遙感圖像計算機解譯第一頁，共二十七頁，2022年，8月28日模式與模式識別“模式”通俗的含義是某種事物的標準形式；模式識別系統(tǒng)對被識別的物體作一系列的測量，然后將測量結(jié)果與“模式字典”中一組“典型的”測量值相比較進而做出歸類。

第二頁，共二十七頁，2022年，8月28日遙感影像分類分類：將圖像中的像元歸并為不同的類型，例如，分為不同土地覆蓋類型。分類原理：依據(jù)被分類地物的光譜特征，進行特征選擇，建立分類識別模式，進行分類。第三頁，共二十七頁，2022年，8月28日——遙感圖像地物的光譜特征，即數(shù)字圖像中同類地物的光譜相似性和異類地物的光譜差異性進行分類。遙感圖像計算機分類依據(jù)第四頁，共二十七頁，2022年，8月28日分類方法監(jiān)督分類法：在研究區(qū)域中選擇具有代表性的訓練區(qū)作為地物的標準樣本，根據(jù)訓練區(qū)的樣本的光譜特征計算其特征參數(shù)（如樣本的均值、方差等），建立識別各類地物的判別函數(shù)，并以此對未知地區(qū)的像元進行分類處理，分別歸入到已知的類別中。非監(jiān)督分類：是在沒有先驗類別（訓練場地）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進行歸類合并（即相似度大的像元歸為一類）的方法。第五頁，共二十七頁，2022年，8月28日（一）監(jiān)督分類監(jiān)督分類的思想：根據(jù)已知的樣本類別和類別的先驗知識，確定判別函數(shù)和相應的判別準則，利用一定數(shù)量的已知類別求解函數(shù)中待定參數(shù)，然后將未知類別的樣本的觀測值代入判別函數(shù)，再依據(jù)判別準則對該樣本的所屬類別作出判定。第六頁，共二十七頁，2022年，8月28日判決函數(shù)和判決規(guī)則判決函數(shù)——判斷某個特征矢量屬于哪個類別的-

函數(shù)

判決規(guī)則——對判決函數(shù)值進行判斷歸類的依據(jù)第七頁，共二十七頁，2022年，8月28日光譜特征向量：同名地物點在不同波段圖像中亮度的觀測量將構(gòu)成一個多維的隨機向量（X）。

X=[x1,x2

……xn]

n為圖像波段總數(shù)；

xi地物點在第i波段的亮度值。地物與光譜特征空間的關系

地類集群第八頁，共二十七頁，2022年，8月28日1、最小距離分類法

——基于距離判決函數(shù)和判決規(guī)則原理進行分類的方法?；舅枷耄涸O法計算未知矢量X到有關類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類。

判決規(guī)則：若di（X）<dj（X）,則X屬于i類。距離判決函數(shù)：（1）歐式距離:（2）馬氏距離：（3）混合（計程）距離：dEi2=(X-Mi)T(X-Mi)dTi=|xj-mij|dMi=2第九頁，共二十七頁，2022年，8月28日Step2–foreachunclassifiedpixel,calculatethedistancetoaverageforeachtrainingarea第十頁，共二十七頁，2022年，8月28日2、最大似然分類法（MaximumLikelihood地物點可以在特征空間找到相應的特征點，并且同類地物在特征空間中形成一個從屬于某種概率分布的集群。由此，我們可以把某特征矢量（X）落入某類集群的條件概率當成分類判決函數(shù)（概率判決函數(shù)），把X落入某集群的條件概率最大的類為X的類別，這種判決規(guī)則就是貝葉斯判決規(guī)則。

——根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則進行分類的方法。

第十一頁，共二十七頁，2022年，8月28日概率判決函數(shù)：貝葉斯判決規(guī)則：根據(jù)貝葉斯判決規(guī)則：若Pi（X）>Pj（X）,則X屬于wi類。Pi（X）=P（X/wi）P（wi

）第十二頁，共二十七頁，2022年，8月28日第十三頁，共二十七頁，2022年，8月28日3、多級切割分類法又稱為平行算法或（盒式?jīng)Q策規(guī)則）通過設定在各軸上的一系列分割點，將多維特征空間劃分成分別對應不同分類類別的互不重疊的特征子空間的分類方法。對于一個未知類別的像素來說，它的分類取決于它落入哪個類別特征字空間中。第十四頁，共二十七頁，2022年，8月28日監(jiān)督分類基本過程（1）確定感興趣的類別數(shù)。

