遙感技術(shù)與應(yīng)用-6-遙感專題信息提取

遙感技術(shù)與應(yīng)用-6-遙感專題信息提取第六章遙感專題信息提取

第一節(jié)遙感圖像解譯概述一、遙感圖像解譯（ImageryInterpretation）的概念遙感圖像是地物電磁波特性的實時記錄。遙感圖像能夠提供給解譯者的信息有：目標(biāo)的光譜特征信息主要由地物的類別、性質(zhì)的差異決定目標(biāo)的空間位置特征目標(biāo)隨時間的動態(tài)信息不同的目標(biāo)，在上述性質(zhì)和特征上是不同的所以，遙感圖像解譯定義為：根據(jù)遙感圖像所提供的影像特征及其對應(yīng)目標(biāo)的特點進(jìn)行推理和判斷將目標(biāo)識別出來，并進(jìn)行定性、定量分析的工作就稱為遙感圖像解譯（判讀）遙感圖像解譯（判讀）的本質(zhì)就是：利用遙感圖像提供的各種數(shù)據(jù)，再結(jié)合解譯者的學(xué)識和經(jīng)驗，確定空間什么位置（Where-Position）有什么目標(biāo)（What-Qualitative）有多少(How-Quantitative）但是，遙感圖像上的信息并非直接呈現(xiàn)出來，而是通過圖像上復(fù)雜形式的色調(diào)、結(jié)構(gòu)及它們的變化表現(xiàn)出來，因此要正確的認(rèn)識它們必須具備相應(yīng)的知識

二、圖像解譯的背景知識專業(yè)知識指需要熟悉所解譯的學(xué)科及相關(guān)學(xué)科的知識。包括對地物成因聯(lián)系、空間分布規(guī)律、時相變化以及地物與其他環(huán)境要素間的聯(lián)系等知識。比如遙感地質(zhì)探礦，首先需具備地層、構(gòu)造、蝕變帶等與找礦直接相關(guān)的地質(zhì)知識和經(jīng)驗，還需要了解植物分布、土壤等相關(guān)知識。地理區(qū)域知識指區(qū)域特點、人文自然景觀等。每個區(qū)域有其獨特的區(qū)域特征，即地域性，它影響到圖像的圖型結(jié)構(gòu)等，它能直接幫助識別地物和現(xiàn)象遙感系統(tǒng)知識解譯者必須了解每一圖像是怎樣生成的；不同遙感器是如何描述景觀特征的，它使用的何種電磁波段，空間分辨率是多少等等，怎樣從圖像中獲得有用的信息等遙感圖像解譯與日常目視觀察有3點不同：A遙感圖像通常為“頂視-鳥瞰”，而不同于日常生活中的透視B遙感圖像常用可見光以外的電磁波段，而大多數(shù)我們熟悉的特征是在可見光譜段，可以表現(xiàn)得十分不同C遙感圖像常用一種不熟悉或變化的比例和分辨率描述地球表面因此，對于初學(xué)者需要多對照地形圖、實地或熟悉地物觀測，以增強立體感和和景深印象，糾正視覺誤差，積累圖像判讀經(jīng)驗遙感圖像的解譯過程是地面目標(biāo)成像過程的逆過程，即從地面實況的模擬影像中提取遙感信息、反演地面原型的過程三、遙感圖像解譯的兩種方式目視解譯（VisualInterpretation）借助人眼的觀察和人的智能，結(jié)合一些量測工具（測微尺、放大鏡、立體鏡等）來識別圖像中的目標(biāo)。特點：解譯者的學(xué)識和經(jīng)驗在判讀中起主要作用，精度高，但難以對海量空間信息的定量化分析2計算機圖像理解（ComputerImageryUnderstanding）以計算機軟硬件為支撐，利用模式識別技術(shù)（PatternRecognition）和人工智能（ArtificialIntelligence）技術(shù)，建立圖像解譯專家系統(tǒng)（ExpertsSystem)從而讓計算機模擬人工解譯過程，“讀取遙感圖像上的特征”，進(jìn)而確定圖像上的目標(biāo)。特點：速度快，處理方式靈活多樣，整個處理過程通常是以人機交互方式進(jìn)行，對計算機技術(shù)和算法要求較高，識別的精度通常不及目視解譯第二節(jié)遙感圖像目視解譯標(biāo)志一、解譯標(biāo)志的概念解譯標(biāo)志（InterpretationMark）：遙感圖像上能幫助人們識別不同目標(biāo)的那些影像特征；直接解譯標(biāo)志：能在遙感影像上直接看到可供判讀的影像特征稱為直接判讀標(biāo)志，如形狀、大小、陰影、紋理、色調(diào)等；間接解譯標(biāo)志：指運用某些直接解譯標(biāo)志，根據(jù)地物的相關(guān)屬性等地學(xué)知識，間接推斷出的影像標(biāo)志，如根據(jù)道路與河流相交處的特殊影像特征，可以判斷渡口；根據(jù)植被、地貌與土壤的關(guān)系，來識別土壤類型和分布（如溫帶針葉林區(qū)多為灰化土）二、常用的解譯標(biāo)志色調(diào)（Tone）指地物反射、輻射電磁波的性質(zhì)和能量強弱在影像上的表現(xiàn)說明兩點：a解譯者必須了解該解譯圖像中影像色調(diào)的支配因素如可見光和近紅外圖像均反映地物“反射”波譜特征的差異，涉及地物的物質(zhì)組成、水分含量等；而熱紅外圖像則反映地物“發(fā)射”波譜特征的差異，是地物溫度差異的記錄；雷達(dá)圖像反映地物后向散射能量的差異，涉及到地物介電常數(shù)、表面粗糙程度等物理性質(zhì)

