第七章遙感圖像判讀內(nèi)容提綱?

景物特征和判讀標(biāo)志?

目標(biāo)判讀的一般過程和方法?

遙感圖像目視判讀舉例遙感圖像判讀?“判讀”是對(duì)遙感圖像上的各種特征進(jìn)行綜合分析、比較、推理和判斷，最后提取出你所感興趣的信息。?

目視判讀，借助一些光學(xué)儀器或在計(jì)算機(jī)顯示屏幕上，憑借豐富的判讀經(jīng)驗(yàn)，扎實(shí)的專業(yè)知識(shí)和手頭的相關(guān)資料，通過人腦的分析、推理和判斷，提取有用的信息。?運(yùn)用人工智能方法和一些準(zhǔn)則，將專家的知識(shí)和經(jīng)驗(yàn)，在計(jì)算機(jī)中建立知識(shí)庫(kù)，將遙感數(shù)據(jù)和其它資料建立數(shù)據(jù)

庫(kù)，模擬人工判讀。

7.1景物特征和判讀標(biāo)志?光譜特征及判讀標(biāo)志?

空間特征及判讀標(biāo)志?

時(shí)間特征及判讀標(biāo)志?影響景物特征及判讀的因素

7.1.1光譜特征及判讀標(biāo)志?

地物的波譜響應(yīng)曲線與其光譜特性曲線的變化趨勢(shì)是一致的。地物在多波段圖像上特有的這種波譜響應(yīng)就是地物的光譜特征的判讀標(biāo)志。波譜響應(yīng)值與地物在該波段內(nèi)光譜反射亮度的積分值相應(yīng)

7.1.2空間特征及判讀標(biāo)志?景物的各種幾何形態(tài)為其空間特征，它與物本的空間坐標(biāo)X、Y、Z密切相關(guān)，這種空間特征在像片上也是由不同的色調(diào)表現(xiàn)出來。?全色遙感圖像中從白到黑的密度比例。

色調(diào)標(biāo)志是識(shí)別目標(biāo)地物的基本依據(jù)，依據(jù)色調(diào)標(biāo)志，可以區(qū)分目標(biāo)。?

目標(biāo)地物和背景之間必需存在能被人的視覺所分辨的色調(diào)差異，

目標(biāo)才能被區(qū)分。

7.1.2空間特征及判讀標(biāo)志?

形狀?

大小?

圖形?

陰影?

位置?紋理?

類型?指各種地物的外形、輪廓。從高空觀測(cè)地面物體形狀是在

X-Y平面內(nèi)的投影?

不同物體顯然其形狀不同，其形狀與物體本身的性質(zhì)和形成有密切關(guān)系形狀?地物的尺寸、面積、體積在圖像上按比例縮小后的相似性記錄。大小圖形?自然、人造地物所構(gòu)成的圖形。?陰影?

由于地物高度的變化，阻擋太陽光照射而產(chǎn)生的陰影。?

地物存在的地點(diǎn)和所處的環(huán)境。?圖像上除了地物所在的位置還與它所處的背景有很大的關(guān)系。例如處在陽坡、陰坡的樹，可能長(zhǎng)勢(shì)不同或品種不同。位置紋理?

圖像上細(xì)部結(jié)構(gòu)以一定頻率重復(fù)出現(xiàn)，是單一特征的集合。耕地、林地、草地——農(nóng)業(yè)用地建設(shè)用地——非農(nóng)業(yè)用地土地利用類型類型水系類型地物特征

7.1.3時(shí)間特征及判讀標(biāo)志?對(duì)于同一地區(qū)景物的時(shí)間特征表現(xiàn)在不同時(shí)間地面覆蓋類型不同，地面景觀發(fā)生很大變化。?景物的時(shí)間特征在圖像上以光譜特征及空間特征的變化表現(xiàn)出來。武漢市ETM（432）圖象，描述下列各類地物的特征：光譜特征(色調(diào))，空間特征（幾何形狀），其他特征（如紋理）。7.1.4影響景物特征及判讀的因素?地物本身的復(fù)雜性?傳感器特性的影響?

目視能力的影響1.地物本身的復(fù)雜性細(xì)胞結(jié)構(gòu)的區(qū)別葉子的稠密度色素的區(qū)別含水量?

土壤–

特性–

含水量–

有機(jī)質(zhì)

?

