遥感原理与应用-第8章遥感图像自动识别分类课件

第八章遥感图像自动识别分类

我们即将开启第八章的学习。本章节聚焦遥感图像自动识别分类，这是遥感技术领域的关键内容。前面了解了整体框架，接下来我们会深入其各个方面，像分类方法、特征处理等，去探寻遥感图像自动识别分类的奥秘。

本次演讲将围绕遥感图像自动识别分类展开，涵盖多个关键方面。首先是基础知识，它是理解后续内容的基石，为我们认识遥感图像分类奠定理论基础。

特征变换和特征选择则是对图像特征进行优化处理的重要环节，能够筛选出更具代表性的特征，提升分类的准确性。

监督分类和非监督分类是两种主要的分类方法。监督分类需要先确定训练样本，以此为依据对图像进行分类；非监督分类则是让计算机自行发现图像中的类别信息。

将监督分类和非监督分类结合起来，能够综合两者的优势，获得更理想的分类效果。

分类后处理和误差分析是确保分类结果可靠性的关键步骤。通过对分类结果进行处理和分析误差，能不断改进分类方法。

非光谱信息分类引入了除光谱特征之外的其他信息，拓宽了分类的依据。

句法模式识别从结构和语法的角度对图像进行分析，为分类提供了新的思路。

最后介绍自动分类新方法，这些新方法反映了该领域的前沿研究成果，有望进一步推动遥感图像自动识别分类技术的发展。

遥感图像的计算机分类本质上是模式识别技术在遥感领域的具体实践。在遥感图像分析中，存在两种不同的识别方式，即目视判读和计算机分类。目视判读依靠人类自身的自然识别智能，是人类凭借长期经验和直观视觉进行的判断。而计算机分类则是人工模拟人类的识别功能，它采用决策理论或统计方法来实现。

为了实现计算机分类，需要提取一组能够反映模式属性的量测值，这些量测值就是所谓的特征。特征在遥感图像分类中起着关键作用，它是计算机进行分类决策的依据。其中，光谱特征和纹理特征是两种重要的特征类型。光谱特征反映了地物在不同波段的光谱响应，不同地物具有独特的光谱曲线，这为区分不同地物提供了重要信息。纹理特征则描述了地物的空间分布和结构信息，比如地物的粗糙度、重复性等，它能帮助我们更细致地识别地物。通过对这些特征的分析和处理，计算机就能对遥感图像中的地物进行分类识别。

接下来将介绍第八章遥感图像自动识别分类的基础知识。主要包含三方面内容，先讲解模式与模式识别，这是理解后续内容的基础；接着是光谱特征空间，它是遥感图像分类的重要概念；最后是地物在特征空间中的聚类统计特性，有助于掌握地物分类规律。

在模式识别领域里，模式识别系统发挥着关键作用。它会对被识别的模式做一系列测量，这就如同一位严谨的侦探，不放过任何细微的线索。这些测量结果就像是案件中的证据，而“模式字典”则像是一本详细的案件参考手册，里面记录着一组组“典型的”测量值。

当系统将测量结果与“模式字典”中的“词目”进行比较时，就好比侦探拿着证据去对照参考手册中的案例。如果结果吻合或比较吻合，就如同找到了案件的真相，我们便能得出所需的分类结果。这个过程就是模式识别，它就像一个智能的筛选器，能精准地将不同的模式区分开来。

而这一组测量值，也就是模式，它是模式识别的基础。可以说，模式就像是一把钥匙，而模式识别则是打开分类结果这扇大门的锁。只有准确地获取和分析模式，才能实现高效、准确的模式识别，进而在各个领域发挥重要作用，比如车牌识别、信函分拣以及我们所关注的遥感影像分类等。

在探讨模式与模式识别时，我们可以借助“姚明、ROCKETS、11”这些数据来加深理解。姚明是大家熟知的篮球巨星，ROCKETS代表休斯敦火箭队，11是姚明在火箭队所穿的球衣号码。这组数据组合在一起，就形成了一种特定的模式。

