《第十讲-遥感影像分类(共72页).doc》由会员分享，可在线阅读，更多相关《第十讲-遥感影像分类(共72页).doc（73页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上第10讲 遥感影像分类专心-专注-专业遥感影像计算机分类 是通过模式识别理论，利用计算机将遥感图象自动分成若干地物类别的方法。 基本依据不同的地物具有不同的光谱特征，同类地物 具有相同或相似的光谱特征图象分类：基于数字图象中反映的同类地物的光谱相似性和异类地物的光谱差异性图象分类过程的总目标是，将图象中所有的像元自动地进行土地覆盖类型或土地覆盖专题的分类。光谱类和信息类 光谱类（spectral class）：基于光谱特征形成的类别如房屋的阳面和阴面光谱特征不同，不同的光谱类 信息类 (information class)：根据实际需要待分的类别，是根据需要人为划分的
2、如城市类由道路、建筑物、水体、绿地等不同地物组成 ，不同地物光谱特征不同基本概念模式（pattern）: 在多波段图象中，每个象元都具有一组对应 取值，称为象元模式特征（feature）：在多波段图象中，每个波段都可看作一个变 量，称为特征变量波段：光谱波段其它派生波段（纹理、上下文关系、波段比等）辅助数据(ancillary data) (非遥感数据，如DEM、 土壤类型)特征提取(feature extraction)：通过变换找出最能反映地物类别差异的特征变量用于分类的过程特征选择(feature selection)：直接从原始波段数据中选择分类算法 参数分类 vs. 非参数分类 监督
3、vs. 非监督 硬分类vs. 软分类 逐像元分类vs. 面向对象的分类（图像分割）参数分类 vs. 非参数分类 参数分类方法（Parametric methods ）（如最大似然分类和非监督聚类方法）假设遥感影像的光谱值服从正态分布及各类别的概率密度函数 非参数分类方法（Nonparametric methods）（如最近邻分类、神经网络分类等）对类别的光谱统计分布没有假设监督分类 vs. 非监督分类监督分类（supervised classification）：通 非监督分类(unsupervised classification)： 过选择代表各类别的已知样本（训练区 根据事先指定的某一准
4、则，而进行计算 ）的象元光谱特征，事先取得个类别的 机自动判别归类，无须人为干预，分类 参数，确定判别函数，从而进行分类。 后需确定地面类别在监督分类中，先定义信息类，然后检 在非监督分类中，先确定光谱可分的验它们的光谱可分性 类别，然后定义它们的信息类硬分类 vs. 软分类 硬分类：分类结果产生像元唯一的确定类别 软分类：产生像元属于各类别的隶属度逐像元分类 vs. 面向对象分类 逐像元分类：将每个像元标记为一定的类别 面向对象分类：根据图像分割算法，将图像划分为内部相对均一的对象，类别赋予每个对象分类过程 确定分类问题：确定专题数据的需求、研究区域、分类体系、拟采用的分类方法等 获取合适的
5、遥感数据（各种分辨率、季相等）和地面参考数据 遥感数据处理：辐射纠正、几何纠正等 专题信息提取：特征选择、特征提取、分类算法等 分类后处理 精度评价地表 几何和辐射纠正 特征提取 分类 分类结果传感器测量 待分类图像 特征训练数据分类体系 互斥性(Mutually Excluded) 无遗漏（Exhaustive） 层次性（ hierarchical ）不同层次的分类体系，反映类别差别的细节 不同，对遥感数据空间分辨率和光谱分辨 率的要求也不同不同层次的土地利用分类体系对遥感空间分辨率的要求（Anderson体系）不同尺度植被调查对类别细节和遥 感分辨率的要求监督分类过程地表遥感图像训练数据
6、分类器参考数据采样 采样 分类图比较精度报告训练样本的选择 代表性：训练样本必须具有研究区内空间上的代表性 数量：假定由N个波段参与分类，训练样本的数目至少10N，以保证某些分类算法 中方差协方差矩阵的运算 选取方式：野外调查参考数据目视判断特征选择特征选择：确定参与分类的波段依据：类别间的可区分性选择方法：图形法、统计法特征选择图形法特征选择统计法离散度（divergence）1 ( )( )1 1Divercd tr V V V V=c d d c21( )( )( ) + 1 1tr + TVc V M M M Md c d c d2平均离散度Diveravg=m 1 m Divercd
7、c 1 d c 1= = +C特征选择统计法Bhattacharyya 距离 +V Vc d1 +1 V V 1Bhat log 2= + ( ) ( )M M M MTc dcd V Vc d c d e8 2 2c d分类算法选择1、平行六面体分类算法ck BV +ck ijk ckck分类算法选择最小距离分类( ) ( ) Dist = + BV2 2ijk BVck ijl cl分类算法选择最大似然分类：通过比较像元属于每个类别的后验概率，确 定像元的类别假设：每个类别在每个波段上的统计特征服从正态分布概率信息通过估计概率密度分布函数得到类别 wi 的概率密度分布函数用公式计算： (
8、)1 1 x 2p x | w( )i i=exp i 1 22( )2 2 ii 2：样本估计均值 ：估计方差i多波段概率密度函数1 1 T 1p X | wi X M V X M( )= ( ) ( )expi i i 1 2 n( )2 |V |22i分类判别规则p | | ( ) ( ) ( ) ( )X wi p w p X w p wi p w p X w p wi j j神经网络分类输入层结点（i） 隐层结点（j） 输出层结点（k）输入Pj 输出Ok最小距离最大似然 神经网络非监督分类算法K-Means聚类:在初始设定基础上，在分类过程中根据一定原则不断重新计算类别总数、类别中心
9、，使分类结果逐渐趋于合理，直到满足一定条件, 分类完毕.1. 确定最初类别数和类别中心;2. 计算每个像元多对应的特征矢量与各聚类中心的距离;3. 选与其中心距离最近的类别作为这一矢量(像元)的所属类别;4. 计算新的类别均值向量; 5. 比较新的类别均值与原中心位置的变化, 形成新的聚类中心; 重复2, 反复迭代;6. 如聚类中心不再变化, 停止计算.开始初始聚类中心计算距离像元归类计算类别均值 均值与中心数一致？ 否是停止新均值代替旧中心ISODATA(Iterative Self-Organizing Data Analysis Technique )The ISODATA 算法是 k-
