第06-02章 监督分类.ppt

第六章遥感图像分类 6 1遥感图像分类的基本方法6 2遥感图像监督分类6 3遥感图像非监督分类6 4基于混合像元的遥感图像分类6 5非光谱信息在遥感图像分类中的应用6 6基于知识的遥感图像分类 第二节遥感图像监督分类 监督分类法 首先 从研究区域选取具有代表性的一定数量的已知类别的样本 训练样区 并根据这些样本的观测值 类别的先验知识 建立判别函数和相应的判别准则 然后将未知类别的样本的观测值代入判别函数 最后依据判别准则对该未知类别的样本所属类别做出判定 常用方法1 最大似然法分类 是建立在Bayes准则基础上分类错误概率最小的一种非线性分类法 也是应用比较广泛 比较成熟的一种监督分类法 假定每一类在图像中的概率密度分布呈正态分布 并计算给定像元属于某一特定类别的似然度 即概率或可能性 最后将其归并到似然度最大的那一类中 第二节遥感图像监督分类 假定图像上各类地物光谱特征呈多元正态分布 若非正态分布 可通过变换使其呈正态分布 并计算每个未知像元到各类别中心的距离 如欧氏距离 即两点之间的直线距离 最后根据距离最近进行归类 第二节遥感图像监督分类 这是一个须应用每个类别统计信息的方向灵敏的距离分类器 它假定图像上各类地物光谱特征呈多元正态分布以及所有类别的协方差相等 然后计算每个未知像元到各类别中心的马氏距离 最后根据距离最近进行归类 第二节遥感图像监督分类 首先由巡逻组数据产生每一类别的均值向量和标准差向量等基本统计文件 然后据此在数据空间中划分出若干个平行六面体块断 二维情况下为矩形 每一块断即为一类 第二节遥感图像监督分类 基于ERDAS的监督分类法的一般过程 1 定义分类模板 DefineSignature 2 评价分类模板 EvaluateSignature 3 执行监督分类 PerformSupervisedClassification 4 评价分类结果 EvaluateClassification 5 分类后处理 Post ClassificationProcess 详见 第三节遥感图像非监督分类 第二节遥感图像监督分类 基于ERDAS的监督分类法的一般过程 1 定义分类模板 显示需要进行分类的图像 打开模板编辑器 点击Classifier图标 SignatureEditor菜单 第二节遥感图像监督分类 获取分类模板信息 可以应用AOI绘图工具 AOI扩展工具或查询光标等方法 获取分类模板信息 应用AOI绘图工具在原始图像获取分类模板信息 在显示有待分类图像的视窗中对所有类别都绘制若干个多边形AOI 获取分类模板信息 应用AOI绘图工具在原始图像获取分类模板信息 在SignatureEditor对话框 点击图标 将多边形AOI区域加载Signature分类模板中 并确定各类的名字及颜色 获取分类模板信息 应用AOI绘图工具在原始图像获取分类模板信息 如果对同一个专题类型采集了多个AOI并分别生成了模板 则可以利用 合并图标 将这些模板合并成一个具多区域的综合性的新模板 原来的多个Signature亦同时存在 也可删除 获取分类模板信息 应用AOI绘图工具在原始图像获取分类模板信息 保存分类模板 SignatureEditor对话框的File菜单 Save 获取分类模板信息 应用AOI扩展工具在原始图像获取分类模板信息 应用查询光标扩展方法获取分类模板信息 应用AOI工具在特征空间图像产生分类模板 特征空间图像 用待分类图像的两个波段值分别作纵 横坐标轴所形成的图像 在原始图像上应用AOI区域产生的分类模板属于参数型模板 parametric 在特征空间 FeatureSpace 图像上应用AOI工具产生的分类模板为非参数型模板 non parametric 应用AOI绘图工具在原始图像获取分类模板信息 第二节遥感图像监督分类 基于ERDAS的监督分类法的一般过程 2 评价分类模板 可以应用Alarms 分类报警工具 ContingencyMatrix 可能性矩阵 SignatureSeparability 类别的分离性 或Statistics 分类统计分析 等方法等 评价分类模板 应用Alarms 分类报警工具 评价分类模板 产生报警掩膜 在SignatureEditor对话框上选择某一类或某几类模板 view菜单 ImageAlarm 评价分类模板 应用Alarms 分类报警工具 评价分类模板 查看报警掩膜 利用Blend Swiper或Flicker功能 评价分类模板 应用Alarms 分类报警工具 评价分类模板 删除分类报警掩膜 利用View窗口上的图标或在ArrangeLayers对话框上右键点击AlarmMask图层 将其删除 评价分类模板 应用ContingencyMatrix 可能性矩阵 评价分类模板 根据分类模板 分析AOI训练区中的像元是否完全落在相应的类别之中 其结果可以是一个百分比矩阵 它说明每个AOI训练区中有多少个像元分别属于相应的类别 在Signature对话框中选择所有类别 评价分类模板 应用ContingencyMatrix 可能性矩阵 评价分类模板 选择Evalution菜单 Contingency 评价分类模板 应用ContingencyMatrix 可能性矩阵 评价分类模板 分析误差矩阵 若某个模板的误差矩阵值 百分比 小于85 