遥感图像的分类.ppt

波段2波段1快速边界附近的判别准确但当类别间亮度区域有重叠时无法判别特点：以均值向量或重心作为每类的中心位置，根据像元到各类别重心的距离来进行判断，将像元划到距离最小的类别无法考虑类别方差的来同，重叠区的划分误差较大或为均值向量最小距离法tm4tm3基于亮度值服从正态分布的假设；计算像元属于各类别的概率，将像元归入具最大概率的一类概率公式为：特点：可同时定量考虑多个波段和类别，且较好地考虑了各类方差（离散程度），因而较为合理，也具有较高的精度。最大似然法（Bayes)a1a2监督分类的优缺点可根据应用和区域，有选择地决定分类类别可控制训练样本的选择通常具有较高的精度可根据训练样本分析分类精度参入了一定的人为因素所选类别可能不能履盖所有类型，造成一些象元找不到归属不能识别训练者不知道的类别花较多的人力和时间第八章???遥感图像分类一、概述二、监督分类三、非监督分类图像分类：将图像中每个像元根据其光谱信息、空间结构信息和（或）其它专题信息，按照一定的规则或算法划分为不同的类别。可在由计算机自动完成。最常用于分类的信息是光谱信息，即各波段的亮度值。另外还可以将空间结构信息，如图像纹理密度、方向等，及其它专题信息用于分类。这些信息的加入常可使分类的精度得到显著提高。除考虑目标象元的特征外，还可以考虑周围象元的特征。一、概述二、监督分类（supervised)原理方法与步骤监督分类的优缺点原理01建立各类型已知样本区（训练区），根据训练区确定各类的统计特征，以此为基础，建立分类的判别函数，对每个象元进行类别划分。0201040203类别统计特征的计算判别函数的确定训练区的选取对每个象元进行判别计算步骤01对每一分类类型，在图像上圈定若干个已知区，作为训练区02要点：训练区要典型，有代表性训练区最好能均匀分布于全区1训练区的选取类别统计特征的计算01计算各类别训练区中各分类参数（波段）的统计特征值：均值、标准差、最大值、最小值、方差、协方差矩阵、相关矩阵或重心等。02不同类在单波段直方图上均值相距越大，方差越小，分类效果越好。两类直方图有重叠，则重叠区样本难以区分C漏分误差(omissionerror)——像元没被到相应类别的比例F某类单波段亮度直方图应为单峰，方差越小分类效果越好。如出现多峰说明有多个总体，视情况需修改训练区B特征空间二维图中各类样本越集中，距离越远，分类效果越好D错分误差(commissionerror)——像元被分到一个错误类别的比例E地物亮度分布一般属于正态分布或对数正态分布A训练样本分类能力的考查平行算法01最小距离法02最大似然法03常用三种方法：3判别函数的确定平行算法又称盒式决策规则根据各类训练样本的亮度值范围(由亮度最大值和最小值确定）形成的多维数据空间区域来进行判别，将落入该区域内的像元划为该类。也可用均值和标准差来确定则如：或第i波段j类的最小亮度值；第i波段j类的最大亮度值；第i波段象元值；第i波段j类的标准差；人为规定阈值