10、means clustering 算法的修正算法:a) 在聚类过程中，如果两个类别间多光谱空间的距离小于设定的阈值，则合并 这两个类b) 如果某些类别内部的方差大于一定阈值，则将这个类劈分为两个类别聚类过程: 类别中心的变化原始的聚类中心 第1次迭代后的类别分布聚类过程: 类别中心的变化第2次迭代后的类别分布 第n次迭代后的类别分布分类算法特点分类精度评价误差积累过程总的误差数据获取 数据分析 最终产品与表达 决策实施数据处理 数据转换 决策数据获取数据处理 数据分析 数据转换9几何纠正 9定量分析 9栅格-矢量9辐射纠正 9分类 9矢量-栅格9数据转换 9数据综合9几何关系9传感器系统9卫星
11、平台9地面控制9地面景的影响土 地 退 化 监 测 与 评 价 GIS 和 遥 感 技 术 应 用 培 训 研 讨 会分类精度评价方法发展第一阶段：目视判断主观性第二阶段：比较分类所得的专题图中各 类别的面积范围（或面积百分比）与地 面或其它参考数据中相应类别的面积范 围（或面积百分比）非定位第三阶段：以定位（site specific）类 别比较和精度测量（accuracy metrics ）为特征定位第四阶段：在第三阶段方法基础上的细 化和发展误差矩阵误差矩阵方法分类精度指标 总体精度（Overall accuracy）：对角线所有元素的合除以所用样本数 生产者精度某类中正确分类的象元数除
12、以参考数据中所有该类的象元数（列方向） 用户精度某类中正确分类的象元数除以所有的被分为该类的象元数（行方向） Kappa系数Kappa系数总体精度只用到 m m N p (p *p ii i+ +i i=1 i=1 m 2 N (p *p ) i+ +i i=1=N：样本总数m: 混淆矩阵中的行数)了对角线上的象元数量； Kappa系数既考虑了对角线上被正确分类的象元，也考虑了不在对角线上各种漏分pii : 位于第i行和第i列的样本数量和错分误差pi+: 第i行的样本总数量p+i : 第i列的样本总数量精度评价过程1) 参考数据采样设计- 随机采样, 系统采样, 层次随机采样, 聚集随机采样
13、2) 样本选取- 参考数据来源- 样本量的大小（取决于区域大小，类别多少等）3) 构建误差矩阵 (producers & users accuracy) Commission (inclusion): pixels classified to category where they dont belong.Omission (exclusion): pixels that should have been classified as one type instead of another.4) 计算Kappa系数5) 精度报告采样设计CLASSIFIED IMAGE REFERENCE DAT
14、AFrom airphotos, field data, etc.1 生成随机样本点2 在每个点上比较分类结果与 “真实类型”3 构建和分析误差矩阵误差矩阵REFERENCE DATA 对角线的元素表示正确分类的样本数 非对角线元素表示错分和漏分误差包含误差REFERENCE DATA 18个像元被包含到玉米 玉米和森林混淆严重漏分误差REFERENCE DATA 32个玉米样本中 有7个被漏分了 玉米和黄豆、森林混淆 分类精度表达 总体精度 (overall accuracy)REFERENCE DATA 用户精度（users accuracy）(1-commission error) 生产
15、者精度(1-omission error)REFERENCE DATA z 总体分类精度：表示对每一个随机样本，所分类的结果与地面对应区域实际类型相一致的概率。25+ + + =50 60 100*10028482.7% 用户精度：表示对分类结果REFERENCE DATA中的任一随机样本，其类型与地面实际类型相一致的概率。Users accuracy for corn category:25 =*1004358.1%Accuracy Assessmentthe error matrix 生产者精度：表示相对于地面REFERENCE DATA获得的实际资料中的任一随机样本，分类图上同一地点的分
16、类结果与其类型相一致的条件概率。Producers accuracy for corncategory:25 =*1003278.1%精度报告Sample error matrix for accuracy assessment of a land cover classification.Reference DataW S F U C H TotalWater 226 0 0 12 0 1 239Sand 0 216 0 92 1 0 309Forest 3 0 360 228 3 5 599Urban 2 108 2 397 8 4 521Cornfield 1 4 48 132 190
17、78 453Hayfield 1 0 19 84 36 219 359Total: 233 328 429 945 238 307 2480Producers Accuracy (Omission) Users Accuracy (Commision)W = 226/233 = 97% W = 226/239 = 94%S = 216/328 = 66% S = 216/309 = 70%F = 360/429 = 84% F = 360/599 = 60%U = 397/945 = 42% U = 397/521 = 76%C = 190/238 = 80% C = 190/453 = 42%H = 219/307 = 71% H = 219/359 = 61%Overall accuracy = (226 + 216 + 360 + 397 + 190 + 219) / 2480 = 65%土 地 退 化 监 测 与 评 价 GIS 和 遥 感 技 术 应 用 培 训 研 讨 会精度评价中需要注意的问题 采样问题 参考数据的精度Thanks!Any Questions?