遥感图像的分类幻灯片.ppt

《遥感图像的分类幻灯片.ppt》由会员分享，可在线阅读，更多相关《遥感图像的分类幻灯片.ppt（24页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、遥感图像的分类第1页，共24页，编辑于2022年，星期三一、概述一、概述n n图像分类图像分类图像分类图像分类：将图像中每个像元根据其光谱信息、空间结构：将图像中每个像元根据其光谱信息、空间结构：将图像中每个像元根据其光谱信息、空间结构：将图像中每个像元根据其光谱信息、空间结构信息和（或）其它专题信息，按照一定的规则或算法划信息和（或）其它专题信息，按照一定的规则或算法划信息和（或）其它专题信息，按照一定的规则或算法划信息和（或）其它专题信息，按照一定的规则或算法划分为不同的类别。分为不同的类别。分为不同的类别。分为不同的类别。n n可在由计算机自动完成。可在由计算机自动完成。可在由计算机自动

2、完成。可在由计算机自动完成。n n最常用于分类的信息是光谱信息，即各波段的亮度值。另外最常用于分类的信息是光谱信息，即各波段的亮度值。另外最常用于分类的信息是光谱信息，即各波段的亮度值。另外最常用于分类的信息是光谱信息，即各波段的亮度值。另外还可以将空间结构信息，如图像纹理密度、方向等，及其它还可以将空间结构信息，如图像纹理密度、方向等，及其它还可以将空间结构信息，如图像纹理密度、方向等，及其它还可以将空间结构信息，如图像纹理密度、方向等，及其它专题信息用于分类。这些信息的加入常可使分类的精度得到专题信息用于分类。这些信息的加入常可使分类的精度得到专题信息用于分类。这些信息的加入常可使分类的精

3、度得到专题信息用于分类。这些信息的加入常可使分类的精度得到显著提高。显著提高。显著提高。显著提高。n n除考虑目标象元的特征外，还可以考虑周围象元的特征。除考虑目标象元的特征外，还可以考虑周围象元的特征。除考虑目标象元的特征外，还可以考虑周围象元的特征。除考虑目标象元的特征外，还可以考虑周围象元的特征。第2页，共24页，编辑于2022年，星期三二、监督分类（二、监督分类（supervised)n n原理原理n n方法与步骤方法与步骤n n监督分类的优缺点监督分类的优缺点第3页，共24页，编辑于2022年，星期三原理原理n n建立各类型已知建立各类型已知样本区（训练区）样本区（训练区），根，根据

4、训练区确定各类的统计特征，以此为据训练区确定各类的统计特征，以此为基础，建立分类的判别函数，对每个象基础，建立分类的判别函数，对每个象元进行类别划分。元进行类别划分。第4页，共24页，编辑于2022年，星期三步骤步骤1.1.训练区的选取训练区的选取2.2.类别统计特征的计算类别统计特征的计算3.3.判别函数的确定判别函数的确定4.4.对每个象元进行判别计算对每个象元进行判别计算第5页，共24页，编辑于2022年，星期三1 训练区的选取训练区的选取n n对每一分类类型，在图像上圈定若干个对每一分类类型，在图像上圈定若干个已知区，作为训练区已知区，作为训练区要点要点：n n训练区要典型，有代表性训

5、练区要典型，有代表性n n训练区最好能均匀分布于全区训练区最好能均匀分布于全区第6页，共24页，编辑于2022年，星期三2 类别统计特征的计算类别统计特征的计算n n计算各类别训练区中各分类参数（波段）的统计计算各类别训练区中各分类参数（波段）的统计特征值：特征值：均值均值均值均值、标准差标准差标准差标准差、最大值最大值最大值最大值、最小值最小值、方差方差、协方差矩阵协方差矩阵协方差矩阵协方差矩阵、相关矩阵相关矩阵相关矩阵相关矩阵或或重心重心等。等。第7页，共24页，编辑于2022年，星期三训练样本分类能力的考查训练样本分类能力的考查n n地物亮度分布一般属于地物亮度分布一般属于地物亮度分布一

6、般属于地物亮度分布一般属于正态分布正态分布正态分布正态分布或或或或对数正态分布对数正态分布对数正态分布对数正态分布n n某类单波段亮度直方图应为某类单波段亮度直方图应为某类单波段亮度直方图应为某类单波段亮度直方图应为单峰单峰单峰单峰，方差越小分类效果越好。如，方差越小分类效果越好。如，方差越小分类效果越好。如，方差越小分类效果越好。如出现多峰说明有多个总体，视情况需修改训练区出现多峰说明有多个总体，视情况需修改训练区出现多峰说明有多个总体，视情况需修改训练区出现多峰说明有多个总体，视情况需修改训练区n n不同类在单波段直方图上均值相距越大，方差越小，分类效果不同类在单波段直方图上均值相距越大，

