遥感技术应用_06遥感图像分类

1、遥感图像分类第4章 遥感图像处理3 遥感图像分类是影像信息提取的一种方法 遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一 图像分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。 如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、 数据信息（遥感数据地物信息） 举例Landsat TM 真彩色合成影像 分类后的影像 基本原理基本原理： 在遥感图像上，同类物体在同样条件下，应具有相同的光谱信息特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信息特征不同，而群集在不同的光谱空间区域内。 遥感图像分类方法 计算机自动分类： 监督分类 非监

2、督分类 新的分类方法： 人工神经网络方法 决策树分类法 专家系统分类法 监督分类 监督分类法是选择有代表性的试验区来训练计算机，再按一定的统计判别规则对未知地区进行自动分类的方法。分类目的:将图象中所有像元自动地进行土地覆盖专题分类原始遥感图像对应的专题图像分类的依据是什么?监督分类的思想1）确定每个类别的样区2）学习或训练3）确定判别函数和相应的判别准则4）计算未知类别的样本观测值函数值5）按规则进行像元的所属判别分类过程分类过程原始影像数据的准备原始影像数据的准备图像变换及特征选择图像变换及特征选择分类器的设计分类器的设计初始类别参数的确定初始类别参数的确定逐个像素的分类判别逐个像素的分类

3、判别形成分类编码图像形成分类编码图像输出专题图输出专题图监督分类的主要步骤如下：监督分类的主要步骤如下：（1）确定感兴趣的类别数确定感兴趣的类别数。首先确定要对哪些地物进行分类，这样就首先确定要对哪些地物进行分类，这样就可以可以建立这些地物的先验知识。建立这些地物的先验知识。（2）特征变换和特征选择）特征变换和特征选择根据感兴趣地物的特征进行有针对性的特根据感兴趣地物的特征进行有针对性的特征变换，这部分内容在前面特征选择和特征征变换，这部分内容在前面特征选择和特征变换一节有比较详细的介绍。变换之后的特变换一节有比较详细的介绍。变换之后的特征影像和原始影像共同进行特征选择，以选征影像和原始影像共

4、同进行特征选择，以选出既能满足分类需要，又尽可能少参与分类出既能满足分类需要，又尽可能少参与分类的特征影像，加快分类速度，提高分类精度。的特征影像，加快分类速度，提高分类精度。（3 3）选择训练样区）选择训练样区训练样区的选择要注意准确性、代表性和训练样区的选择要注意准确性、代表性和统计性三个问题。统计性三个问题。准确性准确性就是要确保选择的样区与实际地物就是要确保选择的样区与实际地物的一致性的一致性代表性代表性一方面指所选择区为某一地物的代一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特所以必

5、须在一定程度上反映同类地物光谱特性的波动情况性的波动情况统计性统计性是指选择的训练样区内必须有足够是指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符多的像元，以保证由此计算出的类别参数符合统计规律。实际应用中，每一类别的样本合统计规律。实际应用中，每一类别的样本数都在数都在102数量级左右。数量级左右。 选择样本区域（4 4）确定判决函数和判决规则）确定判决函数和判决规则一旦训练样区被选定后，相应地物类别的一旦训练样区被选定后，相应地物类别的光谱特征便可以用训练区中的样本数据进行光谱特征便可以用训练区中的样本数据进行统计。统计。如果使用最大似然法进行分类。那么就可如果使用最大

6、似然法进行分类。那么就可以用样区中的数据计算判别函数所需的参数以用样区中的数据计算判别函数所需的参数 和和 。如果使用盒式分类法则和用样区数据算出如果使用盒式分类法则和用样区数据算出盒子的边界。判决函数确定之后盒子的边界。判决函数确定之后，再选择一再选择一定的判决规则就可以对其它非样区的数据进定的判决规则就可以对其它非样区的数据进行分类。行分类。计算每个类别的 M 和 ，建立类别的判别函数水老城区新城区植被红红255255耕地0蓝蓝255(5)根据判别函数逐个像素的分类判别？老城区老城区) ) 分类结果影像的形成分类结果影像的形成分类得到的专题图监督法分类的优缺点监督法分类的优缺点优点：优点：

7、 .根据应用目的和区域，有选择的决定分类类根据应用目的和区域，有选择的决定分类类别，别，避免出现一些不必要的类别；避免出现一些不必要的类别； .可以控制训练样本的选择可以控制训练样本的选择 .可以通过检查训练样本来决定训练样本是否可以通过检查训练样本来决定训练样本是否被精被精确分类，从而避免分类中的严重错误确分类，从而避免分类中的严重错误,分类精分类精 度高度高 . 避免了非监督分类中对光谱集群的重新归类避免了非监督分类中对光谱集群的重新归类 .分类速度快分类速度快缺点缺点 主观性；主观性； 由于图象中间类别的光谱差异，使得训练由于图象中间类别的光谱差异，使得训练样本没有很好的代表性；样本没有

