五讲遥感影像分类

《五讲遥感影像分类》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、遥感数字图像的计算机分类遥感数字图像的分类方法分类执行方式：监督分类、非监督分类分类模型或分类器：统计分类、模糊分类、邻域分类、神经网络分类等、混合像元分解。监督分类，又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息．每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。非监督分类，也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义

2、其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，仅需极少的人工输入．计算机按一定规则自动地根据像无光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。模糊分类：前面讲到的各种分类方法都是假设每个像元只能被归入一个类型中．像元和类型之间只能是一对一的关系。但在事实上，由于遥感图像分辨率及其他因素的影响，图像中的像元所对应的地面实体并不只是一个类别，面是二个或二个以上类别的混合体。模糊分类就是允许根据其混合类型的百分比将一个像元归到几个类型。如果一个像元50％是草地、20

3、％是房屋、30％是道路．则在模糊分类中，这个像元属于这三种类型的成分分别为0.5、0.2和0.3。算法包括两个主要步骤:对来自模糊训练数据的模糊参数的估计;对光谱空间的模糊划分。这可以鉴别混合象元中各组分覆盖类型的不完全隶属性以及产生更精确的统计参数,从而达到更高的分类精度。空间结构纹理分类：单纯的光谱分类器只考虑图像的光谱特征，但在实际景观中，由于地物是具有一定空间结构特征的，如城市的居住区多是由树木、草地、道路、房屋顶、停车地等组成的。因此在分类中，利用其空间特征纹理的差异可以比较容易地区分不同类型，而单纯的亮

4、度信息则不一定能很好地区分不同类型。空间结构分类器主要是利用一些测量空间纹理结构的函数得到新的层。一般这些函数都是利用一定的窗口测量像元和其周边像元之间的关系，比如说在5x5窗口内像元之间的方差、空间相关系数等，将这些层加到原始图像的光谱层中．从而对混合图像进行分类。纹理特征：中值(Mean),协方差(Variance),同质性（或称为逆差距）(Homogeneity),反差(Contrast),差异性(Dissimilarity),熵(Entropy),二阶距(AngularSecondMoment),自相关(C

5、orrelation)。用于分类的辅助数据：辅助数据是指用于帮助因像分析和分类的非图像信息，包括航空像片、地图、备类专题图、野外考察、报告等。在数字化图像分析中，辅助数据通常是被转化成数字化的格式，如GIs中的各种地形图、土壤图、植被图等。数字化的辅助数据一般有两种使用方式，一是将辅助层简单地加到图像现有的光谱数据中、将辅助层看成是另一个单一的图像波段，并将这种复合的图像进行监督或非监督分类；二是使用分层分类策略，将光谱图像先进行分类，然后利用辅助数据将其分成几个层．将每个层按照一定的规则重新分类或者精确化初始的分

6、类结果。这种方法可以根据辅助数据将所研究的重点类别或者难以分类的类别孤立出来，允许复杂的分类算法有效地运用于这些类别中，从而提高分类精度。用于分类的辅助数据：利用辅助数据的一个主要障碍是辅助数据和遥感数据之间的不匹配。由于多数辅助数据并不是用来为遥感数据应用服务的，因此其数字化辅助数据对应的比例尺、分辨率、时间、精度以及记录格式很少和遥感图像相匹配。当其应用于遥感图像分类时，有时必须对其进行预处理，以保证其和图像之间的物理匹配。另外，哪种辅助数据也成为一个重要的决策问题。比如对于山区的植物分类，其地形高度、坡度和坡

7、向是一些有用的辅助信息，帮助确定植被的类型。但在其他分类中，地形也许就不是一个关键的因素。虽然有人提倡尽可能多的利用所有相关辅助数据，但考虑到其中的时间和其他代价，这种提议显然并不是最好的。仔细地选择和决定重要的辅助数据应该是必需的。分类精度评价方法精度评价最好是比较两幅图像中每个像元之间的一致性。但在多数情况下，我们很难取得一整幅精确的参考图，因此大多数精度评价都是对图像采样的一部分像元进行评价，其参考类别可以通过野外考察、更详细的航空像片，或者其他来源的分类图上得到。通常把训练样本分为两部分，一部分用于分类，另

8、一部分用于精度评价。1采样方法采样设计应当采用概率采样．以确保样本的代表性和有效性，使利用样本估计总体参数建立在可靠的基础之上。精度评价中有不同的采样方法，常用的概率采样方法包括简单随机采样、分层采样、聚点式集群采样以及系统采样等。不同的采样方法所采用的参数估计的具体形式和计算公式不同，它们各具有一定的优缺点。具体采用哪种方法，应考虑分类系统相应用目的的影响