51計(jì)算機(jī)解譯(圖象分類)課件

陳建國(guó)

數(shù)學(xué)地質(zhì)遙感地質(zhì)研究所(e-mail:jgchen@)數(shù)字圖像的計(jì)算機(jī)解譯1陳建國(guó)數(shù)字圖像的計(jì)算機(jī)解譯1遙感圖像解譯遙感圖像解譯是從遙感圖像上獲取目標(biāo)地物信息的過(guò)程。遙感圖像解譯分為兩種：一種是目視解譯，又稱目視判讀，或目視判譯，它指專業(yè)人員通過(guò)直接觀察或借助輔助判讀儀器在遙感圖像上獲取特定目標(biāo)地物信息的過(guò)程。另一種是遙感圖像計(jì)算機(jī)解譯，又稱遙感圖像理解，它以計(jì)算機(jī)系統(tǒng)為支撐環(huán)境，利用模式識(shí)別技術(shù)與人工智能技術(shù)相結(jié)合，根據(jù)遙感圖像中目標(biāo)地物的各種影像特征(顏色、形狀、紋理與空間位置)，結(jié)合專家知識(shí)庫(kù)中目標(biāo)地物的解譯經(jīng)驗(yàn)和成像規(guī)律等知識(shí)進(jìn)行分析和推理，實(shí)現(xiàn)對(duì)遙感圖像的理解，完成對(duì)遙感圖像的解譯。2遙感圖像解譯遙感圖像解譯是從遙感圖像上獲取目標(biāo)地物信息的過(guò)計(jì)算機(jī)解譯遙感圖像的計(jì)算機(jī)分類依據(jù)象素的多光譜特征,用統(tǒng)計(jì)模式識(shí)別技術(shù),進(jìn)行分類.而不考慮相鄰象素間的關(guān)系遙感圖像的特征提取除利用地物的光譜特征外,還利用地物的形狀特征和空間關(guān)系特征,進(jìn)行結(jié)構(gòu)模式識(shí)別---又叫句法模式識(shí)別3計(jì)算機(jī)解譯遙感圖像的計(jì)算機(jī)分類3遙感圖象分類監(jiān)督分類非監(jiān)督分類方法過(guò)程：包括精度分析4遙感圖象分類監(jiān)督分類4圖象分類計(jì)算機(jī)分類：是通過(guò)模式識(shí)別理論，利用計(jì)算機(jī)將遙感圖象自動(dòng)分成若干地物類別的方法。如土地覆蓋/土地利用分類、森林類型分類、植被類型分類、巖性分類、……

數(shù)據(jù)--信息（遙感數(shù)據(jù)---地物信息）5圖象分類計(jì)算機(jī)分類：是通過(guò)模式識(shí)別理論，利用計(jì)算機(jī)將遙感圖象圖像分類基本原理：不同的地物具有不同的光譜特征，同類地物具有相同或相似的光譜特征圖象分類：基于數(shù)字圖象中反映的同類地物的光譜相似性和異類地物的光譜差異性6圖像分類基本原理：6圖象分類圖象分類過(guò)程的總目標(biāo)是，將圖象中所有的像元自動(dòng)地進(jìn)行土地覆蓋類型或土地覆蓋專題的分類。7圖象分類圖象分類過(guò)程的總目標(biāo)是，將圖象中所有的像元自動(dòng)地進(jìn)行圖象分類問(wèn)題（光譜分類）：同物異譜：同類地物具有不同的光譜特征同譜異物：不同的地物可能具有相似的光譜特征。如：同一作物，生長(zhǎng)狀態(tài)不同，光譜特征有差異；不同的植被類型可能有相似的光譜特征8圖象分類問(wèn)題（光譜分類）：8長(zhǎng)滿藻類并含有不同濃度懸浮物的水體（0-500mg/l）的光譜曲線清水和長(zhǎng)滿藻類的水體的實(shí)測(cè)光譜曲線葉綠素a在400與500nm間和675nm處的強(qiáng)烈吸收水體光譜特征的變化：同物異譜9長(zhǎng)滿藻類并含有不同濃度懸浮物的水體（0-500mg/l圖像分類問(wèn)題：光譜類和信息類不對(duì)應(yīng)光譜類（spectralclass）：基于光譜特征形成的類別如房屋的陽(yáng)面和陰面光譜特征不同，不同的光譜類信息類(informationclass)：根據(jù)實(shí)際需要待分的類別人為的劃分.

