遥感原理与应用_第5章_2 遥感影像解译-遥感影像计算机自动分类.ppt

* * * * * * * * * * * * * * * * * * * * PC1 PC2 PC5 遥感影像模式识别基础 返回本节首页 （1）直接标志 监督分类 最短距离分类器、最大似然、SVM等 非监督分类 Kmeans，ISODATA 遥感影像分类方式 监督分类法 首先需要从研究区选取具有代表性的训练场地作为样本(Sample Selection)，并进行训练(Training)，再依据一定的判别函数与判别准则(Decision Rule)，对待分像元进行类别判定。(训练——利用样区数据求解该类别的统计参数的过程称之为学习或训练。) 样本选择要求 样本区域的种类数量应与待分区域的类别数量一致。 样本应在各类目标面积较大的中心选取，这样才有代表性。 如果采用最大似然法分类，要求样本区域各变量服从正态分布。 监督分类 监督分类的主要步骤： 确定感兴趣的类别数。(如水体、建筑物、道路、树木) 对每一种地物类别选择训练样区。 特征变换和特征选择。(将待分类影像转换成特征矩阵) 选择分类器，即设定分类判决函数和判决规则的形式。 根据训练样本学习到分类器的参数。 根据判决函数和判决规则对非训练样区的图像区域进行分类。 监督分类 训练样本区域选取示例 监督分类 最短距离分类器 基本思想：计算待分像元的光谱特征向量X到每一类别集群之间的谱距离(spectral distance)，哪类离它最近，该未知矢量就属于哪类。 判别函数——谱距离 马氏距离 (Mahalanobis distance) 欧氏距离 (Euclidean distance) 计程距离 (Taxi distance) 监督分类 在二维谱空间中五个类别的均值 （通过训练得到） 最短谱距离判别法 监督分类 欧氏距离（Euclidean Distance） X = 待判像元上 的特征矢量 Mc = 类别c的均值 矢量 监督分类 马氏距离（Mahalanobis Distance） 几何意义——X到类重心之间的加权距离，其权系数为多维 方差或协方差。 监督分类 X到集群中心距离的绝对值之和： 计程距离（Taxi distance） 监督分类 最大似然分类方法 最大似然法假设每类地物所对应的波段数据都呈正态(高斯)分布，因此每个地物类别实际上由对应的正态分布的期望和方差决定。 对于任何一个未知类别的数据向量，都可反过来求它属于各类的概率；比较这些概率的大小，看属于哪一类的概率大，就把这个数据向量或这个像元归为该类。 监督分类 最大似然分类方法示意图 监督分类 支持向量机 (SVM) SVM分类器的核心思想：极大化正负样本之间的类间隔。 监督分类 返回本节首页 事先不给定任何先验知识，仅从遥感影像出发进行自然聚类，即“盲目”分类。非监督分类也称聚类分析。 类别属性未知，分类结束后，类别属性可通过目视判读或实地调查确定。与监督法先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其他类区分开。 非监督分类 1、初始化聚类中心 从样本集中选出C个比较合适的样本作为初始聚类中心，将全部样本随机地分成C类。 2、初始聚类 (1) 按就近原则将样本归入各聚类中心所代表的类中。 (2) 重新计算样本均值，更新聚类中心。然后取下一样本，重复操作，直至所有样本归入相应类中。 3、判断聚类是否合理 采用误差平方和准则函数判断聚类是否合理，不合理则修改分类。循环进行判断、修改直至达到算法终止条件。 K-means 方法 非监督分类 2. 将样本均值作为初始聚类中心，调整聚类中心，重新聚类。 3. 重复步骤2，N 次迭代后，聚类中心稳定下来，获得最终聚类结果。 1. 聚类中心初始化。各个样本随机归为C类。 非监督分类 K-means 聚类分类流程 非监督分类 ISODATA（Iterative Self-Organizing Data Analysis）称为“迭代自组织数据分析算法”。 ISODATA算法与K-均值算法的区别： 它不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。 ISODATA 方法 非监督分类 初始化； 选择初始中心； 按一定规则(如距离最小)对所有像元划分； 重新计算每个集群的均值和方差； 按初始化的参数进行分裂和合并； 如果迭代次数或者两次迭代之间类别均值变化小于阈值，则终止迭代； 否则，重复3-5； ISODATA 分类过程： 非监督分类 ISODAT