第8章 遥感图像分类

1、1 遥感数字图像处理遥感数字图像处理 林金堂林金堂 闽江学院地理科学系闽江学院地理科学系 2 第第8章章 遥感图像分类遥感图像分类 3 第第8章章 遥感图像分类遥感图像分类 8.1 概述概述 8.2 相似性度量相似性度量 8.3 工作流程工作流程 8.4 非监督分类非监督分类 8.5 监督分类监督分类 8.6 其他分类方法其他分类方法 8.7 分类后处理分类后处理 8.8 分类精度分析分类精度分析 4 8.1 概述概述 8.1.1 基本原理基本原理 8.1.2 分类方法分类方法 5 8.1 概述概述 8.1.1 基本原理基本原理 同类地物在相同的条件下同类地物在相同的条件下(光照、地形等光照、

2、地形等)应该具有相同或应该具有相同或 相似的光谱信息和空间信息特征。不同类的地物之间具有相似的光谱信息和空间信息特征。不同类的地物之间具有 差异根据这种差异，将图像中的所有像素按其性质分为若差异根据这种差异，将图像中的所有像素按其性质分为若 干个类别干个类别(Class)的过程，称为的过程，称为图像的分类图像的分类。 遥感图像分类以每个像素的光谱数据为基础进行。遥感图像分类以每个像素的光谱数据为基础进行。 假设遥感图像有假设遥感图像有K个波段，则个波段，则(i,j)位置的像素在每个波段上位置的像素在每个波段上 的灰度值可以构成表示为的灰度值可以构成表示为X=(x1，x2，xk)T，包含，包含X

3、的的K 维空间称为维空间称为特征空间特征空间，这样，这样K个波段的多光谱图像便可以个波段的多光谱图像便可以 用用K维特征空间中的一系列点来表示。在遥感图像分类问维特征空间中的一系列点来表示。在遥感图像分类问 题中，常把图像中的某一类地物称为题中，常把图像中的某一类地物称为模式模式，而把属于该类，而把属于该类 中的像素称为中的像素称为样本样本， X=(x1，x2，xk)T 可以称为可以称为样本的样本的 观测值观测值。 6 8.1 概述概述 8.1.2 分类方法分类方法 根据是否需要分类人员事先提供已知类别及其训练样本，根据是否需要分类人员事先提供已知类别及其训练样本， 对分类器进行训练和监督，可

4、将遥感图像分类方法划分为对分类器进行训练和监督，可将遥感图像分类方法划分为 监督分类和非监督分类。监督分类和非监督分类。 事先己经知道类别的部分信息事先己经知道类别的部分信息(即类别的先验知识即类别的先验知识)，对未，对未 知类别的样本进行分类的方法称之为知类别的样本进行分类的方法称之为监督分类监督分类(Supervised Classification)。事先没有类别的先验知识，对未知类别的。事先没有类别的先验知识，对未知类别的 样本进行分类的方法称之为样本进行分类的方法称之为非监督分类非监督分类(Unsupervised Classification) 根据分类使用的统计数学方法可以分为根

5、据分类使用的统计数学方法可以分为随机统计方法和模随机统计方法和模 糊数学方法分类糊数学方法分类。前者以随机数学理论为基础，包括。前者以随机数学理论为基础，包括K-均均 值分类、最大相似性分类等。后者以模糊数学理论为基础，值分类、最大相似性分类等。后者以模糊数学理论为基础， 主要是模糊分类。主要是模糊分类。 7 8.1 概述概述 8.1.2 分类方法分类方法 根据一个像素被分到一个类还是多个类，可将遥感图像分根据一个像素被分到一个类还是多个类，可将遥感图像分 类方法分为硬分类和软分类。图像上的一个像素只能被分类方法分为硬分类和软分类。图像上的一个像素只能被分 到一个类的分类方法称为到一个类的分类

6、方法称为硬分类硬分类(hard classification)。传。传 统的统计分类方法都是硬分类。统的统计分类方法都是硬分类。 硬分类有时可能不合理。因为有些像素可能同时具有两个硬分类有时可能不合理。因为有些像素可能同时具有两个 类或多个类的性质。类或多个类的性质。 图像上的每一个像素可以同时被分到两个或两个以上类的图像上的每一个像素可以同时被分到两个或两个以上类的 分类方法，称为分类方法，称为软分类软分类(soft classification )，这时每个像素，这时每个像素 除了被分类外，还同时允许它在不同的两个或多个类中具除了被分类外，还同时允许它在不同的两个或多个类中具 有隶属概率有

7、隶属概率(class membership probability)或部分隶属值或部分隶属值 (partial Membership value)。这是对硬分类不合理一面的。这是对硬分类不合理一面的 一种较合理的解决方式。一种较合理的解决方式。 8 8.2 相似性度量相似性度量 距离距离是常用的相似性度量的概念。分类是确定像素距离哪个是常用的相似性度量的概念。分类是确定像素距离哪个 点群中心较近，或落入哪个点群范围可能性大的问题。像素点群中心较近，或落入哪个点群范围可能性大的问题。像素 与点群的距离越近，那么，属于该点群的可能性越高。按照与点群的距离越近，那么，属于该点群的可能性越高。按照 一

