第六章遙感圖像的計算機分類第六章遙感圖像的計算機分類1理解遙感圖像計算機分類的一般原理和常用的判別函數(shù)掌握傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類方法，以及分類中的輔助處理技術(shù)了解計算機分類的新方法教學(xué)目的理解遙感圖像計算機分類的一般原理和常用的判別函數(shù)教學(xué)目的2遙感圖像計算機分類的一般原理判別函數(shù)非監(jiān)督分類監(jiān)督分類光譜特征分類中的輔助處理技術(shù)計算機分類新方法雷達遙感圖像分類新方法教學(xué)提綱遙感圖像計算機分類的一般原理教學(xué)提綱3§1遙感圖像計算機分類的一般原理概述計算機分類的基本原理計算機分類處理的一般過程§1遙感圖像計算機分類的一般原理概述4一、概述遙感圖像的解譯

通過對遙感圖像所提供的各種識別目標(biāo)的特征信息進行分析、推理與判斷，從而識別目標(biāo)或現(xiàn)象的過程目視方法

憑著光譜規(guī)律、地學(xué)規(guī)律和解譯者的經(jīng)驗從影像的亮度、色調(diào)、位置、時間、紋理、結(jié)構(gòu)等特征推出地面的景物類型計算機方法

利用計算機模式識別技術(shù)對遙感圖像上的信息進行屬性的識別和分類一、概述遙感圖像的解譯5一、概述光譜特征概念 地物電磁波輻射的多波段測量值，通常以地物多光譜圖像上的亮度體現(xiàn)遙感圖像分類的主要依據(jù)

不同的地物在同一波段圖像上表現(xiàn)的亮度一般互不相同；同時，不同的地物在多個波段圖像上亮度的呈現(xiàn)規(guī)律也不同(example）一、概述光譜特征6一、概述地物反射率差異圖

若按照地物類別聚集的規(guī)律把多光譜空間劃分為若干個子空間，每一個子空間包含一個類別，就可以把圖像中未知像元進行分類，分配到各自的子空間中一、概述地物反射率差異圖若按照地物類別7一、概述相關(guān)概念光譜類別 完全按照光譜特征在多光譜空間內(nèi)聚集的類別信息類別 與地面實際景物對應(yīng)的類別同物異譜 同一種地物包含幾種光譜類別異物同譜 同一種光譜類別中有不同的信息類別一、概述相關(guān)概念8一、概述遙感圖像的計算機分類概念

～將圖像中每一個像元點或區(qū)域歸屬于若干個類別中的一類，或若干個專題要素中的一種，完成將圖像數(shù)據(jù)從二維灰度空間轉(zhuǎn)換到目標(biāo)模式空間的工作分類統(tǒng)計模式方法——傳統(tǒng)方法 句法模式方法——新方法

一、概述遙感圖像的計算機分類9一、概述相關(guān)概念監(jiān)督分類和非監(jiān)督分類監(jiān)督分類 基于對于遙感圖像上樣本區(qū)內(nèi)的地物的類屬已有先驗知識，以已知樣本的特征作為依據(jù)判斷非樣本數(shù)據(jù)的類別非監(jiān)督分類

遙感圖像地物的屬性不具有先驗知識，純粹依靠不同光譜數(shù)據(jù)組合在統(tǒng)計上的差別進行“盲目分類”,分類結(jié)果并不確定類別的屬性一、概述相關(guān)概念10一、概述分類處理與增強處理共同點 增強和提取遙感圖像中的目標(biāo)信息異同點增強主要是增強圖像的目視效果，提高圖像的可解譯性——定性分類著眼于地物類別的區(qū)別——定量一、概述分類處理與增強處理11一、概述遙感圖像分類處理的特點

多變量特征選擇 有選擇地去除多光譜圖像中對分類貢獻不大的波段，從而確定分類的信息源的過程

特征 分類時所使用的波段或波段組合特征參數(shù) 選擇出來的，新的對于表示類別可分性更為有效的變量

特征空間 特征參數(shù)組成的空間一、概述遙感圖像分類處理的特點12二、計算機分類的基本原理相關(guān)概念像元的特征值

每個波段上灰度值構(gòu)成的矢量特征空間

包含X的的n維空間模式

圖像中某一類目標(biāo)樣本

屬于某類別的像素樣本觀測值

樣本的多光譜矢量波段1波段2…波段n多光譜圖像二、計算機分類的基本原理相關(guān)概念波段1多光譜圖像13二、計算機分類的基本原理基本原理

多光譜圖像和特征空間中的點集具有等價關(guān)系。通常同一類地面目標(biāo)的光譜特性比較接近，在特征空間中的點聚集在該類的中心附近，多類目標(biāo)在特征空間中形成多個點族（example）二、計算機分類的基本原理基本原理14二、計算機分類的基本原理多光譜圖像分類原理設(shè)圖像上有兩類目標(biāo)ωA、ωB判別準(zhǔn)則為：遙感圖像分類算法的核心就是確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則fAB(X)＝0二、計算機分類的基本原理多光譜圖像分類原理設(shè)圖像上有兩類目標(biāo)15三、計算機分類處理的一般過程原始圖像的預(yù)處理訓(xùn)練區(qū)的選擇特征選擇和特征提取分類檢驗結(jié)果結(jié)果輸出原始圖像預(yù)處理訓(xùn)練區(qū)的選擇特征選擇和特征提取圖像分類運算檢驗結(jié)果結(jié)果輸出三、計算機分類處理的一般過程原始圖像的預(yù)處理訓(xùn)練區(qū)的選擇特征16三、計算機分類處理的一般過程原始圖像的預(yù)處理

對觀測數(shù)據(jù)作成像處理，以及圖像的幾何校正、輻射校正、量化、采樣、預(yù)濾波、去噪聲等處理，以便獲得一幅比較清晰、對比度強、位置準(zhǔn)確的圖像提高分類精度三、計算機分類處理的一般過程原始圖像的預(yù)處理17三、計算機分類處理的一般過程訓(xùn)練區(qū)的選擇要求

普遍性、代表性方法實地調(diào)查借助地圖、航片或其他專題資料非監(jiān)督分類三、計算機分類處理的一般過程訓(xùn)練區(qū)的選擇18水田平原水田丘陵水田山區(qū)水田景觀相片遙感影像水田平原水田丘陵水田山區(qū)水田景觀相片遙感影像19平原旱地山區(qū)旱地景觀相片遙感影像丘陵旱地旱地平原旱地山區(qū)旱地景觀相片遙感影像丘陵旱地旱地20有林地景觀相片遙感影像疏林地灌木林地林地有林地景觀相片遙感影像疏林地灌木林地林地21低覆蓋度草地中覆蓋度草地高覆蓋度草地景觀相片遙感影像草地低覆蓋度草地中覆蓋度草地高覆蓋度草地景觀相片遙感影像草22河渠冰川及永久性積雪水庫坑塘湖泊河灘地水域河渠冰川及永久性積雪水庫坑塘湖泊河灘地水域23城鎮(zhèn)用地農(nóng)村居民用地工礦和交通用地景觀相片遙感影像城鎮(zhèn)及工礦用地城鎮(zhèn)用地農(nóng)村居民用地工礦和交通用地景觀相片遙感影像城鎮(zhèn)及工礦24鹽堿地沙地戈壁沼澤地裸土地裸巖其他未利用土地景觀相片遙感影像景觀相片遙感影像鹽堿地沙地戈壁沼澤地裸土地裸巖其他未利用土地景觀相片遙感25三、計算機分類處理的一般過程特征選擇與特征提取特征選擇（featureselection）

從眾多特征中挑選出可以參加分類運算的若干特征特征提?。╢eatureextraction）

在特征選擇后，利用特征提取算法從原始特征中求出最能反映其類別特性的一組新特征，完成樣本空間到特征空間的轉(zhuǎn)換

數(shù)據(jù)壓縮、提高不同類別特征之間的可區(qū)分性三、計算機分類處理的一般過程特征選擇與特征提取26三、計算機分類處理的一般過程圖像分類運算——核心階段

根據(jù)影像特點和分類目的設(shè)計或選擇恰當(dāng)?shù)姆诸惼骷捌渑袆e準(zhǔn)則，對特征矢量進行劃分，完成分類工作檢驗結(jié)果

分類精度和可靠性評價結(jié)果輸出

結(jié)果圖像的輸出和分類結(jié)果的統(tǒng)計值三、計算機分類處理的一般過程圖像分類運算——核心階段27§2判別函數(shù)距離判別函數(shù)最大似然法判別函數(shù)§2判別函數(shù)距離判別函數(shù)28一、距離判別函數(shù)前提

