第9讲遥感分类.ppt
1,第九讲 遥感影像分类,主要内容,遥感影像分类 非监督分类 监督分类遥感影像分类处理中的几个问题,3,一、遥感影像分类,4,分类前,分类后,非监督,分类,5,分类前,分类后,分类,6,分类前,分类后,分类,7,一、遥感影像分类,遥感影像分类的概念及原理 遥感影像分类的特点和原则 遥感影像的分类顺序 影像分类统计量,8,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,概念：是指通过对遥感影像中各类地物的光谱信息和空间信息的分析来选择特征，并将特征空间划分为互不重叠的子空间，将影像中各像元划归到各子空间的过程。,9,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,原始影像,亮度值,10,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,原理：根据各类样本内在的相似性将相似的种类(像元)合并，将不相似的种类(像元)分开，使各像元在特征空间的分布按其相似性分割或合并成一些集群。,11,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,12,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,同类地物在相同条件下应具有相同或相似的信息特征。,13,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,混合像元的存在常使得同类地物的特征向量也不尽相同。,30m R,10m R,14,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,影像分类的关键问题之一是选择适当的分类规则(或叫分类器)，通过分类器把影像数据划分为尽可能符合实际情况的不同类别。,15,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,最简单的分类器就是密度分割或灰度分层。,16,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,最简单的分类器就是密度分割或灰度分层。,17,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,遥感影像分类的特点：多变量的影像分类,18,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,19,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,20,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,分类原则：不能孤立地根据个别变量数值分类，要从整个向量数据特征出发，按空间集群分布来分类。一个集群(类)在特征空间的位置用其均值向量表示。实质是把多维特征空间划分为若干区域(子空间)的过程。,21,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,22,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,（1）像元i和像元j之间的相关系数,23,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,（2）像元i和像元j之间的相似系数,24,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,（3）像元i和像元j之间的欧几里德距离,25,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,（4）像元i和像元j之间的绝对距离,26,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,（5）马氏距离(Mahalanobis),27,概念及原理 特点和原则 分类顺序 分类统计量,一、遥感影像分类,（6）二类均值的标准化距离(g类和h类),28,二、非监督分类,29,二、非监督分类,也叫“边学习边分类法”。是在没有先验类别知识(训练场地)情况下，根据影像本身的统计特征及自然点群的分布来划分地物类别。各类别内涵不能由该分类方法得出，要根据地面实况调查和比较来决定。,30,三、非监督分类,K-mean ISODATA,31,K-mean ISODATA,二、非监督分类,K-mean原理:通过迭代,移动各个基准类别的中心,直至得到最好的聚类结果为止。,32,K-mean ISODATA,确定初始类别中心,判断样本至各类的距离,将样本分到较近的类S中,重新计算类S的中心,类中心是否变化？,迭代结束,否,是,K-mean算法流程图,33,K-mean ISODATA,K-mean具体步骤,34,K-mean ISODATA,二、非监督分类,K=5的分类结果,35,K-mean ISODATA,二、非监督分类,K=10的分类结果,36,K-mean ISODATA,二、非监督分类,ISODATA分类原理：在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。主要步骤：按照某个原则选择一些初始类聚类中心。计算像素与初始类别中心的距离，把该像素分配到最近的类别中。计算并改正重新组合的类别中心,37,K-mean ISODATA,二、非监督分类,按照某个原则选择一些初始类聚类中心。在实际操作中，要把初始聚类数设定得大一些，同时引入各种对迭代次数进行控制的参数，如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别数等，在整个迭代过程中，不仅每个像元的归属类别在调整，而且类别总数也在变化。