8、定的准则，当距离小于一定值时，像素被划分给最近的点一定的准则，当距离小于一定值时，像素被划分给最近的点 群。每个点群为一个类。群。每个点群为一个类。 同一类别中点间的距离一般来说比不同类别点间距离要小。同一类别中点间的距离一般来说比不同类别点间距离要小。 也可以认为，一个点属于某一类，一定与这个类别中心的距也可以认为，一个点属于某一类，一定与这个类别中心的距 离比与其他类别中心的距离小。因此，在点群离比与其他类别中心的距离小。因此，在点群(团团)中心已知的中心已知的 情况下，以每个点与点群中心的距离作为判定的准则，就可情况下，以每个点与点群中心的距离作为判定的准则，就可 以完成分类工作。以完成

9、分类工作。 运用距离判别函数时，要求各个类别点群的中心位置己知。运用距离判别函数时，要求各个类别点群的中心位置己知。 对于光谱特征空间中的任一点对于光谱特征空间中的任一点k，计算它到各类中心点的距离，计算它到各类中心点的距离 d。若。若didj，则，则k像素属于像素属于i类而不属于类而不属于j类，此处，判别准则类，此处，判别准则 为为didj 9 8.2 相似性度量相似性度量 dik为当前像素i到类k的距离， P为波段数， xij为像素i在j波段的像素值， Mjk为类k在波段j的均值。 2.欧氏欧氏(Euclidean)距离距离 1.绝对距离绝对距离 该距离是平面上两点之间的直线距离，应用最多

10、。 10 8.2 相似性度量相似性度量 3.马氏马氏(Mahalanobis)距离距离 马氏距离是一种加权的欧氏距离，它通马氏距离是一种加权的欧氏距离，它通 过协方差矩阵来考虑变量的相关性。这过协方差矩阵来考虑变量的相关性。这 是由于在实际中，各点群的形状是大小是由于在实际中，各点群的形状是大小 和方向各不相同的椭球体，如图所示，和方向各不相同的椭球体，如图所示， 尽管尽管K点距点距MA的距离的距离DA比距比距MB的距离的距离 DB小，即小，即DADB ，但由于，但由于B点群比点群比A点点 群离散得多，因而把群离散得多，因而把K点划入点划入B类更合类更合 理。加权可以这样理解，计算的距离与理。

11、加权可以这样理解，计算的距离与 各点群的方差有关。方差愈大，计算的各点群的方差有关。方差愈大，计算的 距离就愈短。如果各个点群具有相同的距离就愈短。如果各个点群具有相同的 方差，则马氏距离是欧氏距离的平方。方差，则马氏距离是欧氏距离的平方。 11 8.2 相似性度量相似性度量 3.马氏马氏(Mahalanobis)距离距离 12 8.2 相似性度量相似性度量 4.相似系数相似系数 又称为余弦距离，其数学表达式为又称为余弦距离，其数学表达式为: 为图像像素光谱与参照光谱之间的夹角为图像像素光谱与参照光谱之间的夹角(光谱角光谱角) X为图像像素光谱曲线向量为图像像素光谱曲线向量 Y为参照光谱曲线向

12、量。为参照光谱曲线向量。 当当cos的值接近的值接近1的时候有最好的估计光谱值和类别分类结果。的时候有最好的估计光谱值和类别分类结果。 光谱角值以很小的光谱角值以很小的弧度角来表示，它代表了光谱曲线之间的弧度角来表示，它代表了光谱曲线之间的 相似性，其变化范围是相似性，其变化范围是0，/2 13 8.3 工作流程工作流程 图像的预处理图像的预处理 选择分类方法选择分类方法 特征选择和提取特征选择和提取 选择合适的分类选择合适的分类 参数进行分类参数进行分类 分类后处理分类后处理 成果输出成果输出 1.确定工作范围确定工作范围2.多源图像的几何配准多源图像的几何配准3.噪声处理噪声处理 4.辐射

13、校正辐射校正5.几何精纠正几何精纠正 6.多图像融合多图像融合 特征选择特征选择是从众多特征中挑选出可以参加分类运算的若干个特征。是从众多特征中挑选出可以参加分类运算的若干个特征。 特征提取特征提取是在特征选择以后，利用特征提取算法是在特征选择以后，利用特征提取算法(如主成分分析算如主成分分析算 法法)从原始特征中求出最能反映地物类别性质的一组新特征。从原始特征中求出最能反映地物类别性质的一组新特征。 特征选取的原则特征选取的原则：尽可能选取数量适当有助于增加同类地物的类聚性：尽可能选取数量适当有助于增加同类地物的类聚性 (即类内个体间离散性小即类内个体间离散性小)、能扩大地物类别之间差异性的

14、特征变量。、能扩大地物类别之间差异性的特征变量。 14 8.4 非监督分类非监督分类 根据事先指定的某一准则，让计算机自动进行判 别归类，无需人为干预，分类后需确定地面类别。在非 监督分类中，先确定光谱可分的类别（光谱类）然后定 义它们的信息类。 15 8.4 非监督分类非监督分类 非监督分类非监督分类，是指人们事先对分类过程不施加任何的先验知，是指人们事先对分类过程不施加任何的先验知 识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然 地进行盲目的分类。其分类的结果，只是对不同类别进行了地进行盲目的分类。其分类的结果，只是对不同类别进行了