7、方差越小，分类效果不同类在单波段直方图上均值相距越大，方差越小，分类效果不同类在单波段直方图上均值相距越大，方差越小，分类效果越好。两类直方图有重叠，则重叠区样本难以区分越好。两类直方图有重叠，则重叠区样本难以区分越好。两类直方图有重叠，则重叠区样本难以区分越好。两类直方图有重叠，则重叠区样本难以区分n n特征空间二维图中各类样本越集中，距离越远，分类效果越好特征空间二维图中各类样本越集中，距离越远，分类效果越好特征空间二维图中各类样本越集中，距离越远，分类效果越好特征空间二维图中各类样本越集中，距离越远，分类效果越好n n错分误差错分误差错分误差错分误差(commission error)(

8、commission error)像元被分到一个错误类别的比像元被分到一个错误类别的比像元被分到一个错误类别的比像元被分到一个错误类别的比例例例例n n漏分误差漏分误差漏分误差漏分误差(omission error)(omission error)像元没被到相应类别的比例像元没被到相应类别的比例像元没被到相应类别的比例像元没被到相应类别的比例第8页，共24页，编辑于2022年，星期三3 判别函数的确定判别函数的确定 常用三种方法：常用三种方法：n n平行算法平行算法n n最小距离法最小距离法n n最大似然法最大似然法第9页，共24页，编辑于2022年，星期三平行算法平行算法n n又称盒式决策规

9、则又称盒式决策规则又称盒式决策规则又称盒式决策规则n n根据各类训练样本的亮度值范围根据各类训练样本的亮度值范围根据各类训练样本的亮度值范围根据各类训练样本的亮度值范围(由亮度最大值和最小值确定）由亮度最大值和最小值确定）由亮度最大值和最小值确定）由亮度最大值和最小值确定）形成的多维数据空间区域来进行判别，将落入该区域内的像元划形成的多维数据空间区域来进行判别，将落入该区域内的像元划形成的多维数据空间区域来进行判别，将落入该区域内的像元划形成的多维数据空间区域来进行判别，将落入该区域内的像元划为该类。也可用均值和标准差来确定为该类。也可用均值和标准差来确定为该类。也可用均值和标准差来确定为该类

10、。也可用均值和标准差来确定则则则则如：如：如：如：或或或或第第第第i i波段波段波段波段j j类的最小亮度值；类的最小亮度值；类的最小亮度值；类的最小亮度值；第第第第i i波段波段波段波段j j类的最大亮度值；类的最大亮度值；类的最大亮度值；类的最大亮度值；第第第第i i波段象元值；波段象元值；波段象元值；波段象元值；第第第第i i波段波段波段波段j j类的标准差；类的标准差；类的标准差；类的标准差；人为规定阈值人为规定阈值人为规定阈值人为规定阈值第10页，共24页，编辑于2022年，星期三波段波段1波波段段2第11页，共24页，编辑于2022年，星期三n n特点：特点：特点：特点：快速快速快

11、速快速 边界附近的判别准确边界附近的判别准确边界附近的判别准确边界附近的判别准确 但当类别间亮度区域有重叠时无法判别但当类别间亮度区域有重叠时无法判别但当类别间亮度区域有重叠时无法判别但当类别间亮度区域有重叠时无法判别第12页，共24页，编辑于2022年，星期三最小距离法最小距离法n n以均值向量或重心作为每类的中心位置，根据像元到各类别重以均值向量或重心作为每类的中心位置，根据像元到各类别重以均值向量或重心作为每类的中心位置，根据像元到各类别重以均值向量或重心作为每类的中心位置，根据像元到各类别重心的距离来进行判断，将像元划到距离最小的类别心的距离来进行判断，将像元划到距离最小的类别心的距离

12、来进行判断，将像元划到距离最小的类别心的距离来进行判断，将像元划到距离最小的类别n n无法考虑类别方差的来同，重叠区的划分误差较大无法考虑类别方差的来同，重叠区的划分误差较大无法考虑类别方差的来同，重叠区的划分误差较大无法考虑类别方差的来同，重叠区的划分误差较大或或或或为均值向量为均值向量为均值向量为均值向量第13页，共24页，编辑于2022年，星期三tm4tm3第14页，共24页，编辑于2022年，星期三最大似然法（最大似然法（Bayes)n n基于亮度值服从正态分布的假设；基于亮度值服从正态分布的假设；基于亮度值服从正态分布的假设；基于亮度值服从正态分布的假设；n n计算像元属于各类别的概