从模式识别的角度来看，当我们看到“姚明”“ROCKETS”“11”这些信息时，大脑会迅速将它们与我们记忆中关于姚明在火箭队打球的相关信息进行匹配和识别。这就如同模式识别系统将测量结果与“模式字典”中的典型测量值进行比较。

在这个例子中，“姚明、ROCKETS、11”就是一组具体的测量值，也就是一种模式，我们通过大脑的识别过程得出了与之对应的分类结果，即姚明是火箭队的11号球员。这充分体现了模式识别在日常生活中的应用，它帮助我们快速理解和处理各种信息，让我们能够对周围的事物进行准确的分类和判断。

模式识别作为一项关键技术，在现代社会的诸多领域发挥着重要作用，车牌识别便是其典型应用之一。在交通管理场景中，车牌识别技术能快速、准确地识别车辆牌照信息。交通监控系统通过模式识别算法，对过往车辆的车牌进行实时捕捉和分析。当车辆经过监控点时，系统迅速将拍摄到的车牌图像与预先设定的模式进行比对，快速得出识别结果。

这一技术极大地提高了交通管理的效率。在停车场管理方面，车牌识别可实现车辆的自动进出管理，车主无需停车取卡，系统自动识别车牌后即可放行，节省了时间，也减少了人工管理的成本。在交通执法中，它能帮助交警快速识别违规车辆的车牌，及时进行处理，维护交通秩序。

此外，车牌识别技术还在治安防控等领域发挥着重要作用。在一些重要场所的出入口，通过车牌识别可以对进出车辆进行严格管控，确保场所的安全。可以说，模式识别在车牌识别中的应用，为我们的生活带来了极大的便利和安全保障。

模式识别在信函分拣领域发挥着至关重要的作用。以往信函分拣依靠人工，不仅效率低、易出错，还耗费大量人力成本。而模式识别技术的应用，彻底改变了这一局面。

模式识别可对信函上的地址、邮编等信息进行快速准确识别。通过对信函图像的分析，提取关键特征，与已知的模式进行比对，从而确定信函的投递方向。这种方式极大提高了分拣效率，能在短时间内处理大量信函。

同时，模式识别的准确性也远高于人工。它能有效避免因字迹潦草、模糊等问题导致的分拣错误，确保信函准确无误地送达目的地。此外，模式识别技术还可实现自动化分拣，减少人工干预，降低人力成本。

可以说，模式识别技术为信函分拣带来了革命性的变化，让邮政服务更加高效、准确、便捷。随着技术不断发展，模式识别在信函分拣领域的应用将更加广泛和深入。第10页

模式识别在诸多领域发挥着关键作用，遥感影像分类便是其重要应用之一。遥感影像分类借助模式识别技术，能对遥感获取的影像数据进行精准分析与归类。

不同地物在遥感影像中呈现出各异的光谱特征。模式识别技术可依据这些特征，将影像中的地物划分为不同类别，如植被、水体、建筑等。通过对这些地物的准确分类，能够获取地球表面的详细信息。

在农业领域，可利用遥感影像分类监测农作物的分布与生长状况；在城市规划方面，能分析城市土地的利用类型。总之，模式识别应用于遥感影像分类，为资源管理、环境监测、灾害评估等提供了有力支持，推动了各领域的科学决策与发展。

光谱特征空间是理解地物特性的关键概念。不同地物在同一波段图像上的亮度通常不同，比如森林和湖泊，在某一波段图像中，森林可能呈现较暗的色调，而湖泊则相对明亮。这是因为它们对不同波段的电磁波吸收和反射特性存在差异。

而且，不同地物在多个波段图像上亮度的呈现规律也不一样。以农作物和城市建筑为例，农作物在不同生长阶段，其在多个波段的亮度变化有特定规律；城市建筑由于材质等因素，在多个波段的亮度表现则是另一种模式。

同名地物点在不同波段图像中亮度的观测量会构成一个多维随机向量X，也就是光谱特征向量。它就像地物的“指纹”，能帮助我们精准识别地物。例如TM图像上的任一个点，TM由TM1到TM7等多个波段组成，这些波段的亮度观测量组合起来，就形成了该点对应的光谱特征向量，为我们进一步分析地物提供了重要依据。

