遥感图像自动识别分类
遥感图像分类技术研究
遥感图像分类技术研究一、遥感图像分类的基本概念及背景遥感图像分类是指利用计算机方法将遥感图像进行自动分类，将像元或像素点归类为不同的地物或地物类型。
遥感图像是指通过遥感传感器获取的地球表面信息的图像，主要包括航空遥感、卫星遥感等。
遥感图像分类技术可以广泛应用于国土资源调查、环境遥感监测、农业与林业等许多领域。
二、遥感图像分类技术因素1. 数据预处理数据预处理是遥感图像分类技术中非常重要的一步，主要是对遥感图像进行初步去噪、辐射校正等操作，以提高其质量和可用性。
常用的预处理方法包括滤波、辐射定标、大气校正等。
2. 特征提取遥感图像的特征提取是将遥感图像中的自然结构转换为计算机可识别的数字特征向量的过程。
常用的特征提取方法包括基于纹理的方法、基于谱特征的方法以及形状特征提取方法等。
3. 分类算法常见的遥感图像分类算法包括最大似然法、支持向量机、神经网络等。
其中，最大似然法和支持向量机算法是应用最广泛的两种算法，具有较高的分类准确性和泛化性能。
三、常见的遥感图像分类方法1. 基于纹理分析的方法纹理是指由几何形状、大小、密度、亮度等因素共同作用形成的某种规则的表现形式。
其基本特点是在局部区域内具有规则和可重复性。
利用遥感图像的纹理数据，可以利用基于灰度共生矩阵、滤波器和小波等方法进行纹理分析。
基于纹理分析的方法适用于研究土地利用类型、森林类型等需要区分细致的地物类型。
2. 基于谱信息的方法基于谱信息的遥感图像分类方法利用遥感图像数据的光谱特征进行分类。
这种方法主要基于多光谱数据分类和高光谱数据分类。
多光谱数据是指每个像元采集了数个波段的数据，而高光谱数据则包含了更多的波段数据。
采用基于谱信息的方法可以对土地覆盖类型、植被类型等大尺度空间范围的遥感图像进行分类。
3. 基于空间信息的方法基于空间信息的遥感图像分类方法是指利用遥感图像像素的空间位置信息，结合图像的特征提取和分类方法进行分析。
这种方法主要通过分析像素到邻域像素之间的距离、方向和大小等因素来提取空间信息。
遥感图像分类与识别技术研究
遥感图像分类与识别技术研究随着现代化的发展，遥感技术已经不仅仅是一个专业领域的探究，而成为了解决生产和社会的一个重要工具。
利用遥感技术来获取地表信息已经是一种主要的手段。
但是，在获取遥感图像后，如何处理这些数据成了一个亟待解决的问题。
遥感图像分类与识别技术的研究，可以很好地解决这一问题。
1. 什么是遥感图像分类与识别技术？遥感图像分类与识别技术指的是将获取到的遥感数据进行分类与识别，以获得更加精确和可靠的分析结果。
这种技术主要应用在遥感图像处理、地理信息系统、城市规划和环境管理等领域。
该技术的主要研究内容包括遥感图像的特征提取、分类算法的设计和优化、机器学习、深度学习等。
通过这些研究，遥感图像的分类与识别准确率将得到提高。
2. 遥感图像分类与识别技术的应用场景在遥感图像分类与识别技术中，最常见的应用场景有三个：城市化监测、土地利用/覆盖变化分析、自然资源管理。
城市化监测主要是监测人口密度、城市用地变化和交通拥堵情况等，以帮助社会的城市规划。
土地利用/覆盖变化分析在农业、林业等方面得到广泛应用，可以利用这项技术来监测土地利用和覆盖的变化，以及对这种变化的成因进行分析。
自然资源管理则是利用遥感图像分类与识别技术，通过监测水资源、森林资源等，以保护资源并推动可持续发展。
3. 遥感图像分类与识别技术的研究方法遥感图像分类与识别技术的研究方法有很多种，根据不同的需求和场景，可以选择一个或者多个研究方法来进行实验和分析。
特征提取是遥感图像分类与识别技术中最基本的方法，它使用不同的特征描述符来表示遥感图像区域的差异性。
例如，可以使用局部二值模式(LBP)、色彩和纹理特征等方法来提取图像的特征。
分类算法的设计和优化是遥感图像分类与识别技术中的关键步骤。
目前，最常用的分类算法有最小距离分类法、支持向量机分类法和随机森林分类法等。
它们都有自己的优缺点，在实际应用中需要根据不同的情况进行选择和调整。
机器学习是遥感图像分类与识别技术中另一个重要的研究方向。
遥感数据的图像分类分析及应用
遥感数据的图像分类分析及应用一、概述遥感数据的图像分类分析及应用是现代科技领域的重要研究方向之一。
遥感数据是使用卫星、飞机等无人机设备获取的地球表面信息数据，其获取方法具有高效、准确的特点，成为人们了解、探究地球表层变化和组成的优质数据来源。