b影像色調(diào)受到多種因素的影響除了受目標(biāo)本身的波譜特征因時因地、因環(huán)境變化而變化外，還受到成像高度、成像時間（光照角度、強度）、遙感器觀察角度、成像后處理等多種因素的影響，因此使用色調(diào)標(biāo)志時要特別小心影響影像色調(diào)變化的因素：（1）地物本身的顏色（2）地物表面的結(jié)構(gòu)表面結(jié)構(gòu)不一致，其光滑程度有差異，反光能力就不同，反映在影像上的色調(diào)就不相同

a光滑表面（鏡面反射—SpecularReflection）若傳感器照射方向與太陽入射方向一致，此時影像呈暗色調(diào)；若傳感器照射方向逆著鏡面反射的方向，則影像呈亮色調(diào)

b無光澤表面（粗糙表面，漫反射—DiffuseReflection）各方向上光線被均勻散射開來，因此無論哪個方向得到的影像色調(diào)均一

c起伏不平的表面陽坡（Adret-SunnySlope）影像色調(diào)亮陰坡（Ubac-ShadySlope）影像色調(diào)暗（3）地物本身的反光能力（4）濕度的大小通常濕度越大則影像色調(diào)越暗利用此特征可以監(jiān)測土壤濕度（5）攝影季節(jié)的不同春季植物色調(diào)淺，夏季色調(diào)深陰影（Shadow）指因傾斜照射，地物自身遮擋光源而造成影像上的暗色調(diào)陰影分為本影和投落陰影，前者是地物背光面在影像上呈現(xiàn)的暗色調(diào)構(gòu)像，有助于獲得目標(biāo)的立體感；后者是地物背光方向地物投射到地面的暗斑在影像上的構(gòu)像，它反映地物的側(cè)面形態(tài)，可以根據(jù)側(cè)影的長度及照射角度反算地物的高度但是，因為陰影的遮蓋會掩蓋一些信息，給解譯工作帶來不便大小（Size）指地物長、寬、高、面積、體積等在影像上的記錄地物影像的大小不僅能求得地物的數(shù)量特征，而且對判讀地物的性質(zhì)也有幫助。例如，單軌鐵路和雙軌鐵路從形狀上往往不易區(qū)分，但通過量算其寬度則很容易區(qū)分地物影像的大小取決于影像的比例尺大小。因此，解譯前要獲得影像的比例尺形狀（Shape）是目標(biāo)物的外形、輪廓

a遙感圖像記錄的是目標(biāo)物的頂面形狀，不同于地面看的側(cè)面形狀

b自然形成物往往形狀復(fù)雜，不規(guī)則，輪廓邊界呈現(xiàn)較圓滑自然的曲線如河曲沖擊扇、火山錐等；人為活動的產(chǎn)物一般具有規(guī)則的幾何形狀，拐角明顯呈一定角度，如田塊、果園、城鎮(zhèn)建筑物等