如城市類由道路、建筑物、水體、綠地等不同地物組成，不同地物光譜特征不同

磚場(chǎng)：煙囪（窯）、取土坑、堆磚處、房屋等10圖像分類問(wèn)題：光譜類和信息類不對(duì)應(yīng)10圖象分類模式（pattern）:在多波段圖象中，每個(gè)象元都具有一組對(duì)應(yīng)取值，稱為象元模式特征（feature）：在多波段圖象中，每個(gè)波段都可看作一個(gè)變量，稱為特征變量波段：光譜波段其它派生波段（紋理、上下文關(guān)系、波段比等）輔助數(shù)據(jù)(ancillarydata)(非遙感數(shù)據(jù)，如DEM、土壤類型)特征提取(featureextraction)：通過(guò)變換找出最能反映地物類別差異的特征變量用于分類的過(guò)程特征選擇(featureselection)：直接從原始波段數(shù)據(jù)中選擇幾個(gè)基本概念：11圖象分類模式（pattern）:在多波段圖象中，每個(gè)象元圖象分類分類方法：監(jiān)督分類（supervisedclassification）：通過(guò)選擇代表各類別的已知樣本（訓(xùn)練區(qū)）的象元光譜特征，事先取得個(gè)類別的參數(shù)，確定判別函數(shù)，從而進(jìn)行分類。在監(jiān)督分類中，先定義信息類，然后檢驗(yàn)它們的光譜可分性12圖象分類分類方法：12非監(jiān)督分類(unsupervisedclassification)：根據(jù)事先指定的某一準(zhǔn)則，而進(jìn)行計(jì)算機(jī)自動(dòng)判別歸類，無(wú)須人為干預(yù)，分類后需確定地面類別

在非監(jiān)督分類中，先確定光譜可分的類別，然后定義它們的信息類圖象分類13非監(jiān)督分類(unsupervisedclassificat4-3-2假彩色合成圖像非監(jiān)督分類(聚類)結(jié)果:15個(gè)光譜類非監(jiān)督分類144-3-2假彩色合成圖像非監(jiān)督分類(聚類)結(jié)果:15個(gè)光譜非監(jiān)督分類1.4-3-2假彩色合成圖象(香港九龍);2.聚類結(jié)果(10類)15非監(jiān)督分類15非監(jiān)督分類3.聚類結(jié)果合并(5類);4.最終結(jié)果(類別顏色改變)16非監(jiān)督分類16訓(xùn)練區(qū)：已知覆蓋類型的代表樣區(qū)用于描述主要特征類型的光譜屬性其精度直接影響分類結(jié)果檢驗(yàn)區(qū)：用于評(píng)價(jià)分類精度的代表樣區(qū)監(jiān)督分類17訓(xùn)練區(qū)：監(jiān)督分類17訓(xùn)練區(qū)的選擇18訓(xùn)練區(qū)的選擇18分類結(jié)果19分類結(jié)果19分類過(guò)程分類預(yù)處理：大氣校正、幾何校正與配準(zhǔn)特征選擇(提取)分類（監(jiān)督分類訓(xùn)練區(qū)的選擇）分類后處理，包括精度評(píng)價(jià)專題圖制作20分類過(guò)程分類預(yù)處理：大氣校正、幾何校正與配準(zhǔn)20原始圖象21原始圖象21分類圖象22分類圖象22最終結(jié)果：專題制圖23最終結(jié)果：23常用的距離和有關(guān)統(tǒng)計(jì)量歐氏距離:N,波段數(shù);dij第個(gè)i像元與第j個(gè)像元在N維空間中的距離;xik為第個(gè)k波段上第i個(gè)像元的灰度值;絕對(duì)距離:明斯基距離:歐氏距離和絕對(duì)距離可統(tǒng)一表示為:24常用的距離和有關(guān)統(tǒng)計(jì)量歐氏距離:N,波段數(shù);dij第個(gè)i常用的距離和有關(guān)統(tǒng)計(jì)量馬氏距離(Mahalanobis):相似系數(shù):相關(guān)系數(shù):其中,為兩個(gè)矢量間的夾角25常用的距離和有關(guān)統(tǒng)計(jì)量馬氏距離(Mahalanobis):相非監(jiān)督分類:方法最常用的方法:

迭代自組織數(shù)據(jù)分析技術(shù)（ISODATA，IteractiveSelf-OrganizingDataAnalysisTechnique）在初始設(shè)定基礎(chǔ)上，在分類過(guò)程中根據(jù)一定原則不斷重新計(jì)算類別總數(shù)、類別中心，使分類結(jié)果逐漸趨于合理，直到滿足一定條件,分類完畢.1.確定最初類別數(shù)和類別中心;2.計(jì)算每個(gè)像元所對(duì)應(yīng)的特征矢量與各聚類中心的距離;3.選與其中心距離最近的類別作為這一矢量(像元)的所屬類別;4.計(jì)算新的類別均值向量;5.比較新的類別均值與原中心位置的變化,形成新的聚類中心;重復(fù)2,反復(fù)迭代;6.如聚類中心不再變化,停止計(jì)算.26非監(jiān)督分類:方法最常用的方法:迭代自組織數(shù)據(jù)分析技術(shù)（I初始聚類中心開(kāi)始計(jì)算距離像元?dú)w類計(jì)算類別均值均值與中心數(shù)一致？新均值代替舊中心ISODATA算法框圖停止是否27初始聚類中心開(kāi)始計(jì)算距離像元?dú)w類計(jì)算類別均值均值與新均值代替原始的聚類中心第1次迭代后的類別分布聚類過(guò)程:類別中心的變化28原始的聚類中心第1次迭代后的類別分布聚類過(guò)程:類別中心的變第2次迭代后的類別分布第n次迭代后的類別分布聚類過(guò)程:類別中心的變化29第2次迭代后的類別分布第n次迭代后的類別分布聚類過(guò)程:類別監(jiān)督分類最小距離法平行管道法最大似然法……人工神經(jīng)網(wǎng)絡(luò)法（ANN）30監(jiān)督分類最小距離法30平行管道分類使用簡(jiǎn)單的分類規(guī)則進(jìn)行多光譜遙感圖像的分類。決策線在n維光譜空間中是一個(gè)平行的管道。管道的直徑根據(jù)距離平均值的標(biāo)準(zhǔn)差確定。如果某個(gè)像元落在某一類的平行管道的閾值范圍內(nèi)，則劃分到該類別中。如果落在多個(gè)類中，則將這個(gè)像元?jiǎng)澐值阶詈笃ヅ涞念悇e。落不到任何管道中，則標(biāo)識(shí)為未分類像元。輸入?yún)?shù)Maxstdevfromthemean,是距離平均值多少個(gè)標(biāo)準(zhǔn)差。31平行管道分類使用簡(jiǎn)單的分類規(guī)則進(jìn)行多光譜遙感圖像的分類。31平行管道分類32平行管道分類32最小距離法一種相對(duì)簡(jiǎn)化了的分類方法。前提是假設(shè)圖象中各類地物光譜信息呈多元正態(tài)分布。假設(shè)N維空間存在M個(gè)類別，某一像元距哪類距離最小，則判歸該類通過(guò)訓(xùn)練樣本事先確定類別數(shù)、類別中心，然后進(jìn)行分類。分類的精度取決與訓(xùn)練樣本的準(zhǔn)確與否33最小距離法一種相對(duì)簡(jiǎn)化了的分類方法。前提是假設(shè)圖象中各類地物最小距離分類34最小距離分類34最大似然法建立在貝葉斯準(zhǔn)則基礎(chǔ)上分類錯(cuò)誤概率最小的一種非線性分類，是應(yīng)用比較廣泛、比較成熟的一種監(jiān)督分類方法判別函數(shù)：gi(x)=p(wi/x)p(wi/x):后驗(yàn)概率根據(jù)貝葉斯公式：gi(x)=p(wi/x)=p(x/wi)p(wi)/p(x)p(x/wi)為在p(x/wi)觀測(cè)到wi的條件概率，p(wi)為wi的先驗(yàn)概率，p(x)為變量x與類別無(wú)關(guān)情況下的出現(xiàn)概率。假設(shè)：訓(xùn)練區(qū)光譜特征服從正態(tài)分布計(jì)算每個(gè)像元屬于每一類的概率gi(x),找出gi(x)最大者,將該像元?dú)w為概率最大的這一類35最大似然法建立在貝葉斯準(zhǔn)則基礎(chǔ)上分類錯(cuò)誤概率最小的一種非線性類的概率分布計(jì)算:其中:P(X/i):