8、很好的代表性； 训练样本的获取和评估花费较多人力时间；训练样本的获取和评估花费较多人力时间； 只能识别训练中定义的类别。只能识别训练中定义的类别。 确定像元聚集的判别规则 平行管道分类（平行六面体）平行管道分类（平行六面体）最简单的方法仅仅需要规定每个特征的DN范围一些像元可能未分类或重复分类 最小距离分类最小距离分类通过训练样本确定类别中心某个像元距哪类距离最小，则判归为该类 最大似然分类最大似然分类建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类计算每个像元属于每一类的概率，找出概率最大者，将该像元归为概率最大的一类非监督分类 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

9、类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类） 在非监督分类中，先确定光谱可分的类别（光谱在非监督分类中，先确定光谱可分的类别（光谱类），然后定义它们的信息类类），然后定义它们的信息类非监督分类举例非监督分类举例聚类聚类解译解译人工神经网络法 人工神经网络是基于生物神经系统分布式存储、并行处理、自适应学习这些现象构造出具有一些低级智慧的人工神经网络系统。 目前代表性的神经网络模型有： BP（Back Propagation）神经网络 模糊自组织神经网络 RBF（Radial Basis Function）神经网络 Kohonen自组织神经网络 人工神经网络法决策树

10、分类法 决策树是一树状结构，依据规则把遥感数据集一级级往下细分以定义决策树的各个分支。 T T1 T2 T3 根结点根结点 分支分支 叶结点叶结点 叶结叶结点点 决策树分类法 基本思想：从“原级”（根结点）开始，利用表达式，每一个决策将影像中的像元分成两类，使用另一表达式，每个新类又能被分成另外的两个新类，如此不断地通过选择不同的特征用于进一步地有效细分类，直到所要求的“终极”（叶结点）类别分出为止。 决策树分类法 在决策树分类中经常采用的特征有： 光谱值； 通过光谱值算出来的指标（如NDVI）； 光谱值的算术运算值（如，和、差、比值等）； 主成分； 由于决策树分类法中的运算几乎都是由比较大小

11、而组成的，所以与采由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类处理处理专家系统分类方法 专家系统也是人工智能的一个分支，它采用人工智能语言将某一领域（如地学知识）的专家分析方法或经验，对地物的多种属性进行分析、判断，从而确定各地物的归属。 利用这样的系统就可以把判读专家的经验性知识综合起来进行分类其它分类方法 除了以上常用的分类方法之外，还有多时相数据分类方法、模糊分类法、亚像元分类法，基于纹理的分类法等等分类精度评价 分类精度的评价通常是用分类图与标

12、准数据（图件或地面实测值）进行比较，以正确的百分比来表示精度。 已经有一系列建立在混淆矩阵基础上的精度指标来反映分类精度问题，各精度指标建立在抽样样本基础上形成样本混淆矩阵得到的统计值，是总体混淆矩阵的估计值。分类类别类别1类别2类别3行总数类别1435250类别2245350类别3014950列总数455154150每一行之和为50，表示50个样本 第一行说明类1的50个样本有43个分类正确，5个错分为类2， 2个错分为类3 混淆矩阵 混淆矩阵的一般形式地 表 类 分类类别 1 2 3 m 行总数 1 p11 p12 p13 p1m p1+ 2 p21 p22 p23 p2m p2+ 3 p

13、31 p32 p33 p3m p3+ n pn1 pn2 pn3 pnm pn+ 列总数 p+1 p+2 p+3 p+m N 对角线元素是被正确分类的样本数目，非对角线元素为各类别中混分样本数目，列、行总数分别为地表类别和分类类别样本数目和。用户精度：用户精度：正确分类数/（正确分类数+错分到某类别总数）生产者精度：生产者精度：正确分类数/某类别总数 。总体精度：总体精度：由被正确分类的像元总和/总像元数。 kkkkkkkkkxxNxxxN2 KappaKappa系数：系数： 主对角线上：主对角线上： xii = 35 + 37 + 41 = 113非主对角线上：非主对角线上： x+i xi+

14、 = 50 39 + 40 50 + 46 47 = 6112 Kappa 系数：系数： = (136 113-6112)/(1362-6112) = 74.8 %分类结果评价分类结果评价K appa系系 数数 值值 分分 类类 质质 量量 Classification Unsupervised classification提示：实际工作中将分类设为最终分类数的2倍以上。初始分类初始分类1) 同时显示germtm.img和germtm_isodata.img提示:germtm.img显示方式用RGB（4,5,3）；打开第2幅图时关闭clear display2) 打开属性表调整字段显示顺序提示

15、：rasterattributes打开上图，EditColumn Properties打开下图专题判别专题判别3）编辑类别颜色和名称专题判别专题判别4) 对比显示提示：对比Utilityflicker/ Blend/ Swipe区别专题判别专题判别分类后处理分类后处理1) 聚类统计提示：mainimage interpretergis analysisclump分类后处理分类后处理1) 聚类统计提示：mainimage interpretergis analysisclump提示：如果计算时间过长，统计邻域选择4分类后处理分类后处理1) 聚类统计提示：mainimage interpreter