地物光譜特征在特征空間中按集群方式分布原理

已知各類別集群的中心位置Mi（均值），計算光譜特征空間中任一點k到各類的距離（i＝1，2，…，n）

若則k?i類；否則k?j類

一、距離判別函數(shù)前提29一、距離判別函數(shù)常用的距離判別函數(shù)閔氏距離絕對值距離歐幾里德距離馬哈拉諾比斯距離一、距離判別函數(shù)常用的距離判別函數(shù)30一、距離判別函數(shù)絕對值距離（出租汽車距離、 城市塊距離、等混合距離）

式中為距離；j為波段序號；總波段數(shù)為n，i為類別號，xkj為k像元在j波段的亮度值；

Mij為均值A(chǔ)(xA,yA)B(xB,yB)yx特點：各特征參數(shù)以等權(quán)參與，計算簡單一、距離判別函數(shù)絕對值距離（出租汽車距離、A(xA,yA)B31一、距離判別函數(shù)歐幾里德距離（歐氏距離）

特點：各特征參數(shù)等權(quán)yA(xA,yA)B(xB,yB)x一、距離判別函數(shù)歐幾里德距離（歐氏距離）yA(xA,yA)B32一、距離判別函數(shù)注意閔氏距離與特征參數(shù)的量綱有關(guān) 量綱不同時可以通過用標(biāo)準(zhǔn)差或級差標(biāo)準(zhǔn)化的方法解決閔氏距離沒有考慮特征參數(shù)間的相關(guān)性一、距離判別函數(shù)注意33一、距離判別函數(shù)馬哈拉諾比斯距離（馬氏距離） 式中，

∑i為I集群的協(xié)方差矩陣，其協(xié)方差為一、距離判別函數(shù)馬哈拉諾比斯距離（馬氏距離）34一、距離判別函數(shù)DBDAKMBMAx2x1

特點：是一種加權(quán)的歐氏距離，通過協(xié)方差矩陣來考慮變量相關(guān)性 當(dāng)∑＝I時，為歐式距離的平方一、距離判別函數(shù)DBDAKMBMAx2x1 特點：是一種加權(quán)35二、最大似然法判別函數(shù)最大似然判別規(guī)則前提

各類的分布為正態(tài)函數(shù)依據(jù)

貝葉斯(Bayes)公式判別函數(shù)判別規(guī)則

式中，——

似然概率——

先驗概率

——

后驗概率——X出現(xiàn)的概率二、最大似然法判別函數(shù)最大似然判別規(guī)則36二、最大似然法判別函數(shù)正態(tài)分布多變量概率密度函數(shù)

式中二、最大似然法判別函數(shù)正態(tài)分布37二、最大似然法判別函數(shù)判別函數(shù)判別規(guī)則判別邊界二、最大似然法判別函數(shù)判別函數(shù)38概念

～是在沒有先驗類別知識(訓(xùn)練場地)的情況下，根據(jù)圖像本身的統(tǒng)計特征及自然點群的分布情況來劃分地物類別的分類處理，也叫做“邊學(xué)習(xí)邊分類法”理論依據(jù)

遙感圖像上的同類地物在相同的表面結(jié)構(gòu)特征、植被覆蓋、光照等條件下，一般具有相同或相近的光譜特征，從而表現(xiàn)出某種內(nèi)在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光譜信息特征不同，歸屬于不同的光譜空間區(qū)域方法

聚類分析§3非監(jiān)督分類概念§3非監(jiān)督分類39§3非監(jiān)督分類主要過程

確定初始類別參數(shù)（類別數(shù)、集群中心）計算每個像元Xk到各集群中心j的距離dkj集群中心是否變化計算新的集群中心dki＝Min(dkj)Xk?第i類結(jié)束YN§3非監(jiān)督分類主要過程確定初始類別參數(shù)計算每個像元Xk到各集40§3非監(jiān)督分類初始類別參數(shù)的選定ISODATA法K-Mean算法應(yīng)用舉例§3非監(jiān)督分類初始類別參數(shù)的選定41一、初始類別參數(shù)的選定初始類別參數(shù)

基準(zhǔn)類別集群中心（數(shù)學(xué)期望Mi），集群分布的協(xié)方差矩陣∑i選定方法

像素光譜特征的比較法總體直方圖均勻定心法最大最小距離選心法局部直方圖峰值定心法一、初始類別參數(shù)的選定初始類別參數(shù)42一、初始類別參數(shù)的選定定義一個抽樣集選定一個像素作為第1個類別作為該類的成員相似？其它像素與已建立的類別比較計算類別參數(shù)YN作為新的類別所有像素或按一定間隔抽樣的像素設(shè)定閾值像素光譜特征的比較法一、初始類別參數(shù)的選定定義一個抽樣集選定一個像素作為該類的成43一、初始類別參數(shù)的選定總體直方圖均勻定心法

設(shè)總體直方圖的均值和方差分別為和其中 每個類別初始類別集群中心位置一、初始類別參數(shù)的選定總體直方圖均勻定心法44一、初始類別參數(shù)的選定最大最小距離選心法原則 使各初始類別之間，盡可能地保持遠距離過程一、初始類別參數(shù)的選定最大最小距離選心法45一、初始類別參數(shù)的選定定義一個抽樣集選定一個像素X1作為第一個初始類別中心Z1Xj作為第2個初始類別中心Z2D1j=Max(D1i)計算X1與其它抽樣點Xi距離D1i結(jié)束Y計算剩余抽樣點Xk到已建立的初始類別中心m距離dkmdk＝Min(dkm)dj=max(dk)Xj作為新類別達到需要的類別數(shù)YN一、初始類別參數(shù)的選定定義一個抽樣集選定一個像素X1Xj作為46一、初始類別參數(shù)的選定與光譜特征相似法相比，具有不受閾值選定影響的好處與總體直方圖均勻定心法相比，具有更接近實際各類集群分布位置狀況的優(yōu)點example一、初始類別參數(shù)的選定與光譜特征相似法相比，具有不受閾值選定47局部直方圖峰值定心法基本原理

每個類別的集群中心一般位于本類別直方圖的峰值位置，而在該位置處的總體直方圖往往會出現(xiàn)局部峰值基本過程一、初始類別參數(shù)的選定獲取圖像數(shù)據(jù)抽樣集建立總體直方圖搜索直方圖局部峰值局部直方圖峰值定心法一、初始類別參數(shù)的選定獲取圖像數(shù)據(jù)抽樣集48一、初始類別參數(shù)的選定注意為了減少數(shù)據(jù)量，通常按一定距離間隔的取樣方式來獲得圖像的抽樣數(shù)據(jù)集為了保證被抽樣的像素亮度為非噪聲亮度，可以選定一個“純度”閾值，當(dāng)抽樣像素亮度與周圍像素亮度之差別超出該純度閾值時，把該像素摒棄為了減少直方圖的存儲量，可采取以下措施限定直方圖各維亮度的取值范圍用亮度分辨力K把直方圖分切為一系列直方圖局部單元一、初始類別參數(shù)的選定注意49二、ISODATA法（迭代自組織數(shù)據(jù)分析技術(shù)）過程輸入控制參數(shù)ni<Tn計算初始集群的有關(guān)參數(shù)聚類分裂l=I或|Mil－Mil-1|≤T合并結(jié)束取消Ni-1σimax>TsNi<N/2或

>σDik<TcYYYYYNNNNN二、ISODATA法（迭代自組織數(shù)據(jù)分析技術(shù)）過程輸入控制參50二、ISODATA法example二、ISODATA法example51二、ISODATA法實質(zhì)以初始類別為“種子”進行自動迭代聚類的過程，可以自動地進行類別的“合并”和“分裂”，其參數(shù)也在不斷地聚類調(diào)整中逐漸確定，并最終構(gòu)建所需要的判別函數(shù)基準(zhǔn)類別參數(shù)的確定過程，也正是利用光譜特征本身的統(tǒng)計性質(zhì)對判別函數(shù)不斷調(diào)整和“訓(xùn)練”過程二、ISODATA法實質(zhì)52三、K-Mean算法聚類準(zhǔn)則

使每一聚類中，多模式點到該類別的中心的距離的平方和最小基本思想

通過迭代，逐次移動各類的中心，直至得到最好的聚類結(jié)果為止三、K-Mean算法聚類準(zhǔn)則53三、K-Mean算法開始選擇初始類別的中心將所有像元分到c個類別中聚類中心不變計算新的集群中心結(jié)束NY過程三、K-Mean算法開始選擇初始類別的中心將所有像元分到c個54四、應(yīng)用舉例打開非監(jiān)督分類模塊，選擇輸入、輸出影像確定相關(guān)參數(shù)執(zhí)行非監(jiān)督分類一般≥最終分類個數(shù)的2倍四、應(yīng)用舉例打開非監(jiān)督分類模塊，選擇輸入、輸出影像確定相關(guān)參55四、應(yīng)用舉例確定類別四、應(yīng)用舉例確定類別56四、應(yīng)用舉例Swipe四、應(yīng)用舉例Swipe57§4監(jiān)督分類訓(xùn)練區(qū)的選擇判別分析分類檢驗應(yīng)用實例§4監(jiān)督分類訓(xùn)練區(qū)的選擇58一、訓(xùn)練區(qū)的選擇注意訓(xùn)練區(qū)必須具有典型性和代表性對所有使用的圖件要求時間和空間上的一致性選取方式坐標(biāo)輸入式人機對話式訓(xùn)練區(qū)樣本分析

