第9章遥感图像分类PPT课件
- 格式：ppt
- 大小：5.30 MB
- 文档页数：84
下载文档原格式
合集下载
遥感数字图像处理教程遥感图像分类课件
第四页，共95页幻灯片
B5
水 B7
地物与光谱特征空间的关系
第五页，共95页幻灯片
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:
Bj
理想情况——不同类别 植被
的点的集群至少在一个
特征子空间中的投影是
完全可以相互区分开的。 Bi
第六页，共95页幻灯片
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。
分类过程
原始影像数据的准备 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
第三十五页，共95页幻灯片
一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。 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决函数。
哈达玛矩阵为一个对称的正 交矩阵，其变换核为 H’
由哈达玛变换核可知，哈达 玛变换实际是将坐标轴旋 转了45℃的正交变换
第二十页，共95页幻灯片
哈达玛矩阵的维数N总是2的倍数，即N=2m
（m=1
，2……）
其中m称为矩阵的阶，每个高阶哈达玛矩阵都由其低一阶
的哈达玛矩阵按如下
取二阶哈达玛变换矩阵
第二十一页，共95页幻灯片
分类目的:
将图象中所有像元自动地进行土地覆盖专题分类
原始遥感图像
分类的依据是什么?
对应的专题图像
B5
水 B7
地物与光谱特征空间的关系
第五页，共95页幻灯片
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:
Bj
理想情况——不同类别 植被
的点的集群至少在一个
特征子空间中的投影是
完全可以相互区分开的。 Bi
第六页，共95页幻灯片
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。
分类过程
原始影像数据的准备 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
第三十五页，共95页幻灯片
一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。 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决函数。
哈达玛矩阵为一个对称的正 交矩阵，其变换核为 H’
由哈达玛变换核可知，哈达 玛变换实际是将坐标轴旋 转了45℃的正交变换
第二十页，共95页幻灯片
哈达玛矩阵的维数N总是2的倍数，即N=2m
（m=1
，2……）
其中m称为矩阵的阶，每个高阶哈达玛矩阵都由其低一阶
的哈达玛矩阵按如下
取二阶哈达玛变换矩阵
第二十一页，共95页幻灯片
分类目的:
将图象中所有像元自动地进行土地覆盖专题分类
原始遥感图像
分类的依据是什么?
对应的专题图像
第9章遥感图像分类PPT课件
第6页/共24页
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。
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
特征变换
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
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
第九章-遥感图像目视判读ppt课件
核实解决疑难；检查成果精度；其他 野外工作；
制图；提交成果；
.
9
航空像片的判读
航空像片一般用摄影的方法获得，航高在10km以内的 对流层。 目前常用的航空像片类型为彩色红外像片。 航空像片的比例尺大、分辨率高，常用直接判读法和对 比分析法。 一般依据航片上地物的形状和色彩就可判读地物属性。 航空像片主要应用在城市遥感中。
2.遥感图像地物识别特征有哪些？ 3.影响遥感图像目视解译的因素有哪些？ 4.遥感图像目视解译的标志有哪些？ 5.遥感图像目视解译方法有哪些？基本步
骤是什么？ 6.举例说明遥感图像目视判读过程和方法。
.
24
.
25
实习 卫星图像判读实习
内容：
❖ 判读一幅当地TM彩色合成图像，判读出水体、城镇 居民地、道路等，用ERDAS软件分层解译出各地物 类型；
信息提取的方法有：
❖ 目视判读法：是目前常用的方法。
❖ 计算机分类法：有监督分类、非监督分类、模式识 别、神经网络分类、分形分ቤተ መጻሕፍቲ ባይዱ、模糊分类、人工智 能等数据挖掘技术方法。
.