水–

水泥沙–

葉綠素–工業(yè)污染1.地物本身的復(fù)雜性?

幾何分辨率?

輻射分辨率?

光譜分辨率?

時(shí)間分辨率2.傳感器特性的影響幾何分辨率?空間分辨力：傳感器瞬時(shí)視場(chǎng)內(nèi)所觀察到地面的大小?幾何分辨力：能分辨出的最小地物的大小。幾何分辨力＝3倍空間分辨力地面分辨率和影像分辨率?

地面分辨率：影像能夠詳細(xì)區(qū)分的最小單元（像元）能代表的地面尺寸的大小。?

影像分辨率：地面分辨率在不同比例尺的具體影像上的反映。衛(wèi)星

/傳感器地面分辨率

(pan/ms)

(m)圖像寬幅

(km×km)制圖比例尺

(pan/ms)(

1

:

1000)IKONOS1

/

413x135/

20SPOT/HRV2.5/

560x6025/

50Landsat/ETM15/

30180x18075/

150Landsat/TM30180x180150Terra/MODIS250

-

1000continental<

1500NOAA/AVHRR>

1100continental<

5000地面分辨率

同一地區(qū)不同地面分辨率影像北京故宮_QuickBird_0.6m北京故宮_SPOT_2.5m不同分辨率的IKONOS影像影像分辨率隨影像的比例尺不同而變化。1:100萬圖像上

影像分辨率：0.08mm影像分辨率：0.8mm影像分辨率陸地衛(wèi)星MSS

地面分辨率：80m1:10萬圖像上輻射分辨率?

傳感器區(qū)分兩種輻射強(qiáng)度最小差別的能力?

傳感器的輸出包括信號(hào)和噪聲兩大部分。如果信號(hào)小于噪聲，則輸出的是噪聲。如果兩個(gè)信號(hào)之差小于噪聲，則在輸出的記錄上無法分辨這兩個(gè)信號(hào)。?

輻射分辨率用等效噪聲功率衡量。光譜分辨率?

光譜探測(cè)能力，包括：傳感器總的探測(cè)波段的寬度、波段數(shù)、各波段的波長(zhǎng)范圍和間隔。?波段太多，輸出數(shù)據(jù)量太大，加大處理工作量和判讀難度。?最佳探測(cè)波段，是指這些波段中探測(cè)各種目標(biāo)之間和目標(biāo)與背景之間，有最好的反差或波譜響應(yīng)特性的差別。衛(wèi)星/傳感器波段范圍

（um

）衛(wèi)星/傳感器波段范圍（

um

）衛(wèi)星/傳感器波段范圍（

um

）LandsatTM0.45～0.52（藍(lán)）0.52～0.60（綠）0.63～0.69（紅）0.76～0.90（近紅外）1.55～0.75（中紅外）10.4～12.4（熱紅外）

2.05～2.35（中紅外）MODIS0.620～0.6700.841～0.8760.459～0.4790.545～0.5651.230～1.2501.628～1.6522.

105～2.

1550.405～0.4200.438～0.4480.483～0.4930.526～0.5360.546～0.5560.662～0.6720.673～0.6830.743～0.7530.862～0.8770.890～0.9200.931～0.941MODIS0.915～0.9653.600～3.8403.929～3.9893.929～3.9894.020～4.0804.433～4.4984.482～4.5491.360～1.3906.535～6.8957.

175～7.4758.400～8.7009.380～9.80010.780～11.28011.770～12.27013.

185～13.48513.485～13.78513.785～14.08514.085～14.385NOAA-AHRR0.58～0.68（紅）0.72～1.

10（近紅外）3.55～3.93（熱紅外）10.3～11.3（熱紅外）11.3～12.5（熱紅外）SPOT-HRV0.50～0.59（綠）0.61～0.68（紅）0.79～0.89（近紅外）0.51～0.73（可見光）光譜分辨率時(shí)間分辨率?

定義：我們把傳感器對(duì)同一目標(biāo)進(jìn)行重復(fù)探測(cè)時(shí)，相鄰兩次探測(cè)的時(shí)間間隔成為遙感圖像的時(shí)間分辨率。?

應(yīng)用：土地利用變化、洪水、綠地消長(zhǎng)、城市熱島等athens_olympic_may7_2004athens_olympic_july5_2004不同時(shí)相影像全球晝夜溫差空間、光譜和時(shí)間分辨率的關(guān)系?

