遥感数字图像计算机解译分析学习教案.ppt

会计学6.2遥感(yáogǎn)数字图像的计算机分类6.2.1分类(fēnlèi)原理2基本原理

不同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

由不同探测波段组成的多波段数字图像是地物这一特征的量化

图像分类基于(jīyú)数字图像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来进行.分类过程的目标是对图像中所有像元进行类别划分3几个基本概念

计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用。统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定准则作出决策，从而对数字图像予以识别。

遥感图像分类的主要依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值可以(kěyǐ)用作遥感图像分类的原始特征变量。模式（patten）：在多波段图像中，每个像元都具有一组对应取值，称为像元模式。

特征（feature）：在多波段图像中每个波段都可看作一个变量，称为特征变量。

一个像元可以看成由n个特征组成的n维空间的一个点，同类地物形成n为空间的一个点群。差异明显的不同地物会构成(gòuchéng)n为空间的若干个点群。

图像分类就是要分析特征空间这些点群的特点，如点群的位置、分布中心、分布规律，从而确定点群的界限，最终完成分类任务。/波段

光谱波段

其他派生波段（运算处理后产生的波段）
就某些特定地物的分类而言，多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K－T变换等），以寻找能有效(yǒuxiào)描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。分类是对图像上每个像素按照亮度接近程度给出对应类别，以达到大致区分遥感图像中多种地物的目的。

辅助数据（ancillarydata)（非遥感数据，如DEM、土壤类型）特征提取（featureextraction）：从n个特征中选取k个更有效特征作为分类依据的过程

在很多情况下，利用(lìyòng)少量特征就可以进行遥感图像的地学专题分类，因此需要从遥感图像n个特征中选取k个特征作为分类依据，我们把从n个特征中选取k个更有效特征的过程称为特征提取。

特征提取要求所选择的特征相对于其他特征更便于有效地分类，使图像分类不必在高维特征空间里进行，其变量的选择需要根据经验和反复的实验来确定。4分类依据

相似(xiānꞬsì)度：两类模式之间的相似(xiānꞬsì)程度
遥感图像计算机分类的依据是遥感图像像素的相似(xiānꞬsì)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(xiānꞬsì)度。

距离:特征空间中象元数据和分类类别特征的相似(xiānꞬsì)程度。距离越小，相似(xiānꞬsì)度越大，反之则小。
相关系数：是指像素(xiànꞬsù)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(xiànꞬsù)之间的相关系数rij可以定义为：6.2.2分类(fēnlèi)方法1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(liàngdù)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。
监督分类包括利用训练区样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别的过程
(1)最小距离分类法
最小距离分类法（minimumdistanceclassifier）是用特征空间中的距离表示像元数据(shùjù)和分类类别特征的相似程度，在距离最小时（相似度最大）的类别上对像元数据(shùjù)进行分类的方法。

包括：最小距离判别法和最近邻域分类法最小距离判别法
这种方法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值(jūnzhí)），首先计算待分像元与已知类别之间的距离，然后将其归属于距离最小的一类。2002-11-01（2）多级切割(qiēgē)分类法多级分割法分类便于(biànyú)直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。但它要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其他方法对各轴进行相互独立的正交变换，然后进行多级分割。（3）特征(tèzhēng)曲线窗口法特征曲线选取的方法可以有多种，如地物吸收特征曲线，它将地物的标准吸收特征值连接成曲线，通过与其他像素吸收曲线比较，进行分类(fēnlèi)；也可以在图像训练区中选取样本，把样本地物的亮度值作为特征参数，连接该地物在每波段参数值即构成该类地物的特征曲线。

特征曲线窗口法可以根据