遙感圖像分類

遙感數(shù)字圖像處理1編輯ppt第8章遙感圖像分類2編輯ppt第8章遙感圖像分類8.1概述8.2相似性度量8.3工作流程8.4非監(jiān)督分類8.5監(jiān)督分類8.6其他分類方法8.7分類后處理8.8分類精度分析3編輯ppt8.1概述8.1.1根本原理8.1.2分類方法4編輯ppt8.1概述8.1.1根本原理同類地物在相同的條件下(光照、地形等)應該具有相同或相似的光譜信息和空間信息特征。不同類的地物之間具有差異根據(jù)這種差異，將圖像中的所有像素按其性質(zhì)分為假設干個類別(Class)的過程，稱為圖像的分類。遙感圖像分類以每個像素的光譜數(shù)據(jù)為根底進行。假設遙感圖像有K個波段，那么(i,j)位置的像素在每個波段上的灰度值可以構(gòu)成表示為X=(x1，x2，…，xk)T，包含X的K維空間稱為特征空間，這樣K個波段的多光譜圖像便可以用K維特征空間中的一系列點來表示。在遙感圖像分類問題中，常把圖像中的某一類地物稱為模式，而把屬于該類中的像素稱為樣本，X=(x1，x2，…，xk)T可以稱為樣本的觀測值。5編輯ppt8.1概述8.1.2分類方法根據(jù)是否需要分類人員事先提供類別及其訓練樣本，對分類器進行訓練和監(jiān)督，可將遙感圖像分類方法劃分為監(jiān)督分類和非監(jiān)督分類。事先己經(jīng)知道類別的局部信息(即類別的先驗知識)，對未知類別的樣本進行分類的方法稱之為監(jiān)督分類(SupervisedClassification)。事先沒有類別的先驗知識，對未知類別的樣本進行分類的方法稱之為非監(jiān)督分類(UnsupervisedClassification)根據(jù)分類使用的統(tǒng)計數(shù)學方法可以分為隨機統(tǒng)計方法和模糊數(shù)學方法分類。前者以隨機數(shù)學理論為根底，包括K-均值分類、最大相似性分類等。后者以模糊數(shù)學理論為根底，主要是模糊分類。6編輯ppt8.1概述8.1.2分類方法根據(jù)一個像素被分到一個類還是多個類，可將遙感圖像分類方法分為硬分類和軟分類。圖像上的一個像素只能被分到一個類的分類方法稱為硬分類(hardclassification)。傳統(tǒng)的統(tǒng)計分類方法都是硬分類。硬分類有時可能不合理。因為有些像素可能同時具有兩個類或多個類的性質(zhì)。圖像上的每一個像素可以同時被分到兩個或兩個以上類的分類方法，稱為軟分類(softclassification)，這時每個像素除了被分類外，還同時允許它在不同的兩個或多個類中具有隸屬概率(classmembershipprobability)或局部隸屬值(partialMembershipvalue)。這是對硬分類不合理一面的一種較合理的解決方式。7編輯ppt8.2相似性度量距離是常用的相似性度量的概念。分類是確定像素距離哪個點群中心較近，或落入哪個點群范圍可能性大的問題。像素與點群的距離越近，那么，屬于該點群的可能性越高。按照一定的準那么，當距離小于一定值時，像素被劃分給最近的點群。每個點群為一個類。同一類別中點間的距離一般來說比不同類別點間距離要小。也可以認為，一個點屬于某一類，一定與這個類別中心的距離比與其他類別中心的距離小。因此，在點群(團)中心的情況下，以每個點與點群中心的距離作為判定的準那么，就可以完成分類工作。運用距離判別函數(shù)時，要求各個類別點群的中心位置己知。對于光譜特征空間中的任一點k，計算它到各類中心點的距離d。假設di<dj，那么k像素屬于i類而不屬于j類，此處，判別準那么為di<dj8編輯ppt8.2相似性度量dik為當前像素i到類k的距離，P為波段數(shù)，xij為像素i在j波段的像素值，Mjk為類k在波段j的均值。2.歐氏(Euclidean)距離1.絕對距離該距離是平面上兩點之間的直線距離，應用最多。9編輯ppt8.2相似性度量3.馬氏(Mahalanobis)距離馬氏距離是一種加權(quán)的歐氏距離，它通過協(xié)方差矩陣來考慮變量的相關性。這是由于在實際中，各點群的形狀是大小和方向各不相同的橢球體，如下圖，盡管K點距MA的距離DA比距MB的距離DB小，即DA<DB，但由于B點群比A點群離散得多，因而把K點劃入B類更合理。加權(quán)可以這樣理解，計算的距離與各點群的方差有關。方差愈大，計算的距離就愈短。