一般要求是單峰，近似于正態(tài)分布

訓(xùn)練樣本數(shù)的確定

根據(jù)對圖像的了解程度和圖像本身的情況確定

理論最小值＝N＋1（N為特征數(shù)）一、訓(xùn)練區(qū)的選擇注意59二、判別分析分類線性判別分析分類逐步判別分析分類平行多面體分類最小距離分類最大的似然比分類二、判別分析分類線性判別分析分類60二、判別分析分類線性判別分析分類線性判別函數(shù)

算法由已知均值向量及協(xié)方差矩陣計算歸并的協(xié)方差矩陣S及其逆矩陣S－1計算系數(shù)ai及ci計算di，如果假定gi都相同，則lngi＝ln(1/k)把X分到di最大的一類二、判別分析分類線性判別分析分類61二、判別分析分類逐步判別分析分類

選擇少數(shù)貢獻最大的自變量建立判別函數(shù)比較和選擇自變量

單因素方差分析或F檢驗建立判別函數(shù)

同線性判別分析二、判別分析分類逐步判別分析分類62二、判別分析分類平行多面體分類原理

只有當(dāng) 否則排除，Class(xi)＝0

相當(dāng)于在數(shù)據(jù)空間中劃分出若干個平行多面體塊段，每一塊段為一類二、判別分析分類平行多面體分類 相當(dāng)于在數(shù)據(jù)空間中劃分出若干63二、判別分析分類優(yōu)點

分類標(biāo)準(zhǔn)簡單，計算速度比較快缺點

按照各個波段的均值和標(biāo)準(zhǔn)差劃分的平行多面體與實際地物類別數(shù)據(jù)點的分布的點群形態(tài)不一致改進

將自然點群分割為幾個較小的平行多面體二、判別分析分類優(yōu)點 64二、判別分析分類最小距離分類原理由訓(xùn)練組數(shù)據(jù)得出每一類別的均值向量及標(biāo)準(zhǔn)差向量以均值向量作為該類在多維空間中的中心位置，計算輸入圖像中每個像元到各類中心的距離（歐幾里德距離、折線距離）到哪一類中心的距離最小，則該像元就歸入哪一類二、判別分析分類最小距離分類65二、判別分析分類缺陷不同類別的亮度值（或其它特性）的變化范圍，其方差的大小不同，不能簡單地用到類中心的距離來劃分像元的歸屬自然地物類別的點群分布不一定是圓形或球形，即不同方向上半徑是不等的，因而距離的量度在不同方向上應(yīng)有所差異改進

在距離算法上改進二、判別分析分類缺陷66二、判別分析分類最大似然比分類MaximumLikelihood基本前提

每一類的概率密度分布都是正態(tài)分布判別函數(shù)說明分類的準(zhǔn)確程度不僅取決于方法的選擇，還與地區(qū)的特點、有關(guān)參數(shù)的選擇、應(yīng)用人員的經(jīng)驗，特別是訓(xùn)練數(shù)據(jù)的代表性有關(guān)訓(xùn)練組統(tǒng)計數(shù)的可靠性程度比分類器算法的選擇對分類的準(zhǔn)確度影響更大二、判別分析分類最大似然比分類MaximumLikelih67二、判別分析分類example二、判別分析分類example68三、檢驗一維空間錯誤概率總錯誤概率三、檢驗一維空間錯誤概率總錯誤概率69三、檢驗錯誤概率估計

（先驗概率相同時較準(zhǔn)確）混淆矩陣一個m×m的矩陣，m為分類的類別數(shù)，矩陣的列通常表示參考類別，行表示分類類別基于混淆矩陣可以得到以下一些統(tǒng)計指標(biāo)來衡量分類的精度

三、檢驗錯誤概率估計70三、檢驗

式中，n為樣本總數(shù)，nkk為矩陣對角線上的元素，nk+為矩陣的行數(shù)據(jù)之和，n+k為矩陣的列數(shù)據(jù)之和三、檢驗 式中，n為樣本總數(shù)，nkk為矩陣對角線上的元素，n71三、檢驗類型水體建設(shè)用地荒草地園地水田林地總和使用者精度％未分類0000000－水體24200323177.42建設(shè)用地0113402912888.28荒草地091509114434.09園地010152123050水田3410108311990.76林地0000315716098.13總和271292015127194512－生產(chǎn)精度％88.8987.607510085.0480.93－－總精度＝84.38％Kappa系數(shù)＝0.7924三、檢驗類型水體建設(shè)荒草地園地水田林地總和使用者未分類00072四、應(yīng)用實例

打開待分類影像打開模板窗口四、應(yīng)用實例 打開待分類影像打開模板窗口73四、應(yīng)用實例定義分類模板四、應(yīng)用實例定義分類模板74四、應(yīng)用實例評價分類模板誤差矩陣精度<85%，模板需要要重建四、應(yīng)用實例評價分類模板誤差矩陣精度<85%，模板需要要重建75四、應(yīng)用實例監(jiān)督分類林地旱地建設(shè)用地水澆地水域果園未利用地四、應(yīng)用實例監(jiān)督分類林地76四、應(yīng)用實例精度評價四、應(yīng)用實例精度評價77比較非監(jiān)督分類主要優(yōu)點不需要預(yù)先對所要分類的區(qū)域有廣泛的了解和熟悉，而監(jiān)督分類則需要分析者對所研究區(qū)域有很好的了解從而才能選擇訓(xùn)練樣本。但是在非監(jiān)督分類中分析者仍需要一定的知識來解釋非監(jiān)督分類得到的集群組人為誤差的機會減少，即使分析者對分類圖像有很強的看法偏差，也不會對分類結(jié)果有很大影響。因此非監(jiān)督分類產(chǎn)生的類別比監(jiān)督分類所產(chǎn)生的更均質(zhì)獨持的、覆蓋量小的類別均能夠被識別，而不會像監(jiān)督分類那樣被分析者的失誤所丟失

比較非監(jiān)督分類主要優(yōu)點78比較非監(jiān)督分類主要缺點——來自于對其“自然”的依賴性非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對應(yīng)于分析者想要的類別，因此分析者面臨著如何將它們和想要的類別相匹配的問題，實際上幾乎很少有一對一的對應(yīng)關(guān)系分析者較難對產(chǎn)生的類別進行控制，因此其產(chǎn)生的類別也許并不能讓分析者滿意圖像中各類別的光譜特征會隨時間、地形等變化，不同圖像以及不同時段的圖像之間的光譜集群組無法保持其連續(xù)性，從而使其不同圖像之間的對比變得困難比較非監(jiān)督分類主要缺點——來自于對其“自然”的依賴性79比較監(jiān)督分類的主要優(yōu)點可根據(jù)應(yīng)用目的和區(qū)域，有選擇地決定分類類別，避免出現(xiàn)一些不必要的類可控制訓(xùn)練樣本的選擇可通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精確分類避免了非監(jiān)督分類中對光譜集群組的重新歸類。比較監(jiān)督分類的主要優(yōu)點80比較監(jiān)督分類的缺點分類系統(tǒng)的確定、訓(xùn)練樣本的選擇，均人為主觀因素較強，分析者定義的類別也許并不是圖像中存在的自然類別，導(dǎo)致多維數(shù)據(jù)空間中各類別間并非獨一無二，而是有重疊；分析者所選擇的訓(xùn)練樣本也可能并不代表圖像中的真實情形由于圖像中同一類別的光譜差異，造成訓(xùn)練樣本并沒有很好的代表性訓(xùn)練樣本的選取和評估需花費較多的人力、時間只能識別訓(xùn)練樣本中所定義的類別，若某類別由于訓(xùn)練者不知道或者其數(shù)量太少未被定義，則不能識別比較監(jiān)督分類的缺點81§5光譜特征分類中的輔助處理技術(shù)上下文分析方法基于地形信息的計算機分類處理輔以紋理特征的光譜特征分類法§5光譜特征分類中的輔助處理技術(shù)上下文分析方法82一、上下文分析方法基本概念點獨立

