遥感图像分类剖析.ppt

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 监督法分类的优点 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 监督法分类的缺点 非监督分类的思想 主要非监督分类方法 K-均值法 ISODATA 非监督分类的特点 分类后处理 分类后的误差分析 内容大纲 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 非监督分类 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 聚类 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 聚类过程 按照某个原则选择一些初始聚类中心 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 聚类过程 计算并改正重新组合的类别中心 过程重复直到满足迭代结束的条件 聚类过程 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 非监督分类 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） 主要的非监督分类方法 K-均值法 通过自然的聚类，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 K-均值法 （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： ①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 ②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 K-均值法 （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 K-均值法 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 K-均值法 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 ISODATA （1）初始化，设置参数； （2）选择初始聚类中心； （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 ISODATA 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 θN ：所希望的一个类中样本的最小数目 θS ：类的分散程度的参数（如标准差、方差） θC ：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 ISODATA参数的设定 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最少像元数θN 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θS 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