如果各個點群具有相同的方差，那么馬氏距離是歐氏距離的平方。10編輯ppt8.2相似性度量3.馬氏(Mahalanobis)距離11編輯ppt8.2相似性度量4.相似系數(shù)又稱為余弦距離，其數(shù)學表達式為:α為圖像像素光譜與參照光譜之間的夾角(光譜角)X為圖像像素光譜曲線向量Y為參照光譜曲線向量。當cosα的值接近1的時候有最好的估計光譜值和類別分類結(jié)果。光譜角值以很小的α弧度角來表示，它代表了光譜曲線之間的相似性，其變化范圍是[0，π/2]12編輯ppt8.3工作流程圖像的預處理選擇分類方法特征選擇和提取選擇適宜的分類參數(shù)進行分類分類后處理成果輸出1.確定工作范圍2.多源圖像的幾何配準3.噪聲處理4.輻射校正5.幾何精糾正6.多圖像融合特征選擇是從眾多特征中挑選出可以參加分類運算的假設干個特征。特征提取是在特征選擇以后，利用特征提取算法(如主成分分析算法)從原始特征中求出最能反映地物類別性質(zhì)的一組新特征。特征選取的原那么：盡可能選取數(shù)量適當有助于增加同類地物的類聚性(即類內(nèi)個體間離散性小)、能擴大地物類別之間差異性的特征變量。13編輯ppt8.4非監(jiān)督分類根據(jù)事先指定的某一準那么，讓計算機自動進行判別歸類，無需人為干預，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〔光譜類〕然后定義它們的信息類。14編輯ppt8.4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，僅憑據(jù)遙感影像地物的光譜特征的分布規(guī)律，隨其自然地進行盲目的分類。其分類的結(jié)果，只是對不同類別進行了區(qū)分，并不確定類別的屬性，其屬性是通過事后對各類的光譜響應曲線進行分析，以及與實地調(diào)查相比較后確定的。非監(jiān)督分類的理論依據(jù)：遙感圖像上的同類地物在相同的外表結(jié)構(gòu)特征、植被覆蓋、光照等條件下，一般具有相同或相近的光譜特征，從而表現(xiàn)出某種內(nèi)在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光譜信息特征不同，歸屬于不同的光譜空間區(qū)域。由于在一幅復雜的圖像中，訓練區(qū)有時不能包括所有地物的光譜樣式，這就造成了一局部像元找不到歸屬。在實際工作中為了進行監(jiān)督分類而確定類別和訓練區(qū)的選取也是不易的，因而在開始分析圖像時，用非監(jiān)督分類方法來研究數(shù)據(jù)的本來結(jié)構(gòu)及其自然點群的分布情況是很有價值的。15編輯ppt8.4非監(jiān)督分類非監(jiān)督分類主要采用聚類分析的方法，聚類是把一組像素按照相似性歸成假設干類別。它的目的是使得屬于同一類別的像素之間的距離盡可能小，而不同類別上像素間的距離盡可能大。在進行聚類分析時，首先要確定基準類別的參量。在非監(jiān)督分類的情況下，并無基準類別的先驗知識可以利用，因而，只能先假定初始的參量，并通過預分類處理來形成集群，再由集群的統(tǒng)計參數(shù)來調(diào)整預制的參量，接著再聚類，再調(diào)整。如此不斷地迭代，直到有關參數(shù)到達允許的范圍為止。所以說，非監(jiān)督算法的核心問題是初始類別參數(shù)的選定，以及它的迭代調(diào)整問題。16編輯ppt8.4非監(jiān)督分類主要過程如下:〔1〕確定初始類別參數(shù)，即確定最初類別數(shù)和類別中心(集群中心)〔2〕計算每一個像元所對應的特征矢量與各集群中心的距離?！?〕選與中心距離最短的類別作為這一矢量的所屬類別。〔4〕計算新的類別均值向量。〔5〕比較新的類別均值與原中心位置上的變化，假設位置發(fā)生了改變，那么以新的類別均值作為聚類中心，再從第2步開始重復，進行反復迭代操作。〔6〕如果聚類中心不再變化，計算停止。17編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定8.4.2常用非監(jiān)督分類算法18編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定初始類別參數(shù)是指基準類別集群中心〔數(shù)學期望Mi〕，以及集群分布的協(xié)方差矩陣Σi。