2
9.1 目视判读原理
一、一般概念与图像判读过程
定义：遥感图像是探测目标地物综合信息的最直观、最丰 富的载体，人们运用丰富的专业背景知识，通过肉眼观察， 经过综合分析、逻辑推理、验证检查把这些信息提取和解 析出来的过程叫目视判读。
综合、逻辑推理法：根据地学规律，分析地物之间的内在必然分 布规律，由某种地物推断出另一种地物的存在及属性。如由植被 类型可推断出土壤的类型，根据建筑密度可判断人口规模等。
地理相关分析法
信息复合法
.
8
二、遥感影像判读步骤
准备工作 室内判读 野外工作
制图；提交成果；
.
9
航空像片的判读
航空像片一般用摄影的方法获得，航高在10km以内的 对流层。 目前常用的航空像片类型为彩色红外像片。 航空像片的比例尺大、分辨率高，常用直接判读法和对 比分析法。 一般依据航片上地物的形状和色彩就可判读地物属性。 航空像片主要应用在城市遥感中。
2.遥感图像地物识别特征有哪些？ 3.影响遥感图像目视解译的因素有哪些？ 4.遥感图像目视解译的标志有哪些？ 5.遥感图像目视解译方法有哪些？基本步
骤是什么？ 6.举例说明遥感图像目视判读过程和方法。
.
24
.
25
实习 卫星图像判读实习
内容：
❖ 判读一幅当地TM彩色合成图像，判读出水体、城镇 居民地、道路等，用ERDAS软件分层解译出各地物 类型；
信息提取的方法有：
❖ 目视判读法：是目前常用的方法。
❖ 计算机分类法：有监督分类、非监督分类、模式识 别、神经网络分类、分形分ቤተ መጻሕፍቲ ባይዱ、模糊分类、人工智 能等数据挖掘技术方法。
.
2
9.1 目视判读原理
一、一般概念与图像判读过程
定义：遥感图像是探测目标地物综合信息的最直观、最丰 富的载体，人们运用丰富的专业背景知识，通过肉眼观察， 经过综合分析、逻辑推理、验证检查把这些信息提取和解 析出来的过程叫目视判读。
综合、逻辑推理法：根据地学规律，分析地物之间的内在必然分 布规律，由某种地物推断出另一种地物的存在及属性。如由植被 类型可推断出土壤的类型，根据建筑密度可判断人口规模等。
地理相关分析法
信息复合法
.
8
二、遥感影像判读步骤
准备工作 室内判读 野外工作
遥感图像分类 PPT
大家应该也有点累了，稍作休息
大家有疑问的，可以询问和交流
基于光谱特征的分类原理
✓ 遥感图像计算机分类的依据是遥感图像像素的相似度。
常使用距离和相关系数来衡量相似度。
➢采用距离衡量相似度时，距离越小相似度越大。 ➢采用相关系数衡量相似度时，相关程度越大，相似
度越大。
➢ 监督分类法：选择具有代表性的典型实验区或训练区， 用训练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，并以此 对未知地区的像元进行分类处理，分别归入到已知的类 别中。
对象合并准则
在初始分割基础上，通过将 初始影像对象逐步合并为较 大的对象来实现多尺度对象 的构建，对象合并的停止条 件是由其尺度准则决定的
fw vah lvuael uw esh h aspheape
h va luw e c ( n 1 (m c1 c ) n 2 (m c2 c ))
c
收集现场信息 在屏训练数据多边形选择 在屏训练数据的种子选择
获取每个感兴趣类在各波段上的训练统计量后，必 须确定能最有效区分各种类的波段
方法： 统计分析方法 图形分析方法
距离作为判别准则，根据像点到各类中心的距离来判别分类
距离式
p
Dj (xi Mij)2 i1
p
Dj | xi Mij | i1
输入影像
设置分割参数 (尺度阈值、光谱形状特征权值)
第 1 次分割 (基于影像像元层的分割)
否 f≤s
是 第 n(n≥2) 次分割 (基于影像对象层的分割)
对象多边形的生成 分割结果