大家好，在前面我们了解了光谱特征空间的相关知识，包括光谱特征向量等内容。接下来，我们要进入一个新的重要环节，也就是地物与光谱特征空间的关系。这部分内容至关重要，它能帮助我们更深入地理解地物在光谱特征空间中的表现和规律。

地物与光谱特征空间的关系是我们进一步研究地物在特征空间中聚类情况等后续内容的基础。通过了解这种关系，我们可以明白不同地物在光谱特征空间中是如何分布的，这对于遥感影像分类、地物识别等实际应用有着重要的指导意义。

我们将从理论层面深入剖析地物与光谱特征空间之间内在的联系，去探寻它们背后隐藏的规律。大家要跟上我的节奏，一起去解开地物与光谱特征空间关系的神秘面纱。现在，就让我们正式开始这部分内容的学习。

我们来深入探讨地物在特征空间中的聚类情况。此前了解到不同地物在同一波段和多个波段图像上亮度表现及规律不同，由此形成光谱特征向量。而地物在特征空间中的聚类，是一个值得深入剖析的现象。

地物在特征空间的聚类是基于其光谱特征向量的分布。同一类地物的光谱特征向量往往具有相似性，它们会在特征空间中聚集在一起，形成一个个聚类。比如，植被可能会在特征空间的某个特定区域形成聚类，水体则会在另一个区域聚集。

这种聚类情况对于遥感影像分类等模式识别应用具有重要意义。通过分析地物在特征空间中的聚类，我们可以更准确地识别不同类型的地物。可以根据聚类的边界和特征，为每一类地物设定分类规则，从而实现对遥感影像中地物的有效分类。

同时，地物在特征空间中的聚类情况也会受到多种因素的影响，如地物本身的特性、成像条件等。我们需要综合考虑这些因素，以更精准地把握地物在特征空间中的聚类规律，为后续的模式识别工作提供更有力的支持。

现在我们进入8.1.3的内容，探讨地物在特征空间中的聚类统计特性。在模式识别里，地物在特征空间的聚类是一个关键研究方向。此前我们了解到不同地物在同一波段或多个波段图像上的亮度表现不同，由此构成光谱特征向量。而地物在特征空间的聚类情况，能帮助我们更深入地认识地物的特征。

那如何来表示地物在特征空间的聚类呢？通常是用特征点或其相应的随机矢量分布的概率密度函数。概率密度函数就像是一把钥匙，它可以精准地描述特征点在特征空间中的分布规律。通过分析这个概率密度函数，我们能够知道地物在特征空间中是如何聚集的，哪些区域地物分布更为密集，哪些区域相对稀疏。这对于遥感影像分类等应用有着重要意义，能让我们更准确地识别不同的地物，提高分类的精度和可靠性。

特征变换和特征选择在数据处理与分类中具有重要意义。其主要目的在于减少参与分类的特征图像数量，同时从原始信息里抽取更利于分类的特征图像。这一目的十分关键，能够提高数据处理的效率和分类的准确性。

特征变换是将原有的m个量值集合，通过特定变换产生n个特征，且n小于等于m。这种变换就像是对原始数据进行重新组合和提炼，将分散的数据信息集中到更有代表性的特征上，从而使后续的分类工作更加高效。

特征选择则是从原有的m个测量值集合中，依据某一准则挑选出n个特征。这一过程如同从众多物品中挑选出最有价值的部分，能够去除那些对分类没有帮助或者干扰分类的信息，让分类更加精准。

特征变换和特征选择相辅相成，共同为数据分类提供了有效的手段，能够提升分类的效果和效率。

特征变换是一项将原始图像进行数字变换以生成新特征图像的技术，其显著特点在于能让新图像的信息集中于少数特征图像上。这种集中并非偶然，而是精心设计的结果，目的在于解决数据处理中的关键问题。