图像分类则是在遥感数据的基础上，对地理信息进行处理和分析，将不同的地物进行分类和识别，为科研、生产等领域提供有力的支撑。
本文将深入探讨遥感数据图像分类的相关知识和应用，供广大读者参考。
二、图像分类的分类方法图像分类是数据处理中的一种方法，这个过程将原始数据根据一定的分组方法，将所有数据分为若干类。
主要方法有监督分类、非监督分类和混合型分类。
1、监督分类监督分类是遥感图像分类分析中最常用的分类方法之一，它能根据现有的人工分类信息来分类遥感图像，具有很高的准确性。
监督分类是利用一些已知地物类别的样本进行分类，这些样本称为训练样本，分类器据此依据训练数据的特征来进行分类判别，从而实现遥感图像分类。
常见的监督分类方法有：最大似然法、最小距离法、线性判别法、支持向量机等。
2、非监督分类非监督分类是一种自动分类方法，它不使用与分类有关的地面真实信息，而是依靠样本间的统计分析，自动从遥感图像中抽象出其不同类别地物的空间分布信息，然后进行分类。
非监督分类常使用的有：聚类法、k-means聚类法、Iso Data聚类法等。
3、混合型分类混合型分类方法是提高分类精度的有效手段。
混合型分类方法既兼具了监督分类和非监督分类的优点，也综合了多个分类方法的优点，是目前遥感图像分类研究中的主流分类方法之一。
混合型分类方法常用的有：自适应带阈值随机森林分类器、基于遗传算法和人工神经网络的模型等。
三、图像分类的应用遥感数据的图像分类应用在地质矿产、城市建设、环境评价等领域。
它可以为相关领域的决策者提供有力的数据支撑，为提高现代生产和生活的品质做出贡献。
1、地质矿产遥感图像分类技术可以提取地质信息，对地质资源进行富集结构和稀缺性等分析。
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。
遥感原理与应用第8章 遥感作业
遥感原理与应用第8章遥感作业遥感原理与应用第8章遥感作业第八章遥感图像自动识别分类名词解释：遥感技术图像自动分类光谱特征向量特征空间特征转换特征选择kl转换哈达玛转换kt转换判别函数辨别规则错分概率最小似然法分类最轻距离法分类监督分类非监督分类k均值聚类混为一谈矩阵用户精度制图精度1、遥感图像自动分类：采用决策理论或统计方法，按照决策理论方法，需要从被识别的模式中提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。
2、光谱特征向量：同名地物点在不同波段图像中亮度的观测量构成一个多维的随机向量x，称为光谱特征向量。
3、特征空间：传感器接收器输入的就是一组n个测量值，这一组几个测量值可以看作就是n维空间，称作特征空间。
4、特征变换：是将原有的m个测量值集合并通过某种变换，产生n个（n<=m）新的特征，这种方法称为特征变换。
5、特征选择：从旧有的m个测量值子集中，按某一准则挑选出来n个特征。
6、kl转换：就是一种线性变换，就是就均方误差最轻来说的最佳正交变换。
能将原来多个波段中的有价值信息尽量分散至数目尽可能少的特征图像组中去，达至数据压缩的目的，同时也能够并使代莱特征图像之间互不有关，并使代莱特征图像涵盖的信息内容不重合减少类别的可分性。
7、哈达玛变换：利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换。
8、kt变换：又称穗帽变换，是一种线性特征变换。
将mss影像通过k-t变换得到不同地物类别的分量值，形成的图形像一个穗帽。
9、判别函数：各个类别的辨别区域确认后，某个特征矢量属哪个类别可以用一些函数去则表示和辨别，这些函数就称作判别函数。
10、判别规则：当计算完某个矢量在不同类别判别函数中的值后，我们要确定该矢量属某类就必须得出一个推论的依据。
如若获得函数值最小则该矢量属最大值对应的类别，这种推论的依据我们称作辨别规则。
11、错分概率：是类别判别分界两侧做出不正确判别的概率之和。
第8章遥感图像自动识别分类
• 本健康但错判断为癌症：存伪，虚惊一场；
第八章 遥感图像自动识别分类 §8.1 基础知识
三、模式识别系统
1、数据获取: 图像，波形，物理参量 2、预处理: 去噪、增强、退化复原 3、特征提取与选择 4、分类决策
4、其它方法：模拟退火法、遗传算法等。
12/13