（2）特征變換和特征選擇

（3）選擇訓練樣區(qū)（4）選擇監(jiān)督分類方法（判決函數(shù)和判決規(guī)則)（5）根據(jù)判決函數(shù)和判決規(guī)則對非訓練樣區(qū)的圖像區(qū)域進行分類。

第十五頁，共二十七頁，2022年，8月28日特征變換與特征選擇特征變換

減少特征之間的相關性

使得待分類別之間的差異在變換后的特征中更明顯。

——將原始圖像通過一定的數(shù)字變換生成一組新的特征圖像，這一組新圖像信息集中在少數(shù)幾個特征圖像上。特征變換的作用：第十六頁，共二十七頁，2022年，8月28日主成分變換（K—L變換）主成分變換：是一種除去波段之間的多余信息，將多波段的圖像信息壓縮到比原波段更有效的少數(shù)幾個轉(zhuǎn)換波段的方法。在遙感圖像分類中，常常利用主成分變換來消除特征向量中各特征之間的相關性，并進行特征選擇。x2第十七頁，共二十七頁，2022年，8月28日2、K-T變換這種變換既可以實現(xiàn)信息壓縮，又可以幫助解譯分析農(nóng)業(yè)特征，因此這種變換著眼點在于農(nóng)作物生長過程而區(qū)別于其他植被覆蓋。第十八頁，共二十七頁，2022年，8月28日3、比值變換和生物量指標變換比值變換圖像可以增強土壤，植被，水之間的輻射差別，壓抑地形坡度和方向引起的輻射量變化，在分類中具有較為明顯的優(yōu)點，而且計算相對較簡單。

另一種特殊的比值變換是生物量指標變換即歸一化植被指數(shù)：NDVI=（TM4-TM3）/（TM4+TM3）第十九頁，共二十七頁，2022年，8月28日特征選擇——從原有的n個特征值集合中，按某一準則選擇出k個特征（k<n）。

遙感影像的波段選擇可分為定性的和定量的方法。1.0000.9600.9020.0540.4140.1560.6081.0000.9680.1280.5290.2260.7041.0000.1380.6200.3160.7941.0000.679-0.0800.3661.0000.3110.8911.0000.4681.000相關系數(shù)矩陣第二十頁，共二十七頁，2022年，8月28日（二）非監(jiān)督分類非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進行“盲目”的分類；其分類的結(jié)果只是對象元進行歸類，但并不能確定類別的屬性；其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的。

第二十一頁，共二十七頁，2022年，8月28日非監(jiān)督分類的基本思路非監(jiān)督分類也稱聚類分析，采用的是聚類算法，一般是先選擇若干個模式點作為聚類的中心。每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各個像元劃歸各個類別，形成初始分類。然后由聚類準則判斷初始分類是否合理，如果不合理就修改分類，如此反復迭代運算，直到合理為止。第二十二頁，共二十七頁，2022年，8月28日1、K-均值聚類法K—均值算法的聚類準則是使每一聚類中，多模式點到該類別的中心的距離的平方和最小。其基本思想是：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。第二十三頁，共二十七頁，2022年，8月28日2、動態(tài)聚類法

動態(tài)聚類算法也稱為迭代自組織數(shù)據(jù)分析算法。在k-均值算法的基礎上，設定控制參數(shù)，對聚類結(jié)果進行“合并”和“分裂”。（1）“合并”操作：當聚類結(jié)果某一類中樣本數(shù)太少，或兩個類間的距離太近時，進行合并。（2）“分裂”操作：當聚類結(jié)果某一類中樣本某個特征如類內(nèi)方差太大，將該類進行分裂。第二十四頁，共二十七頁，2022年，8月28日設定控制參數(shù)：k：預期的類數(shù)；Nk：初始聚類中心個數(shù)；TN：每一類中允許的最少樣本數(shù)目（若少于此數(shù)，就不能單獨成為一類）；TE：類內(nèi)各特征分量分布的相對標準差上限（大于此數(shù)就分裂）；TC：兩類中心間的最小距離下限（若小于此數(shù)，這兩類應合并）；NT：在每次迭代中最多可以進行“合并”操作的次數(shù)；NS：允許的最多迭代次數(shù)。選定初始聚類中心第二十五頁，共二十七頁，2022年，8月28日第二十六頁