从数据处理角度看，特征变换能够有效减少数据量。原始图像往往包含大量信息，其中不乏冗余部分。通过特征变换，可以去除这些冗余，使数据更加精简，从而提高处理效率。同时，特征变换还能实现去相关。在原始图像中，不同波段之间可能存在较强的相关性，这会影响后续的分析和分类。而特征变换能够打破这种相关性，让各个特征之间相对独立，为后续的分类工作提供更好的基础。基于前面两点优势，特征变换对分类工作大有帮助，能够提高分类的准确性和可靠性。

在实际应用中，特征变换有多种常用方法，如主分量变换、哈达玛变换、穗帽变换、比值变换以及生物量指标变换。这些方法各有特点和适用场景，在不同的领域和任务中发挥着重要作用。

通过近红外波段和红色波段的散点图能够揭示这两个波段信息之间的关系。这里给出了二者的相关系数为0.137，这一数值表明近红外波段和红色波段之间的相关性较弱。

在遥感影像分析里，波段间的相关性是一个关键因素。若两个波段相关性强，意味着它们所包含的信息存在大量重叠，在后续处理时保留一个波段即可，这样既能减少数据量，又不会损失太多信息。而相关性弱，说明两个波段包含了不同的信息，在分类和特征提取时，两个波段都具有重要价值。

所以，这个散点图和相关系数为我们在特征变换和选择时提供了重要参考。我们可以依据波段间的相关性，决定是否保留某些波段，或者通过组合不同波段来生成新的特征，从而提高分类的准确性和效率。

现在我们来深入探讨主成分分析中的重要内容——各波段之间的相关性。主成分分析旨在将原来多个波段中的有用信息集中到数目尽可能少的特征图像组中去，而各波段之间的相关性是这一过程中的关键考量因素。

这里展示的是TM数据各波段之间的相关系数，其中一个相关系数为1.000。相关系数为1.000意味着两个波段之间存在完全的正相关关系。在主成分分析里，这种强相关性信息非常重要。因为主分量变换的目的之一就是使新的特征图像间互不相关，让新的特征图像包含的信息内容不重叠，从而增加类别的可分性。

当波段之间存在强相关性时，说明这几个波段所包含的信息有很大的重叠部分。通过主成分分析，我们可以把这些重叠的信息进行整合和提取，将有用信息集中到少数几个特征图像中，达到数据压缩的目的。同时，在后续的分类等处理中，不相关的特征图像能让分类更加准确和高效。所以，对各波段之间相关性的研究，是主成分分析中不可或缺的环节，它为我们更好地处理和分析多光谱图像数据提供了重要依据。

主分量变换，也被称为KL变换，是一种在图像处理领域极具价值的线性变换方式，并且是基于均方误差最小原则上的最佳正交变换。在实际应用中，这一特性有着显著的优势。

对于数据处理来说，它能够将原本多个波段中的有用信息进行高效整合，把这些信息集中到数量尽可能少的特征图像组中。这意味着在不损失关键信息的前提下，实现了数据的有效压缩。这种数据压缩功能不仅可以减少数据存储空间的占用，还能提高数据传输和处理的效率，为后续的分析和应用节省大量的时间和资源。

另外，KL变换还具备使新生成的特征图像之间互不相关的能力。这就使得每个特征图像所包含的信息内容不会出现重叠的情况，从而增加了类别的可分性。在图像分类等应用场景中，类别可分性的提高能够让分类更加准确和高效，帮助我们更清晰地识别和区分不同的地物或目标，为地理信息系统、遥感监测等领域的研究和应用提供了强有力的支持。

主分量变换的计算步骤严谨且环环相扣。第一步，需计算均值向量M和协方差矩阵C，这是后续计算的基础，能让我们了解数据的集中趋势和离散程度。第二步，计算矩阵C的特征值和特征向量，特征值反映了数据的方差大小，特征向量则体现了数据的主要方向，它们是主分量变换的关键要素。

第三步，将特征值按由大到小的次序排序。这样排序能使我们清晰地看到各个特征的重要程度，便于后续选择重要的特征。第四步，选择前几个特征值对应的几个特征向量构造变换矩阵φn。之所以选择前几个，是因为它们包含了数据的主要信息，构造出的变换矩阵能有效实现数据的压缩和特征的提取。