因為無論采用何種判別函數(shù)，都要預先確定其初始類別的參量。以下為幾種常用的方法。1.像素光譜特征的比較法2.總體直方圖均勻選心法3.最大最小距離選心法4.局部直方圖峰值定心法19編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定1.像素光譜特征的比較法首先，在遙感圖像中定義一個抽樣集，它可以是整幅圖像的所有像素，但通常是按一定間隔抽樣的像素。然后，選定抽樣集中任一像素作為第一個類別；給定一個光譜相似性比較閾值；依次把抽樣集中每個像素的光譜特征與已建起的初始類別比較，假設該像素與其中一個初始類別相似，那么作為該類集群中的一個成員，假設不與任何一個相似，那么以該像素建立一個新的初始類別。當以上聚類過程完成后，每個已經(jīng)建立起來的初始類別都包含了一定成員，依據(jù)此可統(tǒng)計其集群中心〔數(shù)學期望Mi〕和協(xié)方差矩陣Σi。20編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定2.總體直方圖均勻選心法該方法是在整幅遙感影像的總體直方圖的根底上進行類別中心的選定的。設總體直方圖的均值和方差分別為：式中，i為波段號；j為像素點號；為像素i在第j波段的亮度值；n為波段數(shù)；N為像素總數(shù)。21編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定2.總體直方圖均勻選心法用作圖法不難證明，該法所選定的初始類別中心通過整體集群中心的一條直線均勻散布的，并根本上包括在整體集群的范圍之內(nèi)現(xiàn)假設我們需要Q個初始類別，每個初始類別集群中心可按下式確定：例如，Q=4時22編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定3.最大最小距離選心法該法的選心原那么是使各初始類別之間，盡可能地保持遠距離，為做到這一點，首先在整幅圖像中按一定方式〔如等間隔方式〕獲取一個抽樣點像素集合式中n為抽樣個數(shù)23編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定3.最大最小距離選心法按以下步驟進行選心處理：1〕取抽樣集中任一像素之特征點作為第一個初始類別中心2〕計算與其他各抽樣點之間的距離D。取與之距離最遠的那個抽樣點〔例如〕作為第二個初始類別中心，即假設那么24編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定3.最大最小距離選心法3〕對于剩余的每個抽樣點，計算它到已有各初始類別中心的距離m為已有初始類別數(shù)，并取其中的最小距離作為該點的代表距離式中：m為已形成的初始類別數(shù)。4〕在此根底上，再對所有各剩余點的最小距離進行相互比較，取其中最大者，并選擇與該最大的最小距離相應的抽樣點〔例如〕作為一個新的初始類別中心點〔例如〕。重復以上步驟，直到初始類別的個數(shù)到達需要的個數(shù)為止。25編輯ppt8.4非監(jiān)督分類8.4.1初始類別參數(shù)的選定4.局部直方圖峰值定心法由于整幅遙感圖像總體直方圖的分布是由各類別直方圖疊加而形成的。同時，每個類別的集群中心一般位于本類別直方圖的峰值位置，而在該位置處的總體直方圖往往會出現(xiàn)局部峰值。因而，該法便以搜索總體直方圖局部峰值為原理來選定初始類別的中心。其根本過程包括：圖像數(shù)據(jù)抽樣集的獲取，建立總體直方圖以及搜索直方圖局部峰值3個步驟。26編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法2、ISODATA分類算法27編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法K-均值(K-Mean)算法的聚類準那么是使每一分類中，像素點到該類別中心的距離的平方和最小。K-均值算法根本思想是：通過迭代，移動各個基準類別的中心，直至得到最好的聚類結(jié)果為止。28編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法收斂條件：對于圖像中互不相交的任意一個類，計算該類中的像素值與該類均值差的平方和。將圖像中所有類的差的平方和相加，并使相加后的值到達最小。設圖像中總類數(shù)為m，各類的均值為C，類內(nèi)的像素數(shù)為N、像素值為f，那么，收斂條件是使得下式到達最小:29編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法ClustersizeDistancebetween