空間－光譜分辨率關(guān)系?

空間－

時(shí)間分辨率關(guān)系?光譜－

時(shí)間分辨率關(guān)系88空間－光譜分辨率關(guān)系TM

Band

3水泥

水體TM

Band4814散點(diǎn)圖49903528695677IKONOS321波段真彩色合成圖典型地物波譜響應(yīng)曲線長(zhǎng)城提取的結(jié)果圖光譜

高光譜資源農(nóng)業(yè)國(guó)防全色

多交通城市地形圖測(cè)圖100

m10

m1

m0.1

m0.01

m空間分辨率空間－光譜分辨率關(guān)系光譜分辨率森林環(huán)境空間-時(shí)間分辨率關(guān)系上海城市擴(kuò)展圖光譜－

時(shí)間分辨率關(guān)系t0

t1

Time

t2

tnClimatic

ConditionNDVI

Year

YNDVI

Year

XClimate

conditionHarvest

yield2002年ETM影像（RGB:321)1988年TM影像(RGB:321)散點(diǎn)圖?

空間分辨能力?

正常人眼的分辨角為1,,在明視距離250mm處,能分辨相距75

μm的兩個(gè)點(diǎn),大約6-7線對(duì)/mm。?

灰階分辨能力?

大約十幾級(jí)灰度,通過反差拉伸、密度分割、偽彩色編碼。?色別與色階分辨能力?

大約50種左右,借助儀器可以分辨13000多種。3.

目視能力的影響7.2目標(biāo)判讀的一般過程和方法?

判讀前的準(zhǔn)備?

判讀的一般過程?判讀員的訓(xùn)練?搜集充足的資料?

了解圖像的來源、性質(zhì)和質(zhì)量–

傳感器、

日期和地點(diǎn)、波段、比例尺、航高、投影性質(zhì)–幾何分辨力、輻射分辨力、光譜波段的個(gè)數(shù)和波長(zhǎng)區(qū)間、時(shí)間重復(fù)性、像片的反差、最小灰度和最大灰度等?判讀儀器和設(shè)備–

像片觀察、像片量測(cè)、像片轉(zhuǎn)繪7.2.1判讀前的準(zhǔn)備?發(fā)現(xiàn)目標(biāo)–

先大后小、由易入難、由已知到未知–

先反差大的目標(biāo)后反差小的目標(biāo)–

先宏觀觀察后微觀分析?描述目標(biāo)–

光譜特征、空間特征、時(shí)間特征?識(shí)別和鑒定目標(biāo)–資料、特征、經(jīng)驗(yàn)、推理?清繪和評(píng)價(jià)目標(biāo)（專題圖

）7.2.2判讀的一般過程

7.3遙感圖像的目視判讀舉例?單波段像片的判讀?

多光譜像片的判讀?熱紅外像片的判讀?側(cè)視雷達(dá)像片的判讀?

多時(shí)域圖像的判讀單波段像片的判讀?

色調(diào)特征和空間特征?

圖像增強(qiáng)?

密度分割?光譜特性曲線?

比較判讀?假彩色合成?

空間特征多光譜像片的判讀?溫度、發(fā)射率；?熱特性：熱容量、熱傳導(dǎo)率、熱慣量。熱紅外像片的判讀側(cè)視雷達(dá)像片的判讀?色調(diào)特征：入射角，地面粗糙度，地物電特性?

幾何特征：比例尺失真，地形起伏影響?

穿透特性：可以得到地面圖象?散射特性：可以反映地下狀況不同地物的SAR影像特征居民地道路鐵路耕地植被水系多時(shí)域圖像的判讀?景物的時(shí)間特性以光譜特征和空間特征兩個(gè)時(shí)間的MSS圖像疊合提取洪水淹沒區(qū)范圍表現(xiàn)本章結(jié)束第八章遙感圖像自動(dòng)識(shí)別分類內(nèi)容提綱?基礎(chǔ)知識(shí)?特征變換和特征選擇?監(jiān)督分類?

非監(jiān)督分類?監(jiān)督分類和非監(jiān)督分類的結(jié)合?分類后處理和誤差分析?

非光譜信息分類?

句法模式識(shí)別?自動(dòng)分類新方法概述?遙感圖像的計(jì)算機(jī)分類，是模式識(shí)別技術(shù)在遙感技術(shù)領(lǐng)域中的具體運(yùn)用?