第八章 遥感图像自动识别分类 §8.3 分类器设计
• 本课主要内容 • 分类器（判别准则）概念 • 最小错误率分类器（Bayes 准则） • 线性判别分类器 （Fisher准则） • 非线性判别分类器（最短距离法） • 本课重点内容 • Bayes判别准则 • 最短距离分类器
主分量变换的优良特性 1、变换后Y的协方差阵是对角阵，表明新特征矢量直接 彼此不相关 2、变换后，信息主要集中在前几个主成分中，根据统 计，对于landsat MSS四个波段的影像经KL变换后， PC1占90%的总信息量，PC2占7%的总信息量，PC3和 PC4共占3%的总信X息2 量。 Y2（第二分量）
第八章 遥感图像自动识别分类 §8.4 监督/非监督分类
• 上节主要内容 • 贝叶斯分类器 • 线性分类器（以Fisher准则为例） • 非线性分类器（以最短距离方法为例） • 本节主要内容 • 监督分类的思想 • 监督/非监督分类的区别 • 监督分类步骤 • K-均值聚类算法
第八章 遥感图像自动识别分类 §8.4 监督/非监督分类
参数估计：点估计/区间估计/最大似然估计 非参数估计：Parzen窗法、k-近邻估计法 Bayes分类器的理论作用大于实际作用 能否直接利用特征设计分类器呢？
第八章 遥感图像自动识别分类 §8.3 分类器设计
基于深度学习的遥感图像分类算法研究与实现
基于深度学习的遥感图像分类算法研究与实现遥感图像分类是遥感技术中一个重要的研究方向，旨在通过对遥感图像进行分类和识别，实现对地物和景象的自动解译和实时监测。
随着深度学习技术的快速发展，基于深度学习的遥感图像分类算法逐渐成为研究的热点。
深度学习是一种基于人工神经网络的机器学习方法，通过多层次的神经网络模型学习数据的高级特征表示，具有强大的表达能力和良好的泛化能力。
在传统的遥感图像分类算法中，常使用的是手工设计的特征提取算法，如纹理特征、形状特征等。
而基于深度学习的遥感图像分类算法，主要通过深度神经网络自动学习图像的特征表示，从而实现对复杂地物的准确分类。
首先，在基于深度学习的遥感图像分类算法中，数据的预处理是一个必要的步骤。
遥感图像数据通常具有高光动态范围、多光谱和高光谱特征等，预处理的目的是提高图像的质量，削弱噪声和增强地物的边缘特征。
对于遥感图像，常用的预处理方法包括图像增强、边缘检测和图像分割等。
预处理后的图像能够更好地表达地物的信息，有利于后续的分类分析。
其次，在基于深度学习的遥感图像分类算法中，卷积神经网络（Convolutional Neural Network，CNN）是最为常用的网络结构之一。
卷积神经网络能够有效地捕捉图像的局部特征和细节信息，对于高光谱多通道的遥感图像数据具有较好的适应性。
常用的卷积神经网络结构包括LeNet、AlexNet、VGGNet、GoogLeNet和ResNet等。
这些网络结构具有不同的层数和参数设置，可根据具体的问题选择适合的网络结构。
另外，在基于深度学习的遥感图像分类算法中，需要通过深度学习模型对图像进行特征提取和特征选择。
深度学习模型通过多层次的卷积和池化操作对图像进行特征提取，得到图像的高级特征表示。
特征提取后，常使用全连接层和softmax分类器对图像进行最终的分类。
同时，还可以通过正则化方法对模型进行约束，防止模型过拟合，提高分类的准确性。
此外，针对遥感图像分类的特点，可以进一步优化深度学习模型。
- 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)。
43
► 平行管道聚类分析法 它以地物的光谱特性曲线为基础，假定 同类地物的光谱特性曲线相似作为判别的标 准。设置一个相似阈值，这样，同类地物在 特征空间上表现为以特征曲线为中心，以相 似阈值为半径的管子，此即为所谓的“平行 管道”。 这种聚类方法实质上是一种基于最邻近 规则的试探法。
44
与监督分类相比，非监督分类具有下 列优点：不需要对被研究的地区有事先的 了解，对分类的结果与精度要求相同的条 件下，在时间和成本上较为节省。 但实际上，非监督分类不如监督分类 的精度高，所以监督分类使用的更为广泛。
36
非监督分类也称聚类分析。 一般的聚类算法是先选择若干个模式 点作为聚类的中心。 每一中心代表一个类别，按照某种相 似性度量方法（如最小距离方法）将各模 式归于各聚类中心所代表的类别，形成初 始分类。 然后由聚类准则判断初始分类是否合 理，如果不合理就修改分类，如此反复迭 代运算，直到合理为止。