尺度空间内影像对象构建
• 考虑遥感、高程、专题矢量图层等多源信息的构建模型 • 多种约束的基元构建方法保证基元的准确性 • 阈值控制基元所在尺度层次
遥感图像类型与特性PPT课件
3.投影性质 动态多中心投影
（385个投影中心）
185 km
480 m
185 km
动态多中心投影的影像亦存在像点位移。像 点位移的大小与卫星平台运行高度、地表起伏高 差以及扫描角有关。
由于卫星平台运行高度较高，总扫描角较小 （11.56°），所以当地表相对高差较小且成图精 度要求不高时，可将图像近似看作是垂直投影 （正射投影）。当成图精度要求较高时（如 TM 1 : 5万成图），应根据DEM进行几何精校正。
像元
像元数目：
TM 1-5、7 6166×6166
TM 6
1542×1542
像元大小（对应地面面积）：
TM 1-5、7 30m×30m
TM 6
120m×120m
像元是在扫描成像过程中通过采样而形成的 采样点，是扫描影像中最小可分辨面积，也是进 行计算机处理时的最基本单元。
② 量化
图像函数数值离散化
Landsat/TM
（专题制图仪）
TM1 0.45～0.52 μm （30m）
Landsat/MSS
（多光谱扫描仪）
————
TM2 0.52～0.60 μm （30m） MSS4 0.5～0.6 μm （79m）
TM3 0.63～0.69 μm （30m） MSS5 0.6～0.7 μm （79m）
按遥感器成像方式和工作波段划分常规摄影像片非常规摄影像片光机扫描图像固体自扫描图像天线扫描图像黑白全色像片可见光天然彩色像片可见光黑白红外像片近红外彩色红外像片部分可见光近红外紫外像片紫外多波段像片紫外近红外全景像片可见光近红外红外扫描图像中热远红外多波段扫描图像紫外远红外超多波段扫描图像可见光远红外固体自扫描图像可见光近红外成像雷达图像微波航空摄影像片航天摄影像片热红外图像landsattm图像成像波谱仪图像spothrv图像sar图像1
遥感数字图像处理第九章 遥感图像分类
gi ( x) p(wi | x) p(wi x) p(wi | x) p( x) p( x | wi ) p(wi ) gi ( x) p(wi | x) p( x | wi ) p(wi ) / p( x)
对于同一个像素来说，p(x)是相同的，因此可以约掉
最大似然方法
训练区：已知类别的区域，用于训练分类算法
样本区域类别的确定：实地观测，航片解译、 地图分析、个人经验等
监督分类的步骤
(1)提取样本区的光谱特性 (2)确定判别准则(最小距离？)，生成判别函数 (3)将类型未知的样本值代入到判别函数中，根 据函数值对样本进行分类
样本区的选择
样本区类型：点、线、面 样本区的选择： 具有代表性(典型性) 时间或空间上的一致性 像元要足够多
A.图像预处理
确定工作范围 多源图像的几何配准 噪声处理 辐射校正 几何精校正 多图像融和（高空间分辨率和高光谱分辨率的图像）
C.特征选择和提取
特征：用于测量的属性 特征选择：变量：数据
波段数据、波段代数运算后的数据 图像变换之后的数据 非遥感图像数据
特征提取：地物光谱与图像亮度的先验关系
可分性、可靠性、独立性、数量少
XY ( X ) (Y )
2 2
p
பைடு நூலகம்
p
分类方法
(1)监督分类 (2)非监督分类 (3)其它的综合性分类方法:
模糊聚类、神经网络、决策树、专家系统分类、面 向对象的分类
工作流程
A.图像预处理 B.选择分类方法 C.特征选择和提取 D.选择合适的分类参数进行分类 E.分类后处理 F.成果输出
平行管道方法(盒式分类器,平行六面体分类器)
分类原理：每个训练区的样本的特征向量生成一个盒子，盒子 的中心为均值向量，边界为标准差的倍数(1、2、1.73等)。未 分类的向量落到哪个盒子就属于哪个类，即