c影像的比例尺和分辨率對形狀影響較大，小比例尺時，往往呈現(xiàn)的是綜合體的形狀紋理（Texture）是指具有不同色調(diào)和形狀的細(xì)微影像按某種規(guī)則排列組合的集合，這種細(xì)微影像稱為紋理基元。它往往是指圖像上地物表面質(zhì)感（平滑、粗糙、細(xì)膩等）如“花格子襯衫”（強調(diào)單個事物的重復(fù)規(guī)則排列，如果園果樹的株行距、集約化程度高的田塊排列，貴州山區(qū)梯田的排列）圖案（Pattern），即圖型結(jié)構(gòu)，是指多個人工目標(biāo)重復(fù)排列的空間形式，它反映地物目標(biāo)的空間分布特征。如建筑物、道路、綠化帶形成的住宅區(qū)的圖案位置（Site）即地理位置，它反映地物所處的地點與環(huán)境，地物與周邊的關(guān)系如菜地多分布于居民點周圍與河流兩側(cè)；機場多在大城市郊區(qū)的平坦地；堤壩與道路（形色難分），堤在河流兩側(cè)并與之平行，道路與居民點相連；有的植物生長于高地，有些只能生長在濕地組合（Association）指某些目標(biāo)的特殊表現(xiàn)和空間組合關(guān)系，它不同于那種嚴(yán)格按圖型結(jié)構(gòu)顯示的空間排列，而指物體間一定的位置關(guān)系和排列方式，即空間配置和布局如磚場由高煙囪、取土坑、堆磚場等組合而成；軍事目標(biāo)可能有雷達(dá)站、軍車、軍營及周圍的配套的軍事設(shè)施等第三節(jié)遙感圖像的目視解譯一、目視解譯的原則從應(yīng)用的目的出發(fā)，總體觀察，全面分析圖像特征。堅持先易后難，由粗入細(xì)，由整體到局部的原則應(yīng)充分利用各種解譯標(biāo)志，包括直接標(biāo)志和間接標(biāo)志，相互補充，彼此驗證隨著多光譜和多平臺遙感技術(shù)的發(fā)展，應(yīng)盡可能創(chuàng)造條件開展多波段、多時相、多類型遙感圖像的對比分析二、目視解譯的基本過程準(zhǔn)備階段根據(jù)解譯的目的和經(jīng)費的支撐選擇適當(dāng)空間分辨率、時相、光譜分辨率的遙感數(shù)據(jù)并進(jìn)行波段組合進(jìn)行彩色增強；盡量收集到質(zhì)量好、現(xiàn)勢性較強的地形圖及有關(guān)專業(yè)圖件和文字資料；編寫解譯標(biāo)志表及說明草稿（這是一編檢索表的過程，工作量大）；野外選擇典型地區(qū)進(jìn)行粗查，為建立合理的解譯標(biāo)志表打好基礎(chǔ)。室內(nèi)圖像解譯階段按解譯的基本原則進(jìn)行，對無法解譯或把握不大的區(qū)域應(yīng)記錄下來，有待野外驗證野外驗證與補充解譯階段成果整理與制圖總結(jié)階段三、遙感解譯過程的復(fù)雜性（Complexity）1遙感圖像顯示的是某一特定地理環(huán)境的綜合體，這種綜合表現(xiàn)在兩個方面：

a地理要素的綜合它反映的是地質(zhì)、地貌、水文、土壤、植被、社會生態(tài)等多種自然、人為要素的綜合，這些因子是密切相關(guān)、交織在一起，往往難以區(qū)分

b遙感信息本身的綜合遙感圖像可以是不同時間、空間、光譜、輻射分辨率的綜合遙感數(shù)據(jù)對應(yīng)的地理環(huán)境又是一個復(fù)雜的、多要素的、多層次的、具有動態(tài)結(jié)構(gòu)和