目視判讀是人類的自然識(shí)別智能?計(jì)算機(jī)分類是人工模擬人類的識(shí)別功能?采用決策理論或統(tǒng)計(jì)方法?提取一組反映模式屬性的量測(cè)值，稱之為特征?光譜特征和紋理特征?模式與模式識(shí)別?光譜特征空間?地物在特征空間中的聚類統(tǒng)計(jì)特性8.1基礎(chǔ)知識(shí)?一個(gè)模式識(shí)別系統(tǒng)對(duì)被識(shí)別的模式作一系列的測(cè)量，然后將測(cè)量結(jié)果與“模式字典”中一組“典型的”測(cè)量值相比較。若和字典中某一“詞目”的比較結(jié)果是吻合或比較吻合，則我們就可以得出所需要的分類結(jié)果。這一過程稱為模式識(shí)別。?這一組測(cè)量值就是一種模式。8.1.1模式與模式識(shí)別數(shù)據(jù)模式模式獲取分割識(shí)別模式與模式識(shí)別姚明ROCKETS11模式識(shí)別的應(yīng)用車牌識(shí)別模式識(shí)別的應(yīng)用信函分揀模式識(shí)別的應(yīng)用遙感影像分類?

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?

不同的地物在多個(gè)波段圖像上亮度的呈現(xiàn)規(guī)律也不相同?同名地物點(diǎn)在不同波段圖像中亮度的觀測(cè)量將構(gòu)成一個(gè)多維隨機(jī)向量X，稱為光譜特征向量X

=[x1

x2

…

xn

]T?如TM圖像上任一個(gè)點(diǎn)?TM=[TM1，TM2，TM3，TM4，TM5，TM6，TM7]8.1.2光譜特征空間地物與光譜特征空間的關(guān)系地物在特征空間中的聚類情況8.1.3地物在特征空間中的聚類統(tǒng)計(jì)特性?

地物在特征空間的聚類通常是用特征點(diǎn)（或其相應(yīng)的隨機(jī)矢量）分布的概率密度函數(shù)來表示

8.2特征變換和特征選擇?

目的：減少參加分類的特征圖像的數(shù)目，從原始信息中抽取能更好進(jìn)行分類的特征圖像。?特征變換——將原有的m量值集合通過某種變換，然后產(chǎn)生n個(gè)（

n≤m）特征?特征選擇——從原有的m個(gè)測(cè)量值集合中，按某一準(zhǔn)則選擇出n個(gè)特征?概念：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(gè)特征圖像上。?

目的：數(shù)據(jù)量有所減少，去相關(guān)，有助于分類。?常用的特征變換：主分量變換、哈達(dá)瑪變換、穗帽變換、比值變換、生物量指標(biāo)變換。8.2.1特征變換NIRScatterPlotrevealsrelationshipbetweeninformationintwobandshere:correlationcoefficient=0.137redredNIRPrincipal

Components

Analysiscorre

lation

between

a

ll

bandsTM

datacorre

lat

ion

coefficients

:1.0000.9270.8740.0690.5930.4260.7360.9271.0000.9540.1720.6910.4460.8000.8740.9541.0000.1370.7400.4330.8120.0690.1720.1371.0000.369-0.0840.1190.5930.6910.7400.3691.0000.5340.8910.4260

7360.4460

8000.4330

812-0.0840

1190.5340

8911.0000

6710.6711

000?主分量變換也稱為KL變換，是一種線性變換，是就均方誤差最小來說的最佳正交變換?KL變換能夠把原來多個(gè)波段中的有用信息集中到數(shù)目盡可能少的特征圖像組中去，達(dá)到數(shù)據(jù)壓縮的目的。?KL變換還能夠使新的特征圖像間互不相關(guān)，使新的特征圖像包含的信息內(nèi)容不重疊，增加類別的可分性。1.主分量變換主分量變換計(jì)算步驟?

（

1）計(jì)算均值向量M和協(xié)方差矩陣C；?

（

2）計(jì)算矩陣C的特征值和特征向量；?

（3）將特征值按由大到小的次序排序?

（4）選擇前幾個(gè)特征值對(duì)應(yīng)的幾個(gè)特征向量構(gòu)造變換矩陣φn。?