15、 区分，并不确定类别的属性，其属性是通过事后对各类的光区分，并不确定类别的属性，其属性是通过事后对各类的光 谱响应曲线进行分析，以及与实地调查相比较后确定的。谱响应曲线进行分析，以及与实地调查相比较后确定的。 非监督分类的理论依据：非监督分类的理论依据：遥感图像上的同类地物在相同的表遥感图像上的同类地物在相同的表 面结构特征、植被覆盖、光照等条件下，一般具有相同或相面结构特征、植被覆盖、光照等条件下，一般具有相同或相 近的光谱特征，从而表现出某种内在的相似性，归属于同一近的光谱特征，从而表现出某种内在的相似性，归属于同一 个光谱空间区域；不同的地物，光谱信息特征不同，归属于个光谱空间区域；不同

16、的地物，光谱信息特征不同，归属于 不同的光谱空间区域。不同的光谱空间区域。 由于在一幅复杂的图像中，训练区有时不能包括所有地物的由于在一幅复杂的图像中，训练区有时不能包括所有地物的 光谱样式，这就造成了一部分像元找不到归属。在实际工作光谱样式，这就造成了一部分像元找不到归属。在实际工作 中为了进行监督分类而确定类别和训练区的选取也是不易的，中为了进行监督分类而确定类别和训练区的选取也是不易的， 因而在开始分析图像时，用非监督分类方法来研究数据的本因而在开始分析图像时，用非监督分类方法来研究数据的本 来结构及其自然点群的分布情况是很有价值的。来结构及其自然点群的分布情况是很有价值的。 16 8.

17、4 非监督分类非监督分类 非监督分类非监督分类主要采用聚类分析的方法主要采用聚类分析的方法，聚类是把一组像素按，聚类是把一组像素按 照相似性归成若干类别。它的目的是使得属于同一类别的像照相似性归成若干类别。它的目的是使得属于同一类别的像 素之间的距离尽可能小，而不同类别上像素间的距离尽可能素之间的距离尽可能小，而不同类别上像素间的距离尽可能 大。大。 在进行聚类分析时，首先要确定基准类别的参量。在非监督在进行聚类分析时，首先要确定基准类别的参量。在非监督 分类的情况下，并无基准类别的先验知识可以利用，因而，分类的情况下，并无基准类别的先验知识可以利用，因而， 只能先假定初始的参量，并通过预分类

18、处理来形成集群，再只能先假定初始的参量，并通过预分类处理来形成集群，再 由集群的统计参数来调整预制的参量，接着再聚类，再调整。由集群的统计参数来调整预制的参量，接着再聚类，再调整。 如此不断地迭代，直到有关参数达到允许的范围为止。如此不断地迭代，直到有关参数达到允许的范围为止。 所以说，非监督算法的核心问题是初始类别参数的选定，以所以说，非监督算法的核心问题是初始类别参数的选定，以 及它的迭代调整问题。及它的迭代调整问题。 17 8.4 非监督分类非监督分类 主要过程主要过程如下如下: （1）确定初始类别参数，即确定最初类别数和类别中心）确定初始类别参数，即确定最初类别数和类别中心 (集群中心

19、集群中心) （2）计算每一个像元所对应的特征矢量与各集群中心的）计算每一个像元所对应的特征矢量与各集群中心的 距离。距离。 （3）选与中心距离最短的类别作为这一矢量的所属类别。）选与中心距离最短的类别作为这一矢量的所属类别。 （4）计算新的类别均值向量。）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上的变化，若位置）比较新的类别均值与原中心位置上的变化，若位置 发生了改变，则以新的类别均值作为聚类中心，再从第发生了改变，则以新的类别均值作为聚类中心，再从第2 步开始重复，进行反复迭代操作。步开始重复，进行反复迭代操作。 （6）如果聚类中心不再变化，计算停止。）如果聚类中心不再变化

20、，计算停止。 18 8.4 非监督分类非监督分类 8.4.1 初始类别参数的选定初始类别参数的选定 8.4.2 常用非监督分类算法常用非监督分类算法 19 8.4 非监督分类非监督分类 8.4.1 初始类别参数的选定初始类别参数的选定 初始类别参数初始类别参数是指基准类别集群中心（数学期望是指基准类别集群中心（数学期望Mi），以），以 及集群分布的协方差矩阵及集群分布的协方差矩阵i 。因为无论采用何种判别函数，。因为无论采用何种判别函数， 都要预先确定其初始类别的参量。以下为几种常用的方法。都要预先确定其初始类别的参量。以下为几种常用的方法。 1.像素光谱特征的比较法像素光谱特征的比较法 2.

21、总体直方图均匀选心法总体直方图均匀选心法 3.最大最小距离选心法最大最小距离选心法 4.局部直方图峰值定心法局部直方图峰值定心法 20 8.4 非监督分类非监督分类 8.4.1 初始类别参数的选定初始类别参数的选定 1.像素光谱特征的比较法像素光谱特征的比较法 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，但通常是按一定间隔抽样的像素。所有像素，但通常是按一定间隔抽样的像素。 然后，选定抽样集中任一像素作为第一个类别；然后，选定抽样集中任一像素作为第一个类别； 给定一个光谱相似性比较阈值；给定一个光谱相似性比较阈值； 依次把