明顯地域差異的開放巨系統(tǒng)，它在時間和空間上是不斷變化的，因而遙感信息中的諸要素是相互關(guān)聯(lián)、復(fù)雜變化的因此，遙感解譯過程是復(fù)雜的，主要體現(xiàn)在：1地物波譜特征是復(fù)雜的，它受多種因素控制，本身也因時因地而變化2自然界存在著大量的“同物異譜”和“同譜異物”現(xiàn)象3地物的時空屬性和地學(xué)規(guī)律是錯綜復(fù)雜的，各要素、各類別之間的關(guān)系是多種類型的地帶性規(guī)律：由于太陽輻射隨緯度分布的規(guī)律性，造成沿緯度的水平地帶性現(xiàn)象，由于溫度、濕度等隨地形高度分布的規(guī)律性造成沿高度的垂直地帶性現(xiàn)象，植物從播種到成熟的季節(jié)性變化規(guī)律等；有的具有隨機性、不確定性，如自然災(zāi)害；有的具有模糊性存在過渡漸變關(guān)系，如氣候帶、草場類型的變化等為了提高解譯過程的正確性、可靠性，必須補充必要的輔助數(shù)據(jù)（Ancillary）和先驗知識（PrioriKnowledge）-指地學(xué)、生物學(xué)、物理學(xué)、數(shù)學(xué)等專業(yè)知識，在GIS的支持下，發(fā)展一系列相關(guān)的、多層次的、綜合的應(yīng)用分析方法，進(jìn)行遙感與地學(xué)綜合分析第四節(jié)模式識別（PatternRecognition）概述遙感圖像的計算機分類是模式識別技術(shù)在遙感領(lǐng)域的具體應(yīng)用，是遙感圖像應(yīng)用處理的重要內(nèi)容和關(guān)鍵技術(shù)之一。首先提及關(guān)于模式識別的基本概念一、基本概念類別（Category）是與概念（Concepts）或原型（Prototype）相關(guān)的“自然”狀態(tài)或?qū)ο蠓N類。假定有c個類別，，也稱為解釋空間（InterpretationSpace）。解釋空間有概念驅(qū)動（Concept-Driven）的屬性，如類別的聯(lián)合、交叉等2模式（Pattern）是對象的“物理”描述。通常是信號、圖像或簡單的數(shù)值表。也常把模式稱為對象、案例或樣本。特征（Feature）是從模式得到的對分類有用的度量、屬性或基元（Primitive）所以特征選取是門藝術(shù)。二、模式識別的方法數(shù)據(jù)聚類（Clustering）是用某種相似性度量的方法將數(shù)據(jù)組織成有意義的和有用的各組數(shù)據(jù)。數(shù)據(jù)聚類不需要利用已知類的信息，它是一種非監(jiān)督學(xué)習(xí)的方法，解決方案是數(shù)據(jù)驅(qū)動的統(tǒng)計分類（StatisticalClassification）最為經(jīng)典的模式識別方法，在選取訓(xùn)練區(qū)的基礎(chǔ)上，估計出每類型的統(tǒng)計特征參數(shù)（均值向量和協(xié)方差矩陣），從而確定每類型的概率分布密度函數(shù)，進(jìn)而建立判別函數(shù)，實現(xiàn)對待分像元進(jìn)行分類。這種分類方法是建立在多元變量的多元正態(tài)分布的假設(shè)基礎(chǔ)上的。這是一種監(jiān)督學(xué)習(xí)方法。神經(jīng)元網(wǎng)絡(luò)（ArtificialNeuralNetwork）是以數(shù)學(xué)算法結(jié)合計算機程序來模擬人的物理神經(jīng)元之間的聯(lián)系方式和思維過程，通過反饋控制的方式來調(diào)整神經(jīng)元之間的聯(lián)系權(quán)重，進(jìn)而使神經(jīng)元的實際輸出無限的逼近期望輸出，這一過程通過迭代方式來訓(xùn)練神經(jīng)元網(wǎng)絡(luò)。這是一種非線性的數(shù)學(xué)方法，并且是與“模型無關(guān)”，也就是它無須對數(shù)據(jù)的分布作出假設(shè)。存在的不足（1）關(guān)于神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)解釋很復(fù)雜（2）對于一些重要的決策，設(shè)計者常常沒有理論依據(jù)，因此必須進(jìn)行大量的試驗，并從試驗的失敗中得到啟發(fā)從而不斷改進(jìn)神經(jīng)網(wǎng)絡(luò)（3）從神經(jīng)網(wǎng)絡(luò)得不到任何的語義的信息4結(jié)構(gòu)模式識別其基本思想是：任何一個具有意義的物理模式都具有良好的結(jié)構(gòu)性，它是由許多已知類別和性質(zhì)的子模式或源模式（也稱模式基元），按照一定的規(guī)則構(gòu)成的組合件，所以一旦知道生成規(guī)則和子模式、源模式，便可由“模式描述”語句的文法推理出一個用字符串來表示的模式集合。若所研究的模式被包含在此集合內(nèi)，就認(rèn)為該模式被識別出來了。此法至今在遙感圖像識別分類中尚未得到實際應(yīng)用，有待進(jìn)一步開發(fā)5模糊模式識別人在進(jìn)行識別時可以根據(jù)一些模糊的印象就能做到比較準(zhǔn)確的判斷。然而，計算機是建立在0、1二值邏輯基礎(chǔ)上的，它對事物的分析的結(jié)論是“非假”即“真”。這種二值邏輯不適宜處理模糊事物。根據(jù)人辨識事物的思維邏輯，吸取人腦的識別特點，模糊集合論（FuzzySetTheory）把數(shù)學(xué)從二值邏輯轉(zhuǎn)向連續(xù)邏輯這就更接近人類大腦的識別活動了。由此產(chǎn)生了一種相當(dāng)獨特的識別方法：模糊識別第五節(jié)遙感圖像計算機分類概述一、遙感圖像計算機分類的概念就是將遙感圖像中每個像元根據(jù)其在不同波段的光譜亮度、空間結(jié)構(gòu)特征或其他信息按照某種規(guī)則或算法劃分為不同的土地覆蓋類型專題的技術(shù)過程。二、遙感圖像計算機分類（模式識別）的種類光譜模式識別（SpectralPR）是指根據(jù)像元到像元的光譜信息來自動劃分土地覆蓋類型的分類過程的總稱。它只考慮了地物在光譜輻射方面的差異?？臻g（結(jié)構(gòu)）模式識別（SpatialorStructuralPR）是指圖像像元根據(jù)和它周圍像元的空間關(guān)系來進(jìn)行圖像分類?？臻g關(guān)系主要是指：圖像的結(jié)構(gòu)、像元的近似度特征的大小、形狀、方向性、分形維、扁率、重復(fù)度和上下關(guān)系等空間特征。這種方法比光譜模式識別過程更復(fù)雜，而且計算算法上更精深。時間模式識別（TemporalPR）是指在特征鑒別中將時間作為一種輔助信息，利用多時相的遙感數(shù)據(jù)動態(tài)的進(jìn)行土地覆蓋類型的分類說明：遙感圖像分類沒有唯一“正確”的方法，因此可以將它們結(jié)合在一起運用，形成混合模式（HybridPattern）三、遙感圖像計算機分類的方式按照在分類過程中分類者的參與程度，將分類分為兩種方式：監(jiān)督分類（SupervisedClassification）非監(jiān)督分類（UnsupervisedClassification）四、遙感圖像計算機分類的原理這樣，圖像中的任何一個像元就可以用一n維的光譜值向量來描述：式中：xji代表第j個波段上第i號像元的亮度值

i=1,2,…,N，N代表每個波段圖像中像元的個數(shù)這樣，任何一像元點的光譜向量對應(yīng)著n維歐氏空間的一個點若某兩個像元屬于同一地物類型，則它們在歐氏空間中就應(yīng)該集結(jié)在一起；相反，若兩個像元分別屬于不同的地物類型，則它們在歐氏空間中就應(yīng)該彼此分離。分類圖像（類碼標(biāo)記圖像）假設(shè)分割A(yù)、B兩個點集的曲面（圖中是兩維變量因此是直線）表達(dá)式為：則方程稱為A、B兩類的判別邊界（DecisionBoundary）在已經(jīng)確定以后，特征空間中任意一點是屬于A類？還是屬于B類？根據(jù)幾何學(xué)知識可知：當(dāng)時當(dāng)時