遙感圖像中每一像元的信息來自于地面上與像元對應(yīng)區(qū)域類別噪聲

分類圖像中出現(xiàn)一大片同類地物中夾雜著散點分布的異類地物的不一致現(xiàn)象上下文分析

基于鄰近像元特征的比較分析方法預(yù)處理法后處理法概率松弛法一、上下文分析方法基本概念83一、上下文分析方法預(yù)處理法 式中，X(P)為P的原始光譜特征向量，X’(P)為調(diào)整后的光譜特征向量，X(C)為P周邊最鄰近的6個點構(gòu)成的集群中心點C的光譜特征向量，dpc為P與C在特征空間中距離，T為比較閾值N1N2N3N8PN4N7N6N5一、上下文分析方法預(yù)處理法N1N2N3N8PN4N7N6N584一、上下文分析方法后處理法

～是在分類處理之后，對分類結(jié)果類別分布的一致性檢查和調(diào)整，調(diào)整的原理服從“多數(shù)”原則，即

在分類圖像中，若某像元的8個鄰接像元中至少有6個像元同屬于某一類，則該像元的類別屬性也調(diào)整為該類；否則，保持該像元已分的類別屬性不變一、上下文分析方法后處理法85一、上下文分析方法概率松弛法基本思想

利用鄰接像元從屬于各類別的概率，來調(diào)整中心像元從屬于各類別的概率，并根據(jù)調(diào)整后的概率按Bayes分類法對各像元進行分類。該過程是一個多次迭代的過程基本過程一、上下文分析方法概率松弛法86一、上下文分析方法假設(shè)各類別的光譜特征服從正態(tài)分布屬于同一類別的像元屬于該類的概率趨于同一個先驗概率對于某個像元屬于ωi類而鄰近像元屬于ωj類的聯(lián)合事件的概率，與本像元的點位無關(guān)，而只與“本－鄰像元對”8個方向有關(guān)且在每個方向上趨同于一個先驗概率一、上下文分析方法假設(shè)87一、上下文分析方法定義概率兼容系數(shù)估計某一類ωi的某像元k在N方向鄰近像元影響下的調(diào)整概率 式中，一、上下文分析方法定義概率兼容系數(shù)88一、上下文分析方法計算第l＋1次迭代時，像元k屬于ωi類的概率調(diào)整值當(dāng)變動小于給定的閾值或有變動的像元個數(shù)小于給定的閾值時，迭代結(jié)束

一、上下文分析方法計算第l＋1次迭代時，像元k屬于ωi類的概89一、上下文分析方法比較優(yōu)點預(yù)處理方法和后處理方法算法比較簡單概率松弛算法充分利用了各像元從屬于某一類別的概率信息，因而比前兩種方法理論依據(jù)更充實、算法更精細缺點預(yù)處理法不可避免地會產(chǎn)生某些不希望有的圖像平滑效果，以致?lián)p失了必要的類別邊界或紋理細節(jié)信息后處理法所能依據(jù)的信息僅是各像元的分類結(jié)果，而不知各像元從屬某類的可靠程度(概率)，因而近似性較大概率松弛算法所需計算機容量和計算時間較費一、上下文分析方法比較90二、基于地形信息的計算機分類處理不同地物類別在不同高程中出現(xiàn)的先驗概率不同example高程帶

類別高程m1234567耕地園地林地草地水域城鎮(zhèn)裸地10～2086－11111－221～5067418453－351～1004264522214101～2002116941－45201～9001355128－－3全縣494366321二、基于地形信息的計算機分類處理不同地物類別在不同高程中出現(xiàn)91二、基于地形信息的計算機分類處理方法作為先驗條件概率，在判別函數(shù)中引入高程信息按高程帶分層分類注意

類似其它信息也可以輔助分類，但輔助信息的先驗概率必須能如實反映地物在區(qū)域中的分布特點，并對不同類別的區(qū)分普遍有效二、基于地形信息的計算機分類處理方法92三、輔以紋理特征的光譜特征分類法紋理特征概念

圖像上細部結(jié)構(gòu)以一定頻率重復(fù)出現(xiàn)，是單一特征的集合,實地為同類地物聚集分布類型側(cè)重于對地物形態(tài)（大小、形狀、結(jié)構(gòu)軸的方向、具體形態(tài)的地物在空間中的分布規(guī)律）的具體描述側(cè)重于描述圖像區(qū)域中總體亮度變化的特點三、輔以紋理特征的光譜特征分類法紋理特征93三、輔以紋理特征的光譜特征分類法輔助分類過程提取紋理特征方法→結(jié)果

進行紋理特征的輔助分類直接參與間接參與后處理

自相關(guān)函數(shù)法、數(shù)學(xué)變換法、數(shù)學(xué)形態(tài)法、 灰度相關(guān)矩陣法、灰度延長法、單位面積邊緣數(shù)法、紋理變換法、 自回歸模型法紋理特征量度參數(shù)紋理分類圖像三、輔以紋理特征的光譜特征分類法輔助分類過程 自相關(guān)函數(shù)法、94§6計算機分類新方法神經(jīng)網(wǎng)絡(luò)分類器基于小波神經(jīng)網(wǎng)絡(luò)遙感圖像分類模糊聚類法樹分類器專家系統(tǒng)方法的應(yīng)用§6計算機分類新方法神經(jīng)網(wǎng)絡(luò)分類器95一、神經(jīng)網(wǎng)絡(luò)分類器概念 神經(jīng)元網(wǎng)絡(luò)模型用于模擬人腦神經(jīng)元活動的過程，包括對信息的加工、處理、存儲和搜索等過程特點分布式存儲信息對信息的并行處理及推理具有自組織、自學(xué)習(xí)類型

BP、Hopfield、ART、自組織特征映射模型一、神經(jīng)網(wǎng)絡(luò)分類器概念96一、神經(jīng)網(wǎng)絡(luò)分類器f(a)f(b)f(n)y1y2yn∑∑∑x1x2…xm……輸入層輸出層隱含層BP網(wǎng)結(jié)構(gòu)W1kk一、神經(jīng)網(wǎng)絡(luò)分類器f(a)f(b)f(n)y1y2yn∑∑∑97一、神經(jīng)網(wǎng)絡(luò)分類器BP網(wǎng)基本原理正向傳播 輸入的樣本從輸入層經(jīng)過隱單元一層一層進行處理，通過所有的隱層之后，傳向輸出層；在逐層處理的過程中，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。到輸出層時，再把現(xiàn)行輸出和期望輸出進行比較，如果現(xiàn)行輸出不等于期望輸出，則進入反向傳播過程反向傳播

把誤差信號按原來正向傳播的通路方向傳回，并對每個隱層的各個神經(jīng)元的權(quán)系數(shù)進行修改，從而使誤差信號趨向于最小一、神經(jīng)網(wǎng)絡(luò)分類器BP網(wǎng)基本原理98一、神經(jīng)網(wǎng)絡(luò)分類器具體過程對權(quán)系數(shù)置初值給定訓(xùn)練數(shù)據(jù)集計算各層實際輸出計算學(xué)習(xí)誤差修正權(quán)系數(shù)和閾值誤差是否滿足要求分類NY一、神經(jīng)網(wǎng)絡(luò)分類器具體過程對權(quán)系數(shù)置初值給定訓(xùn)練數(shù)據(jù)集計算各99一、神經(jīng)網(wǎng)絡(luò)分類器結(jié)論可以在一定程度上消除傳統(tǒng)的遙感影像分類所帶來的模糊性和不確定性從分類所需的時間上來講，已經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)所具有的速度不會低于傳統(tǒng)的遙感影像分類方法，如果隱節(jié)點的數(shù)目選擇合適，神經(jīng)網(wǎng)絡(luò)模型的建立合理，速度還會超過傳統(tǒng)的遙感影像分類方法存在許多有待解決的問題一、神經(jīng)網(wǎng)絡(luò)分類器結(jié)論100二、基于小波神經(jīng)網(wǎng)絡(luò)遙感圖像分類小波變換基本思想 用一族函數(shù)去表示或接近一信號或函數(shù)，這一族函數(shù)稱為小波函數(shù)系。它是通過基本小波函數(shù)的不同尺寸的平移和伸縮構(gòu)成的。若設(shè)基本小波函數(shù)為h(x)，伸縮和平移因子分別為a和b，則小波變換基底定義為 函數(shù)f(x)的小波變換為優(yōu)點 線性疊加性、平移共變性、尺度共變性、能量守恒性、局域正則性二、基于小波神經(jīng)網(wǎng)絡(luò)遙感圖像分類小波變換101二、基于小波神經(jīng)網(wǎng)絡(luò)遙感圖像分類f(a)f(b)f(n)y1y2ynw11w1n∑∑∑j=1rx1x2…xm結(jié)構(gòu)二、基于小波神經(jīng)網(wǎng)絡(luò)遙感圖像分類f(a)f(b)f(n)y1102三、模糊聚類法基本原理 利用模糊矩陣A＝[aij]對樣本集U進行劃分——軟分類A的定義aij?[0,1]，表示樣本Uj屬于第i類的隸屬度A中每列元素之和為1，即一個樣本對各類的隸屬度之和為1A中每行元素之和大于0，表示每類不為空聚類準(zhǔn)則 一般b≥1，b越大，分類越模糊，當(dāng)b＝1時為硬分類三、模糊聚類法基本原理103三、模糊聚類法給出初始劃分A計算聚類中心Vi計算新的分類矩陣A*分類NY具體過程三、模糊聚類法給出初始劃分A計算聚類中心Vi計算新的分類矩陣104四、樹分類器基本思想