X屬于i類的概率;N為參加分類的特征數(shù)(波段數(shù));Mi為均值向量,i為類別i的協(xié)方差矩陣ni是類i的像元數(shù)目;j為像元標(biāo)號(hào);T矩陣的轉(zhuǎn)置36類的概率分布計(jì)算:其中:ni是類i的像元數(shù)目;j為像元標(biāo)號(hào)最大似然分類37最大似然分類37訓(xùn)練區(qū)的選擇訓(xùn)練階段的質(zhì)量決定著分類階段的成功與否，也決定著從分類中所獲取的信息的價(jià)值用于圖象分類的訓(xùn)練區(qū)的統(tǒng)計(jì)結(jié)果，一定要充分反映每種信息類型中光譜類別的所有組成。代表性、完整性分布：多個(gè)樣區(qū)38訓(xùn)練區(qū)的選擇訓(xùn)練階段的質(zhì)量決定著分類階段的成功與否，也決定著訓(xùn)練區(qū)與檢驗(yàn)區(qū)39訓(xùn)練區(qū)與檢驗(yàn)區(qū)39分類精度的評(píng)價(jià)圖象分類精度評(píng)價(jià)是分類過(guò)程不可或缺的組成部分分類精度的評(píng)價(jià)通常是用分類圖與標(biāo)準(zhǔn)數(shù)據(jù)（圖件或地面實(shí)測(cè)值）進(jìn)行比較，以正確的百分比來(lái)表示精度方法：非位置精度：以一個(gè)簡(jiǎn)單的數(shù)值，如面積、象元數(shù)目等表示分類精度，未考慮位置因素，所獲得的精度偏高位置精度：將分類的類別與其所在的空間位置進(jìn)行統(tǒng)一檢查。目前普遍采用混淆矩陣方法40分類精度的評(píng)價(jià)圖象分類精度評(píng)價(jià)是分類過(guò)程不可或缺的組成部分4分類精度的評(píng)價(jià)混淆矩陣:用圖件或某些實(shí)測(cè)值混淆矩陣中，對(duì)角線上元素為被正確分類的樣本數(shù)目，非對(duì)角線上的元素為被混分的樣本數(shù)。實(shí)際類型只地表實(shí)測(cè)值或標(biāo)準(zhǔn)數(shù)據(jù)或圖件上對(duì)應(yīng)的抽樣樣本，列總數(shù)代表分類數(shù)據(jù)各類的抽樣樣本數(shù)目總和，行總數(shù)代表實(shí)際類型的各類抽樣樣本數(shù)目總和精度:總體精度（overallaccuracy）用戶精度(user’saccuracy)生產(chǎn)者精度(producer’saccuracy)omissionerrorcommissionerror41分類精度的評(píng)價(jià)混淆矩陣:用圖件或某些實(shí)測(cè)值41分類精度混淆矩陣42分類精度混淆矩陣42分類精度生產(chǎn)者精度某類中正確分類的象元數(shù)除以參考數(shù)據(jù)中所有該類的象元數(shù)（列方向）用戶精度某類中正確分類的象元數(shù)除以所有的被分為該類的象元數(shù)（行方向）43分類精度生產(chǎn)者精度43分類精度Kappa系數(shù)N：樣本總數(shù)m:混淆矩陣中的行數(shù)pii:位于第i行和第i列的樣本數(shù)量pi+:第i行的樣本總數(shù)量p+i:第i列的樣本總數(shù)量