16、gis analysisclump聚类统计后图像属性表聚类统计后图像属性表分类后处理分类后处理2) 过滤分析提示：mainimage interpretergis analysisSieve确定最小图斑确定最小图斑大小大小过滤分析后，所有小图斑的属性值变为过滤分析后，所有小图斑的属性值变为0 0分类后处理分类后处理3) 去除分析提示：mainimage interpretergis analysisEliminate确定最小图斑确定最小图斑大小大小输出图像的数输出图像的数据类型据类型分类后处理分类后处理3) 去除分析提示：mainimage interpretergis analysisEli

17、minate分类后处理分类后处理4) 分类重编码（主要针对非监督分类）提示：mainimage interpretergis analysisRecode分类后处理分类后处理4) 分类重编码（主要针对非监督分类）提示：mainimage interpretergis analysisRecode类别合并需要考虑实际意义类别合并需要考虑实际意义色彩重定义色彩重定义栅格矢量转换栅格矢量转换提示：mainvectorraster to vector栅格矢量转换栅格矢量转换监督分类监督分类定义分类模板定义分类模板评价分类模板评价分类模板进行监督分类进行监督分类评价分类结果评价分类结果训练样本：训练样本

18、：是许多组代表某种可识别模式的象素组，系统通是许多组代表某种可识别模式的象素组，系统通过对训练样本的各种统计值来生成参数化模板。过对训练样本的各种统计值来生成参数化模板。训练样本量：训练样本量：对对N个波段进行分类，训练样本量不少于个波段进行分类，训练样本量不少于10n个像个像元，到达元，到达100n个像元更好。个像元更好。样本像元应具有代表性，避免集中局部。样本像元应具有代表性，避免集中局部。训练样本选择：训练样本选择：取决于用户对研究区及类别的了解程度。1）矢量多边形：）矢量多边形：使用矢量图层；自定义AOI多边形；2）标志种子象素：）标志种子象素：利用AOI工具，用十字光标标出一个象元作

19、为种子象素（seed pixel）代表训练样本，其相邻象素根据用户指定参数进行比较，直到没有相邻象元满足要求，这些相似元素通过栅矢转换成为感兴趣区域。1.定义分类模板定义分类模板1）应用）应用AOI绘图工具获取分类模板信息绘图工具获取分类模板信息利用Raster 工具面板多边形工具，在原图像上绘制多边形，在signature editor对话框中将其加载到signature 分类模板中。提示：同一专题类型的多个AOI形成的模板可以合并。2）应用）应用AOI扩展绘图工具获取分类模板信息扩展绘图工具获取分类模板信息Region growing properties 进行Neighborhood 属

20、性设置。利用Region grow AOI选择种子点。提示：AOI seed propertiesregion growing Properties约束条件：Area确定最多的像元数； Distance确定包含像元距离种子点像元的最大距离。Spectral euclidean distance,可以接收像元与种子点之间最大波谱欧式距离（两个像元在各个波段数值之差平方和的二次根） 2.评价分类模板（Evaluating Signatures）主要评价工具包括：主要评价工具包括：分类预警分类预警可能性矩阵可能性矩阵特征对象特征对象特征空间到图像掩膜特征空间到图像掩膜直方图方法直方图方法分离性分析分

21、离性分析分类统计分析等分类统计分析等2.评价分类模板（Evaluating Signatures）类别的分离性：类别的分离性：用于计算任意类别间的统计距离，这个距离可以确定两用于计算任意类别间的统计距离，这个距离可以确定两个类别间的差异程度，也可以确定在分类中效果最好的个类别间的差异程度，也可以确定在分类中效果最好的数据层。数据层。类别间统计距离计算公式：类别间统计距离计算公式：1）欧氏光谱距离；）欧氏光谱距离；2）Jeffries-matusta距离；距离；3)Divergence 分离度；分离度；4）Transformed divergence 转换转换分离度分离度3、进行监督分类、进行监

22、督分类3、进行监督分类、进行监督分类1) 打开原图像2）启动精度评估对话框3）打开分类专题图； Fileopen 4）原图像与精度评估关联；工具条：select viewer图标5）设置随机点颜色； Viewchange colors6）产生随机点; Edit create/add random points7）显示随机点类别; view show all ; Edit show class values8）输入参考点类别; Reference 输入9）输出分类评价报告； Report accuracy report启动精度评估对话框提示：正式分类评价，须产生250个随机点；显示随机点类别 背景状况背景状况 (范围，气候，地形地貌，行政等）2. 2. 基本数据格式基本数据格式 （传感器，轨道，分辨率，时间，图像质量等）3.3.图像处理图像处理 (校正，拼接，裁剪，重采，误差)4. 分类体系分类体系（体系与标准，地形地物解译）5. 分类方法分类方法 (分类模板，精度评价，分类规则)6.6