第五步，根据Y=φnX进行变换，这里的X为多光谱图像的一个光谱特征矢量，通过这个变换得到的新特征影像就是变换的结果。经过这一系列步骤，主分量变换能够把原来多个波段中的有用信息集中到数目尽可能少的特征图像组中，达到数据压缩和增加类别可分性的目的。

前面我们详细了解了主分量变换的概念、目的、计算步骤等内容。接下来，我们聚焦到第22页的内容——MSS主分量变换前后的信息量分布。

主分量变换是一种非常重要的特征变换方式，它能把原来多个波段中的有用信息集中到数目尽可能少的特征图像组中，达到数据压缩的目的，还能使新的特征图像间互不相关，增加类别的可分性。而这页展示的MSS主分量变换前后的信息量分布，能让我们直观地看到这种变换对信息量的具体影响。

通过分析这前后的信息量分布，我们可以更深入地理解主分量变换在实际应用中的效果和价值，也有助于我们在后续的工作中更好地运用这种变换方法。接下来，我将为大家详细解读这其中的具体情况。

在上一页，我们了解了MSS主分量变换前后的信息量分布情况。接下来，让我们聚焦到TM主分量变换。主分量变换是一种重要的线性变换，能把多波段中的有用信息集中，达到数据压缩目的，还能增加类别的可分性。

今天要探讨的TM主分量变换前后的信息量分布，对于我们深入理解主分量变换的实际效果和应用价值至关重要。通过分析TM主分量变换前后的信息量分布，我们可以更清晰地看到哪些信息在变换过程中被保留、哪些被压缩，这有助于我们更好地利用主分量变换处理TM数据，为后续的遥感数据分析和应用提供有力支持。

接下来，我将为大家详细介绍TM主分量变换前后的信息量分布情况。

主分量变换，即KL变换，是一种能把多波段有用信息集中到少量特征图像组以实现数据压缩的线性变换，还可使新特征图像互不相关，增加类别的可分性。这里提到的PC-1和PC-7，代表主分量变换后的不同主成分。PC-1通常是最重要的主成分，它集中了原始多光谱数据中绝大部分的信息，具有最大的方差，能反映数据的主要特征和变化趋势。可以说，PC-1是多光谱数据信息的高度浓缩体现。

而PC-7相较于PC-1，包含的信息量大幅减少，它所代表的往往是数据中一些较为细微、次要的特征和变化。不过，这些细微信息在某些特定的分析场景中，如对数据进行精细分类、探测特殊目标时，也可能发挥重要作用。

主分量变换通过提取PC-1到PC-7等不同主成分，实现了对多光谱数据的有效降维与信息提取，能帮助我们更高效地分析和处理遥感影像数据。

接下来我们要探讨的是哈达玛变换。哈达玛变换是遥感多光谱域变换里的一种重要方法，它借助哈达玛矩阵作为变换矩阵来实施。

在遥感领域，多光谱数据包含着丰富的信息，但也存在数据冗余等问题。哈达玛变换的出现，为解决这些问题提供了新的途径。通过以哈达玛矩阵作为变换矩阵，它能够对多光谱数据进行有效的处理和变换。

哈达玛矩阵有着独特的性质，其变换核更是有着特殊的意义。它的存在使得哈达玛变换在遥感多光谱域中发挥着重要作用。就如同主分量变换能集中有用信息、增加类别可分性一样，哈达玛变换也有着自身独特的优势和应用场景。它可以对多光谱数据进行重新组合和变换，从而挖掘出数据中更有价值的信息，为后续的遥感分析和应用提供有力支持。

哈达玛变换在遥感多光谱域变换中有着独特的几何意义。从哈达玛变换核能够得知，哈达玛变换本质上是一种将坐标轴旋转了45°的正交变换。

正交变换具有诸多重要特性，它能保持向量的长度和向量间的夹角不变，这在数据处理和分析中意义重大。在遥感多光谱域里，这种将坐标轴旋转45°的操作，实际上是对数据进行了一种特殊的线性变换。它可以把原始数据映射到一个新的空间中，使得数据在这个新空间里呈现出不同的分布特征。

