9 遥感影像计算机专题分类

专题信息提取的概念： 利用图像的光谱信息，空间信息以及多时相信息对目标进行识别并归类.
可从遥感图像中提取的信息分为6类:
⑥空间信息
平面位置和高程
1.2 遥感影像专题分类
遥感专题分类
是以区别图像中所含多个目标为目的，对每个像元或者比较匀质的 像元组给出对应其特征的名称。这些名称为分类的类别，多个特征矢量 定义的空间为特征空间。
2.2 ISODATA (续1)
输入参数： 最大和最小类别数目，因为算法进行自动的类别分裂和合并， 所以不能确定类别的具体数目。 最大迭代次数和每类中像元数量的变化，其中一项满足，则 分类结束。 如果某一类别中的像元数目不满足 Minimum # pixel in class，则删除该类别，像元归并到最近的一类中。 如果某一类的标准差大于Minimum class stdv，则该类别 需要分裂成两个类别。 如果某个类别的平均距离小于Maximum class distance， 则该两个类别合并成一类。 Maximum # merge class 定义最多合并多少类别。 Maximum stdev from mean; Maximum distance error.
概念：以区别图象中所含 的多个目标物为目的，对 每个像元或者比较均匀的 像元组给出对应其特征的 名称。 特征名称一般称类别，例 如土地利用/覆盖中的 居 民地、水域、园地、林地、 耕地等。 参与分类的多个特征量 （向量）所定义的空间， 称为特征空间，例如2个 波段定义的2维特征空间， 3个波段定义的3维特征空 间等。
• 遥感图像的光谱特征通常是以地物在多光谱图像上的 亮度体现出来的，

不同的地物在同一波段图像上表现的亮度一般互不相同； 不同的地物在多个波段图像上亮度的呈现规律也不同，这就构 成了我们在图像上赖以区分不同地物的物理依据。
• 同名地物点在不同波段图像中亮度的观测量将构成一 个多维的随机向量（X），称为光谱特征向量。 X= [x1,x2,…xi,…,xn]T Xi :地物图像点在第i波段图像中的亮度值
训练区选择

对训练样区的要求：准确性、 代表性和统计性。
• 准确性：要确保选择的样区与 实际地物一致； • 代表性：所选样区为某一地物 的代表，还要考虑到地物本身 的复杂性，反映同类地物光谱 特性的波动情况； • 统计性：指选择的训练样区内 必须有足够多的像元，以保证 由此计算出的类别参数符合统 计规律。
3 监督分类
3.1 3.2 3.3 3.4 3.5 3.6 3.7 平行管道分类 最小距离分类 最大似然分类 马氏距离分类 二值编码分类 光谱角分类 神经网络分类方法（下节课）
3.1 平行管道分类
① 使用简单的分类规则进行多光谱遥感图像的分类。 ② 决策线在n维光谱空间中是一个平行的管道。 ③ 管道的直径根据距离平均值的标准差确定。 ④ 如果某个像元落在某一类的平行管道的阈值范围内， 则划分到该类别中。 ⑤ 如果落在多个类中，ENVI则将这格像元划分到最 后匹配的类别。 ⑥ 落不到任何管道中，则标识为未分类像元。
n:图像波段总数
1.4 计算机图象分类（续2）
目视解译和计算机图象分类的对比
特征点集群在特征空间中的分布
理想情况——不同类别地特的集群 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。 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。
遥感专题分类的方法主要有人工目视解译和计算机自动分类。
目视解译是计算机自动分类的基础。
1.3 人工目视解译
目视解译的主要方法
1) 直接判定法 解译人员根据遥感图像上可以用肉眼直接观测到的标志如色调、形状、 阴影、纹理结构、大小、位置、相关布局等建立“模式图像” 或称做直接 解译标志，来确定地物的存在和属性，比如河流、房屋，铁路等都可以直接 判定。
N为第i特征的特征值总个数 表示第i 特征第k个特征值
像元与像元的相关系数：
像元与像元的相似系数：
欧式距离：
绝对距离：
马氏距离： X到类重心 之间的加权距离，其权系数为多维方差 或协方差.
混合距离：
特征变换和特征选择

特征变换： 特征选择：用最少的影像数据最好地进行分类。 这样就需在这些特征影像中，选择一组最佳的特 征影像进行分类，这就称为特征选择。
3.2 最小距离分类(续1)
3.3 最大似然分类



假设条件：数据符合多维正态分布。如果不符合，分类的 精度将会受到影响。 计算每个像元属于各个类别的似然度（likelihood）,该像 元分到似然度最大的类别中。 似然度是像元数据矢量X 属于类别w 的后验概率。 如果类别w中X的条件概率为P(X /w), 则似然度 Lk的计 算公式为：
分类时，逐个像元进行计算，对每一类进行计算，
3.3 最大似然分类(续1)
3.3 最大似然分类（续2）
3.4 马氏距离分类
di ( xi M i ) ( ) ( xk Mi )
• 这时可采用特征变换使之变成理想情 况进行分类。



