遥感图像分类的基本原理

遥感图像分类的基本原理

遥感图像自动识别分类 遥感图像分类的基本原理 遥感图像分类前处理-特征变换 监督分类 非监督分类 分类后处理和精度分析 遥感图像分类的新方法

8.1基础知识分类又称模式识别8.1.1模式识别的基本原理8.1.2遥感图像分类的基本原理

对于每一个水果有特征向量：

8.1.1模式识别的基本原理模式：某种具有空间或几何特征的东西

x 颜色 X 1 x2 形状

数字化

模式识别：是依据一定的原则将不同物体区分开来如：怎样将一筐不同类的水果挑选出来？形状特征

对于整筐水果有模式n: 1, X 2, , X n X

梨

颜色区分

形状区分

二维特征空间颜色特征

遥感图像分类的基本原理

假如一个未知水果有：X 1 x形状 2

x 颜色

梨梨

X

X

该水果属于桔子

?该水果属于哪一种(土豆)

模式识别的一般步骤：1)数字特征的建立——对象的数学描述(形状，颜色)

8.1.2遥感图像分类的基本原理利用计算机对遥感图像上不同地物进行自动识别和分类。

2)提取一组训练(已知)样本——先验知识3)分类器建立——判决函数 4)对未知模式进行分类——识别数学模式

遥感图像分类的基本原理

采用决策理论(或统计方法)按照决策理论方法，需要从被识别的模式(遥感图像)中，提取一组反映模式属性的量测值(特征),并把模式特征定义在一个特征空间中，进而利用决策原理对特征空间进行划分实现模式分类。——计算机自动分类的概念与目视解译相比计算机自动提取信息

遥感图像分类的一般步骤：1)数字特征的建立——遥感图像的描述

1.数字特征的建立单个像元光谱特征

2)训练样本提取——先验知识 3)分类器建立——判决函数及其参数的确定 4)对整个图像进行分类——识别30米Landsat/TM影像

x1 x X 2 xm

遥感图像分类的基本原理

2.训练样本提取

训练样本——特征空间图像——特征空间

3.分类器及其参数的确定

1)盒式分类器

梨

1.分布范围 2.均值：类别中心 3.方差：离散度

遥感图像分类的基本原理

2)最小距离分类器

3)极大似然分类器

X~ N ( , )g j ( X ) min X M ii 1, 2, , m

i 1, 2, , m

max P(Wi/ X )

4.整幅图像逐个像元进行分类

x1 x X 2 xm 1)将该特征向量X在分类器里进行判断；2)将该像元归入所属类别，并进行标记； Landsat 4-3-2波段假彩色合成图像

3)依次实现所有像元的分类。

分类结果

遥感图像分类的基本原理

8.2.1特征建立1.单个像元光谱特征

8.2.1特征建立 8.2.2特征变换及特征选择30米Landsat/TM影像

x1 x X 2 xm

2.像元与其周

围像元的空间关系纹理、形状、大小等——与图像分辨率有关

光谱特征为主、纹理特征为辅

常见纹理图案

2.5米SPOT影像

遥感图像分类的基本原理

8.2.2特征变换及特征选择

特征变换

变换矩阵

80 70 60 50 40 30 20 10 0 1 2 3 4 5草坪冬青

特征选择

1.特征变换主成分变换哈达马变换穗帽变换比值与生物量指标变换

1)主成分变换基本思想：一种线性变换，均方误差最小的最佳正交变换；是在统计特征基础上的线性变换。目的：数据压缩：新的特征图像之间互不相关；增加类别的可分性。

遥感图像分类的基本原理

几何意义：把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向上。

计算步骤：

像素平均反射率

像素反射率相关性

(1)计算图像均值向量m和协方差矩阵C; (2)计算矩阵C的特征值和特征向量； (3)将特征值按由大到小的次序排列； (4)选择前几个特征值对应的几个特征向量构造变换矩阵φn。 (5)根据Y=φnX进行变换，得到的新特征影像就是变换的结果，X为多光谱图像的一个光谱特征矢量。

性质：主分量变换后，有的特征影像反差拉大，信息集中，整个影像上离散度变大；而另一些特征影像上离散度变小，出现更多的噪声。

遥感图像分类的基本原理

2.ISODATA算法聚类分析ISODATA(Iterative Self-Organizing Data Analysis Techniques Algorithm)算法也称为迭代自组织数据分析算法。它与K-均值算法有两点不同，第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法；第二，ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”,从而得到类数比较合理的聚类结果。

PC1

PC7

a.原始聚类中心

b.第一次迭代的类别分布

遥感图像分类的基本原理

c.第二次迭代的类别分布

d.第n次迭代的类别分布

遥感图像分类的基本原理

2)哈达玛变换主成分变换 Y=φn X

几何意义：

哈达玛变换矩阵

3)穗帽变换又称K-T变换(Kauth和Thomas)一种特殊的主成分变换

MSS图像信息随时间变化的空间分

布形态是呈规律性形状的，像一个顶针对MSS影像

部有缨子的毡帽。

遥感图像分类的基本原理

4)比值变换和生物量指标变换生物量指标

2.特征选择

经变换后，植物、土壤和水都分离开

1)定性选择，根据经验；

来，因此可独立地对绿色植物量进行统计。

2)定量方法，从所有波段m中选取一定数量波段n,可以有多种组合，通过距离或散布测度，来选择可分性最好的那一组组合。

8.3监督分类原理8.3.1基本分析图像特征空间

1.地物在特征空间中的聚类情况

分类

可

以是N维空间

遥感图像分类的基本原理

2.分类器中参数的确定

梨

1.分布范围 2.均值：类别中心 3.方差：离散度

8.3.2监督分类思想(概念)首先根据已知的样本类别和类别的先验知识，确

8.3.3监督分类过程1.选择训练样本和提取统计信息

定判别函数和相应的判别规则(分类器),其中利用一定数量的已知类别的样本的观测值求解判别函数中待定参数的过程称之为学习或训练，然后将未知类别的

样本的观测值代人判别函数，可依据判别准则对该样本的所属类别作出判定。梨

X

分布范围均值：类别中心方差：离散度，距离范围

遥感图像分类的基本原理

2.判决函数——分类器建立1)盒式分类器/平行六面体

平行六面体分类 Parallelepiped Classifier①使用简单的分类规则进行多光谱遥感图像的分类。②决策线在n维光谱空间中是一个平行的管道。③管道的直径根据距离平均值的标准差确定。④如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。⑤如果落在多个类中，ENVI则将这格像元划分到最后匹配的类别。⑥落不到任何管道中，则标识为未分类像元。

输入参数 Max stdev from the mean,是距离平均值多少个标准差。

平行六面体分类(续1)

最小距离分类Minimum Distance Classifier计算未知像元距离各个类别均值向 N量的欧氏距离，将该像元划分到距 D …… 此处隐藏：2563字，全部文档内容请下载后查看。喜欢就下载吧 ……