遥感图像分类
遥感图像的分类课件
理等空间信息。
区域生长法
从种子点开始，根据像素之间的 相似性（如灰度值、纹理等）进 行区域扩展，直到无法再扩展为 止。然后对每个区域进行特征提
取和分类。
随机森林
随机森林是一种集成学习算法， 通过构建多个决策树并结合它们 的预测结果来进行分类。这种方 法能够处理高维特征，并在一定
支持向量机（SVM） SVM是一种二分类模型，通过寻找最优超平面来对像素进 行分类。对于多类别分类问题，可以通过构建多个二分类 器来解决。
K最近邻（KNN） KNN算法根据像素周围K个最近邻的类别来决定该像素的 类别。这种方法考虑了空间上下文信息，通常能够取得较 好的分类效果。
基于对象的分类算法
分水岭算法
遥感图像分类的基本流程
• 流程概述：遥感图像分类的基本流程包括数据预处理、特征提取、分类器设计和分类结果评价四个主要步骤。其中，数据 预处理是对原始遥感图像进行预处理操作，如去噪、增强等，以改善图像质量和提高分类精度；特征提取是从预处理后的 图像中提取出有效的光谱、空间、纹理等特征，为后续分类器设计提供输入；分类器设计是根据提取的特征，选择合适的 算法设计分类器，实现对图像的自动分类；分类结果评价是对分类结果进行评估和分析，以验证分类方法的有效性和可行性。
城市用地分 类
遥感图像分类可用于城市用地类型的 识别与划分，为城市规划提供基础数 据。
城市扩展与变化监测
利用遥感图像分类技术对城市扩展和 变化进行监测，为城市规划和管理提 供科学依据。
遥感图像分类的研究前沿与挑战
深度学习技术应用
将深度学习技术应用于遥感图像分类， 提高分类精度和自动化程度。
遥感图像分类方法及应用示例
遥感图像分类方法及应用示例遥感技术是通过卫星、飞机等远距离传感器获取地表信息的一种技术手段。
遥感图像分类是遥感技术中的一项重要任务，它可以将遥感图像中的像素按照其特征进行分类，并生成分类结果。
本文将介绍遥感图像分类的方法，并给出一些应用示例。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点看作一个样本进行分类，通过像素点的光谱特征来确定其所属类别。
常见的方法有最大似然法、支持向量机等。
最大似然法是一种基于统计学原理的分类方法，它通过求解样本的概率密度函数来确定像素点的类别。
支持向量机是一种基于样本间距离的分类方法，它通过构建超平面将不同类别的样本分开。
2. 基于对象的分类方法基于对象的分类方法是将遥感图像中的像素组成的对象进行分类，通过对象的形状、纹理等特征来确定其所属类别。
常见的方法有基于区域的分割和基于对象的分类。
基于区域的分割将遥感图像中的像素按照相似性进行分组，形成具有相同特征的区域。
基于对象的分类是在分割得到的区域基础上，通过提取区域的特征来确定其所属类别。
3. 基于深度学习的分类方法随着深度学习技术的发展，基于深度学习的分类方法在遥感图像分类中得到了广泛应用。
深度学习通过构建深层神经网络模型，可以自动学习遥感图像中的特征表示。
常见的方法有卷积神经网络（CNN）、循环神经网络（RNN）等。
卷积神经网络可以有效地提取图像的空间特征，循环神经网络可以捕捉图像序列的时序特征。
二、遥感图像分类的应用示例1. 农作物类型分类农作物类型分类是农业生产中的重要任务，可以帮助农民了解农田的分布情况和种植结构，指导农作物管理和精细化农业。
通过遥感图像分类方法，可以将农田遥感图像中的不同农作物进行分类，比如小麦、玉米、水稻等。
这样可以帮助农民进行农作物识别和农田监测，提高农业效益。
2. 土地利用分类土地利用分类是城市规划和土地资源管理中的重要任务，可以帮助决策者了解土地利用的分布情况和变化趋势，指导城市规划和土地资源开发。
遥感图像分类
原始遥感图像
对应的专题图像
用光谱信息 对影像逐个 像元地分类， 在结果的分 类地图上会 出现“噪声”
产生噪声的原因有原始影像本身的噪声，在地类 交界处的像元中包括有多种类别，其混合的幅射 量造成错分类，以及其它原因等
另外还有一种现象，分类是正确的，但某种类别 零星分布于地面，占的面积很小，我们对大面积 的类型感兴趣，因此希望用综合的方法使它从图 面上消失
简单集群分类方法
K-均值法（K-means Algorithm） Cluster分类法 迭代自组织数据分析技术方法（Iterative
Self-Organization Data Analysis Techniques， ISODATA）
通过自然的聚类，把它分成8类
K-均值算法的聚类准则是使每一聚类中，像元到 该类别中心的距离的平方和最小
A. 按照某个原则选择一些初始聚类中心 B. 计算像元与初始类别中心的距离，把像素分配
到最近的类别中
C. 计算并改正重新组合的类别中心 D. 过程重复直到满足迭代结束的条件
仅凭遥感影像地物的光谱特征的分布 规律，即自然聚类的特性，进行“盲 目”的分类
其分类的结果只是对不同类别达到了 区分，但并不能确定类别的属性；其 类别的属性是通过分类结束后目视判 读或实地调查确定的