13、率，将像元归入具最大概率的一类计算像元属于各类别的概率，将像元归入具最大概率的一类计算像元属于各类别的概率，将像元归入具最大概率的一类计算像元属于各类别的概率，将像元归入具最大概率的一类n n概率公式为：概率公式为：概率公式为：概率公式为：n n特点：特点：特点：特点：可同时定量考虑多个波段和类别，且较好地考虑了各类方差（离散可同时定量考虑多个波段和类别，且较好地考虑了各类方差（离散可同时定量考虑多个波段和类别，且较好地考虑了各类方差（离散可同时定量考虑多个波段和类别，且较好地考虑了各类方差（离散程度），因而较为合理，也具有较高的精度。程度），因而较为合理，也具有较高的精度。程度），因而较为合

14、理，也具有较高的精度。程度），因而较为合理，也具有较高的精度。第15页，共24页，编辑于2022年，星期三a1a2第16页，共24页，编辑于2022年，星期三监督分类的优缺点监督分类的优缺点n n可根据应用和区域，有选择地决定分类类别可根据应用和区域，有选择地决定分类类别可根据应用和区域，有选择地决定分类类别可根据应用和区域，有选择地决定分类类别n n可控制训练样本的选择可控制训练样本的选择可控制训练样本的选择可控制训练样本的选择n n通常具有较高的精度通常具有较高的精度通常具有较高的精度通常具有较高的精度n n可根据训练样本分析分类精度可根据训练样本分析分类精度可根据训练样本分析分类精度可根

15、据训练样本分析分类精度n n参入了一定的人为因素参入了一定的人为因素n n所选类别可能不能履盖所有类型，造成一些象元找所选类别可能不能履盖所有类型，造成一些象元找所选类别可能不能履盖所有类型，造成一些象元找所选类别可能不能履盖所有类型，造成一些象元找不到归属不到归属不到归属不到归属n n不能识别训练者不知道的类别不能识别训练者不知道的类别不能识别训练者不知道的类别不能识别训练者不知道的类别n n花较多的人力和时间花较多的人力和时间第17页，共24页，编辑于2022年，星期三三、非监督分类三、非监督分类n n也称也称也称也称集（点）群分析集（点）群分析集（点）群分析集（点）群分析或或或或聚类分析

16、聚类分析聚类分析聚类分析，是按光谱（亮度值）向量在特，是按光谱（亮度值）向量在特，是按光谱（亮度值）向量在特，是按光谱（亮度值）向量在特征空间聚集的情况来划分点群或类别。征空间聚集的情况来划分点群或类别。征空间聚集的情况来划分点群或类别。征空间聚集的情况来划分点群或类别。n n一个点群或类别在一个点群或类别在一个点群或类别在一个点群或类别在NN维的特征空间里在某个众数的周围，该区维的特征空间里在某个众数的周围，该区维的特征空间里在某个众数的周围，该区维的特征空间里在某个众数的周围，该区域数据点相对密集，亮度向量之间具有更大的相似性。域数据点相对密集，亮度向量之间具有更大的相似性。域数据点相对密

17、集，亮度向量之间具有更大的相似性。域数据点相对密集，亮度向量之间具有更大的相似性。n n相似性量度的基本特征：相似性量度的基本特征：相似性量度的基本特征：相似性量度的基本特征：n n1 1）亮度向量之间的距离）亮度向量之间的距离）亮度向量之间的距离）亮度向量之间的距离n n2 2）特征空间中不同区域的点密度）特征空间中不同区域的点密度）特征空间中不同区域的点密度）特征空间中不同区域的点密度n n非监督分类由程序来划分出符合实际的点群或类别，需通过叠代运算非监督分类由程序来划分出符合实际的点群或类别，需通过叠代运算非监督分类由程序来划分出符合实际的点群或类别，需通过叠代运算非监督分类由程序来划分

18、出符合实际的点群或类别，需通过叠代运算来完成。来完成。来完成。来完成。第18页，共24页，编辑于2022年，星期三非监督分类步骤非监督分类步骤n n1 1、选定起始集群中心、选定起始集群中心、选定起始集群中心、选定起始集群中心 根据直方图人为选取根据直方图人为选取根据直方图人为选取根据直方图人为选取 程序产生：分裂方法程序产生：分裂方法程序产生：分裂方法程序产生：分裂方法分别为全图的均值向量和标准差向量分别为全图的均值向量和标准差向量分别为全图的均值向量和标准差向量分别为全图的均值向量和标准差向量n n2 2、计算距离与归类、计算距离与归类、计算距离与归类、计算距离与归类 计算像元到各中心的距