通过这样的变换，能够更清晰地揭示数据中的潜在信息。例如，在处理多光谱图像时，原本在原始坐标轴下相互交织、不易区分的信息，经过哈达玛变换后，可能会在新的坐标轴下变得更加分离和易于识别。这有助于我们更精准地分析和提取图像中的关键信息，为后续的研究和应用提供有力支持。所以，哈达玛变换的这种几何意义，是其在遥感领域发挥重要作用的关键因素之一。内容提纲•基础知识•特征变换和特征选择•监督分类•

非监督分类•监督分类和非监督分类的结合•分类后处理和误差分析•

非光谱信息分类•

句法模式识别•自动分类新方法概述•遥感图像的计算机分类，是模式识别技术在遥感技术领域中的具体运用•

目视判读是人类的自然识别智能•计算机分类是人工模拟人类的识别功能•采用决策理论或统计方法•提取一组反映模式属性的量测值，称之为特征•光谱特征和纹理特征•模式与模式识别•光谱特征空间•地物在特征空间中的聚类统计特性8.1基础知识•一个模式识别系统对被识别的模式作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较。若和字典中某一“词目”的比较结果是吻合或比较吻合，则我们就可以得出所需要的分类结果。这一过程称为模式识别。•这一组测量值就是一种模式。8.1.1模式与模式识别数据模式模式获取分割识别模式与模式识别姚明ROCKETS11模式识别的应用车牌识别模式识别的应用信函分拣模式识别的应用遥感影像分类•

不同的地物在同一波段图像上表现的亮度一般互不相同•

不同的地物在多个波段图像上亮度的呈现规律也不相同•同名地物点在不同波段图像中亮度的观测量将构成一个多维随机向量X，称为光谱特征向量X

=[x1

x2

…

xn

]T•如TM图像上任一个点•TM=[TM1，TM2，TM3，TM4，TM5，TM6，TM7]8.1.2光谱特征空间地物与光谱特征空间的关系地物在特征空间中的聚类情况8.1.3地物在特征空间中的聚类统计特性•

地物在特征空间的聚类通常是用特征点（或其相应的随机矢量）分布的概率密度函数来表示

8.2特征变换和特征选择•

目的：减少参加分类的特征图像的数目，从原始信息中抽取能更好进行分类的特征图像。•特征变换——将原有的m量值集合通过某种变换，然后产生n个（

n≤m）特征•特征选择——从原有的m个测量值集合中，按某一准则选择出n个特征•概念：将原始图像通过一定的数字变换生成一组新的特征图像，这一组新图像信息集中在少数几个特征图像上。•

目的：数据量有所减少，去相关，有助于分类。•常用的特征变换：主分量变换、哈达玛变换、穗帽变换、比值变换、生物量指标变换。8.2.1特征变换NIRScatterPlotrevealsrelationshipbetweeninformationintwobandshere:correlationcoefficient=0.137redredNIRPrincipal

Components

Analysiscorre

lation

between

a

ll

bandsTM

datacorre

lat

ion

coefficients

:1.0000.9270.8740.0690.5930.4260.7360.9271.0000.9540.1720.6910.4460.8000.8740.9541.0000.1370.7400.4330.8120.0690.1720.1371.0000.369-0.0840.1190.5930.6910.7400.3691.0000.5340.8910.4260

7360.4460

8000.4330

812-0.0840

1190.5340

8911.0000

6710.6711

000•主分量变换也称为KL变换，是一种线性变换，是就均方误差最小来说的最佳正交变换•KL变换能够把原来多个波段中的有用信息集中到数目尽可能少的特征图像组中去，达到数据压缩的目的。•KL变换还能够使新的特征图像间互不相关，使新的特征图像包含的信息内容不重叠，增加类别的可分性。1.主分量变换主分量变换计算步骤•

