遥感图像分类精选课件.ppt

遥感图像分类第一页，本课件共有41页目录1.图像分类基本概念和原理2.监督分类方法3.非监督分类方法4.分类精度评价5.分类后处理第二页，本课件共有41页一.图像分类基本概念和原理遥感图像分类是图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提取信息的类型提取信息的类型举例举例分类分类土地覆盖、树种识别、植被和农作物土地覆盖、树种识别、植被和农作物变化检测变化检测土地覆盖变化土地覆盖变化物理量的提取物理量的提取温度、大气成分、高程、土壤含水量温度、大气成分、高程、土壤含水量指标提取指标提取植被指数、浑浊指标植被指数、浑浊指标特定地物和状态的提取特定地物和状态的提取山火、水灾、线形构造、遗迹探察山火、水灾、线形构造、遗迹探察第三页，本课件共有41页一.图像分类基本概念和原理在特征空间中，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第四页，本课件共有41页一.图像分类基本概念和原理第五页，本课件共有41页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一.图像分类基本概念和原理第六页，本课件共有41页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较目视解译客观，在分析大数据集时比较经济可对复杂的多波段数据及其相互关系进行有效分析为什么使用计算机分类？一.图像分类基本概念和原理第七页，本课件共有41页按人工干预的程度不同，可以分为：1.监督分类法2.非监督分类法分类步骤：1.选择合适的分类算法2.用所选算法分割特征空间3.根据像元在特征空间中的定位对每一个像元赋类别值4.对分类结果进行精度评价一.图像分类基本概念和原理第八页，本课件共有41页二.监督分类方法监督分类方法的思想：1.确定每个类别的样区2.学习或训练3.确定判别函数和相应的判别准则4.计算未知类别的样本观测值函数值5.按规则进行像元的所属判别第九页，本课件共有41页二.监督分类方法判决函数和判决规则：判决函数：当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函数判别规则：判断特征矢量属于某类的依据。当计算完某个矢量在不同类别判决函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。这种判断的依据，称之为判别规则第十页，本课件共有41页首先需要从研究区域选取有代表性的训练场地作为样本根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别二.监督分类方法第十一页，本课件共有41页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二.监督分类方法第十二页，本课件共有41页训练样区的选择：准确性确保选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二.监督分类方法第十三页，本课件共有41页二.监督分类方法类别类别颜色颜色水体Cyan混凝土Purple高层建筑Thistle裸地Coral草坡Yellow森林Green第十四页，本课件共有41页二.监督分类方法第十五页，本课件共有41页主要的监督分类方法：平行六面体分类法最小距离分类法马氏距离分类法最大似然分类法神经网络支持向量机（SVM）二.监督分类方法第十六页，本课件共有41页最小距离分类法：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，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 二.监督分类方法第十七页，本课件共有41页最大似然分类法：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，通过求出每个像素对于各类别的归属概率（对于待分像元x，从属于分类类别k的概率），把该像素分到归属概率最大的类别中去二.监督分类方法第十八页，本课件共有41页最大似然法利用概率判别函数与贝叶斯判别规则进行分类优点：考虑特征空间中类别的形状、大小和定位缺点：计算量大，计算时间长假定地物光谱特征呈正态分布二.监督分类方法第十九页，本课件共有41页监督分类方法的优点：根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别可以控制训练样本的选择可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误，分类精度高避免了非监督分类中对光谱集群的重新归类分类速度快二.监督分类方法第二十页，本课件共有41页监督分类方法的缺点：主观性由于图像中间类别的光谱差异，使得训练样本没有很好的代表性训练样本的获取和评估花费较多人力时间只能识别训练中定义的类别二.监督分类方法第二十一页，本课件共有41页在没有先验类别（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）的方法根据图像数据本身的统计特征及点群的分布情况，从纯统计学的角度对图像数据进行类别划分 三.非监督分类方法第二十二页，本课件共有41页非监督分类方法的主要思想是聚类，利用事先定义的参数确定特征空间中类别的位置，然后确定单个像元是否属于某个类别三.非监督分类方法第二十三页，本课件共有41页聚类过程：一般的聚类算法是先选择若干个点作为聚类的中心每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各点归于各聚类中心所代表的类别，形成初始分类然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止三.