监管分类中常用的具体分类方法.pdf

.

监督分类中常用的具体分类方法包括：

最小距离分类法（minimumdistanceclassifier）：

最小距离分类法是用特征空间中的距离作为像元分类依据

的。最小距离分类包括最小距离判别法和最近邻域分类法。最小

距离判别法要求对遥感图像中每一个类别选一个具有代表意义

的统计特征量（均值），首先计算待分象元与已知类别之间的距

离，然后将其归属于距离最小的一类。最近邻域分类法是上述方

法在多波段遥感图像分类的推广。在多波段遥感图像分类中，每

一类别具有多个统计特征量。最近邻域分类法首先计算待分象元

到每一类中每一个统计特征量间的距离，这样，该象元到每一类

都有几个距离值，取其中最小的一个距离作为该象元到该类别的

距离，最后比较该待分象元到所有类别间的距离，将其归属于距

离最小的一类。最小距离分类法原理简单，分类精度不高，但

计算速度快，它可以在快速浏览分类概况中使用。

多级切割分类法（multi-levelsliceclassifier）：

是根据设定在各轴上值域分割多维特征空间的分类方法。通

过分割得到的多维长方体对应各分类类别。经过反复对定义的这

些长方体的值域进行内外判断而完成各象元的分类。这种方法要

求通过选取训练区详细了解分类类别（总体）的特征，并以较高

的精度设定每个分类类别的光谱特征上限值和下限值，以便构成

特征子空间。多级切割分类法要求训练区样本选择必须覆盖所有

.

的类型，在分类过程中，需要利用待分类像元光谱特征值与各个

类别特征子空间在每一维上的值域进行内外判断，检查其落入哪

个类别特征子空间中，直到完成各像元的分类。

多级分割法分类便于直观理解如何分割特征空间，以及待分

类像元如何与分类类别相对应。由于分类中不需要复杂的计算，

与其它监督分类方法比较，具有速度快的特点。但多级分割法要

求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾

斜分布，就会产生分类误差。因此运用多级分割法分类前，需要

先进行主成分分析，或采用其它方法对各轴进行相互独立的正交

变换，然后进行多级分割。

最大似然分类法(maximumlikelihoodclassifier)：

最大似然分类法是经常使用的监督分类方法之一，它是通过

求出每个像元对于各类别归属概率（似然度）（likelihood），

把该像元分到归属概率（似然度）最大的类别中去的方法。最大

似然法假定训练区地物的光谱特征和自然界大部分随机现象一

样，近似服从正态分布，利用训练区可求出均值、方差以及协方

差等特征参数，从而可求出总体的先验概率密度函数。当总体分

布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采

用最大似然分类法。

最大似然分类法在多类别分类时，常采用统计学方法建立起

一个判别函数集，然后根据这个判别函数集计算各待分象元的归

.

属概率（似然度）。这里，归属概率（似然度）是指：对于待分

象元x，它从属于分类类别k的（后验）概率。

设从类别k中观测到x的条件概率为P(x|k)，则归属概率Lk

可表示为如下形式的判别函数：

式中P(k)为类别k的先验概率，它可以通过训练区来决定。

此外，由于上式中分母和类别无关，在类别间比较的时候可以忽

略。

最大似然分类必须知道总体的概率密度函数P(x|k)。由于假定训

练区地物的光谱特征和自然界大部分随机现象一样，近似服从正

态分布(对一些非正态分布可以通过数学方法化为正态问题来处

理)，因此通常可以假设总体的概率密率函数为多维正态分布，

通过训练区，按最大似然度测定其平均值及方差、协方差。此时，

像元X归为类别k的归属概率Lk表示如下（这里省略了和类别

无关的数据项）。

(6-9)式中：n:特征空间的维