在用计算机编制分类程序时，初始聚类中心可按如下方式确定：设初始类别数为n，这样共有n个初始聚类中心，求出图像的均值M和方差，按下式可求出初始聚类中心:,k=1,2,n，为初始类中心编号，n为初始类总数。,38,K-mean ISODATA,二、非监督分类,计算像素与初始类别中心的距离，把该像素分配到最近的类别中。动态聚类法中类别间合并或分割所使用的判别标准是距离，待分像元在特征空间中的距离说明互相之间的相似程度，距离越小，相似性大，则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。计算并改正重新组合的类别中心 如果重新组合的像素数目在最小允许值以下，则将该类别取消，并使总类别数减1。当类别数在一定的范围，类别中心间的距离在阈值以上，类别内的方差的最大值为阈值以下时，可以看作动态聚类的结束。当不满足动态聚类的结束条件时，就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返回到上一步，重复进行组合的过程。,39,K-mean ISODATA,二、非监督分类,ISODATA中的合并或分裂如果两个类别的中心点距离近，说明相似程度高，两类就可以合并成一类；或者某类像元数太少，该类就要合并到最相近的类中去。类别的分裂也有两种情况：某一类像元数太多，就设法分成两类；如果类别总数太少，就将离散性最大的一类分成两个类别，可以先求出每个类别的均值和标准差，然后通过对每一个波段的标准偏差设定阈值来实现，标准差大于阈值，该类就要分裂。,40,K-mean ISODATA,41,K-mean ISODATA,42,K-mean ISODATA,43,K-mean ISODATA,44,K-mean ISODATA,ISODATA分类结果,45,三、监督分类,46,核心思想：首先根据类别的先验知识确定判别函数和准则，利用已知类别样本（训练样本）的观测值来确定待定参数；然后将未知类别样本的观测值代入判别函数；依据判别准则对该样本所属类别做出判定。,三、监督分类,47,三、监督分类,48,三、监督分类,49,三、监督分类,最小距离分类法最大似然比分类法,50,最小距离分类法 最大似然比分类法,三、监督分类,最小距离分类法要求遥感图像中每一个类别选择一个代表意义的特征统计量，首先计算待分像元与已知类别之间的距离，然后将其归属于距离最小的一类,51,最小距离分类法 最大似然比分类法,三、监督分类,欧几里德距离：绝对距离：,52,最小距离分类法 最大似然比分类法,三、监督分类,改进的欧几里德距离：改进的绝对距离：,53,最小距离分类法 最大似然比分类法,三、监督分类,54,最小距离分类法 最大似然比分类法,三、监督分类,最大似然分类又称为贝叶斯(Bayes)分类，它通过计算标本(像元)属于各组(类)的概率(或称归属概率)，将该标本归属于概率最大的一组,55,最小距离分类法 最大似然比分类法,三、监督分类,（1）,56,最小距离分类法 最大似然比分类法,三、监督分类,（2）,11,57,最小距离分类法 最大似然比分类法,三、监督分类,（2）,11,58,最小距离分类法 最大似然比分类法,三、监督分类,（3）,11,59,最小距离分类法 最大似然比分类法,三、监督分类,（3）,11,60,最小距离分类法 最大似然比分类法,三、监督分类,（4）,11,61,最小距离分类法 最大似然比分类法,三、监督分类,（5）,11,62,最小距离分类法 最大似然比分类法,三、监督分类,（6）,11,63,最小距离分类法 最大似然比分类法,三、监督分类,（7）,11,64,最小距离分类法 最大似然比分类法,三、监督分类,（7）,11,65,最小距离分类法 最大似然比分类法,三、监督分类,（7）,11,66,最小距离分类法 最大似然比分类法,三、监督分类,（7）,11,67,四、遥感影像分类处理中的几个问题,68,四、遥感影像分类处 理中的几个问题,训练场地和训练样本的选择问题 地形因素影响 混合像元问题 特征变量的选择问题 空间信息在分类中的应用问题 影像分类的后期处理问题,69,训练场地和样本选择 地形因素影响 混合像元问题 特征变量的选择问题 空间信息的应用问题 后期处理问题,四、遥感影像分类处 理中的几个问题,一般情况下，每类至少有10100个训练样本数据。确定训练场地和训练样本应注意：时间；空间。,70,训练场地和样本选择 地形因素影响 混合像元问题 特征变量的选择问题 空间信息的应用问题 后期处理问题,四、遥感影像分类处 理中的几个问题,解决由于地形因素造成的“同物异谱”现象的一种有效的方法是采用“同类多组法”来选取训练样本。,71,训练场地和样本选择 地形因素影响 混合像元问题 特征变量的选择问题 空间信息的应用问题 后期处理问题,四、遥感影像分类处 理中的几个问题,分解混合像元的方法有：线性关系分解法、模糊分解法混合像元已成为遥感影像处理研究的方向之一。,72,训练场地和样本选择 地形因素影响 混合像元问题 特征变量的选择问题 空间信息的应用问题 后期处理问题,四、遥感影像分类处 理中的几个问题,遵循下述原则：特征量性质：不同类别相差较大；同类模式特征值大体接近或相同。某一类模式，应明确表明是属于该类而不属于其它类别。各特征量之间互不相关或相关性很小。,73,训练场地和样本选择 地形因素影响 混合像元问题 特征变量的选择问题 空间信息的应用问题 后期处理问题,四、遥感影像分类处 理中的几个问题,多波段遥感影像和空间信息的综合分类可以显著地提高遥感影像的分类精度和地物的识别能力。,74,训练场地和样本选择 地形因素影响 混合像元问题 特征变量的选择问题 空间信息的应用问题 后期处理问题,四、遥感影像分类处 理中的几个问题,为了克服一大片同类地物中夹杂着散点分布的异类地物的不一致现象，可通过平滑处理来减少或消除这种噪声的影响。,75,总结：遥感影像分类 非监督分类 监督分类遥感影像分类处理中的几个问题,76,作业：遥感影像分类的概念 两种非监督分类的原理及流程 两种监督分类的原理及流程遥感影像分类处理中的几个问题,77,本节结束,