22、抽样集中每个像素的光谱特征与已建起的初始类别比依次把抽样集中每个像素的光谱特征与已建起的初始类别比 较，若该像素与其中一个初始类别相似，则作为该类集群中较，若该像素与其中一个初始类别相似，则作为该类集群中 的一个成员，若不与任何一个相似，则以该像素建立一个新的一个成员，若不与任何一个相似，则以该像素建立一个新 的初始类别。的初始类别。 当以上聚类过程完成后，每个已经建立起来的初始类别都包当以上聚类过程完成后，每个已经建立起来的初始类别都包 含了一定成员，依据此可统计其集群中心（数学期望含了一定成员，依据此可统计其集群中心（数学期望Mi）和）和 协方差矩阵协方差矩阵i 。 21 8.4 非监督分

23、类非监督分类 8.4.1 初始类别参数的选定初始类别参数的选定 2.总体直方图均匀选心法总体直方图均匀选心法 该方法是在整幅遥感影像的总体直方图的基础上进行类别中该方法是在整幅遥感影像的总体直方图的基础上进行类别中 心的选定的。设总体直方图的均值和方差分别为：心的选定的。设总体直方图的均值和方差分别为： T n mmmM, 21 T n , 22 2 2 1 N j iji N j iiji x N m mx N 1 1 22 1 )( 1 1 式中，i为波段号；j为像素点号； 为像素i在第j波段的亮度 值；n为波段数；N为像素总数。 ij x 22 8.4 非监督分类非监督分类 8.4.1

24、初始类别参数的选定初始类别参数的选定 2.总体直方图均匀选心法总体直方图均匀选心法 1) 1/() 1(2QqmZ iiqi ； ； iii iii mZ mZ 3 1 3 1 ； ； iii iii mZ mZ 4 2 3 1 用作图法不难证明，该法所选定的初始类别中心通过整体集群 中心的一条直线均匀散布的，并基本上包括在整体集群的范围 之内 现假设我们需要Q个初始类别，每个初始类别集群中心可 按下式确定： 例如， Q=4时 23 8.4 非监督分类非监督分类 8.4.1 初始类别参数的选定初始类别参数的选定 3.最大最小距离选心法最大最小距离选心法 该法的选心原则是使各初始类别之间，尽可能

25、地保持远距 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）获取一个抽样点像素集合 X 321 n XXXXX式中n为抽样个数 24 8.4 非监督分类非监督分类 8.4.1 初始类别参数的选定初始类别参数的选定 3.最大最小距离选心法最大最小距离选心法 按以下步骤进行选心处理： 1 1）取抽样集中任一像素之特征点作为第一个初始类别中心 2 2）计算与其他各抽样点之间的距离D。取与之距离最远的那个 抽样点（例如 ）作为第二个初始类别中心 ，即 若 1 Z ),max( 11312nij DDDD 2 Z 7 X 则 7 2 XZ 25 8.4 非监督分类非监督分类 8.4.1 初

26、始类别参数的选定初始类别参数的选定 3.最大最小距离选心法最大最小距离选心法 3 3）对于剩余的每个抽样点，计算它到已有各初始类别中心的距 离 m为已有初始类别数，并取其中的最小距离 作为该点的代表距离 ), 2 , 1(miD ij j D ,min 21mjjjj DDDD 式中：m为已形成的初始类别数。 4 4）在此基础上，再对所有各剩余点的最小距离进行相互比较， 取其中最大者，并选择与该最大的最小距离相应的抽样点（例 如 ）作为一个新的初始类别中心点（例如 ）。 重复以上步骤，直到初始类别的个数达到需要的个数为止。 11 X 113 XZ 26 8.4 非监督分类非监督分类 8.4.1

27、 初始类别参数的选定初始类别参数的选定 4.局部直方图峰值定心法局部直方图峰值定心法 由于整幅遥感图像总体直方图的分布是由各类别直方图叠 加而形成的。同时，每个类别的集群中心一般位于本类别直方 图的峰值位置，而在该位置处的总体直方图往往会出现局部峰 值。因而，该法便以搜索总体直方图局部峰值为原理来选定初 始类别的中心。其基本过程包括：图像数据抽样集的获取，建 立总体直方图以及搜索直方图局部峰值3个步骤。 27 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 2、ISODATA分类算法分类算法 28 8.4 非监督分类非监督分类

28、8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 K-均值均值(K-Mean)算法的算法的聚类准则聚类准则是使每一分类中，像素点是使每一分类中，像素点 到该类别中心的距离的平方和最小。到该类别中心的距离的平方和最小。 K-均值算法均值算法基本思想基本思想是：通过迭代，移动各个基准类别的中是：通过迭代，移动各个基准类别的中 心，直至得到最好的聚类结果为止。心，直至得到最好的聚类结果为止。 29 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 收敛条件收敛条件：对于图像中互不相交的任意一个类，计算该

29、类中：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。将图像中所有类的差的平的像素值与该类均值差的平方和。将图像中所有类的差的平 方和相加，并使相加后的值达到最小。方和相加，并使相加后的值达到最小。 设图像中总类数为设图像中总类数为m，各类的均值为，各类的均值为C，类内的像素数为，类内的像素数为N、 像素值为像素值为f，那么，收敛条件是使得下式达到最小，那么，收敛条件是使得下式达到最小: 2 11 () i N m ciji ij JfC 30 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 Clust