（

5）根據(jù)Y=φnX進(jìn)行變換，得到的新特征影像就是變換的結(jié)果，X為多光譜圖像的一個(gè)光譜特征矢量。MSS主分量變換前后的信息量分布TM主分量變換前后的信息量分布主分量變換PC-1PC-7?哈達(dá)瑪變換是利用哈達(dá)瑪矩陣作為變換矩陣新實(shí)施的遙感多光譜域變換。?哈達(dá)瑪矩陣的變換核為2.哈達(dá)瑪變換哈達(dá)瑪變換?哈達(dá)瑪矩陣的維數(shù)N總是2的倍數(shù)

N=

2m

(m

=

1,2,

…)?每個(gè)高階哈達(dá)瑪矩陣都由其低一階的哈達(dá)瑪矩陣按如下形式組成

?哈達(dá)瑪變換定義為：IH

=H.

X哈達(dá)瑪變換的幾何意義?

由哈達(dá)瑪變換核可知，哈達(dá)瑪變換實(shí)際是將坐標(biāo)軸旋轉(zhuǎn)了45℃的正交變換哈達(dá)瑪變換的幾何意義?以四波段的陸地衛(wèi)星圖像的哈達(dá)瑪為換為例

，取二階哈達(dá)瑪變換矩陣Ih

=

[h0

h1

h2

h3

]T

h0=(x4+x5)+(x6+x7)h1=(x4+x5)-(x6+x7)h2=(x4-x5)-(x6-x7)h3=(x4-x5)+(x6-x7)?特征圖像h0把水同土壤與植被的混合體區(qū)分開來?特征圖像h1把植被同水和土壤的混合體區(qū)分開來?特征圖像h3和特征圖像h2主要表現(xiàn)為噪聲圖像，通常在特征選擇過程中可舍去，達(dá)到數(shù)據(jù)壓縮的目的。哈達(dá)瑪變換的幾何意義?

又稱K-T變換，由Kauth—Thomas提出，也是一種線性特征變換。?

MSS圖像信息隨時(shí)間變化的空間分布形態(tài)是呈規(guī)律性形狀的，像一個(gè)頂部有纓子的氈帽。?

特點(diǎn)1：在MSS圖像中，土壤在特征空間（光譜空間）的集群，隨亮度的變化趨勢(shì)沿從坐標(biāo)原點(diǎn)出發(fā)的同一根輻射線方向上出現(xiàn)。?

特點(diǎn)2：若把土壤和植被的混合集群投影到

MSS5和MSS6波段圖像所組成的特征子空間中，形成一個(gè)近似的帽狀三角形3.穗帽變換Y=A·XY=（ISB

IGV

IY

IN）TX=（X4X5X6X7）ISB——土壤亮度軸的像元亮度值IGV——植物綠色指標(biāo)軸的像元亮度值IY——黃色軸IN——噪聲軸Xi——地物在MSS四個(gè)波段上的亮度值?SB分量和GV分量一般情況下等價(jià)于主分量變換中的第一主分量

PCI和第二主分量PC2?SB分量集中了大部分土壤信

息，所以對(duì)土壤的分類是有效的?GV分量對(duì)植被的分類是有效的穗帽變換

4.生物量指標(biāo)變換?

Ibio——生物量變換后的亮度值。?x7，x5為MSS7和MSS5圖像的像元亮度值。?經(jīng)變換后，植物、土壤和水都分離開來，因此可獨(dú)立地對(duì)綠色植物量進(jìn)行統(tǒng)計(jì)。生物量指標(biāo)變換?定量選擇方法–

距離測(cè)度–散布矩陣測(cè)度?

類內(nèi)散矩陣?

類間散布矩陣?

總體散布矩陣?選擇一組最佳的特征影像進(jìn)行分類8.2.2特征選擇

=

+

TM7,4,1TM5,4,3TM5,7,2TM4,3,2?前面所述內(nèi)容主要為分類前的預(yù)處理。預(yù)處理工作結(jié)束后，就將參與分類的數(shù)據(jù)準(zhǔn)備，接下來的工作就是從這些數(shù)據(jù)提供的信息中讓計(jì)算機(jī)“找”出所需識(shí)別的類別方式有兩種：一種就是監(jiān)督分類法；

另一種稱為非監(jiān)督分類法。下面先介紹監(jiān)督分類法。?監(jiān)督分類：是基于我們對(duì)遙感圖像上樣本區(qū)內(nèi)地物的類屬已知，于是可以利用這些樣本類別的特征作為依據(jù)來識(shí)別非樣本數(shù)據(jù)的類別。?監(jiān)督分類的思想：首先根據(jù)已知的樣本類別和類別的先驗(yàn)知識(shí)，確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，其中利用一定數(shù)量的已知類別函數(shù)中求解待定參數(shù)的過程稱之為學(xué)習(xí)或訓(xùn)練，然后將未知類別的樣本的觀測(cè)值代入判別函數(shù)，再依據(jù)判別準(zhǔn)則對(duì)該樣本的所屬類別作出判定。8.3監(jiān)督分類監(jiān)督分類?