遥感图像计算机分类
色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局
基于光谱的
基于空间关系的
遥感图像特征集
遥感图像 遥感图像计算机分类流程框图
将影像数据的连续变化转化为地图模式， 以提供给用户有意义的信息
获得关于地面覆盖和地表特征数据的更深 刻的认识
较目视解译客观，在分析大数据集时比较 经济
基本思想：通过迭代，逐次移动各类的中心，直 至得到最好的聚类结果为止
遥感图像的分类方法
遥感图像的分类方法
遥感图像的分类方法常见有以下几种：
1. 监督分类方法：该方法需要先准备一些具有标签的样本数据集进行训练，并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法：该方法不需要标签样本数据集，通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法：该方法结合监督和无监督分类方法的优势，同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法：近年来，随着深度学习方法的发展，基于卷积神经网络（CNN）的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练，能够实现较高的分类精度。
除了以上几种方法外，还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素，选择合适的分类方法对于遥感图像的分类任务非常重要。
实验十一遥感图像分类
遥感图像分类遥感图像分类是影像信息提取的一种方法，是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一。
图像分类是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。
常用的图像分类包括土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类等利用Landsat-7遥感影像对研究区进行非监督和监督分类，通过练习，熟练掌握并理解每种分类方法、评价方法的原理及实现过程，体会在具体应用中的适应性。
非监督和监督分类流程图1、目视判读待分类图像2、制定分类系统根据目视判读制定出分类系统，大致分9类农田1，农田2，森林1，森林2，道路，建筑，水体，裸地1，裸地23、建立分类模板分类模板的建立有很多方式，最主要的有两种方式，一是在图像上建立分类模板，二是在特征空间上建立分类模板。
我们主要介绍在图像上建立分类模板，具体到ERDAS上的分类模板的建立又有三种方法，我们只介绍其中最常用的应用AOI绘制工具建立分类模板。
a）在View中打开遥感图像，单击Classifer-Classification-Signature Editor，打开分类模板编辑器。
b）在View中打开AOI工具，选择多变形，在图像中蓝色的水域上绘制一个多边形，在Signature Editor窗口中，点击，将AOI区域加载到分类模板属性表中c）在水域上在绘制一个多边形，在Signature Editor窗口中，点击，同理绘制多个水域样本多边形。
d）在分类模板属性表中，选中创建的全部水体样本，单击，将所选中的模板合成一个新的模板，并删除合并前的模板，修改模板的名字为水体，以及类别颜色。
e）同样的方法，本别创建农田，林地，居民地，裸地类别模板。
f）保存分类模板，单击File-Save，输入文件名和路径。
4.评价分类模板可能性评价：a）选中所有类别，单击Evaluate-Contingency，打开Contingency Matrix对话框，Non-parametric Rule选择Features Space，Overlap Rules选择Parametric Rule，Unclassified Rule选择Parametric Rule，Parametric Rule选择Maximum Likehood。
遥感图像处理遥感图像分类
遥感图像的分类
遥感图像的分类
一．遥感图像分类概述 二．遥感图像分类原理 三．遥感图像分类基本过程 四．遥感图像分类方法 五．遥感图像分类后处理 六．遥感图像分类精度检查 七．遥感图像分类中存在的问题
一、遥感图像分类概述
1. 分类的定义 2. 分类的意义 3. 分类的难点
四、遥感图像分类方法
利用遥感图像进行分类（classification） 是以区别图像中所含的多个目标物为目的的， 对每个像元或比较匀质的像元组给出对应其特 征的名称。在分类中注重的是各像元的灰度及 纹理等特征。分类方法主要包括以下三大类：
1. 监督分类法 2. 非监督分类法 3. 新的探索：模糊分类法、面向对象分类法等；
分类原理—特征提取
➢ 统计特征变量可以构成特征空间，多波段遥感 图像特征变量可以构成高维特征空间。
➢ 一般说来，高维特征空间数据量大，但这些信 息中仅包含少量的样本分类信息。