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。

地物在特征空间的聚类通常是用特征点（或其相应的随机 矢量）分布的概率密度函数P（X）来表示的。正态分布：
2.1 K-MEANS
在数据空间内平均计算各类的均值，使用最小距离法，将未知像元划分到某一 类中，再调整均值，直到迭代次数满足，或者距离阈值满足。 STEP1: 任意选择K个聚类中心，一般选前K个样本； STEP2: 迭代，未知样本 X 分到距离最近的类中； STEP3: 根据STEP2 的结果，重新计算聚类中心； STEP4: 每一类的像元数目变化达到要求，算法结束。 影响K－均值法的因素：聚类中心数目，初始类中心的选择，样本输入的次序， 数据的几何特性等。 输入参数: Number of class: 要分成几类 Change threshold%(0-100): 如果每一类的像元数目变化小于此数值， 则迭代停止。
1 1 T exp[ ( X M ) S i i ( X M i )] 1/ 2 p/2 2 (2 ) S i
1
均值向量和协方差距阵使用训练区的均值向量和协方差距 阵作为估计值 P:参加分类的特征数，即波段个数 实际使用的判别函数：
1 1 1 g ( X ) ln( P(i )) ln Si ( X M i )T Si ( X M i ) 2 2
•遥感专题分类属于模式识别的范畴。
•模式识别的主要方法有统计模式识别、句法模式识别、模糊识 别和智能模式识别。智能模式识别又分为人工神经网络和逻辑 推理系统。除句法模式识别主要应用于文字、符号、语言的识 别外，其他三种方法在遥感专题分类都有不同程度的使用，其 中统计模式识别方法应用最为普遍。
这些方法在遥感图像专题分类中经常采用两种方案:
输入参数 Max stdev from the mean, 是距离平均值多少个标准差。
3.1 平行管道分类(续1)
3.2 最小距离分类



计算未知像元距离各个类别均值向量的欧 氏距离，将该像元划分到距离最小的类别 中。如果没有没有确定最大的标准差和距 离阈值，则所有的像元都会分类。 输入参数：Max stdev from the mean, 是距离平均值多少个标准差。 Max distance error , 距离的最大阈值 如果两个参数都输入了，ENVI 使用其中小 的作为最终的判别标准。
所关心的类别总数
协方差矩阵
类的先验概率
类间散布矩阵Sb 对于m类别情况，总 的类间散布矩阵可以写成各类别类间散布矩阵的先验概率
类间散布矩阵表示了不同类别间相互散布的程度。
是全体模式的均值向量
2 非监督分类
分类标准的确定不需要人的参与，由计算机根据自 动按照某一标准（例如距离最短）自动进行。需要 确定要分几种类别，或者类似的输入条件。分类后 的结果，还需要再给出具体的涵义。 类似的概念：聚类分析、点群分析、空间集群等。 常用的非监督分类方法： 1） K-MEANS; 2) ISODATA
Lk P(i / X ) P(i ) P( X / i ) / P(i ) ( X / i )
i
类别wi的先验概率，分类图像中类别wi出现的概率 类别wi中像元X出现的概率 不管什么类别， X出现的概率，对于各类类别来说是一个 公共因子，比较的时候不起作用。
P( X / i )
定性的方法 定量的方法
相关系数方法：
分别为类别1和类别2的均值
标准化距离法：
分别为类别1和类别2的标准偏差。
散布矩阵测度
矩阵形式来表示模式类别在特征空间中的散布情况。
1）类内散布矩阵
表示属于某一类别的模式在其均值周围的散布情况，对于 m类别情况，总的类内散布矩阵可以写成各类别类内散布 矩阵的先验概率的加权和。
2 ) 对比分析法 借助于不同时相、不同波段、地面资料进行相互补充，相互验证。
3）逻辑分析法 运用地学规律的相关分析和实际经验，进行逻辑判断。例如根据水系的 分布格局来判断岩性和地貌类型；根据植被的类型来推断土壤类型。逻辑分 析大大开拓了遥感图像所能发挥的作用。
1.4 计算机图象分类
•在自控理论、计算机科学、自动化应用以及其他一些领域基础 上发展起来的模式识别技术是用计算机来模拟人的各种识别能 力，当前主要是对视觉能力和听觉能力的模拟。 •在70年代初期，随着遥感技术和地球资源卫星的发射开始应用 于遥感图像处理方面，奠定了遥感图像分类的数学理论基础。
选定初始类别中心，Zi
输入各迭代限值参数 I, Tn , Tc , Tm 对样本象素时行聚类并统计 nI , MI , 是 Ni<Tn 否？ Ni<Tn 否？