23
► 最小距离法
基于距离判别函数和判别规则的分类 方法称为最小距离分类法。
24
距离判别函数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。 距离判别函数不象概率判别函数那样 偏重于集群分布的统计性质，而是偏重于 几何位置。 距离判别规则是按最小距离判别的原 则。
34
监督分类的缺点：
• 主观性； • 由于图象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。
是指人们事先对分类过程不施加任何 的先验知识，而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。
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
17
原始影像数据的准备
监督分类的流程
图像变换及特征选择 分类器的设计 初始类别参数的确定 逐个像素的分类判别
形成分类编码图像
输出专题图
18
判别函数: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。 这些函数不是集群在特征空间形状的数 学描述，而是描述某一未知矢量属于某个类 别的情况，如属于某个类别的条件概率。一 般，不同的类别都有各自不同的判别函数。
水
8
典型情况——不同类别地物的集群，在任一 子空间中都有相互重叠的现象存在，但在 总的特征空间中可以完全区分的。这时可 采用特征变换使之变成理想情况进行分类。
水
9
二、特征变换及特征选择
特征变换，是将原有的m测量值集合并通过 某种变换，产生n个新的特征。 特征选择，是从原有的m个测量值集合中， 按某一准则选择出n个特征。
37
非监督分类的方法：
► K-均值聚类法 ► ISODATA聚类分析法 ► 平行管道聚类分析法
38
► K-均值聚类法 K-均值算法的聚类准则是使每一聚类中， 多模式点到该类别的中心的距离的平方和最 小。 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。
39
40
缺点:这种算法的结果受到所选聚类中心的 数目和其初始位置以及模式分布的几何性 质和读入次序等因素的影响，并且在迭代 过程中又没有调整类数的措施，因此可能 产生不同的初始分类得到不同的结果，这 是这种方法的缺点。可以通过其它的简单 的聚类中心试探方法，如最大最小距离定 位法，来找出初始中心，提高分类效果。
52
多数平滑:平滑时中心像元值取周围占多数的类别。
53
平滑前后举例
54
2. 分类后的误差分析 利用一些样本对分类误差进行估计。 采集样本的方式有三种类型： ﹡来自监督分类的训练样区； ﹡专门选定的试验场； ﹡随机取样。
55
2
一、基础知识
1. 模式与模式识别
所谓“模式”是指某种具有空间或几何 特征的东西。 对被识别的模式作一系列的测量，然后 将测量结果与“模式字典”中一组“典型的” 测量值相比较,得出所需要的分类结果。这一 过程称为模式识别。
3
分类器（或称判决器），可以根据一 定的分类规则，把某一测量矢量X划入某一 组预先规定的类别之中去。
用最少的影像数据最好地进行分类。
13
特征选择的方法：
定性：了解变换前后图像的特征 定量：距离测度和散布矩阵测度。
14
三、监督分类
自动识别分类
监督分类法
非监督分类法
15
监督分类法是选择有代表性的试验区 来训练计算机，再按一定的统计判别规则 对未知地区进行自动分类的方法。
16
监督分类的思想：
► 分类后专题图像的格式
► 分类后处理
49
► 分类后专题图像的格式
遥感影像经分类后形成的专题图，用 编号、字符、图符或颜色表示各种类别。
50
原始遥感图像
对应的专题图像
51
► 分类后处理 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。
x1 x2 …. xn
自然模式
接收器 (传感器)
分类器 (判决器)
结果
模式识别系统的模型
4
2. 光谱特征空间及地物在特征空间中聚类 的统计特性
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.
