最大似然法分类工作原理

1、Resource Center最大似然法分类工具所用的算法基于两条原则：每个类样本中的像元在多维空间中呈正态分布贝叶斯决策理论将各个像元指定给以特征文件表示的类时，此工具会同时考虑类特征的方差和协方差。假设类样本呈 正态分布，则可使用均值向量和协方差矩阵作为类的特征。如果给定了每个像元值的这两个特征，则 可计算每个类的统计概率，以确定像元作为该类的成员资格。指定默认的EQUAL先验概率权重选项 时，每个像元将被分配给它最有可能具有成员资格的类。如果某些类出现的可能性大于（或小于）平均值，则应将FILE先验选项与输入先验概率文件结合使 用。具有特殊概率的类的权重在先验文件中指定。这种情况下，先验

2、文件将有助于对处于两个类的统 计重叠内的像元进行分配。这些像元将会更精确地分配给相应的类，从而获得更理想的分类。这种权 重分类方法就称为贝叶斯分类法。通过选择先验选项SAMPLE，在输入特征文件中进行采样的所有类所分配到的先验概率与按各个特 征捕获的像元数量成正比。因此，像元数少于样本平均值的类所获得的权重将小于平均值，而像元数 大于样本平均值的类所获得的权重将大于平均值。结果是，相应类所分配到的像元数有多有少。执行最大似然法分类时，还可同时生成一个可选的输出置信栅格。此栅格显示分类置信度。置信度的 数量为14,这与有效剔除分数值的个数直接相关。置信栅格中编码为1的第一个置信度包含到输 入特征

3、文件中所存储的任何均值向量距离最短的像元，因此，这些像元的分类具有最高确定性。只有 在剔除分数为0.99或更小时，才会对第二个置信度所包含的像元（在置信栅格中像元值为2）进 行分类。最低的置信度在置信栅格中的值为14,显示的像元最有可能不会进行分类。如果剔除分数 为0.005或更大，将不对此置信度的像元进行分类。示例以下示例显示的是将具有三个波段的多波段栅格分成五类。这五个类分别是干涸的河床、森林、湖 泊、住宅区/果园，以及牧场。还将生成一个输出置信栅格。以下显示的是输出栅格波段。redlandsSredlandslredlands2最大似然法分类的输入示例最大似然法分类工具用于将栅格分为五类

4、。输入栅格波段： redlands输入特征文件： wedit.gsg输出多波段栅格： mlclass_1剔除分数：0.01先验概率权重： EQUAL输入先验概率文件：apriori_file_1输出置信栅格：reject_ ras分类后的栅格将显示为:最大似然法分类的输出示例红色区域表示正确分类的几率不到1%的像元。由于使用的剔除分数为0.01，因此将为这些像 元指定值NoData。干涸的河床类以白色显示、森林类以绿色显示、湖泊类以蓝色显示、住宅区/ 果园类以黄色显示、牧场类以桔黄色显示。以下列表是输出置信栅格的值属性表。它显示了按置信度等级分类的像元数。值1表示正确分类 的几率为100%。有

5、3,033个像元是按该置信度进行分类的。值5表示正确分类的几率为 95%。有10,701个像元正确分类的机率是0.005%，它们对应的值为1最佳答案最大似然法的判别规则是基于概率的，它把每个具有模式测试或特征X的像元 划分到很有可能出现特征向量X的第i类中。换言之，首先计算某个像元属于一 个预先设置好的m类数据集中每一类的概率，然后将该像元划分到概率最大的 那一类。最大似然法假设每个波段中各类训练数据都呈正态（高斯）分布，直方图具 有两个或n个波峰的单波段训练数据并不理想。在这种情况下，各个波峰很有可 能表示是由各类惟一确定的，应该作为分离的训练类单独训练和标识。然后，应 该得到满足正态分布要求的单峰、高斯型训练类统计量。我推荐你看一下美John R.Jensen著，