遥感图像分类资料
遥感图像的分类
第1页，本讲稿共24页
一、概述
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。
第7页，本讲稿共24页
训练样本分类能力的考查
地物亮度分布一般属于正态分布或对数正态分布
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
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
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
类间距一般采用相似距离：
Ds
N (Xi Yi )2 i1 SxiSyi
X i ,Yi 为两个集群的中心； Sxi , S yi 为两个集群的标准差
第21页，本讲稿共24页
取消：当某个集群的像元数少于参数“一类最小像元数”，
则这一点群被取消，其像元分散到相邻的群中。
4 、输出分类结果：两个循环间各类均值向量平均移动距离小
要分裂为两个新的集群中心（类别）：
(1,...i ,Si,...n), 及 (1,...i ,S i,...n),
第20页，本讲稿共24页
合并：把两个集群（类）合并在一起，重新计算其中心（均 值）。两种情况下进行： 两个集群之间的距离小于规定的阈值“最小群间距” 集群数超过了规定的“最大分类数”
第10页，本讲稿共24页
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。
遥感图像的种类与特性
02.
二.全景式摄影像片特性
㈠.全景像片的空间特性
投影性质与影像畸变 投影性质：全景影像沿缝隙方向的一维中心投影 影像畸变：全景畸变＋扫描位置畸变＋像移补偿畸变 全景摄影机
摄影畸变—尺度（上下比例，左）与角度（右）
比例尺
地面的连续覆盖 ⊥航迹方向--由缝隙扫描完成 ∥航迹方向--由平台运行完成
旁向重叠
航向重叠
（三）帧幅式航片的空间特性
投影性质及比例尺
投影性质——地面的中心投影
比例尺：各处影像会出现不一致。
中心投影与垂直投影的比较
两种投影方式比较，当投影面倾斜时，像片各部分的比例尺变化不同，像片各部分的位移量（径向距离）不等（倾斜误差）
二者等比例与不等比例之缩小
两种投影方式比较，当地形起伏时，物体的像点位移称为“投影误差”
航片立体观察
㈣.航空像片的波谱特性
航片以色调或色彩以及由它们组合的形态特征反映地物对可摄影波段(0.3-1.3μm）电磁波的反射特征 影像色调或色彩是地物反射波谱特性的表征，是从波谱学角度识别地物的重要解译标志。 黑白全色航片 黑白红外航片 天然彩色片 彩色红外片 多波段航片
指影像上某一线段的长度与地面上相应地物的水平距离的比值。
理想条件下：由遥感光学系统的焦距和遥感平台的航高之比确定，即f/H。 注意：受中心投影性质所限，不同于垂直投影，受地形起伏及在像幅的位置影响，图像各处比例尺可能不一致。
遥感影像均经光学系统聚焦成像，透镜的成像规律和遥感器成像方式决定了遥感图像的投影性质，不同投影性质会产生不同性质的影像几何畸变。
波谱特性（波谱分辨率辐射分辨率）
时间特性
空间特性
3.2.2 遥感图像的基本属性
㈠.波谱特性（波谱分辨率、辐射分辨率）
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
遥感图像的格式和分类