首先計算所有類別間的距離，合并距離最近的兩類形成一個新類；然后計算新類與其他類別之間的距離，重復(fù)前面的工作，直到最終所有類別都合并為一大類，形成整個樹結(jié)構(gòu)的根部

這種樹結(jié)構(gòu)反映了各地物的光譜特征的相似程度，因此這種樹的形成，實質(zhì)上是按光譜特征的相似程度由強到弱逐步合并的類別1類別2類別3類別4其它根節(jié)點終端節(jié)點四、樹分類器基本思想 這種樹結(jié)構(gòu)反映了各地物的光譜特征的相似105四、樹分類器具體過程選擇類別樣本計算類別參數(shù)定義類間距離確定結(jié)點確定結(jié)點判別函數(shù)確定結(jié)點統(tǒng)計參數(shù)分類選擇光譜特征子空間合并為1類YN四、樹分類器具體過程選擇類別樣本定義類間距離確定結(jié)點確定結(jié)點106五、專家系統(tǒng)方法的應(yīng)用概念

～是模式識別與人工智能技術(shù)相結(jié)合的產(chǎn)物。應(yīng)用人工智能技術(shù)，運用遙感圖像解譯專家的經(jīng)驗和方法，模擬遙感圖像目視解譯的具體思維過程，進行遙感圖像解譯。它使用人工智能語言描述某一領(lǐng)域的專家分析方法或經(jīng)驗，對對象的多種屬性進行分析判斷，確定事物的歸屬組成圖像處理與特征提取子系統(tǒng)知識獲取系統(tǒng)狹義的專家系統(tǒng)五、專家系統(tǒng)方法的應(yīng)用概念107五、專家系統(tǒng)方法的應(yīng)用知識獲取界面地理名詞數(shù)據(jù)字典完整性一致性檢查框架產(chǎn)生器規(guī)則產(chǎn)生器圖像解譯知識庫知識庫管理公共數(shù)據(jù)區(qū)推理機解釋器用戶界面圖像處理圖形輸入圖像幾何精校正圖像分類區(qū)域分割與特征提取數(shù)據(jù)庫管理遙感數(shù)據(jù)庫遙感圖像解譯專家CCT數(shù)據(jù)磁帶地形圖查詢解釋屬性數(shù)據(jù)空間數(shù)據(jù)聯(lián)合式遙感圖像解譯專家系統(tǒng)五、專家系統(tǒng)方法的應(yīng)用知識獲地理名詞完整性一致性檢查框架產(chǎn)生108§7雷達遙感圖像分類新方法技術(shù)流程新方法§7雷達遙感圖像分類新方法技術(shù)流程109對同物異譜、異物同譜、混合像元解譯的改進農(nóng)作物的精細分類遙感估產(chǎn)面積的精確計算災(zāi)害損失評估土地利用分類森林面積制圖等SAR圖像分類技術(shù)SAR圖像預(yù)處理SAR信息提取與特征選擇SAR圖像分類算法與設(shè)計具體應(yīng)用研究分層算法改進的最大似然法上下文分析法神經(jīng)網(wǎng)絡(luò)分類法散射系數(shù)紋理信息提取極化信息提取干涉信息提取多時相信息提取其它輔助信息與特征一、技術(shù)流程對同物異譜、異物同譜、SAR圖像分類技術(shù)SAR圖像SAR信息110二、新方法采用新信息、新特征多波段、多極化信息極化雷達信息干涉雷達信息極化干涉信息多時相信息其它輔助信息應(yīng)用新理論小波理論分形理論模糊理論設(shè)計新的算法分層算法改進的最大似然算法上下文分析法人工神經(jīng)網(wǎng)絡(luò)分類二、新方法采用新信息、新特征111Thankyou！Thankyou！112第六章遙感圖像的計算機分類第六章遙感圖像的計算機分類113理解遙感圖像計算機分類的一般原理和常用的判別函數(shù)掌握傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類方法，以及分類中的輔助處理技術(shù)了解計算機分類的新方法教學(xué)目的理解遙感圖像計算機分類的一般原理和常用的判別函數(shù)教學(xué)目的114遙感圖像計算機分類的一般原理判別函數(shù)非監(jiān)督分類監(jiān)督分類光譜特征分類中的輔助處理技術(shù)計算機分類新方法雷達遙感圖像分類新方法教學(xué)提綱遙感圖像計算機分類的一般原理教學(xué)提綱115§1遙感圖像計算機分類的一般原理概述計算機分類的基本原理計算機分類處理的一般過程§1遙感圖像計算機分類的一般原理概述116一、概述遙感圖像的解譯

通過對遙感圖像所提供的各種識別目標(biāo)的特征信息進行分析、推理與判斷，從而識別目標(biāo)或現(xiàn)象的過程目視方法

憑著光譜規(guī)律、地學(xué)規(guī)律和解譯者的經(jīng)驗從影像的亮度、色調(diào)、位置、時間、紋理、結(jié)構(gòu)等特征推出地面的景物類型計算機方法

利用計算機模式識別技術(shù)對遙感圖像上的信息進行屬性的識別和分類一、概述遙感圖像的解譯117一、概述光譜特征概念 地物電磁波輻射的多波段測量值，通常以地物多光譜圖像上的亮度體現(xiàn)遙感圖像分類的主要依據(jù)

不同的地物在同一波段圖像上表現(xiàn)的亮度一般互不相同；同時，不同的地物在多個波段圖像上亮度的呈現(xiàn)規(guī)律也不同(example）一、概述光譜特征118一、概述地物反射率差異圖

若按照地物類別聚集的規(guī)律把多光譜空間劃分為若干個子空間，每一個子空間包含一個類別，就可以把圖像中未知像元進行分類，分配到各自的子空間中一、概述地物反射率差異圖若按照地物類別119一、概述相關(guān)概念光譜類別 完全按照光譜特征在多光譜空間內(nèi)聚集的類別信息類別 與地面實際景物對應(yīng)的類別同物異譜 同一種地物包含幾種光譜類別異物同譜 同一種光譜類別中有不同的信息類別一、概述相關(guān)概念120一、概述遙感圖像的計算機分類概念

～將圖像中每一個像元點或區(qū)域歸屬于若干個類別中的一類，或若干個專題要素中的一種，完成將圖像數(shù)據(jù)從二維灰度空間轉(zhuǎn)換到目標(biāo)模式空間的工作分類統(tǒng)計模式方法——傳統(tǒng)方法 句法模式方法——新方法

一、概述遙感圖像的計算機分類121一、概述相關(guān)概念監(jiān)督分類和非監(jiān)督分類監(jiān)督分類 基于對于遙感圖像上樣本區(qū)內(nèi)的地物的類屬已有先驗知識，以已知樣本的特征作為依據(jù)判斷非樣本數(shù)據(jù)的類別非監(jiān)督分類

遙感圖像地物的屬性不具有先驗知識，純粹依靠不同光譜數(shù)據(jù)組合在統(tǒng)計上的差別進行“盲目分類”,分類結(jié)果并不確定類別的屬性一、概述相關(guān)概念122一、概述分類處理與增強處理共同點 增強和提取遙感圖像中的目標(biāo)信息異同點增強主要是增強圖像的目視效果，提高圖像的可解譯性——定性分類著眼于地物類別的區(qū)別——定量一、概述分類處理與增強處理123一、概述遙感圖像分類處理的特點