非监督分类方法第二十四页，本课件共有41页非监督分类方法的特点：仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读或实地调查确定的三.非监督分类方法第二十五页，本课件共有41页主要非监督分类方法：K-均值法（K-means Algorithm）迭代自组织数据分析技术方法（Iterative Self-Organization Data Analysis Techniques，ISODATA）三.非监督分类方法第二十六页，本课件共有41页非监督分类方法的优点：不需要预先对待分类区域有广泛的了解需要较少的人工参与，人为误差的机会减少小的类别能够被区分出来三.非监督分类方法第二十七页，本课件共有41页非监督分类方法的缺点：盲目的聚类难以对产生的类别进行控制，得到的类别不一定是想要的类别计算速度慢三.非监督分类方法第二十八页，本课件共有41页非监督分类与监督分类的结合：监督分类的缺陷在于，必须在分类前确定样本，难度大、效率低通过非监督法将一定区域聚类成不同的单一类别，监督法再利用这些单一类别区域“训练”计算机使分类精度得到保证的前提下，分类速度得到了提高三.非监督分类方法第二十九页，本课件共有41页混淆矩阵（Confusion Matrix）混淆矩阵是由n行n列组成的矩阵，用来表示分类结果的精度混淆矩阵是通过将每个像元的位置和地面参考验证信息与计算机分类结果中的相应位置和类别来比较计算的混淆矩阵的每一列代表了地表实测值（参考验证信息），每一列中的数值等于地表真实像元在分类图像中对应于相应类别的数量混淆矩阵的每一行代表了计算机的分类信息，每一行中的数值等于计算机分类像元在地表真实像元相应类别中的数量四.分类精度评价第三十页，本课件共有41页四.分类精度评价有150个样本数据，这些数据在计算机分类结果中被分成3类，每类50个。分类结束后得到的混淆矩阵为：类1的50个样本有43个分类正确，5个错分为类2，2个错分为类3类2的50个样本有45个分类正确，2个错分为类1，3个错分为类3类3的50个样本有49个分类正确，0个错分为类1，1个错分为类2实际类别类1类2类3行和分类类别类1435250类2245350类3014950列和455154第三十一页，本课件共有41页混淆矩阵主对角线上的数字就是分类正确的像元数，主对角线上的数字越大，分类精度越高；主对角线以外的数字就是错分的像元数，这些数字越小，错分率就越小，精度就越高精度评估的指标总精度用户精度生产者精度（制图精度）四.分类精度评价第三十二页，本课件共有41页总精度：由正确分类的总像元数（沿着主对角线上的元素的和）除以所包含的总像元数来计算eg.(43+45+49)/150=91.3%用户精度由每一类别被正确分类的像元数目除以被分作该类的总像元数（行元素之和），这个数字表示一个像元被分到指定类别的可能性，这个指定类别代表了地面的实际类别eg.类1的用户精度：43/50=86%类2的用户精度：45/50=90%类3的用户精度：49/50=98%生产者精度由每一类中正确分类的像元数（位于主对角线上）除以该类用做训练样区的像元数目（列元素之和）这个数字表明指定覆盖类型的训练样区集的像元被分类后，它的效果有多好类1的生产者精度：43/45=96%类2的生产者精度：45/51=88%类3的生产者精度：49/54=91%四.分类精度评价第三十三页，本课件共有41页Kappa系数:四.分类精度评价m=误差矩阵中行的数量（即总的类别数）xii=第i行第i列上的像元数量（即主对角线上正确分类的数量）xi+=在第i行的总像元数量x+i=在第i列的总像元数量N=用于精度评估的总像元数量第三十四页，本课件共有41页分类总体精度与Kappa的区别：总体精度只用到了位于对角线上的像元数量Kappa则既考虑了对角线上被正确分类的像元，又考虑了不在对角线上的各种漏分和错分错误四.分类精度评价第三十五页，本课件共有41页更改分类颜色分类结果的显示就是使每一类地物呈现不同的颜色，每类颜色与监督分类中选择的感兴趣区的颜色或者非监督分类中预先选择的颜色相对应，可以根据不同的需要重新定义分类方法的颜色其中，颜色的更改有手动和自动两种方式五.分类后处理第三十六页，本课件共有41页Majority/Minority分析无论使用什么方法进行分类，分类结果中不可避免会存在一些面积很小的图斑，从实际应用的角度来看，有必要对这些小图斑进行剔除或者重新分类Majority/Minorit分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，用变换核中站主要地位的像元类别替换中心像元的类别五.分类后处理第三十七页，本课件共有41页聚类处理（Clump）聚类处理是运用形态学算子将临近的类似分类区域聚类合并。分类图像中经常缺少空间连续性，低通滤波虽然可以平滑这些图像，但是类别信息常常会被临近类别的编码干扰，聚类处理解决了这个问题五.分类后处理第三十八页，本课件共有41页过滤处理（Sieve）过滤处理解决分类图像中出现的孤岛问题。过滤处理使用斑点分组方法来消除这些被隔离的分类像元。类别筛选方法通过分析周围4个或8个像元，判定一个像元是否与周围的像元同组。如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该类中删除，删除的像元归为为分类的像元五.分类后处理第三十九页，本课件共有41页分类统计（Class Statistics）分类统计可以基于分类结果计算相关输入文件的统计信息。基本统计包括类别中像元数、最大值、最小值、平均值以及类中每个波段的标准差。还可以记录每类的直方图以及计算协方差矩阵、相关矩阵、特征值和特征向量，并显示所有分类的总结记录五.分类后处理第四十页，本课件共有41页感谢大家观看2022/12/12第四十一页，本课件共有41页