遙感數(shù)字圖像處理教程遙感圖像分類

遙感數(shù)字圖像處理教程遙感圖像分類當前你正在瀏覽到的事第一頁PPTT，共九十四頁?！?—1基礎知識1、模式與模式識別 所謂“模式”是指某種具有空間或幾何特征的東西。 對被識別的模式作一系列的測量，然后將測量結果與“模式字典”中一組“典型的”測量值相比較,得出所需要的分類結果。這一過程稱為模式識別.

當前你正在瀏覽到的事第二頁PPTT，共九十四頁。xn

分類器（或稱判決器），可以根據(jù)一定的分類規(guī)則，把某一測量矢量X劃入某一組預先規(guī)定的類別之中去。

自然模式接收器(傳感器)分類器(判決器)x2x1結果….模式識別系統(tǒng)的模型當前你正在瀏覽到的事第三頁PPTT，共九十四頁。2、光譜特征空間及地物在特征空間中聚類的統(tǒng)計特性

光譜特征空間:以各波段圖像的亮度分布為坐標軸組成的空間.

同類地物在特征空間形成一個相對聚集的點集群;

不同類地物的點集群在特征空間內一般是相互分離的.

當前你正在瀏覽到的事第四頁PPTT，共九十四頁。地物與光譜特征空間的關系水土壤植被B5B7當前你正在瀏覽到的事第五頁PPTT，共九十四頁。

特征點集群在特征空間中的分布大致可分為如下三種情況:理想情況——不同類別的點的集群至少在一個特征子空間中的投影是完全可以相互區(qū)分開的。BiBj水植被土壤當前你正在瀏覽到的事第六頁PPTT，共九十四頁。一般情況——無論在總的特征空間中，還是在任一子空間中，不同類別的集群之間總是存在重疊現(xiàn)象。這時重疊部分的特征點所對應的地物，在分類時總會出現(xiàn)不同程度的分類誤差，這是遙感圖像中最常見的情況。水植被土壤當前你正在瀏覽到的事第七頁PPTT，共九十四頁。典型情況——不同類別地物的集群，在任一子空間中都有相互重疊的現(xiàn)象存在，但在總的特征空間中可以完全區(qū)分的。這時可采用特征變換使之變成理想情況進行分類。水植被土壤當前你正在瀏覽到的事第八頁PPTT，共九十四頁?！?-2特征變換及特征選擇一、特征變換1、主分量變換2、穗帽變換3、哈達瑪變換哈達瑪變換定義為：IH=H·X當前你正在瀏覽到的事第九頁PPTT，共九十四頁。1、K-L變換(Karhunen-Loeve)(主分量變換)

K-L變換:它是對某一多光譜圖像X.利用K-L變換矩陣A進行線性組合,而產生一組新的多光譜圖像Y.

Y=AX

特點:變換后的主分量空間與變換前的多光譜空間坐標系相比旋轉了一個角度。新坐標系的坐標軸一定指向數(shù)據(jù)量較大的方向。當前你正在瀏覽到的事第十頁PPTT，共九十四頁。

該變換的幾何意義是把原始特征空間的特征軸旋轉到平行于混合集群結構軸的方向上去。當前你正在瀏覽到的事第十一頁PPTT，共九十四頁。

達到數(shù)據(jù)壓縮、提高信噪比、提取相關信息、降維處理和提取原圖像特征信息的目的。當前你正在瀏覽到的事第十二頁PPTT，共九十四頁。主分量變換計算步驟如下：（1）計算多光譜圖像的均值向量M和協(xié)方差矩陣 C。（2）計算矩陣C的特征值λr和特征向量φr

，（r=1，2，………,M）,M為多光譜圖像的波段 數(shù)。（3）將特征值λr按由大到小的次序排列，即 λ1>λ2>……>λm.當前你正在瀏覽到的事第十三頁PPTT，共九十四頁。（4）選擇前幾個特征值對應的幾個特征向量構造變換矩陣φn.（5）根據(jù)Ｙ＝φnX進行變換，得到的新特征影像就是變換的結果，X為多光譜圖像的一個光譜特征矢量。第一分量方差分布最廣，集中最多信息，第二分量次之。當前你正在瀏覽到的事第十四頁PPTT，共九十四頁。2、K-T變換