多變量特征選擇 有選擇地去除多光譜圖像中對分類貢獻不大的波段，從而確定分類的信息源的過程

特征 分類時所使用的波段或波段組合特征參數(shù) 選擇出來的，新的對于表示類別可分性更為有效的變量

特征空間 特征參數(shù)組成的空間一、概述遙感圖像分類處理的特點124二、計算機分類的基本原理相關(guān)概念像元的特征值

每個波段上灰度值構(gòu)成的矢量特征空間

包含X的的n維空間模式

圖像中某一類目標(biāo)樣本

屬于某類別的像素樣本觀測值

樣本的多光譜矢量波段1波段2…波段n多光譜圖像二、計算機分類的基本原理相關(guān)概念波段1多光譜圖像125二、計算機分類的基本原理基本原理

多光譜圖像和特征空間中的點集具有等價關(guān)系。通常同一類地面目標(biāo)的光譜特性比較接近，在特征空間中的點聚集在該類的中心附近，多類目標(biāo)在特征空間中形成多個點族（example）二、計算機分類的基本原理基本原理126二、計算機分類的基本原理多光譜圖像分類原理設(shè)圖像上有兩類目標(biāo)ωA、ωB判別準(zhǔn)則為：遙感圖像分類算法的核心就是確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則fAB(X)＝0二、計算機分類的基本原理多光譜圖像分類原理設(shè)圖像上有兩類目標(biāo)127三、計算機分類處理的一般過程原始圖像的預(yù)處理訓(xùn)練區(qū)的選擇特征選擇和特征提取分類檢驗結(jié)果結(jié)果輸出原始圖像預(yù)處理訓(xùn)練區(qū)的選擇特征選擇和特征提取圖像分類運算檢驗結(jié)果結(jié)果輸出三、計算機分類處理的一般過程原始圖像的預(yù)處理訓(xùn)練區(qū)的選擇特征128三、計算機分類處理的一般過程原始圖像的預(yù)處理

對觀測數(shù)據(jù)作成像處理，以及圖像的幾何校正、輻射校正、量化、采樣、預(yù)濾波、去噪聲等處理，以便獲得一幅比較清晰、對比度強、位置準(zhǔn)確的圖像提高分類精度三、計算機分類處理的一般過程原始圖像的預(yù)處理129三、計算機分類處理的一般過程訓(xùn)練區(qū)的選擇要求

普遍性、代表性方法實地調(diào)查借助地圖、航片或其他專題資料非監(jiān)督分類三、計算機分類處理的一般過程訓(xùn)練區(qū)的選擇130水田平原水田丘陵水田山區(qū)水田景觀相片遙感影像水田平原水田丘陵水田山區(qū)水田景觀相片遙感影像131平原旱地山區(qū)旱地景觀相片遙感影像丘陵旱地旱地平原旱地山區(qū)旱地景觀相片遙感影像丘陵旱地旱地132有林地景觀相片遙感影像疏林地灌木林地林地有林地景觀相片遙感影像疏林地灌木林地林地133低覆蓋度草地中覆蓋度草地高覆蓋度草地景觀相片遙感影像草地低覆蓋度草地中覆蓋度草地高覆蓋度草地景觀相片遙感影像草134河渠冰川及永久性積雪水庫坑塘湖泊河灘地水域河渠冰川及永久性積雪水庫坑塘湖泊河灘地水域135城鎮(zhèn)用地農(nóng)村居民用地工礦和交通用地景觀相片遙感影像城鎮(zhèn)及工礦用地城鎮(zhèn)用地農(nóng)村居民用地工礦和交通用地景觀相片遙感影像城鎮(zhèn)及工礦136鹽堿地沙地戈壁沼澤地裸土地裸巖其他未利用土地景觀相片遙感影像景觀相片遙感影像鹽堿地沙地戈壁沼澤地裸土地裸巖其他未利用土地景觀相片遙感137三、計算機分類處理的一般過程特征選擇與特征提取特征選擇（featureselection）

從眾多特征中挑選出可以參加分類運算的若干特征特征提?。╢eatureextraction）

在特征選擇后，利用特征提取算法從原始特征中求出最能反映其類別特性的一組新特征，完成樣本空間到特征空間的轉(zhuǎn)換

數(shù)據(jù)壓縮、提高不同類別特征之間的可區(qū)分性三、計算機分類處理的一般過程特征選擇與特征提取138三、計算機分類處理的一般過程圖像分類運算——核心階段

根據(jù)影像特點和分類目的設(shè)計或選擇恰當(dāng)?shù)姆诸惼骷捌渑袆e準(zhǔn)則，對特征矢量進行劃分，完成分類工作檢驗結(jié)果

分類精度和可靠性評價結(jié)果輸出

結(jié)果圖像的輸出和分類結(jié)果的統(tǒng)計值三、計算機分類處理的一般過程圖像分類運算——核心階段139§2判別函數(shù)距離判別函數(shù)最大似然法判別函數(shù)§2判別函數(shù)距離判別函數(shù)140一、距離判別函數(shù)前提

地物光譜特征在特征空間中按集群方式分布原理

已知各類別集群的中心位置Mi（均值），計算光譜特征空間中任一點k到各類的距離（i＝1，2，…，n）

若則k?i類；否則k?j類

一、距離判別函數(shù)前提141一、距離判別函數(shù)常用的距離判別函數(shù)閔氏距離絕對值距離歐幾里德距離馬哈拉諾比斯距離一、距離判別函數(shù)常用的距離判別函數(shù)142一、距離判別函數(shù)絕對值距離（出租汽車距離、 城市塊距離、等混合距離）

式中為距離；j為波段序號；總波段數(shù)為n，i為類別號，xkj為k像元在j波段的亮度值；

Mij為均值A(chǔ)(xA,yA)B(xB,yB)yx特點：各特征參數(shù)以等權(quán)參與，計算簡單一、距離判別函數(shù)絕對值距離（出租汽車距離、A(xA,yA)B143一、距離判別函數(shù)歐幾里德距離（歐氏距離）

特點：各特征參數(shù)等權(quán)yA(xA,yA)B(xB,yB)x一、距離判別函數(shù)歐幾里德距離（歐氏距離）yA(xA,yA)B144一、距離判別函數(shù)注意閔氏距離與特征參數(shù)的量綱有關(guān) 量綱不同時可以通過用標(biāo)準(zhǔn)差或級差標(biāo)準(zhǔn)化的方法解決閔氏距離沒有考慮特征參數(shù)間的相關(guān)性一、距離判別函數(shù)注意145一、距離判別函數(shù)馬哈拉諾比斯距離（馬氏距離） 式中，

∑i為I集群的協(xié)方差矩陣，其協(xié)方差為一、距離判別函數(shù)馬哈拉諾比斯距離（馬氏距離）146一、距離判別函數(shù)DBDAKMBMAx2x1

特點：是一種加權(quán)的歐氏距離，通過協(xié)方差矩陣來考慮變量相關(guān)性 當(dāng)∑＝I時，為歐式距離的平方一、距離判別函數(shù)DBDAKMBMAx2x1 特點：是一種加權(quán)147二、最大似然法判別函數(shù)最大似然判別規(guī)則前提

各類的分布為正態(tài)函數(shù)依據(jù)

貝葉斯(Bayes)公式判別函數(shù)判別規(guī)則

式中，——

似然概率——

先驗概率

——

后驗概率——X出現(xiàn)的概率二、最大似然法判別函數(shù)最大似然判別規(guī)則148二、最大似然法判別函數(shù)正態(tài)分布多變量概率密度函數(shù)

式中二、最大似然法判別函數(shù)正態(tài)分布149二、最大似然法判別函數(shù)判別函數(shù)判別規(guī)則判別邊界二、最大似然法判別函數(shù)判別函數(shù)150概念

～是在沒有先驗類別知識(訓(xùn)練場地)的情況下，根據(jù)圖像本身的統(tǒng)計特征及自然點群的分布情況來劃分地物類別的分類處理，也叫做“邊學(xué)習(xí)邊分類法”理論依據(jù)

遙感圖像上的同類地物在相同的表面結(jié)構(gòu)特征、植被覆蓋、光照等條件下，一般具有相同或相近的光譜特征，從而表現(xiàn)出某種內(nèi)在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光譜信息特征不同，歸屬于不同的光譜空間區(qū)域方法

聚類分析§3非監(jiān)督分類概念§3非監(jiān)督分類151§3非監(jiān)督分類主要過程

確定初始類別參數(shù)（類別數(shù)、集群中心）計算每個像元Xk到各集群中心j的距離dkj集群中心是否變化計算新的集群中心dki＝Min(dkj)Xk?第i類結(jié)束YN§3非監(jiān)督分類主要過程確定初始類別參數(shù)計算每個像元Xk到各集152§3非監(jiān)督分類初始類別參數(shù)的選定ISODATA法K-Mean算法應(yīng)用舉例§3非監(jiān)督分類初始類別參數(shù)的選定153一、初始類別參數(shù)的選定初始類別參數(shù)