上述的確定樣本點所屬類別的規(guī)則稱為判別準(zhǔn)則（DecisionCriteria），稱為判別函數(shù)（DecisionFunction）遙感圖像分類算法的核心就是確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，為了保證所確定的判別函數(shù)能夠?qū)⒏黝惖孛婺繕?biāo)在特征空間中的點分割開來，通常是在一定的準(zhǔn)則（如Bayes分類器中誤分概率最小準(zhǔn)則等）下求判別函數(shù)和相應(yīng)的判別準(zhǔn)則。五、特征選擇與特征變換在遙感圖像分類之前，為了壓縮參與分類多光譜圖像數(shù)據(jù)的維度和找到那些對識別感興趣的地物類型最為有效的“特征圖像”，通常需要進(jìn)行特征選擇（FeatureSelection）和特征提?。‵eatureExtraction）。在分類時我們總是希望用最少的影像數(shù)據(jù)取得最好的分類結(jié)果，這樣就需要從多光譜圖像中選擇最佳的特征影像組合進(jìn)行分類，這就稱為特征選擇。將原始多光譜圖像通過一定的數(shù)學(xué)變換（如主成分、纓帽變換、植被指數(shù)變換等）生成一組進(jìn)行了信息融合的新的特征圖像，這種技術(shù)手段就稱為特征變換。特征選擇時，除了憑借研究者的定性判斷進(jìn)行特征選擇外，通?？捎靡恍┒ㄐ缘闹笜?biāo)計算來幫助進(jìn)行特征選擇，這些指標(biāo)主要有：距離測度（DistanceMeasure）距離是最基本的類別可分性的測度，如果所選擇的特征圖像能使感興趣的目標(biāo)類別的類內(nèi)距離最小，而與其它類別的類間距離最大，則用這組特征圖像設(shè)計的分類器分類效果一定很好如果將所有的特征圖像都計算這一參數(shù)值，通過比較找到參數(shù)值最大的那個特征圖像，即是最佳的分類特征圖像變換離散度（TransformDivergence）衡量遙感數(shù)據(jù)各地物類型可分性好壞的數(shù)量指標(biāo)常采用變換離散度和JM距離。離散度（Divergence）是具有分布重疊度的兩個類型之間可分性的數(shù)量測度。若遙感圖像中各類型的光譜矢量遵從或近似遵從多元正態(tài)分布，則圖像中每兩個類型之間的離散度定義為：式中：表示求矩陣的跡，和分別是第i類型和第j類型的協(xié)方差矩陣和分別為第i類型和第j類型的光譜均值向量實際應(yīng)用時，常采用變換離散度公式定義光譜類型間的可分性，變換離散度定義為：當(dāng)需要研究M個類型之間的可分性時，通常是考察M個類別間的平均離散度，它定義為：