- 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)。
d k 2 (x k )T k 1 (x k )
协方差矩阵
18
☺ 马氏距离公式
d i( x k ) ( x k M i) T ( i) 1 ( x k M i)
xk(xk1,xk2,,xkn)T
M i(M i1,M i2,,M in )T
i集群的协方差矩阵
11 12 1n
i
21
24
☺ 可分性 ☺ 可靠性 ☺ 独立性 ☺ 数量少
特征选取
☺ 波段选择、特征变换
25
☺ 非监督分类 ☺ 监督分类
分类
26
☺ 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、纹理等特征。 分类方法包括监督分类和非监督分类。 ☺ 监督分类方法。首先需要从研究区域选取有代表性 的训练区作为样本。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其它像元的归属类别。主要方 法有最小距离分类法、多级切割分类法、特征曲线 窗口法、最大似然比分类法等
✓ 遥感影像信息量丰富，与一般的图像相比，其包容 的内容远比普通的图像多，因而内容非常“拥挤”。 不同地物间信息的相互影响与干扰使得要提取出感 兴趣的目标变得非常困难。
✓ 遥感图像的地域性、季节性和不同成像方式更增加 了计算机对遥感数字图像进行解译的难度。
4
由于利用遥感图像可以客观、真实和快速 地获取地球表层信息，这些现势性很强的 遥感数据在自然资源调查与评价、环境监 测、自然灾害评估与军事侦察上具有广泛 应用前景。因此，利用计算机进行遥感图 像智能化解译，快速获取地表不同专题信 息，并利用这些专题信息迅速地更新地理 数据库，这是实现遥感图像自动理解的基 础研究之一，也是地理信息系统中数据采 集自动化研究的一个方向，因此具有重要 的理论意义和应用前景。
第9章 遥感图像分类
1
整体 概述
一 请在这里输入您的主要叙述内容
二
请在这里输入您的主要 叙述内容
三 请在这里输入您的主要叙述内容
2
☺ 遥感图象计算机分类
遥感图像计算机分类以遥感数字图像为 研究对象，在计算机系统支持下，综合 运用地学分析、遥感图像处理、地理信 息系统、模式识别与人工智能技术，实 现地学专题信息的智能化获取。其基本 目标是将人工目视解译遥感图像发展为 计算机支持下的遥感图像理解。
3
☺ 遥感图象计算机分类特点
利用计算机对遥感数字图像进行分类难度很大。
✓ 遥感图像是从遥远的高空成像的，成像过程要受传 感器、大气条件、太阳位置等多种因素的影响。影 像中所提供的目标地物信息不仅不完全，而且或多 或少地带有噪声，因此人们需要从不完全的信息中 尽可能精确地提取出地表场景中感兴趣的目标物。
31
☺ 非监督分类方法。 是在没有先验类别（训练区）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。
(xkj xj )2
k1
k1
均值
像元i的第k个分量
21
☺ 工作流程
原始图像的预处理 选择分类方法
特征选择特征提取 分类
分类后处理--检验结果 成果输出
22
23
图像预处理
☺ 确定工作范围：剪裁图像---矩形子图像， 图像掩膜---多边形内的图像。
☺ 多源图像的几何配准 ☺ 噪声处理 ☺ 辐射校正 ☺ 几何精纠正 ☺ 多图像融合
5
基本原理
同类地物在相同条件下（光照、 地形等）应该具有相同或相似的光 谱信息和空间特征信息。不同类地 物之间具有差异。根据这种差异， 将图像中的所有像素按其性质分为 若干个类别（class）的过程，称 为图像的分类.