基準(zhǔn)類別集群中心（數(shù)學(xué)期望Mi），集群分布的協(xié)方差矩陣∑i選定方法

像素光譜特征的比較法總體直方圖均勻定心法最大最小距離選心法局部直方圖峰值定心法一、初始類別參數(shù)的選定初始類別參數(shù)154一、初始類別參數(shù)的選定定義一個抽樣集選定一個像素作為第1個類別作為該類的成員相似？其它像素與已建立的類別比較計算類別參數(shù)YN作為新的類別所有像素或按一定間隔抽樣的像素設(shè)定閾值像素光譜特征的比較法一、初始類別參數(shù)的選定定義一個抽樣集選定一個像素作為該類的成155一、初始類別參數(shù)的選定總體直方圖均勻定心法

設(shè)總體直方圖的均值和方差分別為和其中 每個類別初始類別集群中心位置一、初始類別參數(shù)的選定總體直方圖均勻定心法156一、初始類別參數(shù)的選定最大最小距離選心法原則 使各初始類別之間，盡可能地保持遠距離過程一、初始類別參數(shù)的選定最大最小距離選心法157一、初始類別參數(shù)的選定定義一個抽樣集選定一個像素X1作為第一個初始類別中心Z1Xj作為第2個初始類別中心Z2D1j=Max(D1i)計算X1與其它抽樣點Xi距離D1i結(jié)束Y計算剩余抽樣點Xk到已建立的初始類別中心m距離dkmdk＝Min(dkm)dj=max(dk)Xj作為新類別達到需要的類別數(shù)YN一、初始類別參數(shù)的選定定義一個抽樣集選定一個像素X1Xj作為158一、初始類別參數(shù)的選定與光譜特征相似法相比，具有不受閾值選定影響的好處與總體直方圖均勻定心法相比，具有更接近實際各類集群分布位置狀況的優(yōu)點example一、初始類別參數(shù)的選定與光譜特征相似法相比，具有不受閾值選定159局部直方圖峰值定心法基本原理

每個類別的集群中心一般位于本類別直方圖的峰值位置，而在該位置處的總體直方圖往往會出現(xiàn)局部峰值基本過程一、初始類別參數(shù)的選定獲取圖像數(shù)據(jù)抽樣集建立總體直方圖搜索直方圖局部峰值局部直方圖峰值定心法一、初始類別參數(shù)的選定獲取圖像數(shù)據(jù)抽樣集160一、初始類別參數(shù)的選定注意為了減少數(shù)據(jù)量，通常按一定距離間隔的取樣方式來獲得圖像的抽樣數(shù)據(jù)集為了保證被抽樣的像素亮度為非噪聲亮度，可以選定一個“純度”閾值，當(dāng)抽樣像素亮度與周圍像素亮度之差別超出該純度閾值時，把該像素摒棄為了減少直方圖的存儲量，可采取以下措施限定直方圖各維亮度的取值范圍用亮度分辨力K把直方圖分切為一系列直方圖局部單元一、初始類別參數(shù)的選定注意161二、ISODATA法（迭代自組織數(shù)據(jù)分析技術(shù)）過程輸入控制參數(shù)ni<Tn計算初始集群的有關(guān)參數(shù)聚類分裂l=I或|Mil－Mil-1|≤T合并結(jié)束取消Ni-1σimax>TsNi<N/2或

>σDik<TcYYYYYNNNNN二、ISODATA法（迭代自組織數(shù)據(jù)分析技術(shù)）過程輸入控制參162二、ISODATA法example二、ISODATA法example163二、ISODATA法實質(zhì)以初始類別為“種子”進行自動迭代聚類的過程，可以自動地進行類別的“合并”和“分裂”，其參數(shù)也在不斷地聚類調(diào)整中逐漸確定，并最終構(gòu)建所需要的判別函數(shù)基準(zhǔn)類別參數(shù)的確定過程，也正是利用光譜特征本身的統(tǒng)計性質(zhì)對判別函數(shù)不斷調(diào)整和“訓(xùn)練”過程二、ISODATA法實質(zhì)164三、K-Mean算法聚類準(zhǔn)則

使每一聚類中，多模式點到該類別的中心的距離的平方和最小基本思想

通過迭代，逐次移動各類的中心，直至得到最好的聚類結(jié)果為止三、K-Mean算法聚類準(zhǔn)則165三、K-Mean算法開始選擇初始類別的中心將所有像元分到c個類別中聚類中心不變計算新的集群中心結(jié)束NY過程三、K-Mean算法開始選擇初始類別的中心將所有像元分到c個166四、應(yīng)用舉例打開非監(jiān)督分類模塊，選擇輸入、輸出影像確定相關(guān)參數(shù)執(zhí)行非監(jiān)督分類一般≥最終分類個數(shù)的2倍四、應(yīng)用舉例打開非監(jiān)督分類模塊，選擇輸入、輸出影像確定相關(guān)參167四、應(yīng)用舉例確定類別四、應(yīng)用舉例確定類別168四、應(yīng)用舉例Swipe四、應(yīng)用舉例Swipe169§4監(jiān)督分類訓(xùn)練區(qū)的選擇判別分析分類檢驗應(yīng)用實例§4監(jiān)督分類訓(xùn)練區(qū)的選擇170一、訓(xùn)練區(qū)的選擇注意訓(xùn)練區(qū)必須具有典型性和代表性對所有使用的圖件要求時間和空間上的一致性選取方式坐標(biāo)輸入式人機對話式訓(xùn)練區(qū)樣本分析

一般要求是單峰，近似于正態(tài)分布

訓(xùn)練樣本數(shù)的確定

根據(jù)對圖像的了解程度和圖像本身的情況確定

理論最小值＝N＋1（N為特征數(shù)）一、訓(xùn)練區(qū)的選擇注意171二、判別分析分類線性判別分析分類逐步判別分析分類平行多面體分類最小距離分類最大的似然比分類二、判別分析分類線性判別分析分類172二、判別分析分類線性判別分析分類線性判別函數(shù)

算法由已知均值向量及協(xié)方差矩陣計算歸并的協(xié)方差矩陣S及其逆矩陣S－1計算系數(shù)ai及ci計算di，如果假定gi都相同，則lngi＝ln(1/k)把X分到di最大的一類二、判別分析分類線性判別分析分類173二、判別分析分類逐步判別分析分類

選擇少數(shù)貢獻最大的自變量建立判別函數(shù)比較和選擇自變量

單因素方差分析或F檢驗建立判別函數(shù)

同線性判別分析二、判別分析分類逐步判別分析分類174二、判別分析分類平行多面體分類原理

只有當(dāng) 否則排除，Class(xi)＝0

相當(dāng)于在數(shù)據(jù)空間中劃分出若干個平行多面體塊段，每一塊段為一類二、判別分析分類平行多面體分類 相當(dāng)于在數(shù)據(jù)空間中劃分出若干175二、判別分析分類優(yōu)點

分類標(biāo)準(zhǔn)簡單，計算速度比較快缺點

按照各個波段的均值和標(biāo)準(zhǔn)差劃分的平行多面體與實際地物類別數(shù)據(jù)點的分布的點群形態(tài)不一致改進

將自然點群分割為幾個較小的平行多面體二、判別分析分類優(yōu)點 176二、判別分析分類最小距離分類原理由訓(xùn)練組數(shù)據(jù)得出每一類別的均值向量及標(biāo)準(zhǔn)差向量以均值向量作為該類在多維空間中的中心位置，計算輸入圖像中每個像元到各類中心的距離（歐幾里德距離、折線距離）到哪一類中心的距離最小，則該像元就歸入哪一類二、判別分析分類最小距離分類177二、判別分析分類缺陷不同類別的亮度值（或其它特性）的變化范圍，其方差的大小不同，不能簡單地用到類中心的距離來劃分像元的歸屬自然地物類別的點群分布不一定是圓形或球形，即不同方向上半徑是不等的，因而距離的量度在不同方向上應(yīng)有所差異改進

在距離算法上改進二、判別分析分類缺陷178二、判別分析分類最大似然比分類MaximumLikelihood基本前提

每一類的概率密度分布都是正態(tài)分布判別函數(shù)說明分類的準(zhǔn)確程度不僅取決于方法的選擇，還與地區(qū)的特點、有關(guān)參數(shù)的選擇、應(yīng)用人員的經(jīng)驗，特別是訓(xùn)練數(shù)據(jù)的代表性有關(guān)訓(xùn)練組統(tǒng)計數(shù)的可靠性程度比分類器算法的選擇對分類的準(zhǔn)確度影響更大二、判別分析分類最大似然比分類MaximumLikelih179二、判別分析分類example二、判別分析分類example180三、檢驗一維空間錯誤概率總錯誤概率三、檢驗一維空間錯誤概率總錯誤概率181三、檢驗錯誤概率估計

（先驗概率相同時較準(zhǔn)確）混淆矩陣一個m×m的矩陣，m為分類的類別數(shù)，矩陣的列通常表示參考類別，行表示分類類別基于混淆矩陣可以得到以下一些統(tǒng)計指標(biāo)來衡量分類的精度