clustermeansDistancetoa

clustermean02550255BandABandB30編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法K-均值算法步驟⑴任選k個初始聚類中心：(上角標記載為尋找聚類中的迭代運算次數(shù))。一般可選定樣本集的前k個樣本作為初始聚類中心，也可用前面所述的方法進行初始聚類中心的選擇，如最大最小距離選心法。A)Clustercentresarearbitrarilyassigned02550255BandABandBA31編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法K-均值算法步驟⑵設已進行到第t步迭代。假設對某一樣本X有那么X∈，其中是以為聚類中心的樣本集。以此種方法將全部樣本分配到k個類中。B)Eachpixelisassignedtothenearestclustercentreindataspace02550255BandABandBB32編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法K-均值算法步驟⑶計算各聚類中心的新向量值式中為中所包含的樣本數(shù)。因為在這一步要計算k個聚類中心的樣本均值，故稱為K-均值算法。C)Theclustermeansarethencalculatedandthepixelsarereassignedtothenewclustercentres02550255BandABandBC33編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法K-均值算法步驟⑷假設,j=1,2,…,k,那么回到第二步，將全部樣本n重新分類，重復迭代計算。假設,j=1,2,…,k,那么結(jié)束。D)Theprocessisrepeateduntilwhentheclustercentresmovebylessthanapresetdistance02550255BandABandBD34編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法35編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法36編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法37編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法1、K-均值分類算法可以看到，現(xiàn)在的每個像素都己經(jīng)被分給距離最近的類，總的離差平方和最小，因此分類過程到此結(jié)束。最終得到K=2個類為(A)和(BCD)。38編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法2、ISODATA分類算法迭代自組織的數(shù)據(jù)分析算法〔IterativeSelforganizingDataAnalysisTechniquesAlgorithm〕亦稱ISODATA算法。此種算法與K-均值算法有相似之處，即聚類中心也是通過樣本均值的迭代運算來決定的，但ISODATA算法參加了一些試探性步驟和人機交互功能，能吸取中間結(jié)果所得到的經(jīng)驗，主要是在迭代過程中可將一類一分為二，亦可能將二類合二為一，亦即“自組織〞，故這種算法已具有啟發(fā)式的特點。39編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法2、ISODATA分類算法N—所要求的類別數(shù)〔實際的類別數(shù)目為Nt〕;I—允許迭代的次數(shù)〔實際已迭代的次數(shù)為L〕;Tm—每類集群中樣本的最小數(shù)目;Ts—集群分類標準，每個類的分散程度的參數(shù)(如最大標準差);Tc—集群合并標準，即兩個類中間的最小距離。