是kauth-Thomas變換的簡稱，也稱穗帽變換.是一種坐標空間發(fā)生旋轉的線性變換，旋轉后的坐標軸指向與地面景物有密切關系的方向

主要針對TM圖像數(shù)據(jù)和MSS數(shù)據(jù).當前你正在瀏覽到的事第十五頁PPTT，共九十四頁。Y=A·XY=（ISBIGVIYIN）TX=（X4X5X6X7）

其中：ISB——土壤亮度軸的像元亮度值

IGV——植物綠色指標軸的像元亮度值

IY

——黃色軸

IN

——噪聲軸

Xi

——地物在MSS四個波段上的亮度值當前你正在瀏覽到的事第十六頁PPTT，共九十四頁。穗帽變換的變換矩陣根據(jù)經驗確定。Kauth和Thomas研究出的矩陣A具有如下形式：

0.4330.6320.5860.264-0.290-0.5670.6000.491-0.8240.533-0.0500.1850.2230.012-0.5430.809

當前你正在瀏覽到的事第十七頁PPTT，共九十四頁。當前你正在瀏覽到的事第十八頁PPTT，共九十四頁。

土壤亮度變化軸ISB為穗帽的底邊，帽上面各部分反映了植物生長變化狀況，植物株冠的綠色發(fā)展到頂點（最旺盛時在帽頂）以后逐漸枯黃，枯黃過程是從帽頂沿著一些稱為帽穗的路徑回歸到土壤底線（因此有穗帽之稱）。當前你正在瀏覽到的事第十九頁PPTT，共九十四頁。哈達瑪矩陣為一個對稱的正交矩陣，其變換核為H’由哈達瑪變換核可知，哈達瑪變換實際是將坐標軸旋轉了45℃的正交變換

3、哈達嗎變換當前你正在瀏覽到的事第二十頁PPTT，共九十四頁。哈達瑪矩陣的維數(shù)N總是2的倍數(shù)，即N=2m （m=1，2……）其中m稱為矩陣的階，每個高階哈達瑪矩陣都由其低一階的哈達瑪矩陣按如下取二階哈達瑪變換矩陣

當前你正在瀏覽到的事第二十一頁PPTT，共九十四頁。以MSS4，5，6，7四波段的陸地衛(wèi)星圖像的哈達瑪為換為例: IH=H·X IH=(h0h3h1h2)T h0=(x4+x5)+(x6+x7) h1=(x4+x5)-(x6+x7) h2=(x4-x5)-(x6-x7) h3=(x4-x5)+(x6-x7)當前你正在瀏覽到的事第二十二頁PPTT，共九十四頁。

有:h011x4+5

h11-1x6+7h211x4-5

h31-1x6-7==將它們投影到以X4+5X6+7

和X4-5X6-7形成的二個二維空間上

當前你正在瀏覽到的事第二十三頁PPTT，共九十四頁。當前你正在瀏覽到的事第二十四頁PPTT，共九十四頁。特征圖像h0集中了大量的土壤信息，并且對于把水同土壤與植被的混合體區(qū)分開來是有效的。而h1則有利于提取植被信息，即有利于把植被同水和土壤的混合體區(qū)分開來。而h2類似于h1。但是由于（X4-5）和（X6-7）的數(shù)值對各類都很小（<1.0%）,所以h3和h2主要表現(xiàn)為噪聲圖像，通常在特征選擇過程中可把其舍去，以達到數(shù)據(jù)壓縮的目的。當前你正在瀏覽到的事第二十五頁PPTT，共九十四頁。4、比值變換和生物量指標變換 比值變換圖像用作分類有許多優(yōu)點，它可以增強土壤，植被，水之間的輻射差別，壓抑地形坡度和方向引起的輻射量變化。當前你正在瀏覽到的事第二十六頁PPTT，共九十四頁。該變換的幾何意義是地物集群沿輻射方向在IH1=1的直線上的投影

