 基本思想：計算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于哪類。 距離判別規(guī)則是按最小距離判別的原則 馬氏（Mahalanobis）距離 歐氏（Euclidean）距離 計程（Taxi）距離基于距離判別函數(shù)和判別規(guī)則，在

15、實踐中以此為原理的分類方法稱為最小距離分類法。1）馬氏距離判別函數(shù)： 在各類別先驗概率和集群體積|都相同（或先驗概率與體積的比為同一常數(shù)）情況下的概率判別函數(shù)馬氏距離幾何意義：X到類重心之間的加權(quán)距離，其權(quán)系數(shù)為多維方差或協(xié)方差。2）歐氏距離 在馬氏距離的基礎(chǔ)上，作下列限制 將協(xié)方差矩陣限制為對角的； 沿每一特征軸的方差均相等。歐氏距離是馬氏距離用于分類集群的形狀都相同情況下的特例。3）計程（Taxi）距離 X到集群中心在多維空間中距離的絕對值之總和來表示：管道法分類 該方法以地物的光譜特性曲線為基礎(chǔ)，假定同類地物的光譜特性曲線相似，以此作為判別的標(biāo)準(zhǔn)。設(shè)置一個相似閾值，這樣，同類地物在特征空

16、間上表現(xiàn)為以特征曲線為中心，以相似閾值為半徑的管子，此即為所謂的“平行管道”。平行管道分類法最小距離分類法最大似然比分類法分類過程1) 對訓(xùn)練樣區(qū)的要求準(zhǔn)確性、代表性和統(tǒng)計性。準(zhǔn)確性：要確保選擇的樣區(qū)與實際地物一致；代表性：所選樣區(qū)為某一地物的代表，還要考慮到地物本身的復(fù)雜性，反映同類地物光譜特性的波動情況；統(tǒng)計性：指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元，以保證由此計算出的類別參數(shù)符合統(tǒng)計規(guī)律。2) 初始類別參數(shù)的形成選擇樣本區(qū)域?qū)颖緮?shù)據(jù)在特征空間進(jìn)行聚類計算每個類別的M 和，建立類別的判別函數(shù)3) 根據(jù)判別函數(shù)逐個像素的分類判別4) 分類結(jié)果影像的形成建筑物 1分類得到的專題圖監(jiān)督分類的優(yōu)缺

17、點優(yōu)點：根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要的類別；可以控制訓(xùn)練樣本的選擇；可以通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精確分類，從而避免分類中的嚴(yán)重錯誤；避免了非監(jiān)督分類中對光譜集群的重新歸類。缺點：主觀性；由于圖像中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性；訓(xùn)練樣本的獲取和評估花費較多人力時間；只能識別訓(xùn)練中定義的類別。9.3 非監(jiān)督分類 非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑數(shù)據(jù)遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性進(jìn)行“盲目”的分類。其分類的結(jié)果只是對不同類別達(dá)到了區(qū)分，但并不能確定類別的屬性。其類別的屬性是通過分類結(jié)束后目視

18、判讀或?qū)嵉卣{(diào)查確定的。非監(jiān)督分類也稱聚類分析。 與監(jiān)督法的先學(xué)習(xí)后分類不同，非監(jiān)督法是邊學(xué)習(xí)邊分類，通過學(xué)習(xí)找到相同的類別，然后將該類與其他類區(qū)分開，但是非監(jiān)督法與監(jiān)督法都是以圖像的灰度為基礎(chǔ)的。通過統(tǒng)計計算一些特征參數(shù)，如均值、協(xié)方差等進(jìn)行分類的。所以也有一些共性。 非監(jiān)督分類主要采用聚類分析方法，聚類是把一組像素按照相似性歸成若干類別，即“物以類聚”。它的目的是使得屬于同一類別的像素之間的距離盡可能的小而不同類別上的像素間的距離盡可能的大。其常用方法如下:(1) 分級集群法(Hierarchical Clustering) (2) 動態(tài)聚類法ISODATA方法在動態(tài)聚類法中具有代表性。9.