遥感图像的分类和格式目录一遥感图像的分类 (1)1.监督分类的主要方法 (1)2.非监督分类的主要方法 (2)二遥感图像的格式 (3)1 TIFF图像格式 (3)2 GeoTIFF图像格式 (3)三结语 (4)一遥感图像的分类遥感图像分类是图像分析的一个重要内容,它是利用计算机通过对图像中不同地物的空间信息和光谱信息进行分析,选择特征,并将特征空间划分为互不重叠的子空间,然后将图像中各个像元划归到子空间去.目前国内国际上对图像分类的研究主要集中在应用具体的物理的、数学的方法等对图像进行的分类研究方面[1 - 8 ] ,对于图像分类方法的研究,从不同的方面可以划分为不同的类型. 按照利用图像要素的不同,图像分类大体可以分为三种:一是基于图像灰度值的分类,二是基于图像纹理的分类,三是基于多源信息融合的分类[9 ] . 用计算机对图像进行分类应用的主要是模式识别技术,根据具体应用的数学方法不同又可分为:统计法(决策分类法) 、语言结构法(句法方法) 、模糊法以及神经网络法. 在图像分类过程中,根据是否已知训练样本的分类数据,图像分类方法又可以分为监督分类和非监督分类. 本文主要从分类原理、分类过程、分类方法等方面来探讨这两种分类方法的区别与联系.1.监督分类的主要方法最大似然判别法. 也称为贝叶斯(Bayes) 分类,是基于图像统计的监督分类法,也是典型的和应用最广的监督分类方法. 它建立在Bayes 准则的基础上,偏重于集群分布的统计特性,分类原理是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的,做出样本的概率密度等值线,确定分类,然后通过计算标本(像元) 属于各组(类) 的概率,将标本归属于概率最大的一组. 用最大似然法分类,具体分为三步:首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描图像各像元,将像元特征向量代入判别函数,求出其属于各类的概率,将待判断像元归属于最大判别函数值的一组. Bayes 判别分类是建立在Bayes 决策规则基础上的模式识别,它的分类错误最小精度最高,是一种最好的分类方法.但是传统的人工采样方法由于工作量大,效率低,加上人为误差的干扰,使得分类结果的精度较差. 利用GIS数据来辅助Bayes 分类,可以提高分类精度,再通过建立知识库,以知识来指导分类的进行,可以减少分类错误的发生[1 ] ,这正是Bayes 分类的发展趋势和提高其分类精度的有效途径.神经元网络分类法. 是最近发展起来的一种具有人工智能的分类方法,包括BP 神经网络、Kohonen 神经网络、径向基神经网络、模糊神经网络、小波神经网络等各种神经网络分类法.BP 神经网络模型(前馈网络模型) 是神经网络的重要模型之一,也是目前应用最广的神经网络模型,它由输入层、隐含层、输出层三部分组成,所采取的学习过程由正向传播过程和反向传播过程组成. 传统的BP 网络模型把一组样本的输入/ 输出问题作为一个非线性优化问题,它虽然比一般统计方法要好,但是却存在学习速度慢,不易收敛,效率不高等缺点. 采用动量法和学习率自适应调整的策略,可以提高学习效率并增加算法的可靠性[3 ] .模糊分类法. 由于现实世界中众多的自然或半自然现象很难明确划分种类,反映在遥感图像上,也存在一些混合像素问题,并有大量的同谱异物或者同物异谱现象发生,使得像元的类别难以明确确定. 模糊分类方法忽略了监督分类的训练过程所存在的模糊性,沿用传统的方法,假定训练样本由一组可明确定义、归类,并且具有代表性的目标(像素) 构成. 监督分类中的模糊分类可以利用神经元网络所具有的良好学习归纳机制、抗差能力和易于扩展成为动态系统等特点,设计一个基于神经元网络技术的模糊分类法来实现. 模糊神经网络模型由ART 发展到ARTMAP 再到FasART、简化的FasART 模型[4 ] ,使得模糊神经网络的监督分类功能不断完善、分类精确度不断增加.最小距离分类法和Fisher 判别分类法. 它们都是基于图像统计的常用的监督分类法,偏重于几何位置.最小距离分类法的原则是各像元点划归到距离它最近距离的类别中心所在的类, Fisher 判别分类采用Fisher 准则即“组间最大距离”的原则,要求组间距离最大而组内的离散性最小,也就是组间均值差异最大而组内离差平方和最小. 