则该模板需要重新建立 评价分类模板 应用FeatureObjects 特征对象 评价分类模板 应用FeatureSpacetoimagemasking 由特征空间到图像掩膜 应用Histrograms 直方图方法 应用SignatureSeparability 类别的分离性 应用Statistics 类别统计分析 第二节遥感图像监督分类 基于ERDAS的监督分类法的一般过程 3 执行监督分类 PerformSupervisedClassification Classifier图标 SupervisedClassification菜单项 DistanceFile 分类距离文件 将被用于对分类结果的阈值评价法 第二节遥感图像监督分类 基于ERDAS的监督分类法的一般过程 BestClassesPerPixel的数值将决定FuzzyClassification法的分类图像的层数 是否执行FuzzyClassification 模糊分类法 其分类图像层将是多层的 其中第一层整体分类效果最好 第二层较好 第二节遥感图像监督分类 基于ERDAS的监督分类法的一般过程 parametricRule 参数规则 主要有最大似然 最小 欧氏 距离和马氏距离等判别规则 只应用于参数模板 Non parametricRule 非参数规则 主要有Parallelepiped 平行六面体 和FeatureSpace 特征空间 等判别规则 只应用于非参数模板 第二节遥感图像监督分类 基于ERDAS的监督分类法的一般过程 是否UseProbabilities 使用似然度阈值 该选项仅从属于最大似然分类准则 第二节遥感图像监督分类 在此可以对每个类别设置一个似然度阈值 0 1 第二节遥感图像监督分类 基于ERDAS的监督分类法的一般过程 4 评价分类结果 EvaluateClassification 以精度评估 AccuracyAssessment 法为例 精度评估 AccuracyAssessment 将专题分类图像中的特定像元与已知分类的参考像元进行比较 实际工作中常常是将分类数据与地面真值 航空相片或其他数据进行对比 第一步 分别打开分类前的原始图像和参考图件 并将两视窗相连第二步 启动精度评估对话框Classifier图标 AccuracyAssessment菜单 基于ERDAS的图像分类后精度评估 第二步 启动精度评估对话框Classifier图标 AccuracyAssessment菜单 在AccuracyAssessment对话框中 显示了一个精度评估矩阵 此矩阵中参考像元的分类值 Reference 由用户自己输入 基于ERDAS的图像分类后精度评估 第三步 打开初始分类图像 在AccuracyAssessment对话框的菜单条上选择File Open 在AccuracyAssessment对话框的工具条上选择图标然后将鼠标左键在显示有原始图像的视窗上点击一下即可 基于ERDAS的图像分类后精度评估 第四步 将显示有分类前的原始图像的视窗与精度评估视窗相连 基于ERDAS的图像分类后精度评估 第五步 在AccuracyAssessment对话框中设置随机点的色彩 在AccuracyAssessment对话框的菜单条上选择View ChangeColors 基于ERDAS的图像分类后精度评估 第六步 产生随机点 即在初始分类图像中产生一些随机的点 其实际类别由用户自己给定 然后 将就随机点的实际类别与在分类图像中的类别进行比较 在AccuracyAssessment对话框的菜单条上选择Edit Create AddRandomPoints SearchCount 确定随机点过程中使用的最多分析像元数 NumberofPoints 确定随机点的个数 它至少大于250 但通常比SearchCount小很多 若选择Random 意味着将产生绝对随机的点位 而不使用任何强制性措施 若选择EqualizedRandom 意味着每个类将具有相同数量的随机点 基于ERDAS的图像分类后精度评估 若选择StratifiedRandom 意味着将产生的随机点的数量与类别涉及的像元数成正比 另外 若选择StratifiedRandom 则可以为每一类确定一个最小点数 UseMinimumPoints 以保证小类别也有足够的分析点 点击SelectClasses按钮 意味着可以对分类图像的某些类别产生随机点 基于ERDAS的图像分类后精度评估 第七步 显示随机点及其类别 在AccuracyAssessment对话框的菜单条上 分别选择View ShowAll 即所有随机点均以第五步所设置的PointWithnoReference颜色显示在视窗中 和Edit ShowClassValues 各点的类别号出现在数据表的Class 分类值 字段中 基于ERDAS的图像分类后精度评估 第八步 输入实际参考点的实际类别值 在数据表的Reference字段中 输入各个随机点的实际类别值 Note 此时 所有输入实际类别值的随机点在视窗中的色彩就变为第五步所设置的PointWithReference颜色 基于ERDAS的图像分类后精度评估 第九步 保存随机点文件 然后选择Report AccuracyReport 以产生分类精度报告 基于ERDAS的图像分类后精度评估 第十步 设置并输