5
B5
水 B7
地物与光谱特征空间的关系
6
特征点集群在特征空间中的分布大致可 分为如下三种情况：
► 最大似然法
根据概率判别函数和贝叶斯判别规则来 进行的分类称为最大似然分类法。
22
概率判别函数：把某特征矢量X落入某 类集群wi的条件概率P (wi/X)当成分类判决 函数（概率判决函数）。 贝叶斯判别规则：把X落入某集群wi的 条件概率P (wi/X)最大的类为X的类别。
贝叶斯判别规则以错分概率或风险最小 为准则的判别规则。
10
特征变换的目的：
► 减少特征之间的相关性，使得用尽可能 少的特征来最大限度地包含所有原始数 据的信息。 ► 使得待分类别之间的差异在变换后的特 征中更明显，从而改善分类效果。
11
特征变换的方法：
主分量变换 哈达玛变换 生物量指标变换 比值变换 穗帽变换
12
特征选择的目的：
30
植
被
老城区 耕地 水 新城区
选择样本区域
31
（4）确定判别函数和判别规则 一旦训练样区被选定后，相应地物类别的 光谱特征便可以用训练区中的样本数据进行统 计。
（5）根据判别函数和判别规则对非训练样区的 图像区域进行分类。
32
分类得到的专题图
33
监督分类的优点： ► 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 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。
47
第三步：特征选择。选择最适合的特征图像 进行后续分类。 第四步：使用监督法对整个影像进行分类。 根据前几步获得的先验知识以及聚 类后的样本数据设计分类器。并对 整个影像区域进行分类。
第五步：输出标记图像。由于分类结束后影 像的类别信息也已确定。所以可以 将整幅影像标记为相应类别输出。
48
六、分类后处理和误差分析 1. 分类后处理
19
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，在不同类别判别函 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。如若所得函数 值最大则该矢量属于最大值对应的类别。 这种判断的依据，我们称之为判别规则。
20
监督分类的方法：
► 最大似然法 ► 最小距离法 ► 盒式分类法
21
Bj
理想情况——不同 类别地物的集群至 少在一个特征子空 间中的投影是完全 可以相互区分开的。
植被
Bi
7
一般情况——无论在总的特征空间中，还是 在任一子空间中，不同类别的集群之间总是 存在重叠现象。这时重叠部分的特征点所对 应的地物，在分类时总会出现不同程度的分 类误差，这是遥感图像中最常见的情况。
45
五、非监督分类与监督分类的结合
通过非监督法将一定区域聚类成不同的 单一类别，监督法再利用这些单一类别区域 “训练”计算机。通过“训练”后的计算机 将其它区域分类完成，这样避免了使用速度 比较慢的非监督法对整个影像区域进行分类， 使分类精度得到保证的前提下，分类速度得 到了提高。
46
步骤: 第一步：选择一些有代表性的区域进行非监 督分类。这些区域的选择与监督法 分类训练样区的选择要求相反，监 督法分类训练样区要求尽可能单一。 而这里选择的区域包含类别尽可能 地多，以便使所有感兴趣的地物类 别都能得到聚类。 第二步：获得多个聚类类别的先验知识。这 些先验知识的获取可以通过判读和 实地调查来得到。聚类的类别作为 监督分类的训练样区。
41
► ISODATA聚类分析法
ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法也 称为迭代自组织数据分析算法。
42
它与K－均值算法有两点不同: 第一，它不是每调整一个样本的类别 就重新计算一次各类样本的均值，而是在 每次把所有样本都调整完毕之后才重新计 算一次各类样本的均值，前者称为逐个样 本修正法，后者称为成批样本修正法； 第二，ISODATA算法不仅可以通过调 整样本所属类别完成样本的聚类分析，而 且可以自动地进行类别的“合并”和“分 裂”，从而得到类数比较合理的聚类结果。