遥感原理和应用-第8章.ppt

3. 穗帽变换 又称K-T变换，由Kauth—Thomas提出，也是一种线性特征变换。 MSS图像信息随时间变化的空间分布形态是呈规律性形状的，像一个顶部有缨子的毡帽。 特点1：在MSS图像中，土壤在特征空间（光谱空间）的集群，随亮度的变化趋势沿从坐标原点出发的同一根辐射线方向上出现。 特点2：若把土壤和植被的混合集群投影到MSS5和MSS6波段图像所组成的特征子空间中，形成一个近似的帽状三角形 穗帽变换 Y=A·X Y=（ISB IGV IY IN）T X=（X4 X5 X6 X7） ISB——土壤亮度轴的像元亮度值 IGV——植物绿色指标轴的像元亮度值 IY——黄色轴 IN——噪声轴 Xi——地物在MSS四个波段上的亮度值 SB分量和GV分量一般情况下等价于主分量变换中的第一主分量PCI和第二主分量PC2 SB分量集中了大部分土壤信息，所以对土壤的分类是有效的 GV分量对植被的分类是有效的 4. 生物量指标变换 Ibio——生物量变换后的亮度值。 x7，x5为MSS7和MSS5图像的像元亮度值。 经变换后，植物、土壤和水都分离开来，因此可独立地对绿色植物量进行统计。 生物量指标变换 8.2.2 特征选择 选择一组最佳的特征影像进行分类 定量选择方法 距离测度 散布矩阵测度 类内散矩阵 类间散布矩阵 总体散布矩阵 = ???+ ?? TM 7,4,1 TM 5,7,2 TM 5,4,3 TM 4,3,2 前面所述内容主要为分类前的预处理。预处理工作结束后，就将参与分类的数据准备，接下来的工作就是从这些数据提供的信息中让计算机“找”出所需识别的类别方式有两种：一种就是监督分类法；另一种称为非监督分类法。下面先介绍监督分类法。 8.3 监督分类 监督分类：是基于我们对遥感图像上样本区内地物的类属已知，于是可以利用这些样本类别的特征作为依据来识别非样本数据的类别。 监督分类的思想：首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别函数中求解待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。 监督分类 判别函数和判别规则 分类过程 判别函数和判别规则 各个类别的判别区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别，这些函数就称为判别函数。 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。 概率判别函数：某特征矢量（X）落入某类集群的条件概率 贝叶斯判别规则：把X落入某集群 的条件概率 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。 假设：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如式（8-2）所示。根据贝叶斯公式可得： 最大似然分类法 最大似然分类法 概率判别函数： 相应的贝叶斯判别规则： 若对于所有可能的j=1,2 ,…,m；j≠ i有 ，则X属于类 。 判决边界为 （假设有两类）。 最大似然法分类的错分概率 错分概率是类别判决分界两侧做出不正确判决的概率之和。贝叶斯判决边界使这个数错误为最小，因为这个判决边界无论向左还是向右移都将包括不是1类便是2类的一个更大的面积，从而增加总的错分概率。，贝叶斯判决规则是以错分概率最小的最优准则。 最小距离分类法 基本思想：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，该未知矢量就属于哪类。 马氏距离?? 欧氏距离?? 计程距离 错分概率及判决边界 盒式分类法 基本思想：首先通过训练样区的数据找出每个类别在特征空间的位置和形状，然后以一个包括该集群的“盒子”作为该集群的判别函数。判决规则为若未知矢量X落入该“盒子”，则X分为此类，否则再与其它盒子比较。 8.3.2 分类过程 （1）确定感兴趣的类别数 （2）特征变换和特征选择 （3）选择训练样区 （4）确定判决函数和判决规则 （5）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 （1）对训练样区的要求 准确性、代表性和统计性。 准确性：要确保选择的样区与实际地物一致； 代表性：所选样区为某一地物的代表，还要考虑到地物本身的复杂性，反映同类地物光谱特性的波动情况； 统计性：指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。 （2）初始类别参数的形成 （3）样本数据的训练 计算每个类别的M 和Σ，建立类别的判别函数