19、3.1 K-均值聚類法 K-均值算法的聚類準(zhǔn)則是使每一聚類中，多模式點到該類別的中心的距離的平方和最小。其基本思想是，通過迭代，逐次移動各類的中心，直至得到最好的聚類結(jié)果為止。 這種算法的結(jié)果受到所選聚類中心的數(shù)目和其初始位置以及模式分布的幾何性質(zhì)和讀入次序等因素的影響，并且在迭代過程中又沒有調(diào)整類數(shù)的措施，因此可能產(chǎn)生不同的初始分類得到不同的結(jié)果，這是這種方法的缺點。K-均值聚類法 假設(shè)圖像上的目標(biāo)要分為m類別，m為已知數(shù)。第一步：適當(dāng)?shù)剡x取 m個類的初始中心Z1(1)、Z2(2) 、Zm(m)。初始中心的選擇對聚類結(jié)果有一定的影響，初始中心的選擇一般有如下幾種方法；1）根據(jù)問題的性質(zhì)，根據(jù)

20、經(jīng)驗確定類別數(shù)m，從數(shù)據(jù)中找出從直觀上看來比較適合的m個類的初始中心。2）將全部數(shù)據(jù)隨機(jī)地分為m 個類別，計算每類的重心，將這些重心作為m個類的初始中心。K-均值聚類法執(zhí)行步驟第二步：在第K次迭代中，對任一樣本X按如下的方法把它調(diào)整到m個類別中的某一類別中去。對于所有的ij，i=1,2,m，如果X-Zj(k)X-Zi(k),則XSj(k)，其中Sj(k)是以Zj(k)為中心的類。第三步：由第二步得到Sj(k) 類新的中心Zj(k+1) 式中：Nj為Sj(k)類中的樣本數(shù)。Zj(k+1)是按照使J最小的原則確定的，J的表達(dá)式為： 第四步：對于所有的i=1,2,m，如果Zj(k+1) = Zj(k

21、) ，則迭代結(jié)束，否則轉(zhuǎn)到第二步繼續(xù)進(jìn)行迭代。)(1)1(kjSXjkjXNZ21)1()( mjSXkjkjZXJ第一步： 取K=2，令z1(1)=x1=(0,0)T，z2(1)=x2=(1,0)T第二步： 因為|x1-z1(1)| |x1-z2(1)|，故x1f1(1) |x2-z2(1)| |x2-z1(1)|，故x2f2(1) |x3-z1(1)| |x3-z2(1)|，故x3f1(1) 從而有f1(1) = x1,x3， f2(1)=x2,x4,x5,x20第三步：計算新的聚類中心12113(1)1224520(1)20.011(2)()0.525.6711(2)()5.3318xf

22、xfzxxxNzxxxxxN第四步：因zj(2) zj(1)，j=1,2，故回到第二步。第二步：按新的聚類中心分類，有 |xi-z1(2)| |xi-z2(2)|，i=1,2,8 |xj-z2(2)| |xj-z1(2)|，i=9,10,20故 f1(2)=x1,x2,x8，f2(2)=x9,x10,x20第三步：計算新的聚類中心121128(2)1291020(2)21.2511(3)()1.1387.6711(3)()7.3312xfxfzxxxxNzxxxxN第四步：因zj(3) zj(2)，j=1,2，回到第二步。第二步：重新進(jìn)行聚類，得到f1(3)=f1(2)，f2(3)=f2(2)

23、。第三步：聚類中心與前一次迭代結(jié)果相同。第四步：因zj(4) = zj(3)，j=1,2，故算法收斂，算法結(jié)束。更新均值的時機(jī)：更新均值的時機(jī)： 逐個樣本修正法 成批樣本修正法9.3.2 ISODATA算法聚類分析 ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法也稱為迭代自組織數(shù)據(jù)分析算法。它與K-均值算法有兩點不同，第一，它不是每調(diào)整一個樣本的類別就重新計算一次各類樣本的均值，而是在每次把所有樣本都調(diào)整完畢之后才重新計算一次各類樣本的均值，前者稱為逐個樣本修正法，后者稱為成批樣本修正法；第二，IS

24、ODATA算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自動地進(jìn)行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。ISODATA算法聚類分析框圖 第一步：將N個模式樣本 Xi，i=1,2,3,N 讀入。預(yù)選N個初始聚類中心z1,z2,zNc,它可以不必等于所要求的聚類中心的數(shù)目，其初始位置亦可從樣本中任選一些代入。ISODATA算法執(zhí)行步驟預(yù)選：K=預(yù)期的聚類中心數(shù)目； N = 每一聚類域中最少的樣本數(shù)目，即若少于此數(shù)就不作為一個獨立的聚類； S = 一個聚類域中樣本距離分布的標(biāo)準(zhǔn)差； c = 兩聚類中心之間的最小距離，如小于此數(shù)，兩個聚類進(jìn)行合并； L=在一次迭代運算

25、中可以合并的聚類中心的最多對數(shù)； I =迭代運算的次數(shù)序號。第二步：將N個模式樣本分給最近的聚類Sj ，假如Dj=min(X-Zj，j=1,2, ), 即X-Zj的距離最小，則x Sj 。第三步：如果Sj中的樣本數(shù)目NjS（該值給定），同時又滿足以下條件之一： (a) 和 2（ +1），即 中樣本總數(shù)超過規(guī)定值一倍以上，（b） K/2，則將 分裂為兩個新的聚類中心 和 ,且 加1。 中相當(dāng)于 的分量，可加上k ，其中0k1； 中相當(dāng)于 的分量，可減去k 。如果本步完成了分裂運算，則跳回第二步；否則，繼續(xù)。第十一步：計算全部聚類中心的距離： ,i=1,2, , -1 j=i+1, , 第十二步：