從圖中可以看出植物與土壤在7波段上有混淆；植物與水在5波段上有混淆。經變換后，植物與土壤和水都分離開來，因此可獨立地對綠色植物量進行統(tǒng)計，因而得名。當前你正在瀏覽到的事第二十七頁PPTT，共九十四頁。二特征選擇 在遙感圖像自動分類過程中，不僅使用原始遙感圖像進行分類，還使用如上節(jié)所述多種特征變換之后的影像。我們總希望能用最少的影像數(shù)據(jù)最好地進行分類。這樣就需在這些特征影像中，選擇一組最佳的特征影像進行分類，這就稱為特征選擇。當前你正在瀏覽到的事第二十八頁PPTT，共九十四頁。

特征選擇的問題與所希望區(qū)分的類別及影像本身的特征有關比如當希望研究植被類別，生長情況等，那么選擇生物量指標變換影像及穗帽變換中GV(綠色植物指標軸)分量影像就比較有利；研究土壤類別問題時，使用穗帽變換中的SB（土壤亮度軸）分量比較有利；區(qū)分兩類類似的地物（如玉米和大豆），則選取用適宜時間的影像進行分類；又如對山地植被分類選用比值變換后影像能消去地形影響。

當前你正在瀏覽到的事第二十九頁PPTT，共九十四頁。特征選擇的定量方法1、距離測度:如果所選擇的一組特征能使感興趣類別的類內距離最小，而與其它類別的類間距離最大，那么根據(jù)距離測度；用這組特征設計的分類器分類效果最好。實際可使用標準化距離，類別均值間的標準化距離公式為：

類別間標準化距離越大的特征影像可分性越好當前你正在瀏覽到的事第三十頁PPTT，共九十四頁。2、散布矩陣測度 除了距離測度之外，實際應用中還經常采用一種散布矩陣的方式來度量類別的可分性，它是用矩陣形式來表示模式類別在特征空間中的散布情況。當前你正在瀏覽到的事第三十一頁PPTT，共九十四頁?！?-3監(jiān)督分類

監(jiān)督分類法是選擇有代表性的試驗區(qū)來訓練計算機，再按一定的統(tǒng)計判別規(guī)則對未知地區(qū)進行自動分類的方法。自動識別分類監(jiān)督分類法非監(jiān)督分類法當前你正在瀏覽到的事第三十二頁PPTT，共九十四頁。分類目的:將圖象中所有像元自動地進行土地覆蓋專題分類原始遙感圖像對應的專題圖像分類的依據(jù)是什么?當前你正在瀏覽到的事第三十三頁PPTT，共九十四頁。監(jiān)督分類的思想1）確定每個類別的樣區(qū)2）學習或訓練3）確定判別函數(shù)和相應的判別準則4）計算未知類別的樣本觀測值函數(shù)值5）按規(guī)則進行像元的所屬判別當前你正在瀏覽到的事第三十四頁PPTT，共九十四頁。分類過程

原始影像數(shù)據(jù)的準備圖像變換及特征選擇分類器的設計初始類別參數(shù)的確定逐個像素的分類判別形成分類編碼圖像輸出專題圖當前你正在瀏覽到的事第三十五頁PPTT，共九十四頁。一判決函數(shù)和判決規(guī)則判決函數(shù):當各個類別的判別區(qū)域確定后，用來表示和鑒別某個特征矢量屬于哪個類別的函數(shù)。

這些函數(shù)不是集群在特征空間形狀的數(shù)學描述，而是描述某一未知矢量屬于某個類別的情況，如屬于某個類別的條件概率。一般，不同的類別都有各自不同的判決函數(shù)。當前你正在瀏覽到的事第三十六頁PPTT，共九十四頁。判別規(guī)則:

當計算完某個矢量在不同類別判決函數(shù)中的值后，我們要確定該矢量屬于某類必須給出一個判斷的依據(jù)。如若所得函數(shù)值最大則該矢量屬于最大值對應的類別。這種判斷的依據(jù)，我們稱之為判別規(guī)則。判斷特征矢量屬于某類的依據(jù)。當前你正在瀏覽到的事第三十七頁PPTT，共九十四頁。概率判別函數(shù)：把某特征矢量（X）落入某類集群的條件概率當成分類判決函數(shù)（概率判決函數(shù)）貝葉斯判別規(guī)則：把X落入某集群wi的條件概率P(wi/X)最大的類為X的類別貝葉斯判別規(guī)則以錯分概率或風險最小為準則的判別規(guī)則。

