第六章 遥感图像分类(三)

1、,第六章 遥感图像分类,6.1 基本知识 6.2 遥感图像分类基本原理 6.3 监督分类 6.4 非监督分类 6.5 遥感图像分类新方法 6.6 分类后处理和精度分析 6.7 分类中非光谱辅助信息应用,概述,6.4 非监督分类,非监督分类是指人们事先对分类过程不加入任何的先验知识，而仅凭遥感图像中地物的光谱特征，即自然聚类的特征进行的分类。 特点：分类结果只是区分了存在的差异，但不能确定类别的属性。类别的属性需要通过目视判读或实地调查后进行确定。 非监督分类有多种方法，其中K-均值方法和ISODATA方法是效果较好，使用最多的两种方法。 非监督分类的假设：相同条件下，遥感图像上的同类地物具有相

2、同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一光谱特征空间，反之则不同。,概述,6.4 非监督分类,在开始图像分类时，用非监督分类方法来探索数据的本来结构及其自然点群的分布情况往往很有价值。 非监督分类主要采用聚类分析方法，把像素按照相似性归成若干类别，使得属于同一类别的像素之间的差异（距离）尽可能的小而不同类别中像素间的差异尽可能的大。 由于没有利用地物类别的先验知识，非监督分类只能事先假定初始的参数，并通过预分类处理来形成类群，通过迭代使有关参数达到允许的范围为止。因此，非监督分类算法的关键是初始类别参数的选定和迭代调整问题。,概述,6.4 非监督分类,主要过程如下： 确定初始

3、类别参数，即确定最初类别数和类别中心（点群中心）； 计算每一个像素所对应的特征向量与各点群中心的距离； 选取与中心距离最短的类别作为这一向量的所属类别； 计算新类别均值； 比较新的类别均值与初始类别均值，如果发生了改变，则以新的类别均值作为聚类中心，再从第步开始进行。,初始类别参数的选择,6.4 非监督分类,初始类别参数是指：基准类别集群中心（数学期望Mi），以及集群分布的协方差矩阵i。 无论采用何种判别函数，都要预先确定其初始类别的参数，以下介绍几种确定的方法： 1、光谱特征比较法 首先在遥感图像中定义一个抽样集，它可以是整幅图像的所有像素，也可以是按一定间隔抽样的像素；然后选定抽样集中任一

4、像素作为第一个类别（初始类别）；,初始类别参数的选择,6.4 非监督分类,然后，给定一个光谱相似性比较阈值，依次把抽样集中每个像素的光谱特征与初始类别的光谱特征进行相似性比较，若该像素与初始类别相似，则作为该类中的一个成员，若不相似，则该像素作为新的一个新的初始类别。 最后，每个初始类别都包含了一定的成员，据此可计算各类别中心的期望和协方差矩阵。 2、直方图法 该方法在整幅图像直方图的基础上选定类别中心。假定初始类别有Nc个，每个初始类别中心位置Zj（j=1,2,Nc）可按照下式确定：,初始类别参数的选择,6.4 非监督分类,(i=1,2,K)。其中，mi为均值， 为标准差，K为波段数。,如图

5、为Nc=4的情形：,初始类别参数的选择,6.4 非监督分类,3、最大最小距离法 该法的原则是各初始类别之间尽可能地保持最大距离。为做到这一点，首先在整幅图像中按一定方式（如等间隔方式）获取一个抽样的像素几何X，X=X1,X2,Xn，n为抽样个数，下图中n=11，表示抽样11个像素点。 然后按照以下步骤进行选心： 取抽样集中任一像素（如X1）作为第一个初始类别的中心Z1； 计算X1与其他各抽样点之间的距离D0 取与之距离最远的抽样点（如X7）作为第二个初始类别中心Z2，即：,初始类别参数的选择,6.4 非监督分类,则：Z2=Xj。,初始类别参数的选择,6.3 非监督分类, 对于剩余的每个抽样点，

6、计算它到已知各初始类别中心的距离Dij(i=1,2,m),m为已有初始类别数，并取其中的最小距离最为该点的代表距离Dj，Dj=minD1j,D2j,Dmj;m为已形成的初始类别数。 在此基础上，再对所有各剩余点的最小距离Dj进行相互比较，取其中最大者，并选择与之对应的抽样点(如X11)作为一个新的初始类别中心点（如Z3=X11）. 重复上面步骤，直到初始类别的个数达到指定数目为止。,初始类别参数的选择,6.4 非监督分类,该方法与光谱特征比较法相比，不受阈值T的影响，与直方图法相比，结果更接近实际各类点群的分布位置，所以这是一种较为合理的方法。 4、局部直方图峰值法 整幅遥感图像直方图的分布是

7、由各类地物直方图叠加形成的，同时，每个类别的中心一般在本类别直方图的峰值位置，而该位置在图像的总体直方图中往往会表现为局部峰值。局部直方图峰值法以搜索总体直方图局部峰值为基础来选定初始类别的中心。,K-均值方法,6.4 非监督分类,K-均值算法的聚类准则是使每一分类中，像素点到该类别中心的距离的平方和最小。其基本思想是，通过迭代逐次移动各类的中心，直到满足收敛条件为止。 收敛条件：对于图像中互不相交的任意一个类，计算该类中的像素值与该类均值差的平方和。将图像中所有类的平方和相加，并使相加后的值达到最小。 设图像中总类数为m，各类的均值为C，类内的像素数为N，像素值为f,那么收敛条件就是使得下式

8、最小：,K-均值方法,6.4 非监督分类,K-均值算法如图。假设图像上的地物要分为m类，m为已知数。具体计算步骤如下： 适当选取m个类的初始中心 ，初始中心的选择对聚类结果有一定影响，一般有两种方法： a、根据问题性质和经验确定类别数m，从数据中找出直观上看来比较,K-均值方法,6.4 非监督分类,适合的m个类的初始中心。 b、将全部数据随机地分为m个类别，计算每个类的重心，将这些重心作为m个类的初始中心。 在第k次迭代中，对任一样本X按如下的方法把它调整到m个类别中的某一类别中去。对于所有的 ，如果 ，则 ，其中 是以 为中心的类。 由第二步得到 类新的中心 ，其中，Nj为 类中的样本数。

9、按照下面误差平方和J最小的原则确定。J的表达式为：,K-均值方法,6.4 非监督分类, 对于所有的 如果 则迭代结束，否则转到第步继续进行。 K-均值算法的优点是实现简单，缺点是过分依赖初值，容易收敛于局部极值。该方法在迭代过程中没有调整类数的措施，产生的结果受所选聚类中心的数目、初始位置、类分布的几何性质和读入次序等因素影响较大。初始分类选择不同，最后的分类结果可能不同。,K-均值方法,6.4 非监督分类,实例计算：假定4个像素A,B,C,D的两个波段B1和B2的数据如下：,目标是将这些像素分成K=2个类，使每个类内像素之间的距离比不同类像素之间的距离小。为了实施K=2均值法，将这些像素先随意分成两个类，比如说（AB）和（CD），然后计算这两个类的中心（均值）和坐标( ),由此得到：,K-均值方法,6.4 非监督分类,然后计算每个像素到类中心的欧氏距离，并将每个像素重新分配给最近的一类。若类中的像素发生了变动，则该类的中心（均值）在进行下一步操作之前要重新计算。 先计算A到两个类的平方距离：,K-均值方法,6.4 非监督分类,由于A到（AB）的距离小于到（CD）的距离，因此A不用重新分配。计算B到两个类的平方距离，得到：,结果表明，B应重新分配到类（CD）中，得到类(BCD)。接下来更新类中心的坐标