遥感图像分类.ppt

非监督分类与监督分类的结合： 监督分类的缺陷在于，必须在分类前确定样本，难度大、效率低 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 使分类精度得到保证的前提下，分类速度得到了提高 三.非监督分类方法 第二十九页，共40页。 混淆矩阵（Confusion Matrix） 混淆矩阵是由n行n列组成的矩阵，用来表示分类结果的精度 混淆矩阵是通过将每个像元的位置和地面参考验证信息与计算机分类结果中的相应位置和类别来比较计算的 混淆矩阵的每一列代表了地表实测值（参考验证信息），每一列中的数值等于地表真实像元在分类图像中对应于相应类别的数量 混淆矩阵的每一行代表了计算机的分类信息，每一行中的数值等于计算机分类像元在地表真实像元相应类别中的数量 四.分类精度评价 第三十页，共40页。 遥感图像分类 第一页，共40页。 目录 图像分类基本概念和原理 监督分类方法 非监督分类方法 分类精度评价 分类后处理 第二页，共40页。 一.图像分类基本概念和原理 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 举例 分类 土地覆盖、树种识别、植被和农作物 变化检测 土地覆盖变化 物理量的提取 温度、大气成分、高程、土壤含水量 指标提取 植被指数、浑浊指标 特定地物和状态的提取 山火、水灾、线形构造、遗迹探察 第三页，共40页。 一.图像分类基本概念和原理 在特征空间中，依据像元相似度的大小，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 第四页，共40页。 一.图像分类基本概念和原理 第五页，共40页。 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 一.图像分类基本概念和原理 第六页，共40页。 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分析 为什么使用计算机分类？ 一.图像分类基本概念和原理 第七页，共40页。 按人工干预的程度不同，可以分为： 监督分类法 非监督分类法 分类步骤： 选择合适的分类算法 用所选算法分割特征空间 根据像元在特征空间中的定位对每一个像元赋类别值 对分类结果进行精度评价 一.图像分类基本概念和原理 第八页，共40页。 二.监督分类方法 监督分类方法的思想： 确定每个类别的样区 学习或训练 确定判别函数和相应的判别准则 计算未知类别的样本观测值函数值 按规则进行像元的所属判别 第九页，共40页。 二.监督分类方法 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 判别规则：判断特征矢量属于某类的依据。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。 这种判断的依据，称之为判别规则 第十页，共40页。 首先需要从研究区域选取有代表性的训练场地作为样本 根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别 二.监督分类方法 第十一页，共40页。 选择训练样本区 确定类别数 对每类选择足够多的有代表性的样本 分类前分析样本区质量 选择合适的分类算法 分类结果的精度评价 二.监督分类方法 第十二页，共40页。 训练样区的选择： 准确性——确保选择的样区与实际地物的一致性 代表性——考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况 统计性——选择的训练样区内必须有足够多的像元 二.监督分类方法 第十三页，共40页。 二.监督分类方法 类别 颜色 水体 Cyan 混凝土 Purple 高层建筑 Thistle 裸地 Coral 草坡 Yellow 森林 Green 第十四页，共40页。 二.监督分类方法 第十五页，共40页。 主要的监督分类方法： 平行六面体分类法 最小距离分类法 马氏距离分类法 最大似然分类法 神经网络 支持向量机（SVM） 二.监督分类方法 第十六页，共40页。 最小距离分类法： 基本思想是设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类 距离判决函数偏重于集