式中：M是選定地物的類型數(shù)，是第i類型的的先驗概率。

最優(yōu)指數(shù)公式OIF（OptimumIndexFormula）在前面假彩色合成時已介紹ClassificationAccuracyAssessmentAnotherareathatiscontinuingtoreceiveincreasedattentionbyremotesensingspecialistsisthatofclassificationaccuracyassessment.Historically,theabilitytoproducedigitallandcoverclassificationsfarexceededtheabilitytomeaningfullyquantifytheiraccuracy.Infact,thisproblemsometimesprecludedtheapplicationofautomatedlandcoverclassificationtechniquesevenwhentheircostcomparedfavorablywithmoretraditionalmeansofdatacollection.Thelessontobelearnedhereisembodiedintheexpression“Aclassificationisnotcompleteuntilitsaccuracyisassessed”.ClassificationerrormatrixOneofthemostcommonmeansofexpressingclassificationaccuracyisthepreparationofaclassificationerrormatrix(sometimescalledaconfusionmatrixoracontingencytable).Errormatricescompare,onacategory-by-categorybasis,therelationshipbetweenknownreferencedata(groundtruth)andthecorrespondingresultsofanautomatedclassification.Suchmatricesaresquare,withthenumberofrowsandcolumnsequaltothenumberofcategorieswhoseclassificationaccuracyisbeingassessed.`Table7.3isanerrormatrixthatanimageanalysthaspreparedtodeterminehowwellaclassificationhascategorizedarepresentativesubsetofpixelsusedinthetrainingprocessofasupervisedclassification.Thismatrixstemsfromclassifyingthesledtrainingsetpixelsandlistingtheknowncovertypesusedfortraining(columns)versusthepixelsactuallyclassifiedintoeachlandcovercategorybytheclassifier(rows) Severalcharacteristicsaboutclassificationperformanceareexpressedbyanerrormatrix.Forexle,onecanstudythevariousclassificationerrorsofomission(inclusion).Noteintheabovetablethatthetrainingsetpixelsthatareclassifiedintotheproperlandcovercategoriesarelocatedalongthemajordiagonaloftheerrormatrix(runningfromupperlefttolowright).Allnon-diagonalelementsofthematrixrepresenterrorsofomissionorcommission.Omissionerrorscorrespondtonon-diagonalcolumnelements(e.g.,16pixelsthatshouldhavebeenclassifiedas“sand”wereomittedfromthatcategory).Commissionerrorsarerepresentedbynon-diagonalrowelements(e.g.,38“urban”pixelsplus79“hay”pixelswereimproperlyincludedinthe“corn”category).Severalotherdescriptivemeasurescanbeobtainedfromtheerrormatrix.Forexle,theoverallaccuracyiscomputedbydividingthetotalnumberofcorrectlyclassifiedpixels(i.e.,thesumoftheelementsalongthemajordiagonal)bythetotalnumberofreferencepixels.Likewise,theaccuraciesofindividualcategoriescanbecalculatedbydividingthenumberofpixelsinthecorrespondingroworcolumn.Whatareoftentermedproducer’saccuraciesresultfromdividingthenumberofcorrectlyclassifiedpixelsineachcategory(onthemajordiagonal)bythenumberoftrainingsetpixelsusedforthatcategory(thecolumntotal).Thisfigureindicateshowwelltrainingsetpixelsofthegivencovertypeareclassified.User’saccuraciesarecomputedbydividingthenumberofcorrectlyclassifiedpixelsineachcategorybythetotalnumberofpixelsthatwereclassifiedinthatcategory(therowtotal).Thisfigureisameasureofcommissionerrorandindicatestheprobabilitythatapixelclassifiedintoagivencategoryactuallyrepresentsthatcategoryontheground.Notethattheerrormatrixindicatesanoverallaccuracyof84%.However,producer’saccuraciesrangefromjust51%to100%anduser’saccuraciesvaryfrom72%to99%.Furthermore,thiserrormatrixisbasedontrainingdata.Itshouldberememberedthatsuchproceduresonlyindicatehowwellthestatisticsextractedfromtheseareascanbeusedtocategorizethesameareas.Iftheresultsaregood,itmeansnothingmorethanthatthetrainingareasarehomogeneous,thetrainingclassesarespectrallyseparable,andtheclassificationstrategybeingemployedworkswellinthetrainingareas.Thisaidsinthetrainingsetrefinementprocess,butitindicateslittleabouthowtheclassifierperformselsewhereinascene.Oneshouldexpecttrainingareaaccuraciestobeoverlyoptimistic,especiallyiftheyarederivedfromlimiteddatasets.Afurtherpointtobemadeaboutinterpretingclassificationaccuraciesisthefactthateveracompletelyrandomassignmentofpixelstoclasseswillproducepercentagecorrectvaluesintheerrormatrix.Infact,sucharandomassignmentstatisticisameasureofthedifferencebetweentheactualagreementbetweenreferencedataandanautomatedclassifierandthechanceagreementbetweenthereferencedataandarandomclassifier.Conceptually,K=(observedaccuracy–chanceagreement)/(1-chanceagreement)Thisstatisticservesasanindicatoroftheextenttowhichthepercentagecorrectvaluesofanerrormatrixaredueto“true”agreementversus“chance”agreement.Astrueagreement(observed)approaches1andchanceagreementbetween0and1.Forexle,akvalueof0.67canbethoughtofasanindicationthatanobservedclassificationis67percentagebetterthanoneresultingfromchance.Akvalueof0suggeststhatagivenclassificationisnobetterthanarandomassignmentofpixels.Incaseswherechanceagreementislargeenough,Kcantakeonnegativevalues---anindicationofverypoorclassificationperformance.(Becausethepossiblerangeofnegativevaluesdependsonthespecificmatrix,themagnitudeofnegativevaluesshouldnotbeinterpretedasanindicationofrelativeclassificationperformance)六、分類結(jié)果的質(zhì)量評價在遙感圖像的分類問題中常以混淆矩陣（ConfusionMatrix）來表示分類結(jié)果的精度混淆矩陣定義如下：(Usually,thismatrixwasderivedfromthevalidationdataset(groundtruth)theuserspecified.)式中：mij表示本應(yīng)屬于第i類結(jié)果被分入第j類中去的像元總數(shù)

n表示總的類別數(shù)所以，該矩陣的主對角線上的元素值越大則說明分類的效果越好若通過分類獲取了上述混淆矩陣，可以計算基本的精度估計量：1總體分類精度正確分類的總像元數(shù)（主對角線上元素的和）與參加分類評價的總像元數(shù)（矩陣中所有元素之和）之比，表示為用戶精度每一類別被正確分類的像元數(shù)量除以被分作該類的總像元數(shù)（列元素之和），表示為生產(chǎn)者精度每一類別被正確分類的像元數(shù)量除以該類用作分類訓(xùn)練的總像元（行元素之和），表示為