30、er size Distance between cluster means Distance to a cluster mean 0 2550 255 Band A Band B 31 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 K-均值算法步骤均值算法步骤 任选任选k个初始聚类中心：个初始聚类中心： (上角标记载为寻找聚类中的迭上角标记载为寻找聚类中的迭 代运算次数代运算次数)。一般可选定样本。一般可选定样本 集的前集的前k个样本作为初始聚类中个样本作为初始聚类中 心，也可用前面所述的方法进心，也可用前面所述的方法进 行

31、初始聚类中心的选择，如最行初始聚类中心的选择，如最 大最小距离选心法。大最小距离选心法。 1 1 Z. 1 2 Z 1 k Z A) Cluster centres are arbitrarily assigned 0 2550 255 Band A Band B A 32 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 K-均值算法步骤均值算法步骤 设已进行到第设已进行到第 t 步迭代。步迭代。 若对某一样本若对某一样本X有有 则则X ，其中，其中 是以是以 为聚类中心的样本集。为聚类中心的样本集。 以此种方法将全部样本以此种

32、方法将全部样本 分配到分配到k个类中个类中 。 | t i t j ZXZX t j S t j S t j Z B) Each pixel is assigned to the nearest cluster centre in data space 0 2550 255 Band A Band B B 33 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 K-均值算法步骤均值算法步骤 计算各聚类中心的新向量值计算各聚类中心的新向量值 1t j Z j n 1 t j sx X 式中式中 为为 中所包含的样本数。中所包含的样本

33、数。 因为在这一步要计算因为在这一步要计算k个聚类中个聚类中 心的样本均值，故称为心的样本均值，故称为K-均值均值 算法。算法。 j n j S C) The cluster means are then calculated and the pixels are reassigned to the new cluster centres 0 2550 255 Band A Band B C 34 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 K-均值算法步骤均值算法步骤 若若 , j = 1,2,k,则则 回到第二步，将全部

34、样本回到第二步，将全部样本 n重新分类，重复迭代计重新分类，重复迭代计 算。若算。若 , j =1,2,k, 则结束。则结束。 1t j Z t j Z 1t j Z t j Z D) The process is repeated until when the cluster centres move by less than a preset distance 0 2550 255 Band A Band B D 35 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 36 8.4 非监督分类非监督分类 8.4.2 常用非监督

35、分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 37 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 38 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 1、K-均值分类算法均值分类算法 可以看到，现在的每个像素都己经被分给距离最近的类，总的离差平方和最可以看到，现在的每个像素都己经被分给距离最近的类，总的离差平方和最 小，因此分类过程到此结束。最终得到小，因此分类过程到此结束。最终得到K=2个类为个类为(A)和和(BCD)。 39 8.4 非监督分类非监督分类 8.4.2 常用非

36、监督分类算法常用非监督分类算法 2、ISODATA分类算法分类算法 迭代自组织的数据分析算法迭代自组织的数据分析算法（Iterative Selforganizing Data Analysis Techniques Algorithm）亦称）亦称ISODATA算法算法。此种。此种 算法与算法与K-均值算法有相似之处，即聚类中心也是通过样本均均值算法有相似之处，即聚类中心也是通过样本均 值的迭代运算来决定的，但值的迭代运算来决定的，但ISODATA算法加入了一些试探算法加入了一些试探 性步骤和人机交互功能，能吸取中间结果所得到的经验，主性步骤和人机交互功能，能吸取中间结果所得到的经验，主 要是

37、在迭代过程中可将一类一分为二，亦可能将二类合二为要是在迭代过程中可将一类一分为二，亦可能将二类合二为 一，亦即一，亦即“自组织自组织”，故这种算法已具有启发式的特点。，故这种算法已具有启发式的特点。 40 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 2、ISODATA分类算法分类算法 N所要求的类别数（实际的类别数目为所要求的类别数（实际的类别数目为Nt）; I允许迭代的次数（实际已迭代的次数为允许迭代的次数（实际已迭代的次数为L）; Tm每类集群中样本的最小数目每类集群中样本的最小数目; Ts 集群分类标准，每个类的分散程度的参数集群分类标准，每个类的分散

38、程度的参数(如最大标准差如最大标准差); Tc 集群合并标准，即两个类中间的最小距离。集群合并标准，即两个类中间的最小距离。 第一步第一步:指定算法控制参数指定算法控制参数 41 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 2、ISODATA分类算法分类算法 第二步第二步:聚类处理聚类处理 在已选定的初始类别参数的基础上，按任一种距离判别函数进行分类判在已选定的初始类别参数的基础上，按任一种距离判别函数进行分类判 别，从而获得每个初始类别的集群成员。同时，对每一类集群（别，从而获得每个初始类别的集群成员。同时，对每一类集群（i）累计）累计 其成员总数（其成员

39、总数（ni）、总亮度（）、总亮度（xij）及总亮度平方（）及总亮度平方（xij2） ，并按下式计，并按下式计 算各类的均值算各类的均值M和方差和方差2: 1 1 i n ijijk k Mx n 22 2 11 () (1) ii nn iijkijk kk ij ii nxx n n 然后将有关数值填入类别参数搜索表然后将有关数值填入类别参数搜索表 j为波段序号为波段序号 42 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 2、ISODATA分类算法分类算法 第三步第三步:类别的取消处理类别的取消处理 对上次趋近后的各类成员总数对上次趋近后的各类成员总数 n

