遥感数字图像处理教程遥感图像分类.ppt

§9-4非监督分类 非监督分类 是指人们事先对分类过程不施加任何的先验知识，而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。 第六十三页，共94页。 一般的聚类算法是先选择若干个模式点作为聚类的中心。 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）将各模式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。 第六十四页，共94页。 一 K-均值聚类法 K-均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。 基本思想是：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。 第六十五页，共94页。 ISODATA算法聚类分析 ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法也称为迭代自组织数据分析算法。 它与K－均值算法有两点不同: 第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法； 第六十六页，共94页。 2、散布矩阵测度 除了距离测度之外，实际应用中还经常采用一种散布矩阵的方式来度量类别的可分性，它是用矩阵形式来表示模式类别在特征空间中的散布情况。 第三十一页，共94页。 §9-3监督分类 监督分类法是选择有代表性的试验区来训练计算机，再按一定的统计判别规则对未知地区进行自动分类的方法。 自动识别分类 监督分类法 非监督分类法 第三十二页，共94页。 分类目的: 将图象中所有像元自动地进行土地覆盖专题分类 原始遥感图像 对应的专题图像 分类的依据是什么? 第三十三页，共94页。 监督分类的思想 1）确定每个类别的样区 2）学习或训练 3）确定判别函数和相应的判别准则 4）计算未知类别的样本观测值函数值 5）按规则进行像元的所属判别 第三十四页，共94页。 分类过程 原始影像数据的准备 图像变换及特征选择 分类器的设计 初始类别参数的确定 逐个像素的分类判别 形成分类编码图像 输出专题图 第三十五页，共94页。 一判决函数和判决规则 判决函数:当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函数。 这些函数不是集群在特征空间形状的数学描述，而是描述某一未知矢量属于某个类别的情况，如属于某个类别的条件概率。一般，不同的类别都有各自不同的判决函数。 第三十六页，共94页。 判别规则: 当计算完某个矢量在不同类别判决函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。如若所得函数值最大则该矢量属于最大值对应的类别。这种判断的依据，我们称之为判别规则。 判断特征矢量属于某类的依据。 第三十七页，共94页。 概率判别函数：把某特征矢量（X）落入某类集群 的条件概率 当成分类判决函数（概率判决函数） 贝叶斯判别规则：把X落入某集群wi的条件概率P (wi/X)最大的类为X的类别 贝叶斯判别规则以错分概率或风险最小为准则的判别规则。 1、概率判决函数和贝叶斯判决规则 第三十八页，共94页。 根据贝叶斯公式可得： P (wi) ——wi 类出现的概率，也称先验概率。 P (wi/X)——在wi 类中出现X的条件概率， 也称wi 类的似然概率。 P (X/wi)—— X属于wi 的后验概率。 由于P (X) 对各个类别都是一个常数， 故可略去所以，判决函数可用下式表示： 第三十九页，共94页。 为了计算方便，将上式可以用取对数方式来处理。即 同类地物在特征空间服从 正态分布，则类别 的概率密度函数: 第四十页，共94页。 去掉与i值无关的项对分类结果没有影响，因此上式可简化为： 相应的贝叶斯判决规则为： 若对于所有可能的 j =1