用这两种分类法进行分类,其分类精度取决于对已知地物类别的了解和训练统计的精度,也与训练样本数量有关. 针对最小距离分类法受模式散布影响、分类精度不高的缺点,人们提出了一种自适应的最小距离分类法,在训练过程中,将各类样本集合自适应地分解为子集树,定义待分类点到子集树的距离作为分类依据[2 ] ,这种方法有效地提高了最小距离法的分类正确率和分类速度,效率较高. Fisher 判别分类也可以通过增加样本数量进行严密的统计分类来增加分类精度.2.非监督分类的主要方法动态聚类. 它是按某些原则选择一些代表点作为聚类的核心,然后将其余待分点按某种方法(判据准则)分到各类中去,完成初始分类,之后再重新计算各聚类中心,把各点按初始分类判据重新分到各类,完成第一次迭代. 然后修改聚类中心进行下一次迭代,对上次分类结果进行修改,如此反复直到满意为止. 动态聚类的方法是目前非监督分类中比较先进、也较为常用的方法. 典型的聚类过程包括以下几步:选定初始集群中心;用一判据准则进行分类;循环式的检查和修改;输出分类结果. 聚类的方法主要有基于最邻近规则的试探法、K- means 均值算法、迭代自组织的数据分析法( ISODATA) 等. 其中比较成熟的是K - means 和ISODATA算法,它们较之其他分类方法的优点是把分析判别的统计聚类算法和简单多光谱分类融合在一起,使聚类更准确、客观. 但这些传统的建立在统计方法之上的分类法存在着一定的缺点:很难确定初始化条件;很难确定全局最优分类中心和类别个数;很难融合地学专家知识. 基于尺度空间的分层聚类方法(SSHC) 是一种以热力学非线性动力机制为理论基础的新型聚类算法[10 ] ,它与传统聚类算法相比最大的优点是其样本空间可服从自由分布,可获取最优聚类中心点及类别,可在聚类过程中融合后验知识,有更多的灵活性和实用性.模糊聚类法. 模糊分类根据是否需要先验知识也可以分为监督分类和非监督分类. 事实上,由于遥感图像的复杂性和不精确性等特点,预先很难获得所有有代表性样本的各类别的精确含量,因此很多情况下用纯粹的监督方法作模糊分类并不现实. 模糊聚类属于非监督分类的一种,它根据样本间的统计量的相似程度作为模糊隶属度,在无预知类别的前提下对数据集中各点作含量划分. 模糊聚类算法有多种,如基于模糊等价关系的模糊聚类分析法、基于最大模糊支撑树的模糊聚类分析法等[11 ] ,最典型的模糊聚类法是模糊迭代自组织的数据分析法———Fussy - ISODATA. 但纯粹的非监督分类对图像一无所知的情况下进行所得到的结果往往与实际特征存在一定的差异,因此聚类结果的精度并不一定能够满足实际应用的要求,还需要地学知识的辅助,也就是部分监督的Fussy - ISODATA 聚类.系统聚类. 这种方法是将图像中每个像元各自看作一类,计算各类间均值的相关系数矩阵,从中选择最相关的两类进行合并形成新类,并重新计算各新类间的相关系数矩阵,再将最相关的两类合并,这样继续下去,按照逐步结合的方法进行类与类之间的合并. 直到各个新类间的相关系数小于某个给定的阈值为止.分裂法. 又称等混合距离分类法,它与系统聚类的方法相反,在开始时将所有像元看成一类,求出各变量的均值和均方差,按照一定公式计算分裂后两类的中心,再算出各像元到这两类中心的聚类,将像元归并到距离最近的那一类去,形成两个新类. 然后再对各个新类进行分类,只要有一个波段的均方差大于规定的阈值,新类就要分裂.二遥感图像的格式随着地理信息系统被广泛应用和遥感技术的日渐成熟。
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；
第9章遥感图像分类PPT课件
9.4 监督分类
➢ 最大似然比分类法(Maximum Likelihood) 通过求出每个像素对于各类别的归属概率，把该像
素分到归属概率最大的共24页
9.4 监督分类