6
7
☺光谱特征
空间特征
8
☺ 遥感图象光谱特征
不同地物在同一波段上的亮度互不相同； 不同地物在不同波段上的亮度规律不同； 同物异谱； 异物同谱；
像元k在j波段的值 类别i的在j波段均值
16
2. 欧氏距离
像元数据矢量 类别k的平均值矢量
n
2
di (xk) (xkjMij)
j1
距 离 分 类 原 理 图
17
3.马氏距离（Mahalanobis）：总体分布除了轴 向上离散度不同以外，在各轴之间往往还存在 相关性。在考虑离散度的同时，也考虑到各轴 间的总体分布的相关（协方差）来进行校正的 距离叫马氏距离。是一种加权的欧式距离。
27
☺ 非监督分类方法。 是在没有先验类别（训练区）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。
28
分类后处理
☺ 处理零星的异类
29
结果检验
☺ 对分类精度进行可靠性检验、评定
30
结果输出
☺ 设置投影、比例尺、图例等制作成专题图
14
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。在遥感图像分类过程中， 常使用距离和相关系数来衡量相似度。
距离:特征空间中象元数据和分类类别特 征的相似程度。距离最小即相似程度最大。
度量特征空间中的距离经常采用以下几 种算法:
15
1.绝对值距离(等权、等混合 距离)
n
di(xk) xkjMij j1
9
光谱特征向量
X[x1,x2,,xn]T
10
地物与光谱特征空间的关系
11
遥感图像分类算法的核心是确定判别函数 fAB(x)和相应的判别准则。
12
☺ 判别函数
模式识别系统最主要的功能是对要识别 的对象的类别进行判别。Байду номын сангаас要确定一定 的判别规则,即判别函数和相关的比较运 算关系.
13
分类方法
☺ 监督分类：事先已知类别的部分信息 ☺ 非监督分类：事先没有类别的先验信息 ☺ 硬分类：一个像素分为一类 ☺ 软分类：一个像素分为多个类---混合像素
22
2n
n1 n2 nn
19
欧氏距离的加权，通过协方差矩阵来 考虑变量之间的相关性的。
20
☺ 相关系数
是指像素间的关联程度。采用相关系数衡量相 似度时，相关系数越大，相似度越大。两个像 素之间的相关系数rij可以定义为：
rij
n
(xki xi )(xkj xj )
k1
n
n
(xki xi )2
协方差矩阵
18
☺ 马氏距离公式
d i( x k ) ( x k M i) T ( i) 1 ( x k M i)
xk(xk1,xk2,,xkn)T
M i(M i1,M i2,,M in )T
i集群的协方差矩阵
11 12 1n
i
21
24
☺ 可分性 ☺ 可靠性 ☺ 独立性 ☺ 数量少
特征选取
☺ 波段选择、特征变换
25
☺ 非监督分类 ☺ 监督分类
分类
26
☺ 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、纹理等特征。 分类方法包括监督分类和非监督分类。 ☺ 监督分类方法。首先需要从研究区域选取有代表性 的训练区作为样本。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其它像元的归属类别。主要方 法有最小距离分类法、多级切割分类法、特征曲线 窗口法、最大似然比分类法等
✓ 遥感影像信息量丰富，与一般的图像相比，其包容 的内容远比普通的图像多，因而内容非常“拥挤”。 不同地物间信息的相互影响与干扰使得要提取出感 兴趣的目标变得非常困难。
✓ 遥感图像的地域性、季节性和不同成像方式更增加 了计算机对遥感数字图像进行解译的难度。
4
由于利用遥感图像可以客观、真实和快速 地获取地球表层信息，这些现势性很强的 遥感数据在自然资源调查与评价、环境监 测、自然灾害评估与军事侦察上具有广泛 应用前景。因此，利用计算机进行遥感图 像智能化解译，快速获取地表不同专题信 息，并利用这些专题信息迅速地更新地理 数据库，这是实现遥感图像自动理解的基 础研究之一，也是地理信息系统中数据采 集自动化研究的一个方向，因此具有重要 的理论意义和应用前景。
