遥感图像分类课件.pptx

1、2015年4月图像分类基本概念和原理遥感图像分类过程非监督分类方法监督分类方法分类后处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、遗迹探察在特征空间中，依据

2、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原始遥感图像对应的专题图像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

3、分析光谱特征空间：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 SPOT影像1-21-31-42-32-43-4“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 1|mTiijjdXM马氏距离几何意义：X到类重心之间的加权距离，其权系数为协方差按人工干预的程度不同，可以分为：非监督分类法监督分类法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

4、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 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

5、止A.按照某个原则选择一些初始聚类中心B.计算像元与初始类别中心的距离，把像素分配到最近的类别中C.计算并改正重新组合的类别中心D.过程重复直到满足迭代结束的条件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简单集群分类方法K-均值法（K-means Algorithm）Cluster分类法迭代自组织数据分析技术方法（Iterative Self-Organization Data Analysis Techniques，ISODATA）通过自然的聚类，

6、把它分成8类K-均值算法的聚类准则是使每一聚类中，像元到该类别中心的距离的平方和最小基本思想：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止（1）确定类别数并各类的初始中心：z1(0),z2(0),zK(0)，K为类别数。初始中心可任意选取初始中心的选择对聚类结果有一定影响，初始中心的选择一般有以下方法：根据问题的性质，用经验的方法确定类别数K，从数据中找出从直观上看来比较适合的K个类的初始中心将全部数据随机地分为K个类别，对计算每类的重心，将这些重心作为K个类的初始中心（2）择近分类，即将所有像元按照与各中心的距离最小的原则分到K个聚类中心（3）计算新中心。待所有样本第i 次划分完

7、毕后，重新计算新的集群中心zj(i+1),j=1,2,K（4）如果聚类中心不变，则算法收敛，聚类结束；否则回到（2），进入下一次迭代优点：实现简单缺点：过分依赖初值，容易收敛于局部极值 在迭代过程中没有调整类数的措施，产生的结果受到所选聚类中心的数目、初始位置、类分布的几何性质和读入次序等因素影响较大 初始分类选择不同，最后的分类结果可能不同Iterative Self-Organization Data Analysis Techniques“迭代自组织数据分析技术方法”的简称可以自动地进行类别的“合并”和“分裂”，从而得到比较合理的聚类结果（1）初始化，设置参数；（2）选择初始聚类中心；（

8、3）按一定规则(如距离最小)对所有像元分配类别；（4）计算并改正重新组合的类别中心；（5）类别的分裂和合并；（6）如果达到迭代次数或者两次迭代之间类别均值变化小于阈值，则结束迭代；否则，重复（3）-（6）；（7）确认类别，对结果进行精度评估基本同K-均值法，但K-均值法的类别数是从始至终固定的，而ISODATA方法则是动态调整类别数的K ：希望得到的类别数N：所希望的一个类中样本的最小数目S：类的分散程度的参数（如标准差、方差）C：类间距离的参数（如最小距离）L ：每次允许合并的类的对数I ：允许迭代的次数决定类的“分裂”与“合并”结束迭代的条件合并（类数-1）每一类中的像元个数少于期望的类别

9、最少像元数N类别的个数大于期望的类别数K的2倍分裂（类数+1）类别的标准差大于类别标准差阈值S 类别的个数小于期望的类别数K的1/2当类别数在一定范围内，类别中心间的距离在阈值以上，类别内的方差的最大值在阈值以下两次迭代之间，如果上一次和这一次的中心不变，或者变化小于一个阈值，说明聚类结束如果迭代次数达到了预设值I，那么即使不收敛，也强行结束类别数：20迭代次数：20类别数：10迭代次数：10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1.确定每个类别的样区2

10、.学习或训练3.确定判别函数和相应的判别准则4.计算未知类别的函数值5.按规则进行像元的所属判别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，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水新城区老城区耕地植被 建立类别的判别函数水老城区新城区植被红2552

11、55耕地0蓝255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 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

12、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

13、集群的重新归类分类速度快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 面向对象的分类方法人工神经网络分类法 决策树分类法专家系统分类法基于GIS的遥感图像分类方法模糊分类方法基于像素级别的信息提取以单个像素为单位，过于着眼于局部而忽略了附近整片图斑的几何结构情况，从而严重制约了信息提取的精度面向对象的分类方法首先对图像数据进行影像分割，影像的最小单元不再是单个的像素，而是一个个对象(图斑)，后续的影像分析和处理也都基于对象进行优点：面向对象的遥感信息提取，综合考虑了光谱统计特征、形状、大小、纹理、相邻关系等一系列因素

14、，因而具有更高精度的分类结果决策树分类采取逐次分类的方法，先确定特征明显的大类别，对每一大类再作进一步的划分，直到所有类别全部分出为止在不同层次可以更换分类方法，也可以更换分类特征，以提高这类别的可分性城市非建筑物建筑物裸地植被树木草地将原有的GIS数据和各种土地利用类型变化的先验性知识综合集成用于新的遥感图像的分类中，不仅可以促进GIS数据更新的自动化，而且还可以得到比常规最大似然法高的分类精度遥感影像经分类后形成的专题图，用编号、字符、图符或颜色表示各种类别原始遥感图像对应的专题图像用光谱信息对影像逐个像元地分类，在结果的分类地图上会出现“噪声”产生噪声的原因有原始影像本身的噪声，在地类交

15、界处的像元中包括有多种类别，其混合的幅射量造成错分类，以及其它原因等另外还有一种现象，分类是正确的，但某种类别零星分布于地面，占的面积很小，我们对大面积的类型感兴趣，因此希望用综合的方法使它从图面上消失多数平滑：平滑时中心像元值取周围占多数的类别（少数服从多数原则）分类精度评价混淆矩阵Kappa系数制约分类精度的因素提高分类精度的方法混淆矩阵是由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

16、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

17、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）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(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

18、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%例：森林类别的生产者精度为84%，用户精度为60%。表示在分类结果中有84%的森林被正确的分类为森林，但所有分类为森林的地区只有60%的地区真正属于森林这个类别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1121()()mmiiiiiimiiiNxx xKNx x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

19、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遥感图像的制约地物本身的复杂性传感器的性能分类方法的制约目前的分类方法是基于统计的方法，计算机处理的对象是单个像元，属于单点分类地物空间结构的信息没有利用同物异谱：同类地物具有不同的光谱特征。例如：同一类作物，生长状态不同，光谱特征有差异同谱异物：不同的地物可能具有相似的光谱特征。例如：不同的植被类型可能有相似的光谱特征不同含水量的土壤的波谱曲线 不同叶绿素浓度海水的波谱曲线 目视判读计算机自动分类处理对象多个像元的组合单个像元面积的估算粗略的精确的波段最多3个波段没有限制分别灰阶的能力 大约十几个灰阶能够充分利用所有灰阶地物形状可以利用存在限制，依赖于算法空间信息可以利用存在限制非遥感信息可以利用（图像融合）可以利用，程度不够处理时间慢快结果重现差好目前计算机能够利用的信息还是很有限的一方面从地物本身的复杂性着手，一方面从分类方法着手提高分类前预处理的精度决策树分类，即分层分类混合分类多种信息的复合与GIS的集成基于对象的遥感图像分类遥感图像分类的基础是什么？影响分类精度的因素有哪些？比较最大似然法与最小距离法的优缺点比较K均值法与ISODATA法的优缺点比较监督分类与非监督分类的优缺点