最大似然法分類工作原理

1、Resource Center最大似然法分類工具所用的算法基于兩條原則：每個類樣本中的像元在多維空間中呈正態(tài)分布貝葉斯決策理論將各個像元指定給以特征文件表示的類時，此工具會同時考慮類特征的方差和協(xié)方差。假設類樣本呈 正態(tài)分布，則可使用均值向量和協(xié)方差矩陣作為類的特征。如果給定了每個像元值的這兩個特征，則 可計算每個類的統(tǒng)計概率，以確定像元作為該類的成員資格。指定默認的EQUAL先驗概率權(quán)重選項 時，每個像元將被分配給它最有可能具有成員資格的類。如果某些類出現(xiàn)的可能性大于（或小于）平均值，則應將FILE先驗選項與輸入先驗概率文件結(jié)合使 用。具有特殊概率的類的權(quán)重在先驗文件中指定。這種情況下，先驗

2、文件將有助于對處于兩個類的統(tǒng) 計重疊內(nèi)的像元進行分配。這些像元將會更精確地分配給相應的類，從而獲得更理想的分類。這種權(quán) 重分類方法就稱為貝葉斯分類法。通過選擇先驗選項SAMPLE，在輸入特征文件中進行采樣的所有類所分配到的先驗概率與按各個特 征捕獲的像元數(shù)量成正比。因此，像元數(shù)少于樣本平均值的類所獲得的權(quán)重將小于平均值，而像元數(shù) 大于樣本平均值的類所獲得的權(quán)重將大于平均值。結(jié)果是，相應類所分配到的像元數(shù)有多有少。執(zhí)行最大似然法分類時，還可同時生成一個可選的輸出置信柵格。此柵格顯示分類置信度。置信度的 數(shù)量為14,這與有效剔除分數(shù)值的個數(shù)直接相關(guān)。置信柵格中編碼為1的第一個置信度包含到輸 入特征

3、文件中所存儲的任何均值向量距離最短的像元，因此，這些像元的分類具有最高確定性。只有 在剔除分數(shù)為0.99或更小時，才會對第二個置信度所包含的像元（在置信柵格中像元值為2）進 行分類。最低的置信度在置信柵格中的值為14,顯示的像元最有可能不會進行分類。如果剔除分數(shù) 為0.005或更大，將不對此置信度的像元進行分類。示例以下示例顯示的是將具有三個波段的多波段柵格分成五類。這五個類分別是干涸的河床、森林、湖 泊、住宅區(qū)/果園，以及牧場。還將生成一個輸出置信柵格。以下顯示的是輸出柵格波段。redlandsSredlandslredlands2最大似然法分類的輸入示例最大似然法分類工具用于將柵格分為五類

4、。輸入柵格波段： redlands輸入特征文件： wedit.gsg輸出多波段柵格： mlclass_1剔除分數(shù)：0.01先驗概率權(quán)重： EQUAL輸入先驗概率文件：apriori_file_1輸出置信柵格：reject_ ras分類后的柵格將顯示為:最大似然法分類的輸出示例紅色區(qū)域表示正確分類的幾率不到1%的像元。由于使用的剔除分數(shù)為0.01，因此將為這些像 元指定值NoData。干涸的河床類以白色顯示、森林類以綠色顯示、湖泊類以藍色顯示、住宅區(qū)/ 果園類以黃色顯示、牧場類以桔黃色顯示。以下列表是輸出置信柵格的值屬性表。它顯示了按置信度等級分類的像元數(shù)。值1表示正確分類 的幾率為100%。有

5、3,033個像元是按該置信度進行分類的。值5表示正確分類的幾率為 95%。有10,701個像元正確分類的機率是0.005%，它們對應的值為1最佳答案最大似然法的判別規(guī)則是基于概率的，它把每個具有模式測試或特征X的像元 劃分到很有可能出現(xiàn)特征向量X的第i類中。換言之，首先計算某個像元屬于一 個預先設置好的m類數(shù)據(jù)集中每一類的概率，然后將該像元劃分到概率最大的 那一類。最大似然法假設每個波段中各類訓練數(shù)據(jù)都呈正態(tài)（高斯）分布，直方圖具 有兩個或n個波峰的單波段訓練數(shù)據(jù)并不理想。在這種情況下，各個波峰很有可 能表示是由各類惟一確定的，應該作為分離的訓練類單獨訓練和標識。然后，應 該得到滿足正態(tài)分布要求的單峰、高斯型訓練類統(tǒng)計量。我推薦你看一下美John R.Jensen著，