26、比較 與c值，將 c的值按最小距離次序遞增排列，即 , , , 式中， N ，無子集可以取消；第五步，修改聚類中心1113.3812.75xfmxN第六步，計算類中心平均距離111112.26xfxmN第七步，計算總和平均距離12.26第八步，由于不是最后一次迭代，且c=K/2，故進(jìn)入第九步。第九步，求f1中的標(biāo)準(zhǔn)差向量1=(1.99，1.56)。第十步， 1中最大分量為1.99，故1max=1.99。第十一步，因為1maxS，且c=K/2，可將m1分裂成為兩個新的聚類中心。設(shè)k=0.5，則重新計算的聚類中心為114.382.38,2.752.75mm為了方便起見，將上述兩個聚類中心改名為m1

27、，m2（下同）。C值增加1，并返回第三步。第三步，計算每一樣本到m1，m2的距離，按最小距離進(jìn)行分類，得到兩個聚類域，f1=x4,x5,x6,x7,x8，f2=x1,x2,x3，且N1=5，N2=3。第四步，因N1和N2均大于N，故無可取消的類別。第五步，修改聚類中心。1212124.801.0611;3.801.00 xfxfmxmxNN第六步，計算類中心平均距離12112212110.80;0.94xfxfxmxmNN第七步，計算總和平均距離2110.85cjjjNN第八步，因這是偶次迭代，故進(jìn)入第十二步。第十二步，計算聚類中心之間的距離。12124.72mm第十三步，比較12與c，有12

28、 c。第十四步，根據(jù)上一步的比較情況，無可進(jìn)行合并的類別對。第十五步，因為這不是最后一次迭代，需要判斷是否需要修改給定的參數(shù)，并繼續(xù)返回第三步。第三步第七步，與前一次迭代計算相同。第八步，條件均不能滿足，繼續(xù)下一步。第九步，計算f1=x4,x5,x6,x7,x8，f2=x1,x2,x3的標(biāo)準(zhǔn)差向量120.750.82;0.750.82第十步， 1max=0.75， 2max=0.82 。第十一步，因為1maxS且1maxS，不滿足分裂條件，故執(zhí)行下一步。第十二步第十四步，與前一次迭代結(jié)果相同。第十五步，此次迭代無新的分類變更，故返回第三步。第三步第七步，與前一次迭代結(jié)果相同。第八步，因為是最后

29、一次迭代，置c=0，跳到第十二步。第十二步第十四步，均與前一次迭代結(jié)果相同。第十五步，由于是最后一次迭代，故算法結(jié)束。非監(jiān)督分類的優(yōu)缺點優(yōu)點： 不需要預(yù)先對所分類別的區(qū)域有廣泛的了解，需要用一定的知識來解釋得到的集群組； 人為誤差的機(jī)會減少； 量小的類別能被區(qū)分。缺點： 得到的集群組類別不一定對應(yīng)分析者想要的類別； 難對產(chǎn)生的類別進(jìn)行控制； 不同圖像之間的對比困難。模糊聚類算法 模糊聚類的思想基于事物的表現(xiàn)有時不是絕對的，而是存在著一個不確定的模糊因素。同樣在遙感影像計算機(jī)分類中也存在著這種模糊性，因此，劃分類別的分類矩陣最好也是一個模糊矩陣，即 滿足以下條件： 1） ，表示樣本屬于第I類的隸

30、屬度；2）A中每列元素之和為1，即一個樣本對各類的隸屬度之和為1；3）A中每行元素之和大于0，即表示每類不為空集。計算機(jī)分類的新方法計算機(jī)分類的新方法0,1ija 以模糊矩陣對樣本集進(jìn)行分類的過程稱為軟分類。若分析的對象有m個類別，第k個像元 與每個類別中心 之間的距離的平方為： 為了得到合理的軟分類，定義聚類準(zhǔn)則如下：其中A為軟分類矩陣，V表示聚類中心，n為樣本數(shù)，b是權(quán)系數(shù)，b越大，分類越模糊。計算機(jī)分類的新方法計算機(jī)分類的新方法12( ,)knkXx xx12( ,)iniVx xx2,1,2,ikiidXVim211( , )nmbbikikkiJA Vad一般情況下，b1，當(dāng)b1時就