➢ 为了抽取这些最有效的信息，可以通过变换把 高维特征空间所表达的信息内容集中在一到几 个变量图像上。
➢ 主成分变换可以把互相存在相关性的原始多波 段遥感图像转换为相互独立的多波段新图像， 而且使原始遥感图像的绝大部分信息集中在变 换后的前几个组分构成的图像上，实现特征空 间降维和压缩的目的。
（一）监督分类
➢监督分类法：选择具有代表已知地面覆盖类型 的训练样本区，用训练样本区中已知地面各类 地物样本的光谱特性来“训练”计算机，获得 识别各类地物的判别函数或模式（如均值、方 差、判别域等），并以此对未知地区的像元进 行分类处理，分别归入到已知具有最大相似度 的类别中。
➢监督分类主要包括：最小距离分类法、最近邻 分类法、多级切割分类法、最大似然比分类法 等；
《遥感图像分类》课件
将原始特征进行变换，生成新的特征，以更好地 反映地物类别之间的差异。
分类器设计
监督分类
利用已知样本的训练集设计分类器，对未知样本进行分类。
非监督分类
对未知样本进行聚类分析，将相似的样本归为同一类。
混合分类
结合监督分类和非监督分类的优势，提高分类精度和稳定性。
分类结果评价
精度评价
通过比较分类结果与实际地物类别， 计算分类精度、混淆矩阵等指标。
THANKS
感谢观看
分类器。
多源遥感数据融合问题
多源遥感数据融合可以提高分类精度和可靠性，但同时也带 来了数据匹配、融合算法选择等问题。
解决多源遥感数据融合问题的策略包括使用先进的融合算法 ，如基于深度学习的融合方法，以及优化数据匹配方法。
遥感图像分类技术的发展趋势
01
遥感图像分类技术正朝着高精度、高效率和自动化的方向发展 。
可靠性评价
评估分类结果的稳定性、可靠性以及 抗干扰能力。
应用价值评价
根据分类结果在实际应用中的价值， 如土地利用、资源调查、环境监测等
，对分类方法进行综合评价。
04
CATALOGUE
遥感图像分类的挑战与展望
数据质量问题
遥感图像常常受到噪声、失真和 模糊等影响，导致数据质量下降
。
数据质量问题还表现在不同传感 器获取的图像之间的差异，以及 不同时间获取的图像之间的变化
遥感图像分类的应用
遥感图像分类在多个领域有广泛应用，如环境保护、城市规划、资源调查、军事 侦察等。
通过遥感图像分类，可以快速获取大范围的地物信息，为相关领域的决策提供科 学依据。
02
CATALOGUE
遥感图像分类的方法
遥感概论第12章 遥感图像的分类 122.12 第12章 遥感图像的分类
影像分类是遥感、影像分析和模式识别的重要组成部分
• 影像分类可以作为影像分析的直接目标：如土地利用分类、 农作物种类识别、湿地类型识别等，以分类影像作为成果
• 影像分类也可以作为影像分析的中间环节：如研究森林情 况，需要先提取出森林的范围；研究草地或农业情况，需 要先提取出草地和耕地的范围等
在影像分类过程中，需要用到分类器：即按照一定方法进 行影像分类的计算机程序
• 此时，需要采用距离量算法确定该点究竟属于哪个点集群
• 如果像元A、C间的距离大于B、C间的距离，则像元C属于B ，否则属于A
因此，距离的量算是非监督分类的核心
（3）距离量算的方法
殴几里得距离测量
n
Dab [ (ai bi)2 ]1/ 2 i 1
• i表示波段，a和b表示像元值，Dab表示两像元之间的距离
概念：非监督分类是指在多光谱影像中搜寻和定义自然光 谱集群组的过程，也叫聚类分析或点群分析
• 计算机按照一定的规则自动地根据像元光谱或空间特征进 行像元分类，不需要人工选择训练样本，仅需极少的人工 输入参数
目前，非监督分类已经发展了近百种分类算法，但所有的 算法都是基于像元亮度的相似度
• 相似度一般用距离或相关系数来衡量，距离越小或相关系 数越大，则相似度越大，相似度大的像元归并为一类
• 分类器的种类很多，但还没有一种分类器能够适用于所有 的任务
• 研究人员，只需根据当前的实际需要，选择一种分类器即 可，也可针对自己的需要，设计自己的分类器
• 简单的点分类器 简单、高效，但错误多
• 邻域分类器 设计复杂，但能结合空间
纹理信息，提高了精度
2 信息类别和光谱类别
信息类别是用户使用的对地面事物的信息分类 • 如湿地的不同类型、农田的类型、土地利用的不同类型等 • 这些信息类别可提供给规划者、管理者、研究者参考使用 • 影像不直接记录信息类别，只记录亮度值，分析人员只能
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
新的分类方法：
人工神经网路方法 决策树分类法 专家系统分类法
监督分类
通过选择代表各类别的已知样本（训练区）的像 元的光谱特征，事先取得各类别的参数，确定判 别函数，从而进行分类。
在监督分类中，先定义信息类，然后检验它们的光 谱可分性
分类训练区的选择
训练区：已知地表覆被类型的代表样区 用于描述主要特征类型的光谱属性
•