第一步:指定算法控制參數(shù)40編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法2、ISODATA分類算法第二步:聚類處理在已選定的初始類別參數(shù)的根底上，按任一種距離判別函數(shù)進行分類判別，從而獲得每個初始類別的集群成員。同時，對每一類集群〔i〕累計其成員總數(shù)〔ni〕、總亮度〔Σxij〕及總亮度平方〔Σxij2〕，并按下式計算各類的均值M和方差σ2:然后將有關數(shù)值填入類別參數(shù)搜索表j為波段序號41編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法2、ISODATA分類算法第三步:類別的取消處理對上次趨近后的各類成員總數(shù)ni進行檢查，假設ni<Tm表示該類〔i〕不可靠，應將其從搜索表中刪除。同時修改類別數(shù)Ni為Ni-1，返回第二步。第四步:判斷迭代是否結(jié)束假設當前迭代次數(shù)〔L〕已經(jīng)到達指定的次數(shù)，即L=I，或者該次迭代所算得的各類中心Mi與上次迭代的結(jié)果差異很小〔可預先給定一個閾值〕，那么趨近結(jié)束。此時搜索表中的有關參數(shù)將作為基準類別參數(shù)，并用于構(gòu)建最終的判別函數(shù)。否那么，繼續(xù)進行以下步驟。42編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法2、ISODATA分類算法第五步:類別的分裂處理對搜索表中的每一類進行考核。判斷其最大的標準差分量是否超過限值Ts，即假設σimax>Ts，并滿足以下條件之一者，那么第I類需要進行分類處理:〔條件一〕Ni<N/2即當前類別數(shù)不及所要求的類別數(shù)的一半〔條件二〕>σ即第i類標準差大于總平均標準差其中43編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法2、ISODATA分類算法第五步:類別的分裂處理分裂處理過程如下:定義兩個新類別i'和i''取代被分裂的類別，它們的均值和方差分別定義如下:同時，修改類別總數(shù)Ni為Ni+1，并修改搜索表。注意每次允許分裂的類別數(shù)一般不應超過已有類別數(shù)的一半。分裂處理結(jié)束后返回第二步作下一次迭代。假設本次迭代沒有一個類別需要分裂，那么轉(zhuǎn)入下一步進行合并處理。44編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法2、ISODATA分類算法第六步:類別的合并處理首先對已有的類別計算每兩類〔i與k〕中心間的距離Dik，可以選用距離判別函數(shù)中的任一個，這里我們以絕對值距離為例:然后將所有Dik與限值Tc相互比較，假設Dik<Tc，那么把這兩類(i,k)的合并為一類。合并后新類別的均值和方差為:同時修改總數(shù)Ni

為Ni-1，并把搜索表中的相應內(nèi)容進行更新。在迭代過程中，每次合并后的類別總數(shù)不應小于指定的類別數(shù)N的半數(shù)，并類處理結(jié)束后返回第二步進行下一次迭代。45編輯ppt8.4非監(jiān)督分類8.4.2常用非監(jiān)督分類算法2、ISODATA分類算法ISODATA法實質(zhì)上是以初始類別為“種子〞進行自動迭代聚類的過程，它可以自動地進行類別的“合并〞和“分裂〞，其各個參數(shù)也在不斷地聚類調(diào)整中逐漸確定，并最終構(gòu)建所需要的判別函數(shù)。因此，可以說基準類別參數(shù)確實定過程，也正是利用光譜特征本身的統(tǒng)計性質(zhì)對判別函數(shù)的不斷調(diào)整和“訓練〞的過程。46編輯ppt8.5監(jiān)督分類通過對工作地區(qū)圖像的目視判讀、實地勘查或結(jié)合GIS，我們可以獲得局部地物的分類信息。利用己知地物的信息對未知地物進行分類的方法稱為監(jiān)督分類。監(jiān)督分類的前提是己知遙感圖像上樣本區(qū)內(nèi)地物的類別，該樣本區(qū)又稱為訓練區(qū)。監(jiān)督分類的根本過程是：首先根據(jù)的樣本類別和類別的先驗知識確定判別準那么，計算判別函數(shù)，然后將未知類別的樣本值代入判別函數(shù)，依據(jù)判別準那么對該樣本所屬的類別進行判定。