1、概率判決函數(shù)和貝葉斯判決規(guī)則當前你正在瀏覽到的事第三十八頁PPTT，共九十四頁。根據(jù)貝葉斯公式可得：

P(wi)——wi

類出現(xiàn)的概率，也稱先驗概率。

P(wi/X)——在wi

類中出現(xiàn)X的條件概率， 也稱wi

類的似然概率。

P(X/wi)——X屬于wi

的后驗概率。 由于P(X)對各個類別都是一個常數(shù)， 故可略去所以，判決函數(shù)可用下式表示：

當前你正在瀏覽到的事第三十九頁PPTT，共九十四頁。為了計算方便，將上式可以用取對數(shù)方式來處理。即

同類地物在特征空間服從 正態(tài)分布，則類別的概率密度函數(shù):

當前你正在瀏覽到的事第四十頁PPTT，共九十四頁。去掉與i值無關的項對分類結果沒有影響，因此上式可簡化為：

相應的貝葉斯判決規(guī)則為：若對于所有可能的j=1,2,···,m;j≠i有

>

,則X屬于

類。根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則來進行的分類通常稱為最大似然分類法。

當前你正在瀏覽到的事第四十一頁PPTT，共九十四頁。貝葉斯判決規(guī)則是以錯分概率最小的最優(yōu)準則判別邊界當使用概率判別函數(shù)進行分類時，不可避免地會出現(xiàn)錯分現(xiàn)象。當前你正在瀏覽到的事第四十二頁PPTT，共九十四頁。2、距離判決函數(shù)和判決規(guī)則

基本思想是設法計算未知矢量X到有關類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類。 距離判決函數(shù)不象概率判決函數(shù)那樣偏重于集群分布的統(tǒng)計性質，而是偏重于幾何位置。

當前你正在瀏覽到的事第四十三頁PPTT，共九十四頁。距離判別規(guī)則是按最小距離判別的原則

馬氏（Mahalanobis）距離

歐氏（Euclidean）距離

計程（Taxi）距離

基于距離判別函數(shù)和判別規(guī)則，在實踐中以此為原理的分類方法稱為最小距離分類法。

當前你正在瀏覽到的事第四十四頁PPTT，共九十四頁。1）馬氏距離

馬氏距離幾何意義：X到類重心之間的加權距離，其權系數(shù)為協(xié)方差。

判別函數(shù)：在各類別先驗概率和集群體積|∑|

都 相同情況下的概率判別函數(shù)則有當前你正在瀏覽到的事第四十五頁PPTT，共九十四頁。在馬氏距離的基礎上，作下列限制將協(xié)方差矩陣限制為對角的沿每一特征軸的方差均相等歐氏距離是馬氏距離用于分類集群的形狀都相同情況下的特例。

2）歐氏距離

則有當前你正在瀏覽到的事第四十六頁PPTT，共九十四頁。X到集群中心在多維空間中距離的絕對值之總和來表示

3）計程（Taxi）距離當前你正在瀏覽到的事第四十七頁PPTT，共九十四頁。當前你正在瀏覽到的事第四十八頁PPTT，共九十四頁。3、其它的判決函數(shù)和判決規(guī)則盒式分類法基本思想:首先通過訓練樣區(qū)的數(shù)據(jù)找出每個類別在特征空間的位置和形狀，然后以一個包括該集群的“盒子”作為該集群的判別函數(shù)。 判決規(guī)則為若未知矢量X落入該“盒子”，則X分為此類，否則再與其它盒子比較。當前你正在瀏覽到的事第四十九頁PPTT，共九十四頁。例如 對于A類的盒子，其邊界（最小值和最大值）分別是X1=a、X1=b；X2=c、X2=d。這種分類法在盒子重疊區(qū)域有錯分現(xiàn)象。錯分與比較盒子的先后次序有關。