判別函數(shù)和判別規(guī)則?

分類過程

8.3.1判別函數(shù)和判別規(guī)則?各個(gè)類別的判別區(qū)域確定后，某個(gè)特征矢量屬于哪個(gè)類別可以用一些函數(shù)來表示和鑒別，這些函數(shù)就稱為判別函數(shù)。?

當(dāng)計(jì)算完某個(gè)矢量，在不同類別判決函數(shù)中的值后，我們要確定該矢量屬于某類必須給出一個(gè)判斷的依據(jù)。如若所得函數(shù)值最大則該矢量屬于最大值對(duì)應(yīng)的類別。這種判斷的依據(jù)，我們稱之為判別規(guī)則。最大似然分類法概率判別函數(shù)：某特征矢量（X）落入某類集群的條件概率貝葉斯判別規(guī)則：把X落入某集群

wi

的條件概率

P(wi

/

X)

最大的類為X的類別。貝葉斯判別規(guī)則以錯(cuò)分概率或風(fēng)險(xiǎn)最小為準(zhǔn)則的判別規(guī)則。假設(shè)：同類地物在特征空間服從正態(tài)分布，則類別的概率密度函數(shù)如式（8-2）所示。根據(jù)貝葉斯公式可得：最大似然分類法概率判別函數(shù)：

di

(X)

=

P(wi

/

X)P(wi

)

相應(yīng)的貝葉斯判別規(guī)則：若對(duì)于所有可能的j=1,2,

…

,m；j≠

i有di

(X)>dj

(X)

，則X屬于類wi

。判決邊界為

d1

(X)>d2

(X)

（假設(shè)有兩類）。最大似然法分類的錯(cuò)分概率?錯(cuò)分概率是類別判決分界兩側(cè)做出不正確判決的概率之和。貝葉斯判決邊界使這個(gè)數(shù)錯(cuò)誤為最小，因?yàn)檫@個(gè)判決邊界無論向左還是向右移都將包括不是1類便是2類的一個(gè)更大的面積，從而增加總的錯(cuò)分概率。

，貝葉斯判決規(guī)則是以錯(cuò)分概率最小的最優(yōu)準(zhǔn)則。最小距離分類法?基本思想：計(jì)算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于哪類。?

馬氏距離?

歐氏距離?計(jì)程距離錯(cuò)分概率及判決邊界?基本思想：首先通過訓(xùn)練樣區(qū)的數(shù)據(jù)找出每個(gè)類別在特征空間的位置和形狀，然后以一個(gè)包括該集群的“盒子”作為該集群的判別函數(shù)。判決規(guī)則為若未知矢量X落入該“盒子”

，則X分為此類，否則再與其它盒子比較。盒式分類法?

（

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(xùn)練樣區(qū)?

（4）確定判決函數(shù)和判決規(guī)則?

（

5）根據(jù)判決函數(shù)和判決規(guī)則對(duì)非訓(xùn)練樣區(qū)的圖像區(qū)域進(jìn)行分類8.3.2分類過程（

1）對(duì)訓(xùn)練樣區(qū)的要求?準(zhǔn)確性、代表性和統(tǒng)計(jì)性。?準(zhǔn)確性：要確保選擇的樣區(qū)與實(shí)際地物一致；?代表性：所選樣區(qū)為某一地物的代表，還要考慮到地物本身的復(fù)雜性，反映同類地物光譜特性的波動(dòng)情況；?統(tǒng)計(jì)性：指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元，以保證由此計(jì)算出的類別參數(shù)符合統(tǒng)計(jì)規(guī)律。（

2）初始類別參數(shù)的形成（3）樣本數(shù)據(jù)的訓(xùn)練?計(jì)算每個(gè)類別的M和

Σ

,

建立類別的判別函數(shù)（4）逐像素分類判別分類得到專題圖原始圖像的預(yù)處理特征提取和特征選擇訓(xùn)練樣區(qū)的選擇與評(píng)估通過訓(xùn)練樣區(qū)誤差矩陣和分類預(yù)警評(píng)價(jià)、樣本可分性度量判斷訓(xùn)練樣區(qū)是否合格合

格分類器選擇及分類運(yùn)算分類精度評(píng)價(jià)精度合格成果輸出監(jiān)督分類流程精度不合格不合格監(jiān)督分類的缺點(diǎn)?