在這個過程中，利用己知類別樣本的特征值求解判別函數(shù)的過程稱之為學習或訓練。47編輯ppt8.5監(jiān)督分類訓練區(qū)訓練區(qū)用來確定圖像中己知類別像素的特征。這些特征對于監(jiān)督分類來說是必不可少的。訓練區(qū)在遙感處理系統(tǒng)中被稱為“感興趣區(qū)〞。在ENVI系統(tǒng)中，該區(qū)域稱為ROI，在ERDAS系統(tǒng)中稱為AOI。本文使用ROI表示訓練區(qū)。在建立訓練區(qū)之前，首先要根據(jù)工作要求，收集地區(qū)資料，包括地形圖、土地利用現(xiàn)狀圖、土壤圖、植被圖、行政圖等，根據(jù)這些資料，確定分類對象及其分類系統(tǒng)。48編輯ppt8.5監(jiān)督分類訓練區(qū)1.訓練區(qū)的類型ROI有如下三種:.點:單個像素。.線:直線或折線主要是線性地物，較窄的河流、道路.面:連續(xù)的分布區(qū)。例如大面積的水體、綠地、城鎮(zhèn)等。一類地物的訓練區(qū)可以是一個或多個ROI，可以是點、線或面。在遙感系統(tǒng)中確定ROI時，需要同時確定如下參數(shù):1〕ROI名稱可以直接使用地物類的名稱作為ROI名稱，例如，“道路〞。2〕顏色。使用的顏色應該與分類系統(tǒng)的要求保持一致。具體工作時要參照本行業(yè)的特定分類要求來定。3〕樣本數(shù)目。ROI中包括的像素數(shù)即為統(tǒng)計分析中使用的樣本數(shù)。樣本數(shù)應該足夠多。確定ROI后，需要進一步分析ROI的可分性。即計算ROI之間的別離指數(shù)。如果選用的特征的別離性較差，那么應該考慮分類中不要使用該特征。49編輯ppt8.5監(jiān)督分類訓練區(qū)2.訓練區(qū)的選擇根據(jù)分類系統(tǒng)的要求，結(jié)合實地調(diào)查，在遙感圖像上勾繪各類典型地物的分布范圍，即訓練區(qū)。選取訓練樣區(qū)必須根據(jù)先驗知識，并盡可能參考現(xiàn)勢性強的圖件和文字資料，以便能夠選出最有代表性和波譜特征比較均一的地段。有條件的話，應該進行實地調(diào)查。選擇訓練區(qū)時應注意以下問題:〔1〕訓練區(qū)必須具有典型性和代表性，即所含類型應與研究地域所要區(qū)分的類別一致?！?〕使用的圖件時間和空間上要保持一致性，以便于確定數(shù)字圖像與地形圖(或土地利用圖、地質(zhì)圖、航片等)的對應關系?！?〕訓練區(qū)的選取方式有按坐標輸入式和人機對話式兩類。〔4〕訓練樣本的數(shù)目。訓練樣本數(shù)據(jù)用來計算類均值和協(xié)方差矩陣。50編輯ppt8.5監(jiān)督分類訓練區(qū)3.訓練區(qū)的調(diào)整在監(jiān)督分類中，選好訓練樣區(qū)并進行不斷的調(diào)整與優(yōu)化具有十分重要的作用。選取的樣區(qū)不同，分類結(jié)果就會有差異，甚至差異很大。訓練區(qū)選定后，便可以利用訓練區(qū)中的樣本得到相應地物類的光譜特征，進行監(jiān)督分類。51編輯ppt8.5監(jiān)督分類8.5.1平行管道分類8.5.2最小距離分類8.5.3最大似然分類52編輯ppt8.5監(jiān)督分類8.5.1平行管道分類考慮到每一類別訓練集內(nèi)數(shù)值變差范圍，引入類別變差靈敏度的概念。這個變差范圍可由每波段內(nèi)的最高與最低數(shù)字來確定，并且變差范圍在二通道散點圖上表現(xiàn)為一個矩形窗口。依據(jù)這個類別變差范圍或判定區(qū)來對未知像元分類，假設像元是在類別變差范圍之內(nèi)，那么可將其歸入所在的類別。如果像元是在所有類別變差范圍之外，那么規(guī)定它為“未知〞像元。這些矩形窗口的多維類似體稱為“平行六面體〞。53編輯ppt8.5監(jiān)督分類8.5.1平行管道分類該法判決的原理是對圖像中每個像素的光譜響應曲線進行相似性比較，凡其光譜響應曲線接近并且近乎平行的像素都歸為同一類。否那么屬于另一類。現(xiàn)假設我們對圖像地物的類屬沒有任何先驗知識，因而每類的初始參數(shù)要在分類過程中逐步建立。其分類判決過程如下:〔1〕在計算機中開辟一個分類圖像數(shù)組?！?