40、i 进行检查，若进行检查，若 niTs，并满足下列条件之一者，则第，并满足下列条件之一者，则第I类需要进行类需要进行 分类处理分类处理: （条件一）（条件一） Ni 即第即第i类标准差大于总平均标准差类标准差大于总平均标准差 1 1 n iij j n 1 1 t N i i t N 其中其中 i 44 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 2、ISODATA分类算法分类算法 第五步第五步:类别的分裂处理类别的分裂处理 分裂处理过程如下分裂处理过程如下: 定义两个新类别定义两个新类别 i 和和 i 取代被分裂的类别，它们的均值和方差取代被分裂的类别，它

41、们的均值和方差 分别定义如下分别定义如下: 1 3 ijijij MM 1 3 ijijij MM 2 3 ijijij 同时，修改类别总数同时，修改类别总数 Ni 为为 Ni+1，并修改搜索表。注意每次允许分裂的，并修改搜索表。注意每次允许分裂的 类别数一般不应超过已有类别数的一半。分裂处理结束后返回第二步作类别数一般不应超过已有类别数的一半。分裂处理结束后返回第二步作 下一次迭代。若本次迭代没有一个类别需要分裂，则转入下一步进行合下一次迭代。若本次迭代没有一个类别需要分裂，则转入下一步进行合 并处理。并处理。 45 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类

42、算法 2、ISODATA分类算法分类算法 第六步第六步:类别的合并处理类别的合并处理 首先对已有的类别计算每两类（首先对已有的类别计算每两类（i与与k）中心间的距离）中心间的距离Dik，可以选用，可以选用 距离判别函数中的任一个，这里我们以绝对值距离为例距离判别函数中的任一个，这里我们以绝对值距离为例: 1 n ikijkj j DMM (1,2,1;1,2,) tt iNkiiN 然后将所有然后将所有Dik与限值与限值Tc相互比较，若相互比较，若DikTc，则把这两类，则把这两类(i,k)的合并为一的合并为一 类。合并后新类别的均值和方差为类。合并后新类别的均值和方差为: iijkkj mj

43、 ik n Mn M M nn 2222 2 () () iijijmjkkjkjmj mj ik nMMnMM nn 同时修改总数同时修改总数Ni 为为 Ni-1 ，并把搜索表中的相应内容进行更新。在迭代过程，并把搜索表中的相应内容进行更新。在迭代过程 中，每次合并后的类别总数不应小于指定的类别数中，每次合并后的类别总数不应小于指定的类别数N的半数，并类处理结束的半数，并类处理结束 后返回第二步进行下一次迭代。后返回第二步进行下一次迭代。 46 8.4 非监督分类非监督分类 8.4.2 常用非监督分类算法常用非监督分类算法 2、ISODATA分类算法分类算法 ISODATA法实质上是以初始类

44、别为法实质上是以初始类别为“种子种子”进行自动迭代聚类进行自动迭代聚类 的过程，它可以自动地进行类别的的过程，它可以自动地进行类别的“合并合并”和和“分裂分裂”，其各个参，其各个参 数也在不断地聚类调整中逐渐确定，并最终构建所需要的判别函数。数也在不断地聚类调整中逐渐确定，并最终构建所需要的判别函数。 因此，可以说基准类别参数的确定过程，也正是利用光谱特征本身因此，可以说基准类别参数的确定过程，也正是利用光谱特征本身 的统计性质对判别函数的不断调整和的统计性质对判别函数的不断调整和“训练训练”的过程。的过程。 47 8.5 监督分类监督分类 通过对工作地区图像的目视判读、实地勘查或结合通过对工

45、作地区图像的目视判读、实地勘查或结合GIS，我，我 们可以获得部分地物的分类信息。利用己知地物的信息对未们可以获得部分地物的分类信息。利用己知地物的信息对未 知地物进行分类的方法称为知地物进行分类的方法称为监督分类监督分类。 监督分类的前提是己知遥感图像上样本区内地物的类别，该监督分类的前提是己知遥感图像上样本区内地物的类别，该 样本区又称为样本区又称为训练区训练区。 监督分类的监督分类的基本过程基本过程是：首先根据已知的样本类别和类别的是：首先根据已知的样本类别和类别的 先验知识确定判别准则，计算判别函数，然后将未知类别的先验知识确定判别准则，计算判别函数，然后将未知类别的 样本值代入判别函

46、数，依据判别准则对该样本所属的类别进样本值代入判别函数，依据判别准则对该样本所属的类别进 行判定。在这个过程中，利用己知类别样本的特征值求解判行判定。在这个过程中，利用己知类别样本的特征值求解判 别函数的过程称之为别函数的过程称之为学习或训练学习或训练。 48 8.5 监督分类监督分类 训练区训练区 训练区用来确定图像中己知类别像素的特征。这些特征对训练区用来确定图像中己知类别像素的特征。这些特征对 于监督分类来说是必不可少的。于监督分类来说是必不可少的。 训练区在遥感处理系统中被称为训练区在遥感处理系统中被称为“感兴趣区感兴趣区”。在。在ENVI 系统中，该区域称为系统中，该区域称为ROI，