（

1）计算均值向量M和协方差矩阵C；•

（

2）计算矩阵C的特征值和特征向量；•

（3）将特征值按由大到小的次序排序•

（4）选择前几个特征值对应的几个特征向量构造变换矩阵φn。•

（

5）根据Y=φnX进行变换，得到的新特征影像就是变换的结果，X为多光谱图像的一个光谱特征矢量。MSS主分量变换前后的信息量分布TM主分量变换前后的信息量分布主分量变换PC-1PC-7•哈达玛变换是利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换。•哈达玛矩阵的变换核为2.哈达玛变换哈达玛变换•哈达玛矩阵的维数N总是2的倍数

N=

2m

(m

=

1,2,

…)•每个高阶哈达玛矩阵都由其低一阶的哈达玛矩阵按如下形式组成

•哈达玛变换定义为：IH

=H.

X哈达玛变换的几何意义•

由哈达玛变换核可知，哈达玛变换实际是将坐标轴旋转了45℃的正交变换哈达玛变换的几何意义•以四波段的陆地卫星图像的哈达玛为换为例

，取二阶哈达玛变换矩阵Ih

=

[h0

h1

h2

h3

]T

h0=(x4+x5)+(x6+x7)h1=(x4+x5)-(x6+x7)h2=(x4-x5)-(x6-x7)h3=(x4-x5)+(x6-x7)•特征图像h0把水同土壤与植被的混合体区分开来•特征图像h1把植被同水和土壤的混合体区分开来•特征图像h3和特征图像h2主要表现为噪声图像，通常在特征选择过程中可舍去，达到数据压缩的目的。哈达玛变换的几何意义•

又称K-T变换，由Kauth—Thomas提出，也是一种线性特征变换。•

MSS图像信息随时间变化的空间分布形态是呈规律性形状的，像一个顶部有缨子的毡帽。•

特点1：在MSS图像中，土壤在特征空间（光谱空间）的集群，随亮度的变化趋势沿从坐标原点出发的同一根辐射线方向上出现。•

特点2：若把土壤和植被的混合集群投影到

MSS5和MSS6波段图像所组成的特征子空间中，形成一个近似的帽状三角形3.穗帽变换Y=A·XY=（ISB

IGV

IY

IN）TX=（X4X5X6X7）ISB——土壤亮度轴的像元亮度值IGV——植物绿色指标轴的像元亮度值IY——黄色轴IN——噪声轴Xi——地物在MSS四个波段上的亮度值•SB分量和GV分量一般情况下等价于主分量变换中的第一主分量

PCI和第二主分量PC2•SB分量集中了大部分土壤信

息，所以对土壤的分类是有效的•GV分量对植被的分类是有效的穗帽变换

4.生物量指标变换•

Ibio——生物量变换后的亮度值。•x7，x5为MSS7和MSS5图像的像元亮度值。•经变换后，植物、土壤和水都分离开来，因此可独立地对绿色植物量进行统计。生物量指标变换•定量选择方法–

距离测度–散布矩阵测度•

类内散矩阵•

类间散布矩阵•

总体散布矩阵•选择一组最佳的特征影像进行分类8.2.2特征选择

=

+

TM7,4,1TM5,4,3TM5,7,2TM4,3,2•前面所述内容主要为分类前的预处理。预处理工作结束后，就将参与分类的数据准备，接下来的工作就是从这些数据提供的信息中让计算机“找”出所需识别的类别方式有两种：一种就是监督分类法；

另一种称为非监督分类法。下面先介绍监督分类法。•监督分类：是基于我们对遥感图像上样本区内地物的类属已知，于是可以利用这些样本类别的特征作为依据来识别非样本数据的类别。•监督分类的思想：首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别函数中求解待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。8.3监督分类监督分类•

判别函数和判别规则•

分类过程

8.3.1判别函数和判别规则•各个类别的判别区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别，这些函数就称为判别函数。•

当计算完某个矢量，在不同类别判决函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。如若所得函数值最大则该矢量属于最大值对应的类别。这种判断的依据，我们称之为判别规则。最大似然分类法概率判别函数：某特征矢量（X）落入某类集群的条件概率贝叶斯判别规则：把X落入某集群

wi

的条件概率

P(wi

/

X)