〕在原始遙感圖像上，選取c個類別的訓練區(qū)域第i個類別訓練區(qū)域Ti的樣本個數(shù)為Ni，計算每個類別的均值(mi或μi):具體地說，假設樣本y由K個波段組成，那么均值mi是K維向量，每個分量是訓練區(qū)域相應波段的像素均值?！?〕選擇一個光譜響應相似性量度閾值T。由基準光譜響應曲線為中心，以T為半徑形成的平行管道代表了同類地物光譜響應曲線隨機變動的容忍范圍，落入一個平行管道的各響應地物將被認為屬于同一類別。54編輯ppt8.5監(jiān)督分類8.5.1平行管道分類〔4〕以行、列的順序依次對圖像中所有的像素進行如下處理:1〕讀其各波段的灰度值xi1、xi2、xi3和xi4。2〕按以下分類判決規(guī)那么(即分類器)逐個與前面步驟求得的類別中心進行比較判別:假設|xi1-m1|≤T且|xi2-m2|≤T且|xi3-m3|≤T且|xi4-m4|≤T同時成立，那么像素i屬于該類。否那么，不屬于該類，轉(zhuǎn)入與下一類比較。式中：T是預置的門限(即上述平行管道的半徑)，可以在分類過程中作相應的調(diào)整。3〕通過上述判決，如果該像素屬于任何一類，那么把其類別編碼號填入分類圖像中與該像素相應的位置上去。4〕通過上述判決，如果該像素不屬于任伺類，那么把該像素各波段的灰度值作為新的一類基準光譜響應曲線，按順序充實到搜索表中去。〔5〕當完成第〔4〕步后，分類圖像已經(jīng)形成。與此同時，所有各類的基準響應曲線也都逐步形成，它實際上代表了各類集群統(tǒng)計中心的隨機矢量灰度分量的近似值。55編輯ppt8.5監(jiān)督分類8.5.2最小距離分類最小距離法是利用訓練樣本中各類別在各波段的均值，根據(jù)各像元與訓練樣本平均值距離的大小來決定其類別。首先應確定每一類別光譜的平均值，這些值稱為平均矢量。圖中，用“+〞表示各類別的平均值。將這兩個通道的像元值作為位置坐標〔如散點圖上所描繪的一樣〕，便可以計算未知像元值與每一類別光譜平均值之間的距離，從而確定未知類別的像元應該屬于哪一類。如圖中點I，算出這些距離后，即可確定這些未知像元應該屬于離它“最近〞的一類，假設像元離分析者所確定的任何一個類別平均值的距離都很遠，那么把這種像元歸為“朱知〞類。56編輯ppt8.5監(jiān)督分類8.5.2最小距離分類同一類別的特征矢量在特征空間內(nèi)完全聚集成團狀(集群)，每個團(集群)都有一個中心。這些團內(nèi)點的數(shù)目越多，也即密度越大或點與中心的距離越近，就越可以肯定，它們是屬于一個類別，所以點間的距離成為重要的判斷參量。同一類別中點間的距離一般來說比不同類別間的距離要小。也可以認為，一個點屬于某一類，一定與這個類別中心的距離比與其他類別中心的距離小。因此，在集群(團)中心的情況下，以每個點與集群中心的距離作為類別判定的準那么，就可以完成分類工作。運用距離判別函數(shù)時，要求各個類別集群的中心位置Mi〔均值〕是點，對于光譜特征空間中的任一點k，計算它到各類中心點的距離di(xk)〔i=1,2,…n〕，假設di(xk)<dj(xk)，那么k像元屬于i類，否那么k不屬于i類。此處d(x)就成為距離判別函數(shù)，上式那么視為相應的判別準那么。57編輯ppt8.5監(jiān)督分類8.5.3最大似然分類maximumlikelihoodclassification定義：在兩類或多類判決中，用統(tǒng)計方法根據(jù)最大似然比貝葉斯判決準那么法建立非線性判別函數(shù)集而進行分類的一種圖像分類方法。最大似然法是經(jīng)典的分類方法，已在寬波段遙感圖像分類中普遍采用。它主要根據(jù)相似的光譜性質(zhì)和屬于某類的概率最大的假設來指定每個像元的類別。58編輯ppt8.5監(jiān)督分類8.5.3最大似然分類其根本思想是：1〕地物類數(shù)據(jù)在空間中構(gòu)成特定的點群；2〕每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上為正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個多維正態(tài)分布〔各類的多維正態(tài)分布模型各有其分布特征，例如，所在位置、形狀、密集或分散的程度等。對于具有三個特征的正態(tài)分布來說，每一類的數(shù)據(jù)就是一個近似鐘形的立方體。