當前你正在瀏覽到的事第五十頁PPTT，共九十四頁。二分類過程 確定判決函數(shù)和判決規(guī)則以后，下一步的工作是計算每一類別對應的判決函數(shù)中的各個參數(shù)，如使用最大似然法進行分類，必須知道判別函數(shù)中的均值向量和協(xié)方差矩陣。而這些參數(shù)的計算是通過使用“訓練樣區(qū)”的數(shù)據(jù)來獲取的。 監(jiān)督法分類意味著對類別已有一定的先驗知識，根據(jù)這些先驗知識，就可以有目的地選擇若干個“訓練樣區(qū)”。這些“訓練樣區(qū)”的類別是已知的。利用“訓練樣區(qū)”的數(shù)據(jù)去“訓練”判決函數(shù)就建立了每個類別的分類器 然后按照分類器對未知區(qū)域進行分類。分類的結果不僅使不同的類別區(qū)分開了而且類別的屬性也知道了。當前你正在瀏覽到的事第五十一頁PPTT，共九十四頁。監(jiān)督分類的主要步驟如下：（1）確定感興趣的類別數(shù)。 首先確定要對哪些地物進行分類，這樣就可以 建立這些地物的先驗知識。（2）特征變換和特征選擇 根據(jù)感興趣地物的特征進行有針對性的特征變換，這部分內容在前面特征選擇和特征變換一節(jié)有比較詳細的介紹。變換之后的特征影像和原始影像共同進行特征選擇，以選出既能滿足分類需要，又盡可能少參與分類的特征影像，加快分類速度，提高分類精度。當前你正在瀏覽到的事第五十二頁PPTT，共九十四頁。（3）選擇訓練樣區(qū) 訓練樣區(qū)的選擇要注意準確性、代表性和統(tǒng)計性三個問題。 準確性就是要確保選擇的樣區(qū)與實際地物的一致性 代表性一方面指所選擇區(qū)為某一地物的代表，另一方面還要考慮到地物本身的復雜性，所以必須在一定程度上反映同類地物光譜特性的波動情況 統(tǒng)計性是指選擇的訓練樣區(qū)內必須有足夠多的像元，以保證由此計算出的類別參數(shù)符合統(tǒng)計規(guī)律。實際應用中，每一類別的樣本數(shù)都在102數(shù)量級左右。當前你正在瀏覽到的事第五十三頁PPTT，共九十四頁。水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域當前你正在瀏覽到的事第五十四頁PPTT，共九十四頁。（4）確定判決函數(shù)和判決規(guī)則 一旦訓練樣區(qū)被選定后，相應地物類別的光譜特征便可以用訓練區(qū)中的樣本數(shù)據(jù)進行統(tǒng)計。 如果使用最大似然法進行分類。那么就可以用樣區(qū)中的數(shù)據(jù)計算判別函數(shù)所需的參數(shù)和。

如果使用盒式分類法則用樣區(qū)數(shù)據(jù)算出盒子的邊界。判決函數(shù)確定之后，再選擇一定的判決規(guī)則就可以對其它非樣區(qū)的數(shù)據(jù)進行分類。當前你正在瀏覽到的事第五十五頁PPTT，共九十四頁。計算每個類別的M和Σ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍255

將樣本數(shù)據(jù)在特征空間進行聚類當前你正在瀏覽到的事第五十六頁PPTT，共九十四頁。(5)根據(jù)判別函數(shù)逐個像素的分類判別當前你正在瀏覽到的事第五十七頁PPTT，共九十四頁。??????？1老城區(qū)16)分類結果影像的形成當前你正在瀏覽到的事第五十八頁PPTT，共九十四頁。分類得到的專題圖當前你正在瀏覽到的事第五十九頁PPTT，共九十四頁。監(jiān)督法分類的優(yōu)缺點優(yōu)點：

