遥感数字图像处理-第五章 遥感数字图像的计算机分类(一)2016解析.ppt

* * 最大最小距离选心法（效果最好） 选心原则：各初始类别之间尽可能保持远距离 * 先抽样，设有n个样本，计算步骤： * 非监督分类的主要算法 ISODATA法（迭代自组织数据分析技术） 基本思想：在初始类别参数选定的基础上，通过逐步趋近求出实际的基准类别参数。 * 算法流程： * * * * 总结：以初始类别为“种子”进行自动迭代聚类过程，它可以自动地进行类别的“合并”与“分裂”，其各个参数也在不断地聚类调整中逐渐确定，并最终构成所需要的判别函数。 因此，基准类别参数的确定过程，也正是利用光谱特征本身的统计性质对判别函数的不断调整和“训练”的过程。 * K-mean算法 基本思想：通过迭代，移动各个基准类别的中心，得到最好的聚类结果。 聚类准则（收敛条件）：使每一聚类中，多模式点到该类别的中心的距离的平方和最小。即：对于图像中互不相交的任意一类，计算该类中的像素值与该类均值差的平方和。将图像中所有类的差的平方和相加，并使相加后的值达到最小！ * 第i类中，所有像元到该类中心差的平方和 总类数m，所有像元到该类中心差的平方和 * K-mean算法的计算步骤： * K-mean算法与ISODATA算法的区别： （1）ISODATA算法它不是每调整一个样本的类别就重新计算一次各样本的均值，而是在把所有的样本都调整完之后才重新计算。 （2） K-mean算法是逐个样本修正法， ISODATA算法是成批样本修正法； （3） ISODATA算法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“合并”与“分裂”，从而得到类数比较合理的聚类结果。 * 4-3-2假彩色合成图像 非监督分类(聚类)结果: 15个光谱类 非监督分类 * 非监督分类 1. 4-3-2假彩色合成图象(香港九龙); 2. 聚类结果(10类) * 3. 聚类结果合并(5类); 4. 最终结果 (类别颜色改变) 监督分类与非监督分类的比较 根本区别：是否利用训练场地来获取先验的类别知识。 监督分类的关键是选择训练场地。 监督分类法优点：简单实用，运算量小。 缺点：受训练场地个数和训练场典型性的影响较大。受环境影响较大，随机性大。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分类的不足之处。 非监督分类优点：事先不需要对研究区了解，减少人为因素影响，减少时间，降低成本。不需要更多的先验知识，据地物的光谱统计特性进行分类。 缺点：运算量大。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。 * 非监督分类与监督分类的结合 通过非监督法将一定区域聚类成不同的单一类别，监督法再利用这些单一类别区域“训练”计算机。通过“训练”后的计算机将其它区域分类完成，这样避免了使用速度比较慢的非监督法对整个影像区域进行分类，使分类精度得到保证的前提下，分类速度得到了提高。 步骤: 第一步：选择一些有代表性的区域进行非监督分类。 这些区域的选择与监督法分类训练样区的选择要求相反，监督法分类训练样区要求尽可能单一。而这里选择的区域包含类别尽可能地多，以便使所有感兴趣的地物类别都能得到聚类。 第二步：获得多个聚类类别的先验知识。这些先验知识的获取可以通过判读和实地调查来得到。聚类的类别作为监督分类的训练样区。 第三步：特征选择。选择最适合的特征图像进行后续分类。 第四步：使用监督法对整个影像进行分类。根据前几步获得的先验知识以及聚类后的样本数据设计分类器。并对整个影像区域进行分类。 第五步：输出标记图像。由于分类结束后影像的类别信息也已确定。所以可以将整幅影像标记为相应类别输出。 * * Bayes准则及判别函数 X属于wi类的概率，又称后验概率，即像元X出现在wi的最大概率 * 假设有两类，如图。概率判别函数的判别边界为d1(X)和d2(X)，当使用概率判别函数进行分类时，不可避免会出现错分现象，分类错误的总概率由后验概率函数重叠部分下的面积给出。错分概率是类别判别分界两侧做出不正确判别的概率之和。 Bayes判别边界使这个数最小，因为这个判别边界无论向左还是向右都将包括不是1类便是2类的一个更大面积，从而增加总的错分概率。故：Bayes判别规则是错分概率最小的最优准则。 * 最大似然法和最小距离法分类错分比较 假设有两类w1和w2，其后验概率分布如图。 最小距离按欧氏距离或计程距离计算（因马氏距离不仅与均值向量有关，还与协方差矩阵有关，更复杂）。 结论： 最大似然法的错分概率小于最