不同類形成的“鐘〞在上下、粗細、尖闊等方面都不相同〕；3〕根據(jù)各類的數(shù)據(jù)，可以構(gòu)造出各類的多維正態(tài)分布模型〔實際為各類中各數(shù)據(jù)向量的頻率，即概率密度函數(shù)或概率分布函數(shù)〕；4〕在此根底上，對于任何一個像素，可反過來求它屬于各類的概率，取最大概率對應的類為分類結(jié)果。根本原理最大似然法假設遙感圖像的每個波段數(shù)據(jù)都為正態(tài)分布。59編輯ppt8.6其他分類方法決策樹法根本思想：首先計算所有類別之間的距離，合并距離最近的兩類形成一個新類，然后計算新類與其它類別之間的距離，重復前面的工作，直到最終所有類別都合并為一大類，形成整個樹結(jié)構(gòu)的根部。每次合并產(chǎn)生樹結(jié)構(gòu)中的一個結(jié)點，分類樹有多個結(jié)點和分枝組成，最下面一層的結(jié)點稱為根結(jié)點，最上面一層的結(jié)點為終端結(jié)點，每個終端結(jié)點包含為原始一類。60編輯ppt8.7分類后處理8.7.1碎斑處理8.7.2類別合并8.7.3分類結(jié)果統(tǒng)計8.7.4類間可別離性分析61編輯ppt8.7分類后處理8.7.1碎斑處理指去掉分類圖中過于孤立的那些類的像素，或把它們歸并到包圍相鄰的較連續(xù)分布的那些類。根本思想大體上是給每個類規(guī)定一個應保存的最小連片像素數(shù)，然后將小于此數(shù)的孤立像素合并到與其相鄰的或包圍它的較大的連片像素類中。調(diào)整的原理服從“多數(shù)〞原那么。例如，在分類圖像中可對每個像素進行如下處理:假設某像素的8個鄰接像素中至少有6個像素同屬于某一類C，那么該像素的類別屬性也調(diào)整為C;否那么，保持該像素己分的類別屬性不變。該過程也需要有假設干次迭代后才能結(jié)束。62編輯ppt8.7分類后處理8.7.2類別合并非監(jiān)督分類前不知道實際有多少地物類，在策略上總是先分出較多的類，然后對照實地情況或根據(jù)己有知識，確定最后需要的類別，因此，需要將某些光譜上不同的類(光譜類)合并為一個地物類。監(jiān)督分類雖然知道實際有哪些地物類，但同物異譜現(xiàn)象會產(chǎn)生錯誤的分類結(jié)果。分類后處理中的類合并處理，在ENVI中是對類進行合并的一局部，在ERDAS中叫做重編碼。其根本思想是將要合并的兩個或兩個以上類的編碼和顏色改為相同的編碼和顏色。例如將第5類(黃色)并入第1類(紅色)，只要將第5類的編碼改為1，顏色由黃改為紅就可以了。63編輯ppt8.7分類后處理8.7.3分類結(jié)果統(tǒng)計分類結(jié)果統(tǒng)計是圖像分類報告中必須包含的內(nèi)容，包括各類在各波段的平均值、標準差、最低值、最高值、協(xié)方差矩陣、相關系數(shù)矩陣、特征值、各類的像素數(shù)和占總像素數(shù)的百分比、精度檢驗等。根據(jù)這些統(tǒng)計參數(shù)可以繪制各類的光譜曲線，計算相應的植被指數(shù)等。64編輯ppt8.7分類后處理8.7.4類間可別離性分析可別離性可用各類之間的距離矩陣來表示。由于距離是類間相似性的一個重要量度，因而通過該矩陣可確定最為相似的類。65編輯ppt8.8分類精度分析遙感圖像分類精度分析通常把分類圖與標準數(shù)據(jù)(圖件或地面實測調(diào)查)進行比較，然后用正確分類的百分比來表示分類精度。實際工作中，多采用抽樣方式以局部像素或局部類別代替整幅圖像來進行精度分析。遙感圖像分類精度分為非位置精度和位置精度。非位置精度以一個簡單的數(shù)值，如面積、像素數(shù)目等表示分類精度，由于未考慮位置因素，類別之間的錯分結(jié)果彼此平衡，在一定程度上抵消了分類誤差，使分類精度偏高。我國早期分類工作中的精度評價多是非位置精度評價。位置精度分析將分類的類別與其所在的空間位置進行統(tǒng)一檢查。目前普遍采用混淆矩陣的方法，即以Kappa系數(shù)評價整個分類圖的精度，以條件Kappa系數(shù)評價單一類別的精度。66編輯ppt8.8分類精度分析1.混淆矩陣2.Kappa系數(shù)67編輯ppt8.8分類精度分析1.混淆矩陣混淆矩陣(ConfusionMatrix)是由n行n列組成的矩陣，用來表示分類結(jié)果的精度。這里，n代表類別數(shù)。有時，該矩陣稱為誤差矩陣?；煜仃囍?，檢驗用的實際類別來源有三種，一種是分類前