遥感图像分类课件.pptx
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《遥感图像分类课件.pptx》由用户(晟晟文业)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 遥感 图像 分类 课件
- 资源描述:
-
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
展开阅读全文