44分類精度Kappa系數(shù)N：樣本總數(shù)44分類方法學(xué)（提高精度的策略）制約分類精度的原因遙感數(shù)據(jù)制約光譜：相似性、時(shí)相與環(huán)境空間分辨率分類方法制約單點(diǎn)分類（基于象元的分類）空間、結(jié)構(gòu)信息未充分利用45分類方法學(xué)（提高精度的策略）制約分類精度的原因45提高精度的策略1、分類前處理：校正（大氣、幾何）變換（特征選擇與提?。≒CA、NDVI）空間信息的提?。y理）46提高精度的策略1、分類前處理：46提高精度的策略2、分類樹與分層分類當(dāng)一次性分類出現(xiàn)類間混淆又難以解決時(shí)，可采取逐次分類的方法47提高精度的策略2、分類樹與分層分類47提高精度的策略3、使用不同的分類方法監(jiān)督分類與非監(jiān)督分類結(jié)合：混合分類48提高精度的策略3、使用不同的分類方法48提高精度的策略4、多種信息復(fù)合遙感信息：非遙感信息：輔助數(shù)據(jù)49提高精度的策略4、多種信息復(fù)合49提高精度的策略5、GIS技術(shù)支持下的分類改進(jìn)GIS與遙感數(shù)據(jù)復(fù)合分類利用GIS將非遙感數(shù)據(jù)生成數(shù)字地學(xué)圖象，并與遙感數(shù)據(jù)進(jìn)行復(fù)合，然后對(duì)復(fù)合后的圖象進(jìn)行分類間接支持分類利用GIS數(shù)據(jù)對(duì)遙感圖象進(jìn)行分層和對(duì)分類結(jié)果作邏輯操作，可以提高分類精度GIS數(shù)據(jù)用于圖象糾正、輔助訓(xùn)練區(qū)和檢驗(yàn)樣本的選擇50提高精度的策略5、GIS技術(shù)支持下的分類改進(jìn)50遙感圖象分類遙感圖象分類是圖象信息提取的一種方法51遙感圖象分類遙感圖象分類是圖象信息提取的一種方法51陳建國(guó)

數(shù)學(xué)地質(zhì)遙感地質(zhì)研究所(e-mail:jgchen@)數(shù)字圖像的計(jì)算機(jī)解譯52陳建國(guó)數(shù)字圖像的計(jì)算機(jī)解譯1遙感圖像解譯遙感圖像解譯是從遙感圖像上獲取目標(biāo)地物信息的過(guò)程。遙感圖像解譯分為兩種：一種是目視解譯，又稱目視判讀，或目視判譯，它指專業(yè)人員通過(guò)直接觀察或借助輔助判讀儀器在遙感圖像上獲取特定目標(biāo)地物信息的過(guò)程。另一種是遙感圖像計(jì)算機(jī)解譯，又稱遙感圖像理解，它以計(jì)算機(jī)系統(tǒng)為支撐環(huán)境，利用模式識(shí)別技術(shù)與人工智能技術(shù)相結(jié)合，根據(jù)遙感圖像中目標(biāo)地物的各種影像特征(顏色、形狀、紋理與空間位置)，結(jié)合專家知識(shí)庫(kù)中目標(biāo)地物的解譯經(jīng)驗(yàn)和成像規(guī)律等知識(shí)進(jìn)行分析和推理，實(shí)現(xiàn)對(duì)遙感圖像的理解，完成對(duì)遙感圖像的解譯。53遙感圖像解譯遙感圖像解譯是從遙感圖像上獲取目標(biāo)地物信息的過(guò)計(jì)算機(jī)解譯遙感圖像的計(jì)算機(jī)分類依據(jù)象素的多光譜特征,用統(tǒng)計(jì)模式識(shí)別技術(shù),進(jìn)行分類.而不考慮相鄰象素間的關(guān)系遙感圖像的特征提取除利用地物的光譜特征外,還利用地物的形狀特征和空間關(guān)系特征,進(jìn)行結(jié)構(gòu)模式識(shí)別---又叫句法模式識(shí)別54計(jì)算機(jī)解譯遙感圖像的計(jì)算機(jī)分類3遙感圖象分類監(jiān)督分類非監(jiān)督分類方法過(guò)程：包括精度分析55遙感圖象分類監(jiān)督分類4圖象分類計(jì)算機(jī)分類：是通過(guò)模式識(shí)別理論，利用計(jì)算機(jī)將遙感圖象自動(dòng)分成若干地物類別的方法。如土地覆蓋/土地利用分類、森林類型分類、植被類型分類、巖性分類、……

