遥感影像分类.pptx

监督分类，又称训练分类法，即用被确认类别样本像元去识别其它未知类别像元过程。已被确认类别样本像元是指那些位于训练区像元。在这种分类中，分析者在图像上对每一个类别选取一定数量训练区，计算机计算每种训练样区统计或其它信息．每个像元和训练样本作比较，按照不一样规则将其划分到和其最相同样本类。非监督分类，也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相同光谱集群组过程。非监督分类不需要人工选择训练样本，仅需极少人工输入．计算机按一定规则自动地依据像无光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。含糊分类：前面讲到各种分类方法都是假设每个像元只能被归入一个类型中．像元和类型之间只能是一对一关系。但在实际上，因为遥感图像分辨率及其它原因影响，图像中像元所对应地面实体并不只是一个类别，面是二个或二个以上类别混合体。含糊分类就是允许依据其混合类型百分比将一个像元归到几个类型。假如一个像元50％是草地、20％是房屋、30％是道路．则在含糊分类中，这个像元属于这三种类型成份分别为0.5、0.2和0.3。算法包含两个主要步骤:对来自含糊训练数据含糊参数预计;对光谱空间含糊划分。这能够判别混合象元中各组分覆盖类型不完全隶属性以及产生更准确统计参数,从而到达更高分类精度。空间结构纹理分类：单纯光谱分类器只考虑图像光谱特征，但在实际景观中，因为地物是含有一定空间结构特征，如城市居住区多是由树木、草地、道路、房屋顶、停车地等组成。所以在分类中，利用其空间特征纹理差异能够比较轻易地域分不一样类型，而单纯亮度信息则不一定能很好地域分不一样类型。空间结构分类器主要是利用一些测量空间纹理结构函数得到新层。普通这些函数都是利用一定窗口测量像元和其周围像元之间关系，比如说在5x5窗口内像元之间方差、空间相关系数等，将这些层加到原始图像光谱层中．从而对混合图像进行分类。纹理特征：中值(Mean),协方差(Variance),同质性（或称为逆差距）(Homogeneity),反差(Contrast),差异性(Dissimilarity),熵(Entropy),二阶距(AngularSecondMoment),自相关(Correlation)。用于分类辅助数据：辅助数据是指用于帮助因像分析和分类非图像信息，包含航空像片、地图、备类专题图、野外考查、汇报等。在数字化图像分析中，辅助数据通常是被转化成数字化格式，如GIs中各种地形图、土壤图、植被图等。数字化辅助数据普通有两种使用方式，一是将辅助层简单地加到图像现有光谱数据中、将辅助层看成是另一个单一图像波段，并将这种复合图像进行监督或非监督分类；二是使用分层分类策略，将光谱图像先进行分类，然后利用辅助数据将其分成几个层．将每个层按照一定规则重新分类或者准确化初始分类结果。这种方法能够依据辅助数据将所研究重点类别或者难以分类类别孤立出来，允许复杂分类算法有效地利用于这些类别中，从而提升分类精度。用于分类辅助数据：利用辅助数据一个主要障碍是辅助数据和遥感数据之间不匹配。因为多数辅助数据并不是用来为遥感数据应用服务，所以其数字化辅助数据对应百分比尺、分辨率、时间、精度以及统计格式极少和遥感图像相匹配。当其应用于遥感图像分类时，有时必须对其进行预处理，以确保其和图像之间物理匹配。另外，哪种辅助数据也成为一个主要决议问题。比如对于山区植物分类，其地形高度、坡度和坡向是一些有用辅助信息，帮助确定植被类型。但在其它分类中，地形可能就不是一个关键原因。即使有些人提倡尽可能多利用全部相关辅助数据，但考虑到其中时间和其它代价，这种提议显然并不是最好。仔细地选择和决定主要辅助数据应该是必需。分类精度评价方法精度评价最好是比较两幅图像中每个像元之间一致性。但在多数情况下，我们极难取得一整幅准确参考图，所以大多数精度评价都是对图像采样一部分像元进行评价，其参考类别能够经过野外考查、更详细航空像片，或者其它起源分类图上得到。通常把训练样本分为两部分，一部分用于分类，另一部分用于精度评价。1采样方法采样设计应该采取概率采样．以确保样本代表性和有效性，使利用样本预计总体参数建立在可靠基础之上。精度评价中有不一样采样方法，惯用概率采样方法包含简单随机采样、分层采样、聚点式集群采样以及系统采样等。不一样采样方法所采取参数预计详细形式和计算公式不一样，它们各含有一定优缺点。详细采取哪种方法，应考虑分类系统对应用目标影响，依据精度评价目标而定。1采样方法1)简单随机采样即在分类图上随机地选择一定数量像元，然后比较这些像元类别和其标准(或实际)类别之间一致性。应用此设计，全部样本空间中单元被选中概率都是相同。在此基础上所计算出相关总体参数预计也是无偏。假如所研究区域内各种类型分布均匀，且面积差异不大，则简单随机采样应