47、在，在ERDAS系统中称为系统中称为AOI。本文。本文 使用使用ROI表示训练区。表示训练区。 在建立训练区之前，首先要根据工作要求，收集地区资料，在建立训练区之前，首先要根据工作要求，收集地区资料， 包括地形图、土地利用现状图、土壤图、植被图、行政图等，包括地形图、土地利用现状图、土壤图、植被图、行政图等， 根据这些资料，确定分类对象及其分类系统。根据这些资料，确定分类对象及其分类系统。 49 8.5 监督分类监督分类 训练区训练区 1.训练区的类型训练区的类型 ROI有如下三种有如下三种: .点点:单个像素。单个像素。 .线线:直线或折线主要是线性地物，较窄的河流、道路直线或折线主要是线性

48、地物，较窄的河流、道路 .面面:连续的分布区。例如大面积的水体、绿地、城镇等。连续的分布区。例如大面积的水体、绿地、城镇等。 一类地物的训练区可以是一个或多个一类地物的训练区可以是一个或多个ROI，可以是点、线或面。，可以是点、线或面。 在遥感系统中确定在遥感系统中确定ROI时，需要同时确定如下参数时，需要同时确定如下参数: 1）ROI名称可以直接使用地物类的名称作为名称可以直接使用地物类的名称作为ROI名称，例如，名称，例如，“道道 路路”。 2）颜色。使用的颜色应该与分类系统的要求保持一致。具体工作时要）颜色。使用的颜色应该与分类系统的要求保持一致。具体工作时要 参照本行业的特定分类要求来

49、定。参照本行业的特定分类要求来定。 3）样本数目。）样本数目。ROI中包括的像素数即为统计分析中使用的样本数。样中包括的像素数即为统计分析中使用的样本数。样 本数应该足够多。本数应该足够多。 确定确定ROI后，需要进一步分析后，需要进一步分析ROI的可分性。即计算的可分性。即计算ROI之间的分离之间的分离 指数。如果选用的特征的分离性较差，那么应该考虑分类中不要使用该指数。如果选用的特征的分离性较差，那么应该考虑分类中不要使用该 特征。特征。 50 8.5 监督分类监督分类 训练区训练区 2.训练区的选择训练区的选择 根据分类系统的要求，结合实地调查，在遥感图像上勾绘各类典型根据分类系统的要求

50、，结合实地调查，在遥感图像上勾绘各类典型 地物的分布范围，即训练区。地物的分布范围，即训练区。 选取训练样区必须根据先验知识，并尽可能参考现势性强的图件和选取训练样区必须根据先验知识，并尽可能参考现势性强的图件和 文字资料，以便能够选出最有代表性和波谱特征比较均一的地段。有文字资料，以便能够选出最有代表性和波谱特征比较均一的地段。有 条件的话，应该进行实地调查。条件的话，应该进行实地调查。 选择训练区时应注意以下问题选择训练区时应注意以下问题: （1）训练区必须具有典型性和代表性，即所含类型应与研究地域）训练区必须具有典型性和代表性，即所含类型应与研究地域 所要区分的类别一致。所要区分的类别一

51、致。 （2）使用的图件时间和空间上要保持一致性，以便于确定数字图）使用的图件时间和空间上要保持一致性，以便于确定数字图 像与地形图像与地形图(或土地利用图、地质图、航片等或土地利用图、地质图、航片等)的对应关系。的对应关系。 （3）训练区的选取方式有按坐标输入式和人机对话式两类。）训练区的选取方式有按坐标输入式和人机对话式两类。 （4）训练样本的数目。训练样本数据用来计算类均值和协方差矩）训练样本的数目。训练样本数据用来计算类均值和协方差矩 阵。阵。 51 8.5 监督分类监督分类 训练区训练区 3.训练区的调整训练区的调整 在监督分类中，选好训练样区并进行不断的调整与优化具有十在监督分类中，

52、选好训练样区并进行不断的调整与优化具有十 分重要的作用。选取的样区不同，分类结果就会有差异，甚至差分重要的作用。选取的样区不同，分类结果就会有差异，甚至差 异很大。异很大。 训练区选定后，便可以利用训练区中的样本得到相应地物类的训练区选定后，便可以利用训练区中的样本得到相应地物类的 光谱特征，进行监督分类。光谱特征，进行监督分类。 52 8.5 监督分类监督分类 8.5.1 平行管道分类平行管道分类 8.5.2 最小距离分类最小距离分类 8.5.3 最大似然分类最大似然分类 53 8.5 监督分类监督分类 8.5.1 平行管道分类平行管道分类 考虑到每一类别训练集内数值变差范围，引入考虑到每一

53、类别训练集内数值变差范围，引入类别变差灵类别变差灵 敏度敏度的概念。这个变差范围可由每波段内的最高与最低数的概念。这个变差范围可由每波段内的最高与最低数 字来确定，并且变差范围在二通道散点图上表现为一个矩字来确定，并且变差范围在二通道散点图上表现为一个矩 形窗口。依据这个类别变差范围或判定区来对未知像元分形窗口。依据这个类别变差范围或判定区来对未知像元分 类，若像元是在类别变差范围之内，则可将其归入所在的类，若像元是在类别变差范围之内，则可将其归入所在的 类别。如果像元是在所有类别变差范围之外，则规定它为类别。如果像元是在所有类别变差范围之外，则规定它为 “未知未知”像元。这些矩形窗口的多维类