數(shù)據(jù)--信息（遙感數(shù)據(jù)---地物信息）56圖象分類計(jì)算機(jī)分類：是通過(guò)模式識(shí)別理論，利用計(jì)算機(jī)將遙感圖象圖像分類基本原理：不同的地物具有不同的光譜特征，同類地物具有相同或相似的光譜特征圖象分類：基于數(shù)字圖象中反映的同類地物的光譜相似性和異類地物的光譜差異性57圖像分類基本原理：6圖象分類圖象分類過(guò)程的總目標(biāo)是，將圖象中所有的像元自動(dòng)地進(jìn)行土地覆蓋類型或土地覆蓋專題的分類。58圖象分類圖象分類過(guò)程的總目標(biāo)是，將圖象中所有的像元自動(dòng)地進(jìn)行圖象分類問(wèn)題（光譜分類）：同物異譜：同類地物具有不同的光譜特征同譜異物：不同的地物可能具有相似的光譜特征。如：同一作物，生長(zhǎng)狀態(tài)不同，光譜特征有差異；不同的植被類型可能有相似的光譜特征59圖象分類問(wèn)題（光譜分類）：8長(zhǎng)滿藻類并含有不同濃度懸浮物的水體（0-500mg/l）的光譜曲線清水和長(zhǎng)滿藻類的水體的實(shí)測(cè)光譜曲線葉綠素a在400與500nm間和675nm處的強(qiáng)烈吸收水體光譜特征的變化：同物異譜60長(zhǎng)滿藻類并含有不同濃度懸浮物的水體（0-500mg/l圖像分類問(wèn)題：光譜類和信息類不對(duì)應(yīng)光譜類（spectralclass）：基于光譜特征形成的類別如房屋的陽(yáng)面和陰面光譜特征不同，不同的光譜類信息類(informationclass)：根據(jù)實(shí)際需要待分的類別人為的劃分.

如城市類由道路、建筑物、水體、綠地等不同地物組成，不同地物光譜特征不同

磚場(chǎng)：煙囪（窯）、取土坑、堆磚處、房屋等61圖像分類問(wèn)題：光譜類和信息類不對(duì)應(yīng)10圖象分類模式（pattern）:在多波段圖象中，每個(gè)象元都具有一組對(duì)應(yīng)取值，稱為象元模式特征（feature）：在多波段圖象中，每個(gè)波段都可看作一個(gè)變量，稱為特征變量波段：光譜波段其它派生波段（紋理、上下文關(guān)系、波段比等）輔助數(shù)據(jù)(ancillarydata)(非遙感數(shù)據(jù)，如DEM、土壤類型)特征提取(featureextraction)：通過(guò)變換找出最能反映地物類別差異的特征變量用于分類的過(guò)程特征選擇(featureselection)：直接從原始波段數(shù)據(jù)中選擇幾個(gè)基本概念：62圖象分類模式（pattern）:在多波段圖象中，每個(gè)象元圖象分類分類方法：監(jiān)督分類（supervisedclassification）：通過(guò)選擇代表各類別的已知樣本（訓(xùn)練區(qū)）的象元光譜特征，事先取得個(gè)類別的參數(shù)，確定判別函數(shù)，從而進(jìn)行分類。在監(jiān)督分類中，先定義信息類，然后檢驗(yàn)它們的光譜可分性63圖象分類分類方法：12非監(jiān)督分類(unsupervisedclassification)：根據(jù)事先指定的某一準(zhǔn)則，而進(jìn)行計(jì)算機(jī)自動(dòng)判別歸類，無(wú)須人為干預(yù)，分類后需確定地面類別