19、离，用最小距离的原则反像元归入不计算像元到各中心的距离，用最小距离的原则反像元归入不计算像元到各中心的距离，用最小距离的原则反像元归入不计算像元到各中心的距离，用最小距离的原则反像元归入不同的类别同的类别同的类别同的类别第19页，共24页，编辑于2022年，星期三n n3 3、检查和修改集群中心：检查和修改集群中心：检查和修改集群中心：检查和修改集群中心：根据规定的参数（阈值）来检查根据规定的参数（阈值）来检查根据规定的参数（阈值）来检查根据规定的参数（阈值）来检查前一次循环中归类的结果，决定再分裂，合并或取消某前一次循环中归类的结果，决定再分裂，合并或取消某前一次循环中归类的结果，决定再分裂

20、，合并或取消某前一次循环中归类的结果，决定再分裂，合并或取消某些类别些类别些类别些类别n n分裂分裂分裂分裂：标准差超过参数：标准差超过参数：标准差超过参数：标准差超过参数“最大标准差最大标准差最大标准差最大标准差”，已有类别数小于预，已有类别数小于预，已有类别数小于预，已有类别数小于预期类别数，或某一类的像元数大于参数期类别数，或某一类的像元数大于参数期类别数，或某一类的像元数大于参数期类别数，或某一类的像元数大于参数“最大像元数，则该最大像元数，则该最大像元数，则该最大像元数，则该类就要分裂为两个新的集群中心（类别）：类就要分裂为两个新的集群中心（类别）：类就要分裂为两个新的集群中心（类别

21、）：类就要分裂为两个新的集群中心（类别）：及及及及第20页，共24页，编辑于2022年，星期三n n合并合并合并合并：把两个集群（类）合并在一起，重新计算其中心（均值）。：把两个集群（类）合并在一起，重新计算其中心（均值）。：把两个集群（类）合并在一起，重新计算其中心（均值）。：把两个集群（类）合并在一起，重新计算其中心（均值）。两种情况下进行：两种情况下进行：两种情况下进行：两种情况下进行：两个集群之间的距离小于规定的阈值两个集群之间的距离小于规定的阈值两个集群之间的距离小于规定的阈值两个集群之间的距离小于规定的阈值“最小群间距最小群间距最小群间距最小群间距”集群数超过了规定的集群数超过了规

22、定的集群数超过了规定的集群数超过了规定的“最大分类数最大分类数最大分类数最大分类数”n n类间距一般采用相似距离：类间距一般采用相似距离：类间距一般采用相似距离：类间距一般采用相似距离：为两个集群的中心；为两个集群的中心；为两个集群的中心；为两个集群的中心；为两个集群的标准差为两个集群的标准差为两个集群的标准差为两个集群的标准差第21页，共24页，编辑于2022年，星期三n n取消取消取消取消：当某个集群的像元数少于参数：当某个集群的像元数少于参数：当某个集群的像元数少于参数：当某个集群的像元数少于参数“一类最小像元数一类最小像元数一类最小像元数一类最小像元数”，则这一点群被取消，其像元分散到

23、相邻的群中。则这一点群被取消，其像元分散到相邻的群中。则这一点群被取消，其像元分散到相邻的群中。则这一点群被取消，其像元分散到相邻的群中。n n4 4、输出分类结果、输出分类结果、输出分类结果、输出分类结果：两个循环间各类均值向量平均移动距离：两个循环间各类均值向量平均移动距离：两个循环间各类均值向量平均移动距离：两个循环间各类均值向量平均移动距离小于规定的移动阈值，或循环达到规定次数，则计算停止，小于规定的移动阈值，或循环达到规定次数，则计算停止，小于规定的移动阈值，或循环达到规定次数，则计算停止，小于规定的移动阈值，或循环达到规定次数，则计算停止，输出结果。输出结果。输出结果。输出结果。第

24、22页，共24页，编辑于2022年，星期三开始开始输入用户参数输入用户参数选定初始集群中选定初始集群中心心将每个像元归入最将每个像元归入最近集群中心近集群中心是否符合给定参数要求分裂、分裂、组合或组合或取消取消输出分类图像及统计输出分类图像及统计文件文件非监督分类流程图非监督分类流程图第23页，共24页，编辑于2022年，星期三非监督分类的优缺点非监督分类的优缺点n n无需训练样本。无需训练样本。无需训练样本。无需训练样本。n n人为误差机会少人为误差机会少人为误差机会少人为误差机会少n n所有类别均可被识别所有类别均可被识别所有类别均可被识别所有类别均可被识别n n难以对类别进行控制，所得群组不一定对应分析者想要的难以对类别进行控制，所得群组不一定对应分析者想要的难以对类别进行控制，所得群组不一定对应分析者想要的难以对类别进行控制，所得群组不一定对应分析者想要的类别。类别。类别。类别。n n难以进行不同图像之间的对比难以进行不同图像之间的对比难以进行不同图像之间的对比难以进行不同图像之间的对比第24页，共24页，编辑于2022年，星期三