第9章 遥感图像分类
1
整体 概述
一 请在这里输入您的主要叙述内容
二
请在这里输入您的主要 叙述内容
三 请在这里输入您的主要叙述内容
2
☺ 遥感图象计算机分类
遥感图像计算机分类以遥感数字图像为 研究对象，在计算机系统支持下，综合 运用地学分析、遥感图像处理、地理信 息系统、模式识别与人工智能技术，实 现地学专题信息的智能化获取。其基本 目标是将人工目视解译遥感图像发展为 计算机支持下的遥感图像理解。
3
☺ 遥感图象计算机分类特点
利用计算机对遥感数字图像进行分类难度很大。
✓ 遥感图像是从遥远的高空成像的，成像过程要受传 感器、大气条件、太阳位置等多种因素的影响。影 像中所提供的目标地物信息不仅不完全，而且或多 或少地带有噪声，因此人们需要从不完全的信息中 尽可能精确地提取出地表场景中感兴趣的目标物。
31
☺ 非监督分类方法。 是在没有先验类别（训练区）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。
(xkj xj )2
k1
k1
均值
像元i的第k个分量
21
☺ 工作流程
原始图像的预处理 选择分类方法
特征选择特征提取 分类
分类后处理--检验结果 成果输出
22
23
图像预处理
☺ 确定工作范围：剪裁图像---矩形子图像， 图像掩膜---多边形内的图像。
☺ 多源图像的几何配准 ☺ 噪声处理 ☺ 辐射校正 ☺ 几何精纠正 ☺ 多图像融合
5
基本原理
同类地物在相同条件下（光照、 地形等）应该具有相同或相似的光 谱信息和空间特征信息。不同类地 物之间具有差异。根据这种差异， 将图像中的所有像素按其性质分为 若干个类别（class）的过程，称 为图像的分类.
6
7
☺光谱特征
空间特征
8
☺ 遥感图象光谱特征
不同地物在同一波段上的亮度互不相同； 不同地物在不同波段上的亮度规律不同； 同物异谱； 异物同谱；
像元k在j波段的值 类别i的在j波段均值
16
2. 欧氏距离
像元数据矢量 类别k的平均值矢量
n
2
di (xk) (xkjMij)
j1
距 离 分 类 原 理 图
17
3.马氏距离（Mahalanobis）：总体分布除了轴 向上离散度不同以外，在各轴之间往往还存在 相关性。在考虑离散度的同时，也考虑到各轴 间的总体分布的相关（协方差）来进行校正的 距离叫马氏距离。是一种加权的欧式距离。
27
☺ 非监督分类方法。 是在没有先验类别（训练区）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。
28
分类后处理
☺ 处理零星的异类
29
结果检验
☺ 对分类精度进行可靠性检验、评定
30
结果输出
☺ 设置投影、比例尺、图例等制作成专题图
14
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。在遥感图像分类过程中， 常使用距离和相关系数来衡量相似度。
距离:特征空间中象元数据和分类类别特 征的相似程度。距离最小即相似程度最大。
度量特征空间中的距离经常采用以下几 种算法:
15
1.绝对值距离(等权、等混合 距离)
n
di(xk) xkjMij j1
9
光谱特征向量
X[x1,x2,,xn]T
10
地物与光谱特征空间的关系
11
遥感图像分类算法的核心是确定判别函数 fAB(x)和相应的判别准则。
12
☺ 判别函数
模式识别系统最主要的功能是对要识别 的对象的类别进行判别。Байду номын сангаас要确定一定 的判别规则,即判别函数和相关的比较运 算关系.
13
分类方法
☺ 监督分类：事先已知类别的部分信息 ☺ 非监督分类：事先没有类别的先验信息 ☺ 硬分类：一个像素分为一类 ☺ 软分类：一个像素分为多个类---混合像素
22
2n
n1 n2 nn
19
欧氏距离的加权，通过协方差矩阵来 考虑变量之间的相关性的。
20
☺ 相关系数
是指像素间的关联程度。采用相关系数衡量相 似度时，相关系数越大，相似度越大。两个像 素之间的相关系数rij可以定义为：
rij
n
(xki xi )(xkj xj )
k1
n
n
(xki xi )2