《遥感图像分类》PPT课件

《《遥感图像分类》PPT课件》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、第9章遥感图像分类空间信息技术系任课教师：杨晓霞yangxx2003@126.com2012年3月内容大纲图像分类基本概念和原理遥感图像分类过程监督分类方法非监督分类方法数字图像分类新技术提高分类精度的方法分类原理遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一计算机分类的概念判别函数与判别规则影像空间与特征空间特征空间中的距离在特征空间中，依据像元相似度的大小，归类相似的像元，分离不相似的像元，并给每一个像元赋类别值的过程分类的总目标是将图像中所有的像元自动进行土地覆盖类型或土地覆盖专题的分类什么是遥感图像计算机分类？相同地物具有

2、相同或者相似的光谱特征（光谱相似性）；不同地物具有不同的光谱特征（光谱差异性）计算机分类实例原始遥感图像对应的专题图像为什么使用计算机分类？将影像数据的连续变化转化为地图模式，以提供给用户有意义的信息获得关于地面覆盖和地表特征数据的更深刻的认识在分析大数据集时比较经济较目视解译客观可对复杂的多波段数据及其相互关系进行有效分析遥感图像遥感图像计算机分类流程框图色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局遥感图像特征集基于光谱的基于空间关系的统计分类结构分类模糊分类神经网络分类小波分析专家系统遥感图像计算机分类光谱模式识别空间模式识别新方法分类过

3、程原始影像数据的准备图像变换及特征选择分类器的设计初始类别参数的确定逐个像素的分类判别形成分类编码图像输出专题图光谱特征空间光谱特征空间：以各波段图像的亮度分布为坐标轴组成的空间同类地物在特征空间形成一个相对聚集的点集群不同类地物的点集群在特征空间内一般是相互分离的特征点集群在特征空间中的分布大致可分为如下三种情况：理想情况——不同类别地物的集群至少在一个特征子空间中的投影是完全可以相互区分开的BiBj水植被土壤典型情况——不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中可以完全区分的。这时可采用特征变换使之变成理想情况进行分

4、类地物与光谱特征空间的关系水植被土壤一般情况——无论在总的特征空间中，还是在任一子空间中，不同类别的集群之间总是存在重叠现象这时重叠部分的特征点所对应的地物，在分类时总会出现不同程度的分类误差，这是遥感图像中最常见的情况地物与光谱特征空间的关系水植被土壤特征空间中的距离“物以类聚”，而图像分类的依据通常是像元之间的相似性。相似性通常又采用“距离”来度量。距离可以有不同的具体定义几何距离：欧式距离、绝对值距离统计距离：马氏距离X到集群中心在多维空间中距离的绝对值之总和来表示几何距离：绝对值距离几何距离：欧氏距离统计距离：马氏距离马氏距离几何意义：X到类重心

5、之间的加权距离，其权系数为协方差图像分类方法按人工干预的程度不同，可以分为：监督分类法非监督分类法事先已经知道类别的部分信息（即类别的先验知识），对未知类别的样本进行分类的方法根据已知训练场地提供的样本，通过选择特征参数，建立判别函数，然后把图像中各个像元点归划到给定类中的分类处理监督分类确定每个类别的样区学习或训练确定判别函数和相应的判别准则计算未知类别的像元的函数值按判别准则进行像元所属的判别监督分类的思想监督法分类主要步骤选择训练样本区确定类别数对每类选择足够多的有代表性的样本分类前分析样本区质量选择合适的分类算法分类结果的精度评价准确性——确保选

6、择的样区与实际地物的一致性代表性——考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况统计性——选择的训练样区内必须有足够多的像元训练样区的选择选择训练区训练区与特征空间的联系水新城区老城区耕地植被选择样本区域建立类别的判别函数水老城区新城区植被红255绿255••••耕地0•蓝255将样本数据在特征空间进行聚类主要的监督分类方法距离判别函数和距离判别规则最小距离分类法最近邻分类算法平行六面体分类法概率判别函数和贝叶斯判别规则最大似然分类法最小距离分类法最近邻法基本思想是设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，

7、该未知矢量就属于那类距离判决函数偏重于集群分布的几何位置距离判别规则是按最小距离判别的原则最小距离分类法以一个包括该集群的“盒子”作为该集群的判别函数判决规则为若未知矢量X落入该“盒子”，则X分为此类，否则再与其它盒子比较这种分类法在盒子重叠区域有错分现象，错分与比较盒子的先后次序有关平行六面体分类法基本思想平行六面体分类法最大似然分类法最大似然分类法地物类数据在特征空间中构成特定的点群每一类的每一维数据都在自己的数轴上为正态分布，该类的多维数据就构成了一个多维正态分布各类的多维正态分布模型各有其分布特征利用各类的已知数据（训练区），求出均值、方差及协方

8、差等特征参数，从而求出总体的概率密度函数在此基础上，对于任何一个像元，通过求出每