三、檢驗錯誤概率估計182三、檢驗

式中，n為樣本總數(shù)，nkk為矩陣對角線上的元素，nk+為矩陣的行數(shù)據(jù)之和，n+k為矩陣的列數(shù)據(jù)之和三、檢驗 式中，n為樣本總數(shù)，nkk為矩陣對角線上的元素，n183三、檢驗類型水體建設(shè)用地荒草地園地水田林地總和使用者精度％未分類0000000－水體24200323177.42建設(shè)用地0113402912888.28荒草地091509114434.09園地010152123050水田3410108311990.76林地0000315716098.13總和271292015127194512－生產(chǎn)精度％88.8987.607510085.0480.93－－總精度＝84.38％Kappa系數(shù)＝0.7924三、檢驗類型水體建設(shè)荒草地園地水田林地總和使用者未分類000184四、應(yīng)用實例

打開待分類影像打開模板窗口四、應(yīng)用實例 打開待分類影像打開模板窗口185四、應(yīng)用實例定義分類模板四、應(yīng)用實例定義分類模板186四、應(yīng)用實例評價分類模板誤差矩陣精度<85%，模板需要要重建四、應(yīng)用實例評價分類模板誤差矩陣精度<85%，模板需要要重建187四、應(yīng)用實例監(jiān)督分類林地旱地建設(shè)用地水澆地水域果園未利用地四、應(yīng)用實例監(jiān)督分類林地188四、應(yīng)用實例精度評價四、應(yīng)用實例精度評價189比較非監(jiān)督分類主要優(yōu)點不需要預(yù)先對所要分類的區(qū)域有廣泛的了解和熟悉，而監(jiān)督分類則需要分析者對所研究區(qū)域有很好的了解從而才能選擇訓(xùn)練樣本。但是在非監(jiān)督分類中分析者仍需要一定的知識來解釋非監(jiān)督分類得到的集群組人為誤差的機會減少，即使分析者對分類圖像有很強的看法偏差，也不會對分類結(jié)果有很大影響。因此非監(jiān)督分類產(chǎn)生的類別比監(jiān)督分類所產(chǎn)生的更均質(zhì)獨持的、覆蓋量小的類別均能夠被識別，而不會像監(jiān)督分類那樣被分析者的失誤所丟失

比較非監(jiān)督分類主要優(yōu)點190比較非監(jiān)督分類主要缺點——來自于對其“自然”的依賴性非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對應(yīng)于分析者想要的類別，因此分析者面臨著如何將它們和想要的類別相匹配的問題，實際上幾乎很少有一對一的對應(yīng)關(guān)系分析者較難對產(chǎn)生的類別進行控制，因此其產(chǎn)生的類別也許并不能讓分析者滿意圖像中各類別的光譜特征會隨時間、地形等變化，不同圖像以及不同時段的圖像之間的光譜集群組無法保持其連續(xù)性，從而使其不同圖像之間的對比變得困難比較非監(jiān)督分類主要缺點——來自于對其“自然”的依賴性191比較監(jiān)督分類的主要優(yōu)點可根據(jù)應(yīng)用目的和區(qū)域，有選擇地決定分類類別，避免出現(xiàn)一些不必要的類可控制訓(xùn)練樣本的選擇可通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精確分類避免了非監(jiān)督分類中對光譜集群組的重新歸類。比較監(jiān)督分類的主要優(yōu)點192比較監(jiān)督分類的缺點分類系統(tǒng)的確定、訓(xùn)練樣本的選擇，均人為主觀因素較強，分析者定義的類別也許并不是圖像中存在的自然類別，導(dǎo)致多維數(shù)據(jù)空間中各類別間并非獨一無二，而是有重疊；分析者所選擇的訓(xùn)練樣本也可能并不代表圖像中的真實情形由于圖像中同一類別的光譜差異，造成訓(xùn)練樣本并沒有很好的代表性訓(xùn)練樣本的選取和評估需花費較多的人力、時間只能識別訓(xùn)練樣本中所定義的類別，若某類別由于訓(xùn)練者不知道或者其數(shù)量太少未被定義，則不能識別比較監(jiān)督分類的缺點193§5光譜特征分類中的輔助處理技術(shù)上下文分析方法基于地形信息的計算機分類處理輔以紋理特征的光譜特征分類法§5光譜特征分類中的輔助處理技術(shù)上下文分析方法194一、上下文分析方法基本概念點獨立

遙感圖像中每一像元的信息來自于地面上與像元對應(yīng)區(qū)域類別噪聲

分類圖像中出現(xiàn)一大片同類地物中夾雜著散點分布的異類地物的不一致現(xiàn)象上下文分析

基于鄰近像元特征的比較分析方法預(yù)處理法后處理法概率松弛法一、上下文分析方法基本概念195一、上下文分析方法預(yù)處理法 式中，X(P)為P的原始光譜特征向量，X’(P)為調(diào)整后的光譜特征向量，X(C)為P周邊最鄰近的6個點構(gòu)成的集群中心點C的光譜特征向量，dpc為P與C在特征空間中距離，T為比較閾值N1N2N3N8PN4N7N6N5一、上下文分析方法預(yù)處理法N1N2N3N8PN4N7N6N5196一、上下文分析方法后處理法

～是在分類處理之后，對分類結(jié)果類別分布的一致性檢查和調(diào)整，調(diào)整的原理服從“多數(shù)”原則，即

在分類圖像中，若某像元的8個鄰接像元中至少有6個像元同屬于某一類，則該像元的類別屬性也調(diào)整為該類；否則，保持該像元已分的類別屬性不變一、上下文分析方法后處理法197一、上下文分析方法概率松弛法基本思想

利用鄰接像元從屬于各類別的概率，來調(diào)整中心像元從屬于各類別的概率，并根據(jù)調(diào)整后的概率按Bayes分類法對各像元進行分類。該過程是一個多次迭代的過程基本過程一、上下文分析方法概率松弛法198一、上下文分析方法假設(shè)各類別的光譜特征服從正態(tài)分布屬于同一類別的像元屬于該類的概率趨于同一個先驗概率對于某個像元屬于ωi類而鄰近像元屬于ωj類的聯(lián)合事件的概率，與本像元的點位無關(guān)，而只與“本－鄰像元對”8個方向有關(guān)且在每個方向上趨同于一個先驗概率一、上下文分析方法假設(shè)199一、上下文分析方法定義概率兼容系數(shù)估計某一類ωi的某像元k在N方向鄰近像元影響下的調(diào)整概率 式中，一、上下文分析方法定義概率兼容系數(shù)200一、上下文分析方法計算第l＋1次迭代時，像元k屬于ωi類的概率調(diào)整值當(dāng)變動小于給定的閾值或有變動的像元個數(shù)小于給定的閾值時，迭代結(jié)束

一、上下文分析方法計算第l＋1次迭代時，像元k屬于ωi類的概201一、上下文分析方法比較優(yōu)點預(yù)處理方法和后處理方法算法比較簡單概率松弛算法充分利用了各像元從屬于某一類別的概率信息，因而比前兩種方法理論依據(jù)更充實、算法更精細缺點預(yù)處理法不可避免地會產(chǎn)生某些不希望有的圖像平滑效果，以致?lián)p失了必要的類別邊界或紋理細節(jié)信息后處理法所能依據(jù)的信息僅是各像元的分類結(jié)果，而不知各像元從屬某類的可靠程度(概率)，因而近似性較大概率松弛算法所需計算機容量和計算時間較費一、上下文分析方法比較202二、基于地形信息的計算機分類處理不同地物類別在不同高程中出現(xiàn)的先驗概率不同example高程帶

類別高程m1234567耕地園地林地草地水域城鎮(zhèn)裸地10～2086－11111－221～5067418453－351～1004264522214101～2002116941－45201～9001355128－－3全縣494366321二、基于地形信息的計算機分類處理不同地物類別在不同高程中出現(xiàn)203二、基于地形信息的計算機分類處理方法作為先驗條件概率，在判別函數(shù)中引入高程信息按高程帶分層分類注意

類似其它信息也可以輔助分類，但輔助信息的先驗概率必須能如實反映地物在區(qū)域中的分布特點，并對不同類別的區(qū)分普遍有效二、基于地形信息的計算機分類處理方法204三、輔以紋理特征的光譜特征分類法紋理特征概念

圖像上細部結(jié)構(gòu)以一定頻率重復(fù)出現(xiàn)，是單一特征的集合,實地為同類地物聚集分布類型側(cè)重于對地物形態(tài)（大小、形狀、結(jié)構(gòu)軸的方向、具體形態(tài)的地物在空間中的分布規(guī)律）的具體描述側(cè)重于描述圖