遥感图像分类

1、监督分类法：选择具有代表性的典型实验区或训练区，选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来用训练区中已知地面各类地物样本的光谱特性来“训练训练”计算机，获得识别各类地物的判别函数或模式，并以此计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类对未知地区的像元进行分类处理，分别归入到已知的类别中。别中。非监督分类：是在没有先验类别（训练场地）作为样本是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像

2、元归为一类）似度的大小进行归类合并（即相似度的像元归为一类）的方法。的方法。l收集现场信息l在屏训练数据多边形选择l在屏训练数据的种子选择获取每个感兴趣类在各波段上的训练统计量后，必须确定能最有效区分各种类的波段方法：统计分析方法图形分析方法距离作为判别准则，根据像点到各类中心的距离来判别分类piijijMxD12)(piijijMxD1|不同类别的灰度值的变化范围即其方差的大小是不同的，不能简单地用像元到类中心的距离来划分像元的归属；自然地物类别的点群分布不一定是圆形或球形的，即在不同方向上半径是不同的，因而距离的量度在不同方向上应有所差异。K-最近邻分类器 piijijijMxD122/)

3、(21/ |ijpiijijMxDl地理分层l分类器操作l分类后处理遥感影像与地图的复合 地图影像化 影像地图化DTM与遥感数据的复合遥感与地球物理、地球化学数据的复合遥感信息-地表空间特征地球物理、地球化学特征-不同深度地物的物理性质，如内部结构、物理组成、基层表面起伏l专题图栅格化l空间配准l构建信息表达模型及提取方法对象对象对象对象高空间分辨率影像SAR数据Lidar数据GIS矢量数据多尺度分析光谱、形状、纹理特征库模糊规则库认知基元基元特征的定量化表达模糊逻辑推理信息提取结果决策知识库地物知识库数据层分析层基元层决策层结果层选择适当的尺度，才能有效、完整地提取信息 邻对象邻对象子对象子

4、对象父对象父对象多尺度影像分割首先通过初始分割将影像像元合并成较小的初始影像对象,然后通过多次循环将较小的影像对象合并成较大的多边形对象p对象合并准则对象合并准则在初始分割基础上，通过将初始影像对象逐步合并为较大的对象来实现多尺度对象的构建，对象合并的停止条件是由其尺度准则决定的shapeshapevaluevaluehwhwfccmccmccvaluennwh)()(2211smoothsmoothcmpctcmpctshapehwhwh)()(222111nlnlnnlnlnhmmmmcmpct)()(222111blblnblblnhmmmmsmooth尺度为：尺度为：16 16 平均平

5、均面积：面积：867.6867.6尺度为：尺度为：32 32 平平均面积：均面积：2131.12131.1尺度为：尺度为：128 128 平平均面积：均面积：8274.88274.8尺度为：尺度为：256 256 平均面积：平均面积：3017130171作操辑逻目标类2目标类3目标类n目标类1特征1特征2特征3特征m结果特征元c1c2c3c4表示对应目标类中所选择的特征43R个输入piR R，即R维输入矢量p pn: net input, n=wpwp+b。 R个权值wiR R，即R维权矢量w w 阈值b输出a=f(n), f: transfer function教师神经网络比较环境实际输出输入期望输出误差信号p(n)t(n)a(n)e(n)第八章 人工神经网络48211()() ()22TkkJEenEnnee211()()() ()22TkkJnennneeSSEMSEkJ w.Tkkewpkjkjwe pdelta学习规则TWep(0)W( )kta()(1)jjjjjtaaa(1)jjjjiiiaawijjiwa (1)( )ijijijwtwtw 综合评判综合评判根据多个因素对事物进行评定，称为综合评判.模型已知条件：, ) 1 (21iinaxxxxX的权重为因素因素集, 11niia);,(21naaaA得权重向量;,