一、無監(jiān)分類的概念在對研究區(qū)不了解的情況下，只是依據(jù)每一類型地物所具有的相似性（Similarity，類似度

），把反映各類型地物特征值的分布按相似分割和概率統(tǒng)計理論將各像元歸并成不同的空間集群，然后結(jié)合地面實地調(diào)查來確定各集群的地物類型從而達(dá)到識別分類目的的分類方法。其數(shù)學(xué)基礎(chǔ)是：多元統(tǒng)計的聚類分析（ClusteringAnalysis）第六節(jié)遙感圖像計算機無監(jiān)分類Kappa分析二、非監(jiān)督分類的特點分類者不需要對研究區(qū)有廣泛的了解和熟悉，但分類結(jié)束后仍需要一定的知識或地面調(diào)查來確定各集群的地物覆蓋類型人為誤差的機會減少，因為分類者參與的程度低，只需要事先設(shè)定幾個參數(shù)即可非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對應(yīng)于分析者想要的類別分析者較難對產(chǎn)生的類別進(jìn)行控制三、非監(jiān)督分類的算法K-Mean算法其基本思想是通過迭代，逐次移動各類別的中心，直到后一次獲得的各類的中心與前一次聚類獲得的中心不再發(fā)生移動為止。具體步驟：假設(shè)圖像上的目標(biāo)要分成m類，m事先由分類者指定（1）適當(dāng)?shù)剡x取m個類的初始中心，初始中心的選擇對聚類的結(jié)果有一定的影響，初始中心的選擇一般有以下方法：1）根據(jù)問題的性質(zhì)，根據(jù)經(jīng)驗確定類別數(shù)m，從數(shù)據(jù)中找出從直觀上看來比較合適的m個類的初始中心

2）將全部數(shù)據(jù)隨機地分成m個類別，計算每個類別的重心，將這些重心作為m個類的初始聚類中心（2）在第K次迭代中，對任一樣本X按如下方法把它調(diào)整到m個類別中的某一類別中去。對于所有的，如果：（3）由第（2）步得到類新的中心（4）對于所有的則迭代結(jié)束，否則轉(zhuǎn)到第二步繼續(xù)進(jìn)行迭代YN開始選擇m個聚類中心z1,z2,…,zm所有像元分到m個聚類中心計算新的聚類中心聚類中心不變結(jié)束K均值算法框圖說明：這種方法的聚類結(jié)果受所選聚類中心的數(shù)目及其初始位置以及模式分布的幾何性質(zhì)和讀入次序等因素影響，并且在迭代過程中沒有調(diào)整類別數(shù)的措施ISODATA算法

ISODATA(IterativeSelf-OrganizingDataAnalysisTechniquesAlgorithm，迭代自組織數(shù)據(jù)分析技術(shù)算法），它與K-Mean算法有兩點不同：第一，它不是每調(diào)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(diào)整完后才重新計算一次各類樣本均值，前者被成為“逐個樣本修正法”，后者被成為“成批樣本修正法”第二，ISODATA算法可以自動進(jìn)行類別的“合并”與“分裂”，從而得到類別數(shù)比較合理的聚類結(jié)果，所以類別數(shù)是動態(tài)的A分類前預(yù)定義參數(shù)（1）打算分類的最大類別數(shù)Cmax和最小類別數(shù)Cmin（2）迭代過程中，最大類別保持不變的像元數(shù)量百分比，當(dāng)達(dá)到這個百分比時，

