遥感图像分类课件.ppt

《遥感图像分类课件.ppt》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、遥感图像分类孙丹峰2006年7月概念与原理遥感图像分类是影像信息提取的一种方法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图像分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、……数据－信息（遥感数据－地物信息）举例LandsatTM真彩色合成影像分类后的影像基本原理：在遥感图像上，同类物体在同样条件下，应具有相同的光谱信息特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信息特征不同，而群集在不同的光谱空间区域内。遥感图像分类方法计算机自动分

2、类：监督分类非监督分类新的分类方法：人工神经网路方法决策树分类法专家系统分类法监督分类通过选择代表各类别的已知样本（训练区）的像元的光谱特征，事先取得各类别的参数，确定判别函数，从而进行分类。在监督分类中，先定义信息类，然后检验它们的光谱可分性分类训练区的选择训练区：已知地表覆被类型的代表样区用于描述主要特征类型的光谱属性训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获取的信息的价值用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中光谱类别的所有组成代表性、完整性分布：多个样区确定像元聚集的判别规则平行管道分类（平行六面体）最简单的方

3、法——仅仅需要规定每个特征的DN范围一些像元可能未分类或重复分类最小距离分类通过训练样本确定类别中心某个像元距哪类距离最小，则判归为该类最大似然分类建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类计算每个像元属于每一类的概率，找出概率最大者，将该像元归为概率最大的一类非监督分类在没有先验类别(训练场地)作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）在非监督分类中，先确定光谱可分的类别（光谱类），然后定义它们的信息类非监督分类举例聚类解译人工神经网络法人工神经网络是基于生物神经系统分布式存储、

4、并行处理、自适应学习这些现象构造出具有一些低级智慧的人工神经网络系统。目前代表性的神经网络模型有：BP（BackPropagation）神经网络模糊自组织神经网络RBF（RadialBasisFunction）神经网络Kohonen自组织神经网络……人工神经网络法决策树分类法决策树是一树状结构，依据规则把遥感数据集一级级往下细分以定义决策树的各个分支。决策树分类法基本思想：从“原级”（根结点）开始，利用表达式，每一个决策将影像中的像元分成两类，使用另一表达式，每个新类又能被分成另外的两个新类，如此不断地通过选择不同的特征用于进一步地有效细分类，直到所要求的

5、“终极”（叶结点）类别分出为止。决策树分类法在决策树分类中经常采用的特征有：光谱值；通过光谱值算出来的指标（如NDVI）；光谱值的算术运算值（如，和、差、比值等）；主成分；……由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类处理专家系统分类方法专家系统也是人工智能的一个分支，它采用人工智能语言将某一领域（如地学知识）的专家分析方法或经验，对地物的多种属性进行分析、判断，从而确定各地物的归属。利用这样的系统就可以把判读专家的经验性知识综合起来进行分类其它分类方法除了以上常用的分类方法

6、之外，还有多时相数据分类方法、模糊分类法、亚像元分类法，基于纹理的分类法等等分类精度评价分类精度的评价通常是用分类图与标准数据（图件或地面实测值）进行比较，以正确的百分比来表示精度。已经有一系列建立在混淆矩阵基础上的精度指标来反映分类精度问题，各精度指标建立在抽样样本基础上形成样本混淆矩阵得到的统计值，是总体混淆矩阵的估计值。混淆矩阵的一般形式对角线元素是被正确分类的样本数目，非对角线元素为各类别中混分样本数目，列、行总数分别为地表类别和分类类别样本数目和。精度指标：总体精度用户精度生产者精度Kappa系数……总体精度只考虑混淆矩阵中沿对角线方向的数据，而

7、忽略了非对角线方向的数据；Kappa系数既考虑混淆矩阵中沿对角线方向的数据，也考虑非对角线方向的数据。遥感图像分类中的若干问题遥感分类的精度和可靠性除了与分类方法本身的优劣有关外，还取决于一些其它的因素：训练场地和训练样本的选择问题地形因素的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图像分类的后处理问题