54、似体称为像元。这些矩形窗口的多维类似体称为“平行六平行六 面体面体”。 54 8.5 监督分类监督分类 8.5.1 平行管道分类平行管道分类 该法判决的原理是对图像中每个像素的光谱响应曲线进行相似性比该法判决的原理是对图像中每个像素的光谱响应曲线进行相似性比 较，凡其光谱响应曲线接近并且近乎平行的像素都归为同一类。否则属较，凡其光谱响应曲线接近并且近乎平行的像素都归为同一类。否则属 于另一类。现假设我们对图像地物的类属没有任何先验知识，因而每类于另一类。现假设我们对图像地物的类属没有任何先验知识，因而每类 的初始参数要在分类过程中逐步建立。其分类判决过程如下的初始参数要在分类过程中逐步建立。其

55、分类判决过程如下: （1）在计算机中开辟一个分类图像数组。）在计算机中开辟一个分类图像数组。 （2）在原始遥感图像上，选取）在原始遥感图像上，选取c个类别的训练区域第个类别的训练区域第i个类别训练区域个类别训练区域 Ti的样本个数为的样本个数为Ni，计算每个类别的均值，计算每个类别的均值(mi或或i): 具体地说，若样本具体地说，若样本y由由K个波段组成，则均值个波段组成，则均值mi 是是K维向量，每个分量维向量，每个分量 是训练区域相应波段的像素均值。是训练区域相应波段的像素均值。 （3）选择一个光谱响应相似性量度阈值）选择一个光谱响应相似性量度阈值T。由基准光谱响应曲线为中由基准光谱响应曲

56、线为中 心，以心，以T为半径形成的平行管道代表了同类地物光谱响应曲线随机变动为半径形成的平行管道代表了同类地物光谱响应曲线随机变动 的容忍范围，落入一个平行管道的各响应地物将被认为属于同一类别。的容忍范围，落入一个平行管道的各响应地物将被认为属于同一类别。 1 i i my N 55 8.5 监督分类监督分类 8.5.1 平行管道分类平行管道分类 （4）以行、列的顺序依次对图像中所有的像素进行如以行、列的顺序依次对图像中所有的像素进行如下下处理处理: 1）读其各波段的灰度值读其各波段的灰度值xi1、 xi2 、 xi3和和xi4 。 2）按以下分类判决规则按以下分类判决规则(即分类器即分类器)

57、逐个与前面步骤求得的类别中心进逐个与前面步骤求得的类别中心进 行比较判别行比较判别: 若若 | xi1 -m1 |T且且| xi2 -m2 |T且且| xi3 -m3 |T且且| xi4 -m4 |T 同时成立，则像素同时成立，则像素i属于该类。否则，不属于该类，转属于该类。否则，不属于该类，转入入与下一类比较。与下一类比较。 式中式中：T是预置的门限是预置的门限(即上述平行管道的半径即上述平行管道的半径)，可以在分类过程中作，可以在分类过程中作 相应的调整。相应的调整。 3）通过上述判决，如果该像素属于任何一类，则把其类别编码号填通过上述判决，如果该像素属于任何一类，则把其类别编码号填入入

58、分类图像中与该像素相应的位置上去。分类图像中与该像素相应的位置上去。 4）通过上述判决，如果该像素不属于任伺类，则把该像素各波段的灰通过上述判决，如果该像素不属于任伺类，则把该像素各波段的灰 度值作为新的一类基准光谱响应曲线，按顺序充实到搜索表中去。度值作为新的一类基准光谱响应曲线，按顺序充实到搜索表中去。 （5）当完成第当完成第（4）步后，分类图像已经形成。步后，分类图像已经形成。与此同时，所有各类与此同时，所有各类 的基准的基准响应响应曲线也都逐步形成，它实际上代表了各类集群统计中心的随曲线也都逐步形成，它实际上代表了各类集群统计中心的随 机矢量灰度分量的近似值。机矢量灰度分量的近似值。

59、56 8.5 监督分类监督分类 8.5.2 最小距离分类最小距离分类 最小距离法最小距离法是利用训练样本中各类别在各波段的均值，根据各像元是利用训练样本中各类别在各波段的均值，根据各像元 与训练样本平均值距离的大小来决定其类别。首先应确定每一类别光谱与训练样本平均值距离的大小来决定其类别。首先应确定每一类别光谱 的平均值，这些值称为平均矢量。图中，用的平均值，这些值称为平均矢量。图中，用“ + ”表示各类别的平均值。表示各类别的平均值。 将这两个通道的像元值作为位置坐标（如散点图上所描绘的一样），便将这两个通道的像元值作为位置坐标（如散点图上所描绘的一样），便 可以计算未知像元值与每一类别光谱

60、平均值之间的距离，从而确定未知可以计算未知像元值与每一类别光谱平均值之间的距离，从而确定未知 类别的像元应该属于哪一类。如图中点类别的像元应该属于哪一类。如图中点I，算出这些距离后，即可确定，算出这些距离后，即可确定 这些未知像元应该属于离它这些未知像元应该属于离它“最近最近”的一类，假如像元离分析者所确定的一类，假如像元离分析者所确定 的任何一个类别平均值的距离都很远，则把这种像元归为的任何一个类别平均值的距离都很远，则把这种像元归为“朱知朱知”类。类。 57 8.5 监督分类监督分类 8.5.2 最小距离分类最小距离分类 同一类别的特征矢量在特征空间内完全聚集成团状同一类别的特征矢量在特征