.根據(jù)應用目的和區(qū)域，有選擇的決定分類類別， 避免出現(xiàn)一些不必要的類別；

.可以控制訓練樣本的選擇

.可以通過檢查訓練樣本來決定訓練樣本是否被精 確分類，從而避免分類中的嚴重錯誤,分類精 度高

.避免了非監(jiān)督分類中對光譜集群的重新歸類

.分類速度快當前你正在瀏覽到的事第六十頁PPTT，共九十四頁。主觀性；由于圖象中間類別的光譜差異，使得訓練樣本沒有很好的代表性；訓練樣本的獲取和評估花費較多人力時間；只能識別訓練中定義的類別。缺點當前你正在瀏覽到的事第六十一頁PPTT，共九十四頁。本節(jié)小結監(jiān)督法分類的基本思想最大似然法和最小距離法分類的原理錯分情況分析當前你正在瀏覽到的事第六十二頁PPTT，共九十四頁?！?-4非監(jiān)督分類

非監(jiān)督分類 是指人們事先對分類過程不施加任何的先驗知識，而僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進行“盲目”的分類； 其分類的結果只是對不同類別達到了區(qū)分，但并不能確定類別的屬性；其類別的屬性是通過分類結束后目視判讀或實地調查確定的。當前你正在瀏覽到的事第六十三頁PPTT，共九十四頁。

一般的聚類算法是先選擇若干個模式點作為聚類的中心。 每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各模式歸于各聚類中心所代表的類別，形成初始分類。 然后由聚類準則判斷初始分類是否合理，如果不合理就修改分類，如此反復迭代運算，直到合理為止。當前你正在瀏覽到的事第六十四頁PPTT，共九十四頁。一K-均值聚類法

K-均值算法的聚類準則是使每一聚類中，多模式點到該類別的中心的距離的平方和最小。

基本思想是：通過迭代，逐次移動各類的中心，直至得到最好的聚類結果為止。當前你正在瀏覽到的事第六十五頁PPTT，共九十四頁。ISODATA算法聚類分析

ISODATA（IterativeSelf-OrganizingDataAnalysisTechniquesAlgorithm）算法也稱為迭代自組織數(shù)據(jù)分析算法。

它與K－均值算法有兩點不同:

第一，它不是每調整一個樣本的類別就重新計算一次各類樣本的均值，而是在每次把所有樣本都調整完畢之后才重新計算一次各類樣本的均值，前者稱為逐個樣本修正法，后者稱為成批樣本修正法；當前你正在瀏覽到的事第六十六頁PPTT，共九十四頁。第二，ISODATA算法不僅可以通過調整樣本所屬類別完成樣本的聚類分析，而且可以自動地進行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結果。

當前你正在瀏覽到的事第六十七頁PPTT，共九十四頁。平行管道法聚類分析 它以地物的光譜特性曲線為基礎，假定同類地物的光譜特性曲線相似作為判決的標準。設置一個相似閾值，這樣，同類地物在特征空間上表現(xiàn)為以特征曲線為中心，以相似閾值為半徑的管子，此即為所謂的“平行管道”。 這種聚類方法實質上是一種基于最鄰近規(guī)則的試探法。當前你正在瀏覽到的事第六十八頁PPTT，共九十四頁。當前你正在瀏覽到的事第六十九頁PPTT，共九十四頁。

與監(jiān)督分類相比，非監(jiān)督分類具有下列優(yōu)點：不需要對被研究的地區(qū)有事先的了解，對分類的結果與精度要求相同的條件下，在時間和成本上較為節(jié)省 但實際上，非監(jiān)督分類不如監(jiān)督分類的精度高，所以監(jiān)督分類使用的更為廣泛。

當前你正在瀏覽到的事第七十頁PPTT，共九十四頁。第11講課題：遙感圖像的自動分類(2)目的要求：1.理解遙感圖像分類的原理；2.掌握遙感圖像分類的工作流程；3.熟悉常用的分類方法；4.掌握分類后處理及分類精度分析。重點：監(jiān)督分類與非監(jiān)督分類的結合難點：分類后處理和誤差分析教學課時：2課時教學方法：授課為主、鼓勵課堂交流本次課涉及的學術前沿：遙感圖像分類的原理及遙感圖像分類方法的最新發(fā)展當前你正在瀏覽到的事第七十一頁PPTT，共九十四頁?！?-5非監(jiān)督分類與監(jiān)督分類的結合