监督分类的优缺点：
优点：
缺点：
✓ 根据应用目的和区域，有选 ✓ 主观性
择的决定分类类别，避免出 ✓ 由于图像中间类别的光谱差
现一些不必要的类别；
异，使训练样本没有很好的
✓ 可以通过检查训练样本来决
代表性；
定训练样本是否被精确分类， ✓ 训练样本的获取和评价花费 从而避免分类中的严重错误； 较多的人力时间；
✓ 分类速度快。
✓ 只能识别训练中定义的类别。
第8页/共24页
9.5 非监督分类
根据一个像素被分到一个类还是多个类，可将遥感 图像分类方法分为硬分类(hard classification)和软分类 (soft classification)。图像上的一个像素只能被分到一 个类的分类方法称为硬分类。
第2页/共24页
9.2 相似性度量
遥感图像计算机分类的依据是遥感图像像素的相 似度。常使用距离来衡量相似度。
第14页/共24页
9.5 非监督分类
3、监督分类与非监督分类方法比较
➢ 根本区别在于是否利用训练场地来获取先验的类别知识。 ➢ 监督分类的关键是选择训练场地。训练场地要有代表性，
样本数目要能够满足分类要求。此为监督分类的不足之 处。 ➢ 非监督分类不需要更多的先验知识，据地物的光谱统计 特性进行分类，分类方法简单。当两地物类型对应的光 谱特征差异很小时，分类效果不如监督分类效果好。
第15页/共24页
9.6 专家系统分类
遥感图像解译专家系统是模式识别与人工智能技 术相结合的产物。
《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
- 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)。
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） 的方法
根据图像数据本身的统计特征及点群的 分布情况，从纯统计学的角度对图像 数据进行类别划分
节，也是遥感应用最广泛的领域之一
提取信息的类型 分类 变化检测 物理量的提取 指标提取
特定地物和状态的提 取
举例 土地覆盖、树种识别、植被和农作物 土地覆盖变化 温度、大气成分、高程、土壤含水量 植被指数、浑浊指标 山火、水灾、线形构造、遗迹探察
什么是遥感图像计算机分类？
在特征空间中，依据像元 相似度的大小，归类相 似的像元，分离不相似 的像元，并给每一个像 元赋类别值的过程
根据已知训练区提供的样本，通过选择 特征参数（如像素亮度均值、方差 等），建立判别函数，据此对样本像 元进行分类，依据样本类别的特征来 识别非样本像元的归属类别
监督法分类
主要步骤 选择训练样本区
确定类别数 对每类选择足够多的有代表性的样本 分类前分析样本区质量
选择合适的分类算法 分类结果的精度评价
分类的总目标是将图像中 所有的像元自动进行土 地覆盖类型或土地覆盖 专题的分类
计算机分类实例
原始遥感图像
对应的专题图像
光谱模式识别
空间模式识别
新方法
统计分类 结构分类 模糊分类 神经网络分类 小波分析 专家系统
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
遥感图像分类
任课教师：杨晓霞 2013年3月
内容大纲
图像分类基本概念和原理
计算机分类的概念 判别函数与判别规则 影像空间与特征空间 特征空间中的距离
遥感图像分类过程 监督分类方法 非监督分类方法 提高分类精度的方法
2
遥感图像自动识别分类
遥感图像分类是图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
建立类别的判别函数
绿
255
植
新城区
老城区
被
• •
水
•
耕地
•
0
•
255 红
255 蓝
主要的监督分类方法
距离判别函数和距离判别规则
最小距离分类法 最近邻分类算法 平行六面体分类法