训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获 取的信息的价值 用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中 光谱类别的所有组成
•
• •
代表性、完整性
分布：多个样区
确定像元聚集的判别规则
平行管道分类（平行六面体）
最简单的方法——仅仅需要规定每个特征的DN范围 一些像元可能未分类或重复分类
人工神经网络法
决策树分类法
决策树是一 树状结构， 依据规则把 遥感数据集 一级级往下 细分以定义 决策树的各 个分支。
T
根结点
T1
T2
分支
叶结点 T3
叶结点
决策树分类法
基本思想：从“原级”（根结点）开始，利 用表达式，每一个决策将影像中的像元分成 两类，使用另一表达式，每个新类又能被分 成另外的两个新类，如此不断地通过选择不 同的特征用于进一步地有效细分类，直到所 要求的“终极”（叶结点）类别分出为止。
决策树分类法
在决策树分类中经常采用的特征有：
光谱值；
通过光谱值算出来的指标（如NDVI）；
光谱值的算术运算值（如，和、差、比值等）； 主成分； ……
由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采 用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类 处理
专家系统分类方法
数据－信息（遥感数据－地物信息）
举例
分类后的影像
Landsat TM 真彩色合成影像
基本原理：
在遥感图像上，同类物体在同样条件下，应具有相同的光谱信 息特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信 息特征不同，而群集在不同的光谱空间区域内。
遥感图像分类方法
计算机自动分类：
监督分类 非监督分类
最小距离分类
通过训练样本确定类别中心 某个像元距哪类距离最小，则判归为该类
最大似然分类
建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类 计算每个像元属于每一类的概率，找出概率最大者，将该像元归为 概率最大的一类
非监督分类
在没有先验类别(训练场地)作为样本的条件下， 即事先不知道类别特征，主要根据像元间相似 度的大小进行归类合并（将相似度大的像元归 为一类）
分类精度评价
分类精度的评价通常是用分类图与标准数据 （图件或地面实测值）进行比较，以正确的百 分比来表示精度。 已经有一系列建立在混淆矩阵基础上的精度指 标来反映分类精度问题，各精度指标建立在抽 样样本基础上形成样本混淆矩阵得到的统计值， 是总体混淆矩阵的估计值。
混淆矩阵的一般形式
地 1 2 p12 p22 p32 pn2 p+2 p11 p21 p31 表 3 p13 p23 p33 pn3 p+3 类 … … … … … … m p1m p2m p3m pnm p+m p1+ p2+ p3+ pn+ N 行总数
遥感图像分类中的若干问题
遥感分类的精度和可靠性除了与分类方法本身 的优劣有关外，还取决于一些其它的因素：
训练场地和训练样本选择问题
地形因素的影响 混合像元问题 特征变量的选择问题 空间信息在分类中的应用问题
图像分类的后处理问题
遥感图像分类
孙丹峰 2006年7月
概念与原理
遥感图像分类是影像信息提取的一种方法 遥感图像分类是遥感数字图像处理的重要环节， 也是遥感应用最广泛的领域之一
图像分类：是通过模式识别理论，利用计算机
将遥感图像自动分成若干地物类别的方法。
如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、……
专家系统也是人工智能的一个分支，它采用人 工智能语言将某一领域（如地学知识）的专家 分析方法或经验，对地物的多种属性进行分析、 判断，从而确定各地物的归属。
利用这样的系统就可以把判读专家的经验性知 识综合起来进行分类
其它分类方法
除了以上常用的分类方法之外，还有多时相数 据分类方法、模糊分类法、亚像元分类法，基 于纹理的分类法等等
分类类别 1 2 3
…
n 列总数
pn1 p+1
对角线元素是被正确分类的样本数目，非对角线元素为各
类别中混分样本数目，列、行总数分别为地表类别和分类类别 样本数目和。
…
精度指标：
总体精度 用户精度 生产者精度 Kappa系数 ……
总体精度只考虑混淆矩阵中沿对角线方向的数据，而忽略了 非对角线方向的数据；Kappa系数既考虑混淆矩阵中沿对角线方 向的数据，也考虑非对角线方向的数据。
在非监督分类中，先确定光谱可分的类别（光谱 类），然后定义它们的信息类
非监督分类举例
聚类
解译
人工神经网络法
人工神经网络是基于生物神经系统分布式存储、 并行处理、自适应学习这些现象构造出具有一 些低级智慧的人工神经网络系统。 目前代表性的神经网络模型有：
BP（Back Propagation）神经网络 模糊自组织神经网络 RBF（Radial Basis Function）神经网络 Kohonen自组织神经网络 ……