最大的类为X的类别。贝叶斯判别规则以错分概率或风险最小为准则的判别规则。假设：同类地物在特征空间服从正态分布，则类别的概率密度函数如式（8-2）所示。根据贝叶斯公式可得：最大似然分类法概率判别函数：

di

(X)

=

P(wi

/

X)P(wi

)

相应的贝叶斯判别规则：若对于所有可能的j=1,2,

…

,m；j≠

i有di

(X)>dj

(X)

，则X属于类wi

。判决边界为

d1

(X)>d2

(X)

（假设有两类）。最大似然法分类的错分概率•错分概率是类别判决分界两侧做出不正确判决的概率之和。贝叶斯判决边界使这个数错误为最小，因为这个判决边界无论向左还是向右移都将包括不是1类便是2类的一个更大的面积，从而增加总的错分概率。

，贝叶斯判决规则是以错分概率最小的最优准则。最小距离分类法•基本思想：计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于哪类。•

马氏距离•

欧氏距离•计程距离错分概率及判决边界•基本思想：首先通过训练样区的数据找出每个类别在特征空间的位置和形状，然后以一个包括该集群的“盒子”作为该集群的判别函数。判决规则为若未知矢量X落入该“盒子”

，则X分为此类，否则再与其它盒子比较。盒式分类法•

（

1）确定感兴趣的类别数•

（

2）特征变换和特征选择•

（3）选择训练样区•

（4）确定判决函数和判决规则•

（

5）根据判决函数和判决规则对非训练样区的图像区域进行分类8.3.2分类过程（

1）对训练样区的要求•准确性、代表性和统计性。•准确性：要确保选择的样区与实际地物一致；•代表性：所选样区为某一地物的代表，还要考虑到地物本身的复杂性，反映同类地物光谱特性的波动情况；•统计性：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合统计规律。（

2）初始类别参数的形成（3）样本数据的训练•计算每个类别的M和

Σ

,

建立类别的判别函数（4）逐像素分类判别分类得到专题图原始图像的预处理特征提取和特征选择训练样区的选择与评估通过训练样区误差矩阵和分类预警评价、样本可分性度量判断训练样区是否合格合

格分类器选择及分类运算分类精度评价精度合格成果输出监督分类流程精度不合格不合格监督分类的缺点•

主观性•

由于图像中间类别的光谱差异，使得训练样本没有很好的代表性•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•非监督分类：也称聚类分析，是事先对分类过程不施加任何先验知识，仅凭遥感图像地物的光谱特征的分布规律，进行自动分类。•分类方法：–K-均值聚类法–

ISODATA算法聚类分析–平行管道发聚类分析8.4

非监督分类•算法准则：多模式点到类别中心的距离的平方和最小。•

算法步骤：–(1)选择m个类的初始中心–(2)按照到类中心距离最小的原则对像元分类–(3)重新计算类中心–(4)类中心不变，算法结束；否则返回(2)8.4.1

K-均值聚类法01

234

567

891001

234

567

891001

2

3

4

567

8

91001

23

4

5

6

7

8

9

101074211074211074211074218.4.1

K-均值聚类法668805309953668893509530

8.4.2

ISODATA算法聚类分析•第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法。•第二，

ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”

，从而得到类数比较合理的聚类结果。•

1.初始化；•

2.选择初始中心；•

3.按一定规则(如距离最小)对所有像元划分；•

4.重新计算每个集群的均值和方差；按初始化的参数进行分裂和合并；•

5.结束，迭代次数或者两次迭代之间类别均值变化小于阈值；•

6.否则，重复3-5；•

7.确认类别，精度评定.ISODATA算法•

以地物的光谱特性曲线为基础，假定同类地物的光谱特性曲线相似作为判决的标准。设置一个相似阈值•同类地物在特征空间上表现为以特征曲线为中心，以相似阈值为半径的管子，此即为所谓的“平行管道”。

8.4.3平行管道发聚类分析非监督分类结果非监督分类特点•

优点–不需要预先对所分类别的区域有广泛的了解，需要用一定的知识来解释得到的集群组；–

人为误差的机会减少；–