主觀性?

由于圖像中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性?訓(xùn)練樣本的獲取和評(píng)估花費(fèi)較多人力時(shí)間?只能識(shí)別訓(xùn)練中定義的類別?非監(jiān)督分類：也稱聚類分析，是事先對(duì)分類過程不施加任何先驗(yàn)知識(shí)，僅憑遙感圖像地物的光譜特征的分布規(guī)律，進(jìn)行自動(dòng)分類。?分類方法：–K-均值聚類法–

ISODATA算法聚類分析–平行管道發(fā)聚類分析8.4

非監(jiān)督分類?算法準(zhǔn)則：多模式點(diǎn)到類別中心的距離的平方和最小。?

算法步驟：–(1)選擇m個(gè)類的初始中心–(2)按照到類中心距離最小的原則對(duì)像元分類–(3)重新計(jì)算類中心–(4)類中心不變，算法結(jié)束；否則返回(2)8.4.1

K-均值聚類法01

234

567

891001

234

567

891001

2

3

4

567

8

91001

23

4

5

6

7

8

9

101074211074211074211074218.4.1

K-均值聚類法668805309953668893509530

8.4.2

ISODATA算法聚類分析?第一，它不是每調(diào)整一個(gè)樣本的類別就重新計(jì)算一次各類樣本的均值，而是在每次把所有樣本都調(diào)整完畢之后才重新計(jì)算一次各類樣本的均值，前者稱為逐個(gè)樣本修正法，后者稱為成批樣本修正法。?第二，

ISODATA算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自動(dòng)地進(jìn)行類別的“合并”和“分裂”

，從而得到類數(shù)比較合理的聚類結(jié)果。?

1.初始化；?

2.選擇初始中心；?

3.按一定規(guī)則(如距離最小)對(duì)所有像元?jiǎng)澐郑?

4.重新計(jì)算每個(gè)集群的均值和方差；按初始化的參數(shù)進(jìn)行分裂和合并；?

5.結(jié)束，迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值；?

6.否則，重復(fù)3-5；?

7.確認(rèn)類別，精度評(píng)定.ISODATA算法?

以地物的光譜特性曲線為基礎(chǔ)，假定同類地物的光譜特性曲線相似作為判決的標(biāo)準(zhǔn)。設(shè)置一個(gè)相似閾值?同類地物在特征空間上表現(xiàn)為以特征曲線為中心，以相似閾值為半徑的管子，此即為所謂的“平行管道”。

8.4.3平行管道發(fā)聚類分析非監(jiān)督分類結(jié)果非監(jiān)督分類特點(diǎn)?

優(yōu)點(diǎn)–不需要預(yù)先對(duì)所分類別的區(qū)域有廣泛的了解，需要用一定的知識(shí)來解釋得到的集群組；–

人為誤差的機(jī)會(huì)減少；–

量小的類別能被區(qū)分。?

缺點(diǎn)–

得到的集群組類別不一定對(duì)應(yīng)分析者想要的類別；–

難對(duì)產(chǎn)生的類別進(jìn)行控制；–不同圖像之間的對(duì)比困難。8.5非監(jiān)督分類和監(jiān)督分類的結(jié)合?選擇一些有代表性的區(qū)域進(jìn)行非監(jiān)督分類。?獲得多個(gè)聚類類別的先驗(yàn)知識(shí)。?特征選擇。選擇最適合的特征圖像進(jìn)行后續(xù)分類。?使用監(jiān)督法對(duì)整個(gè)影像進(jìn)行分類。?輸出標(biāo)記圖像。8.6分類后處理和誤差分析?

分類后處理?

誤差分析?用光譜信息對(duì)影像逐個(gè)像元地分類，在結(jié)果的分類地圖上會(huì)出現(xiàn)“噪聲”

。?分類是正確的，但某種類別零星分布于