在非監(jiān)督分類中，先確定光譜可分的類別，然后定義它們的信息類圖象分類64非監(jiān)督分類(unsupervisedclassificat4-3-2假彩色合成圖像非監(jiān)督分類(聚類)結(jié)果:15個(gè)光譜類非監(jiān)督分類654-3-2假彩色合成圖像非監(jiān)督分類(聚類)結(jié)果:15個(gè)光譜非監(jiān)督分類1.4-3-2假彩色合成圖象(香港九龍);2.聚類結(jié)果(10類)66非監(jiān)督分類15非監(jiān)督分類3.聚類結(jié)果合并(5類);4.最終結(jié)果(類別顏色改變)67非監(jiān)督分類16訓(xùn)練區(qū)：已知覆蓋類型的代表樣區(qū)用于描述主要特征類型的光譜屬性其精度直接影響分類結(jié)果檢驗(yàn)區(qū)：用于評(píng)價(jià)分類精度的代表樣區(qū)監(jiān)督分類68訓(xùn)練區(qū)：監(jiān)督分類17訓(xùn)練區(qū)的選擇69訓(xùn)練區(qū)的選擇18分類結(jié)果70分類結(jié)果19分類過(guò)程分類預(yù)處理：大氣校正、幾何校正與配準(zhǔn)特征選擇(提取)分類（監(jiān)督分類訓(xùn)練區(qū)的選擇）分類后處理，包括精度評(píng)價(jià)專題圖制作71分類過(guò)程分類預(yù)處理：大氣校正、幾何校正與配準(zhǔn)20原始圖象72原始圖象21分類圖象73分類圖象22最終結(jié)果：專題制圖74最終結(jié)果：23常用的距離和有關(guān)統(tǒng)計(jì)量歐氏距離:N,波段數(shù);dij第個(gè)i像元與第j個(gè)像元在N維空間中的距離;xik為第個(gè)k波段上第i個(gè)像元的灰度值;絕對(duì)距離:明斯基距離:歐氏距離和絕對(duì)距離可統(tǒng)一表示為:75常用的距離和有關(guān)統(tǒng)計(jì)量歐氏距離:N,波段數(shù);dij第個(gè)i常用的距離和有關(guān)統(tǒng)計(jì)量馬氏距離(Mahalanobis):相似系數(shù):相關(guān)系數(shù):其中,為兩個(gè)矢量間的夾角76常用的距離和有關(guān)統(tǒng)計(jì)量馬氏距離(Mahalanobis):相非監(jiān)督分類:方法最常用的方法:

迭代自組織數(shù)據(jù)分析技術(shù)（ISODATA，IteractiveSelf-OrganizingDataAnalysisTechnique）在初始設(shè)定基礎(chǔ)上，在分類過(guò)程中根據(jù)一定原則不斷重新計(jì)算類別總數(shù)、類別中心，使分類結(jié)果逐漸趨于合理，直到滿足一定條件,分類完畢.1.確定最初類別數(shù)和類別中心;2.計(jì)算每個(gè)像元所對(duì)應(yīng)的特征矢量與各聚類中心的距離;3.選與其中心距離最近的類別作為這一矢量(像元)的所屬類別;4.計(jì)算新的類別均值向量;5.比較新的類別均值與原中心位置的變化,形成新的聚類中心;重復(fù)2,反復(fù)迭代;6.如聚類中心不再變化,停止計(jì)算.77非監(jiān)督分類:方法最常用的方法:迭代自組織數(shù)據(jù)分析技術(shù)（I初始聚類中心開(kāi)始計(jì)算距離像元?dú)w類計(jì)算類別均值均值與中心數(shù)一致？新均值代替舊中心ISODATA算法框圖停止是否78初始聚類中心開(kāi)始計(jì)算距離像元?dú)w類計(jì)算類別均值均值與新均值代替原始的聚類中心第1次迭代后的類別分布聚類過(guò)程:類別中心的變化79原始的聚類中心第1次迭代后的類別分布聚類過(guò)程:類別中心的變第2次迭代后的類別分布第n次迭代后的類別分布聚類過(guò)程:類別中心的變化80第2次迭代后的類別分布第n次迭代后的類別分布聚類過(guò)程:類別監(jiān)督分類最小距離法平行管道法最大似然法……人工神經(jīng)網(wǎng)絡(luò)法（ANN）81監(jiān)督分類最小距離法30平行管道分類使用簡(jiǎn)單的分類規(guī)則進(jìn)行多光譜遙感圖像的分類。決策線在n維光譜空間中是一個(gè)平行的管道。管道的直徑根據(jù)距離平均值的標(biāo)準(zhǔn)差確定。如果某個(gè)像元落在某一類的平行管道的閾值范圍內(nèi)，則劃分到該類別中。如果落在多個(gè)類中，則將這個(gè)像元?jiǎng)澐值阶詈笃ヅ涞念悇e。落不到任何管道中，則標(biāo)識(shí)為未分類像元。輸入?yún)?shù)Maxstdevfromthemean,是距離平均值多少個(gè)標(biāo)準(zhǔn)差。82平行管道分類使用簡(jiǎn)單的分類規(guī)則進(jìn)行多光譜遙感圖像的分類。31平行管道分類83平行管道分類32最小距離法一種相對(duì)簡(jiǎn)化了的分類方法。前提是假設(shè)圖象中各類地物光譜信息呈多元正態(tài)分布。假設(shè)N維空間存在M個(gè)類別，某一像元距哪類距離最小，則判歸該類通過(guò)訓(xùn)練樣本事先確定類別數(shù)、類別中心，然后進(jìn)行分類。分類的精度取決與訓(xùn)練樣本的準(zhǔn)確與否84最小距離法一種相對(duì)簡(jiǎn)化了的分類方法。前提是假設(shè)圖象中各類地物最小距離分類85最小距離分類34最大似然法建立在貝葉斯準(zhǔn)則基礎(chǔ)上分類錯(cuò)誤概率最小的一種非線性分類，是應(yīng)用比較廣泛、比較成熟的一種監(jiān)督分類方法判別函數(shù)：gi(x)=p(wi/x)p(wi/x):后驗(yàn)概率根據(jù)貝葉斯公式：gi(x)=p(wi/x)=p(x/wi)p(wi)/p(x)p(x/wi)為在p(x/wi)觀測(cè)到wi的條件概率，p(wi)為wi的先驗(yàn)概率，p(x)為變量x與類別無(wú)關(guān)情況下的出現(xiàn)概率。假設(shè)：訓(xùn)練區(qū)光譜特征服從正態(tài)分布計(jì)算每個(gè)像元屬于每一類的概率gi(x),找出gi(x)最大者,將該像元?dú)w為概率最大的這一類86最大似然法建立在貝葉斯準(zhǔn)則基礎(chǔ)上分類錯(cuò)誤概率最小的一種非線性類的概率分布計(jì)算:其中:P(X/i):

X屬于i類的概率;N為參加分類的特征數(shù)(波段數(shù));Mi為均值向量,i為類別i的協(xié)方差矩陣ni是類i的像元數(shù)目;j為像元標(biāo)號(hào);T矩陣的轉(zhuǎn)置87類的概率分布計(jì)算:其中:ni是類i的像元數(shù)目;j為像元標(biāo)號(hào)最大似然分類88最大似然分類37訓(xùn)練區(qū)的選擇訓(xùn)練階段的質(zhì)量決定著分類階段的成功與否，也決定著從分類中所獲取的信息的價(jià)值用于圖象分類的訓(xùn)練區(qū)的統(tǒng)計(jì)結(jié)果，一定要充分反映每種信息類型中光譜類別的所有組成。代表性、完整性分布：多個(gè)樣區(qū)89訓(xùn)練區(qū)的選擇訓(xùn)練階段的質(zhì)量決定著分類階段的成功與否，也決定著訓(xùn)練區(qū)與檢驗(yàn)區(qū)90訓(xùn)練區(qū)與檢驗(yàn)區(qū)39分類精度的評(píng)價(jià)圖象分類精度評(píng)價(jià)是分類過(guò)程不可或缺的組成部分分類精度的評(píng)價(jià)通常是用分類圖與標(biāo)準(zhǔn)數(shù)據(jù)（圖件或地面實(shí)測(cè)值）進(jìn)行比較，以正確的百分比來(lái)表示精度方法：非位置精度：以一個(gè)簡(jiǎn)單的數(shù)值，如面積、象元數(shù)目等表示分類精度，未考慮位置因素，所獲得的精度偏高位置精度：將分類的類別與其所在的空間位置進(jìn)行統(tǒng)一檢查。目前普遍采用混淆矩陣方