通過非監(jiān)督法將一定區(qū)域聚類成不同的單一類別，監(jiān)督法再利用這些單一類別區(qū)域“訓練”計算機。通過“訓練”后的計算機將其它區(qū)域分類完成，這樣避免了使用速度比較慢的非監(jiān)督法對整個影像區(qū)域進行分類，使分類精度得到保證的前提下，分類速度得到了提高。

當前你正在瀏覽到的事第七十二頁PPTT，共九十四頁。步驟:第一步：選擇一些有代表性的區(qū)域進行非監(jiān)督分 類。 這些區(qū)域的選擇與監(jiān)督法分類訓練樣區(qū)的選擇要求相反，監(jiān)督法分類訓練樣區(qū)要求盡可能單一。而這里選擇的區(qū)域包含類別盡可能地多，以便使所有感興趣的地物類別都能得到聚類。第二步：獲得多個聚類類別的先驗知識。這些先驗知識的獲取可以通過判讀和實地調查來得到。聚類的類別作為監(jiān)督分類的訓練樣區(qū)。當前你正在瀏覽到的事第七十三頁PPTT，共九十四頁。第三步：特征選擇。選擇最適合的特征圖像進行后續(xù)分類。第四步：使用監(jiān)督法對整個影像進行分類。根據(jù)前幾步獲得的先驗知識以及聚類后的樣本數(shù)據(jù)設計分類器。并對整個影像區(qū)域進行分類。第五步：輸出標記圖像。由于分類結束后影像的類別信息也已確定。所以可以將整幅影像標記為相應類別輸出。當前你正在瀏覽到的事第七十四頁PPTT，共九十四頁?！?-6分類后處理和誤差分析一分類后處理1、分類后專題圖像的格式遙感影像經分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別。當前你正在瀏覽到的事第七十五頁PPTT，共九十四頁。原始遙感圖像對應的專題圖像當前你正在瀏覽到的事第七十六頁PPTT，共九十四頁。2、分類后處理 用光譜信息對影像逐個像元地分類，在結果的分類地圖上會出現(xiàn)“噪聲” 產生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括有多種類別，其混合的幅射量造成錯分類，以及其它原因等。 另外還有一種現(xiàn)象，分類是正確的，但某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣，因此希望用綜合的方法使它從圖面上消失。當前你正在瀏覽到的事第七十七頁PPTT，共九十四頁。多數(shù)平滑:平滑時中心像元值取周圍占多數(shù)的 類別。當前你正在瀏覽到的事第七十八頁PPTT，共九十四頁。平滑前后的一個例子當前你正在瀏覽到的事第七十九頁PPTT，共九十四頁。二分類后的誤差分析

利用一些樣本對分類誤差進行估計。 采集樣本的方式有三種類型：

﹡來自監(jiān)督分類的訓練樣區(qū)；

﹡專門選定的試驗場；

﹡隨機取樣。

當前你正在瀏覽到的事第八十頁PPTT，共九十四頁。混淆矩陣分類精度的評定實際類別

試驗像元的百分比%類別1類別2類別3

試驗像元12384.34.910.88.580.311.26.14.189.8100%102100%152100%49當前你正在瀏覽到的事第八十一頁PPTT，共九十四頁。根據(jù)這個混淆矩陣可以算出平均精度，對角線元素之和取平均：S=（84.3%+80.3%+89.8%）/3=84.8%

由于各種類別樣本元素的總數(shù)不一致，所以更合理的方法應加權平均，以總精度S表示加權平均，則：S=（84.3%*102+80.3%*152+89.8%*49） /(102+152+49)=83.2%當前你正在瀏覽到的事第八十二頁PPTT，共九十四頁?！?－7計算機自動分類的新方法一、面向對象的遙感信息提取

基于像素級別的信息提取以單個像素為單位,過于著眼于局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重制約了信息提取的精度，而面向對象的遙感信息提取，綜合考慮了光譜統(tǒng)計特征、形狀、大小、紋理、相鄰關系等一系列因素，因而具有更高精度的分類結果。當前你正在瀏覽到的事第八十三頁PPTT，共九十四頁。方法如下：首先對圖像數(shù)據(jù)進行影像分割，從二維化了的圖像信息陣列中恢復出圖像所反映的景觀場景中的目標