概率判别函数和贝叶斯判别规则
最大似然分类法
最小距离分类法
最近邻法
最小距离分类法
基本思想是设法计算未知矢量X到有关类别 集群之间的距离，哪类距离它最近，该未 知矢量就属于那类
同类地物在特征空间形成一个相对聚集 的点集群
不同类地物的点集群在特征空间内一般 是相互分离的源自POT影像真实二维特征空间示例
1-2
1-3
1-4
2-3
2-4
3-4
特征空间中的距离
“物以类聚”，而图像分类的依据通常 是像元之间的相似性。相似性通常又 采用“距离”来度量。
距离可以有不同的具体定义 几何距离：欧式距离、绝对值距离 统计距离：马氏距离
判决函数和判决规则
判决函数：当各个类别的判别区域确定后， 用来表示和鉴别某个特征矢量属于哪个类 别的函数
判别规则：判断特征矢量属于某类的依据。 当计算完某个矢量在不同类别判决函数中 的值后，我们要确定该矢量属于某类必须 给出一个判断的依据。 这种判断的依据， 称之为判别规则
监督法分类
首先需要从研究区域选取有代表性的训 练场地作为样本
距离判决函数偏重于集群分布的几何位置 距离判别规则是按最小距离判别的原则
平行六面体分类法
平行六面体分类法基本思想
以一个包括该集群的“盒子” 作为该集群的判别函数
判决规则为若未知矢量X落 入该“盒子”，则X分为此 类，否则再与其它盒子比较
这种分类法在盒子重叠区域 有错分现象，错分与比较盒 子的先后次序有关
遥感图像特征集
遥感图像 遥感图像计算机分类流程框图
为什么使用计算机分类？
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
可对复杂的多波段数据及其相互关系进行有 效分析
光谱特征空间
光谱特征空间：以各波段图像的亮度分 布为坐标轴组成的空间
训练样区的选择
准确性——确保选择的样区与实际地物的一 致性
代表性——考虑到地物本身的复杂性，所以 必须在一定程度上反映同类地物光谱特性 的波动情况
统计性——选择的训练样区内必须有足够多 的像元
选择训练区
训练区与特征空间的联系
选择样本区域
植被 老城区 耕地 水 新城区
将样本数据在特征空间进行聚类
最大似然分类法
利用概率判别函数与贝叶斯判别规则进 行分类
优点：
考虑特征空间中类别的形状、大小和定位
缺点：
计算量大，计算时间长 假定地物光谱特征呈正态分布
监督法分类的优点
根据应用目的和区域，有选择的决定分类类 别，避免出现一些不必要的类别
可以控制训练样本的选择 可以通过检查训练样本来决定训练样本是否
图像分类方法
按人工干预的程度不同，可以分为： 监督分类法 非监督分类法
分类步骤
1. 选择合适的分类算法 2. 用所选算法分割特征空间 3. 根据像元在特征空间中的定位对每一
个像元赋类别值 4. 对分类结果进行精度评价
监督分类的思想
1. 确定每个类别的样区 2. 学习或训练 3. 确定判别函数和相应的判别准则 4. 计算未知类别的样本观测值函数值 5. 按规则进行像元的所属判别
最大似然分类法
最大似然分类法
地物类数据在特征空间中构成特定的点群 每一类的每一维数据都在自己的数轴上为正态分布，
该类的多维数据就构成了一个多维正态分布 各类的多维正态分布模型各有其分布特征 利用各类的已知数据（训练区），求出均值、方差
及协方差等特征参数，从而求出总体的概率密度 函数 在此基础上，对于任何一个像元，通过求出每个像 素对于各类别的归属概率（对于待分像元x，从属 于分类类别k的概率），把该像素分到归属概率最 大的类别中去
被精确分类，从而避免分类中的严重错误， 分类精度高 避免了非监督分类中对光谱集群的重新归类 分类速度快
监督法分类的缺点
主观性 由于图像中间类别的光谱差异，使得训练样
本没有很好的代表性 训练样本的获取和评估花费较多人力时间 只能识别训练中定义的类别
内容大纲
非监督分类的思想 主要非监督分类方法
K-均值法 ISODATA