ISODATA算法停止（3）每個類別中最小的像元數(shù)量、最大的標(biāo)準(zhǔn)方差（4）最小的集群均值間距離，如果兩個類別間距離小于這個值，則兩類合并（5）集群分散值，通常為0BISODATA算法的基本步驟（1）初始隨機選取Cmax個中心（2）計算其它像元到這些中心的距離，按照最小距離規(guī)則將各像元劃分到其對應(yīng)的類別中去（3）重新計算每個類別的均值，按照前面定義的參數(shù)合并或分裂相關(guān)類別（4）重復(fù)（2）、（3），直到達(dá)到最大不變像元百分比或最大迭代次數(shù)為止第七節(jié)遙感圖像的計算機有監(jiān)分類一、有監(jiān)分類的概念利用對研究區(qū)已有類別的先驗知識從遙感圖像上選取若干有代表性的訓(xùn)練區(qū)作為樣本據(jù)此估計出各類別的統(tǒng)計特征參數(shù)（主要是指均值向量和協(xié)方差矩陣）進(jìn)而建立判別函數(shù)，然后利用判別函數(shù)實現(xiàn)對待分類像元進(jìn)行分類的方法。有監(jiān)分類的數(shù)學(xué)基礎(chǔ)：多元統(tǒng)計的判別分析（DiscriminantAnalysis）訓(xùn)練區(qū)（TrainingArea）：是分類者事先已知地物的類別然后從遙感圖像上相應(yīng)位置“圈定”的一定數(shù)量像元所構(gòu)成的樣區(qū)，其目的是用來對計算機進(jìn)行“訓(xùn)練”，讓計算機學(xué)習(xí)到描述不同類別地物特征（主要是統(tǒng)計特征，均值向量和協(xié)方差矩陣）為建立基于統(tǒng)計學(xué)的判別函數(shù)打下基礎(chǔ)。訓(xùn)練區(qū)選取的好壞決定分類的成功與否，因此選訓(xùn)練區(qū)是“艱辛的、科學(xué)的、藝術(shù)的”分類者選訓(xùn)練區(qū)的要求：A代表性通常在每種類型地物所對應(yīng)圖像的中心地帶選訓(xùn)練區(qū)，避免不同類型在邊緣相交處相互混雜，使訓(xùn)練區(qū)像元光譜“不純”B完備性是指選取訓(xùn)練區(qū)類型數(shù)要與待分的類型數(shù)相對應(yīng)；對于某些類別，如水體，可能有清潔的、含泥沙的水、富營養(yǎng)化的水，每種都必須選，綜合后共同體現(xiàn)水體的“統(tǒng)計特征”分類者選訓(xùn)練區(qū)的方式：A多邊形（Polygon)或區(qū)域方式選?。哼m用于大片集中分布的地物類型B多邊形線（Polyline）方式：適用線狀分布的地物，如道路、河流等C點方式（Point）：適用于零星的小面積分布的地物類型上述選訓(xùn)練區(qū)的方式可以交互使用二、有監(jiān)分類的過程根據(jù)對研究區(qū)的了解（先驗知識），從圖像中選擇有代表性的訓(xùn)練區(qū)（樣本）對選出的樣本依據(jù)選用的分類器進(jìn)行統(tǒng)計分析處理，提取各類型的數(shù)據(jù)特征并以此建立適用的判別準(zhǔn)則使用該判別準(zhǔn)則逐個判定各像元點的類別歸屬輸出經(jīng)過類碼標(biāo)注的分類結(jié)果圖像圖像數(shù)據(jù)判決準(zhǔn)則像元歸類輸出分類結(jié)果圖像選訓(xùn)練樣區(qū)樣本統(tǒng)計分析各類數(shù)據(jù)特征遙感圖像有監(jiān)分類工作流程示意圖三、有監(jiān)分類的算法1最小距離法（MinimumDistance）：利用所選訓(xùn)練樣本估計出每一類型的均值向量和協(xié)方差矩陣；然后以均值向量作為該類在特征空間中的中心位置，計算每個待分類像元到各類中心的距離，然后將此像元歸并到距離最小的一類中去。此方法的判別準(zhǔn)則是——距離設(shè)n維多光譜圖像中任一待分類像元Xi用n維向量表示為：則該像元到第K類中心的距離可用下面公式計算獲得：歐氏距離2馬氏距離法——馬哈拉諾比斯（Mahalanobis）距離式中：Xi是第i個待分類像元的亮度值向量Mk是第k個類別中心的亮度均值向量CovarianceMatrix馬氏距離由于乘上了協(xié)方差矩陣的逆，因此它具有“統(tǒng)一量綱”的效應(yīng)；當(dāng)協(xié)方差矩陣退化為單位陣（IdentityMatrix）時，馬氏距離就變成了歐氏距離3Bayes判別準(zhǔn)則前面介紹的距離判別方法計算簡單，結(jié)論明確，簡單實用。但其缺點是：判別方法與各類出現(xiàn)的概率大小無關(guān)，同時與誤判之后造成的損失無關(guān)。而Bayes判別可以很好的克服上述缺點原理：假定先考慮兩個總體G1和G2，它們分別具有概率密度函數(shù)f1(x)和f2(x)，設(shè)G1和G2出現(xiàn)的先驗概率為P1=P(G1)，P2=P(G2)，P1+P2=1A先驗概率（PrioriProbability）：未觀測前已知某一樣本X來自于每個總體的概率，如前面的P1、P2B條件概率（ConditionalProbability）：已知在總體G1和G2出現(xiàn)的條件下，觀測到樣本X的概率P(X/Gi)i=1,2稱為條件概率C后驗概率（PosterioriProbability）：已知樣本X出現(xiàn)的條件下，它是來自于總體Gii=1,2的概率，也就是樣本屬于總體的概率P(Gi/X）由Bayes定理有：從上式看P(X)是一個與類別無關(guān)的公共因子，在比較后驗概率時不起作用，判別時可以將它去掉。所以它的判別準(zhǔn)則就是：比較上式的大?。合闰灨怕蔖(Gi)

，通常根據(jù)各種先驗知識（具體問題的實際情況、歷史上積累的資料等）給出，或假設(shè)它們相等條件概率P(X/Gi)，由于遙感問題中像元亮度值正態(tài)分布假設(shè)的合理性及非正態(tài)問題可以通過數(shù)學(xué)方法轉(zhuǎn)化為正態(tài)問題來處理，因此都假定滿足正態(tài)分布的條件

一元正態(tài)分布的概率密度函數(shù)寫為：遙感圖像分類往往是多光譜，多元變量，服從多元正態(tài)