31、是硬分類。當(dāng) 達(dá)到極小值時，整體分類達(dá)到最優(yōu)。 與 通過下式求得： 一般來說，確定一個初始類別中心 （0）后，即可通過計算 確定第k個像元的歸屬，然后由所計算的 計算更正后的類別中心 （1），如此直至新計算的 與上一次的非常接近為止。由于遙感數(shù)據(jù)量非常大，可事先確定一個樣本集，計算只針對樣本而不是所有像元。 計算機(jī)分類的新方法計算機(jī)分類的新方法bJikaiViVikaikaikaiV211()1ikmikjkjaddm11nbikkkinbikkaXVa人工神經(jīng)網(wǎng)絡(luò)方法 人工神經(jīng)網(wǎng)絡(luò)中的處理單元是人類大腦神經(jīng)元的簡化。如圖所示，一個處理單元（人工神經(jīng)元），將接受到的信息 ，通過用， 表示的互聯(lián)

32、強(qiáng)度，以點積的形式合成為自己的輸入，并將輸入與以某種方式設(shè)定的閾值作比較，再經(jīng)某種形式的作用函數(shù)f的轉(zhuǎn)換，便得到該處理單元的輸出y。 計算機(jī)分類的新方法計算機(jī)分類的新方法121( ,)nXx xx121(,)nW WW式中： xi 為第I個輸入元素；Wi 為從第I個輸入與處理單元間的互聯(lián)權(quán)重； 為處理單元的內(nèi)部閾值； y 為處理單元的輸出。計算機(jī)分類的新方法計算機(jī)分類的新方法purelin(n) = nlogsig(n) = 1 / (1 + exp(-n)tansig(n) = 2/(1+exp(-2*n)-1計算機(jī)分類的新方法計算機(jī)分類的新方法其它的常用方法一、非監(jiān)督分類與監(jiān)督分類的結(jié)合

33、基于最大似然原理的監(jiān)督法分類的優(yōu)勢在于如果空間聚類呈現(xiàn)正態(tài)分布，那么它會減小分類誤差，而且，分類速度較快。監(jiān)督法分類主要缺陷是必須在分類前圈定樣本性質(zhì)單一的訓(xùn)練樣區(qū)，而這可以通過非監(jiān)督法來進(jìn)行。即通過非監(jiān)督法將一定區(qū)域聚類成不同的單一類別，監(jiān)督法再利用這些單一類別區(qū)域“訓(xùn)練”計算機(jī)。通過“訓(xùn)練”后的計算機(jī)將其他區(qū)域分類完成，這樣避免了使用速度比較慢的非監(jiān)督法對整個影像區(qū)域進(jìn)行分類，使分類精度得到保證的前提下，分類速度得到了提高。具體執(zhí)行步驟：第一步：選擇一些有代表性的區(qū)域進(jìn)行非監(jiān)督分類。這些區(qū)域盡可能包括所有感興趣的地物類別。這些區(qū)域的選擇與監(jiān)督法分類訓(xùn)練樣區(qū)的選擇要求相反，監(jiān)督法分類訓(xùn)練樣區(qū)

34、要求盡可能單一。而這里選擇的區(qū)域包含類別盡可能地多，以便使所有感興趣的地物類別都能得到聚類。第二步：獲得多個聚類類別的先驗知識。這些先驗知識的獲取可以通過判讀和實地調(diào)查來得到。聚類的類別作為監(jiān)督分類的訓(xùn)練樣區(qū)。第三步：特征選擇。選擇最適合的特征圖像進(jìn)行后續(xù)分類。第四步：使用監(jiān)督法對整個影像進(jìn)行分類。根據(jù)前幾步獲得的先驗知識以及聚類后的樣本數(shù)據(jù)設(shè)計分類器。并對整個影像區(qū)域進(jìn)行分類。第五步：輸出標(biāo)記圖像。由于分類結(jié)束后影像的類別信息也已確定。所以可以將整幅影像標(biāo)記為相應(yīng)類別輸出。二、高程信息在遙感圖像分類中的應(yīng)用 由于地形起伏的影響，會使地物的光譜反射特性產(chǎn)生變化，并且不同地物的生長地域往往受海拔高度或坡度坡向的制約，所以將高程信息作為輔助信息參與分類將有助于提高分類的精度。 高程信息在分類中的應(yīng)用主要體現(xiàn)在不同地物類別在不同高程中出現(xiàn)的先驗概率不同。假設(shè)高程信息的引入并不顯著地改變隨機(jī)變量的統(tǒng)計分布特征，則帶有高程信息的貝葉斯判決函數(shù)只需將新的先驗概率代替原來的先驗概率即可，余下的運算相同。 同理可利用坡度，坡向等其它地形信息。 三、紋理信息在遙感圖像分類中的應(yīng)用 紋理特征有時也