《3S技术及其在水利工程中的应用》课件-项目4：遥感图像分类

遥感图像分类方式：监督分类遥感图像分类方式也称聚类分析，即事先不给定任何先验知识和训练样本，仅从遥感影像出发，基于波段特征向量进行自然聚类。非监督分类两种方法的根本区别：是否选取类别的训练样本。需要从研究区选取具有代表性的训练场地作为样本(Sampleselectlon)，并进行训练(Training)，再依据一定的判别函数与判别准则(Declsi0nRule)，对待分像元进行类别判定。监督分类监督分类：最小距离法、最大似然法、支持向量机分类(SVM)等。非监督分类：K-means法、ISODATA法。遥感图像分类方法监督分类法需要从研究区选取每类地物的训练样本，利用样本数据来求解该类别的统计模型参数。（训练——利用样区数据求解该类别的统计参数的过程称之为学习或训练。）010203040506监督分类法的最主要步骤建立分类方案，即确定感兴趣的类别数（如水体、建筑物、道路、树木）等对每一种地物类别选择训练样本特征变换和特征选择。(将待分类影像转换成特征矩阵）选择分类器，即设定分类判决函数和判决规则的形式根据训练样本学习到分类器的统计模型参数根据训练好的判决函数和判决规则对非训练样区或待分类的图像区域进行分类一般要求样本在该类别的目标面积较大的区域选取，每一类别的样本不要集中在一起，最好比较分散，目的是让选取的每一类地物的训练样本都具有比较好的代表性。训练样本区域选取规则最小距离分类器基本思想：计算待分像元的光谱特征向量X到每一类别集群光谱特征的代表量之间的光谱距离，哪类地物离它最近，该像素就属于哪类。未考虑每一类别样本分布两类和多类分类中，假定各类别的样本灰度值分布服从正态分布，基于贝叶斯判别准则，计算待分像元到各类别的归属概率，根据最大归属概率进行分类。最大似然分类最大似然分类

分类原理设有S个类别，用W1、W2、...、Ws来表示,根据贝叶斯定理可以得到样本X属于类别i的概率，如公式所示

类条件概率类先验概率如何得到

P（X|Wi）？最大似然分类类条件概率函数通过训练样本求解类条件概率函数，假设每类地物亮度值函数服从正态分布函数，要确定这个正态函数，最关键的是求出正态分布的均值和标准差。基于每类地物的训练样本，通过最大似然的参数估计就可以得到类条件概率函数，估算出类函数的均值和方差之后，进而得到P（Wi│X）。为了准确的估计均值和方差两个参数，最大似然分类通常要求每个地物类别的训练样本比较多，同时具有代表性，这样参数估计比较准确。估算每类正态分布的均值和方差（最大似然参数估计）最大似然分类

支持向量机（SVM）分类原理SVM(supportVectorMac)是一种二分类的模型；基本思想：找到空间中的一个能够将所有数据样本分开的超平面。WTX+b＜0WTX+b＞0WTX+b=0分类界面如何确定？支持向量机（SVM）

最大化间隔

理想的可分性支持向量机（SVM）非理想线性可分？§i§i实际中通常碰到的是不能够用一个分类面把数据完全分开§松弛变量（允许第i个数据点偏离的间隔）支持向量机（SVM）非理想情形下的目标函数参数C称为惩罚因子，可视为控制的权重系数（事先指定），C决定了有多重视离群点带来的损失，当所有离群点的松弛变量的和一定时，C越大，对目标函数的损失也越大，此时就暗示着非常不愿意放弃这些离群点。非监督分类方法非监督分类

定义非监督分类也称聚类分析，即事先不约定任何先验知识和训练样本，仅从遥感影像出发，基于波段特征向量进行自然聚类。

基本思想同类地物在光谱上相似，即在光谱特征空间上有聚集效应。同类地物由聚集效应，不同地物有分离效应。波段2波段1光谱特征空间非监督分类类别属性：聚类能将同一类别的地物聚在一起，过程中类别属性未知，分类结束后，可通过目视判读遥感影像或实地采样调查确定类别属性。典型算法：K-means聚类（K均值聚类法）K-means聚类选择C个中心Z1、Z2、...、Zm所有像元分到C个集群中心计算新的集散中心计算新的聚类中心初始化聚类中心01选出C个样本作为初始聚类中心，将全部样本随机地分成C类。初始聚类02(1)按最短距离原则将样本归入各聚类中心所代表的类中。(2)重新计算样本均值，更新聚类中心。然后取下一样本重复操作，直至所有样本归入相应类中。K-means聚类选择C个中心Z1、Z2、...、Zm所有像元分到C个集群中心计算新的集散中心计算新的聚类中心聚类终止判断03聚类中心不再发生改变时各像元的类别也不再发生变化，此时聚类过程终止。若聚类不理想，可能需要调整类别数和初始中心。中心变化结束中心不变K-means聚类算法实例：已知一两波段图像像元值如图所示，采用K-Means聚类算法对该图像进行分类。（分类类别数为2，取图像中第一行前两个点作为类别初始中心）K-means聚类1086420024X11X121086420024108642002410864201086420迭代，直至聚类中心不发生变化，分类结束K-means聚类方法局限需要迭代调整聚类中心，当数据量较大时，需考虑算法效率初始聚类中心的确定对结果有影响聚类类别数需要事先给定，有时候难以确定（改进：ISODATA）010203ISODATA法ISODATA(IterativeSelf-OrganizingDataAnalysis)称为“选代自组织数据分析算法”。ISODATA算法与K-均值算法的区别：它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”从而得到类别数比较合理的聚类结果。ISODATA法ISODATA方法预定的参数预期的聚类中心数目Nc一个聚类中样本距离分布的标准差θs两个聚类中心间的最小距离，小于此便合并类θc每一个聚类最少的样本数目θN迭代运算次数I一次迭代中可以合并的聚类中心最多对数LISODATA法0101输入N个待分类样本，预定Nc个初始聚类中心。根据最近距离原则将样本分给最近聚类集Sj，如果Sj中的数目小于θN，便取消该聚类集，即Nc减1。ISODATA法0201

03判别是否进行分裂、合并和迭代运算。ISODATA法判断条件若迭代次数到最大次数，置θc=0，转至合并步骤。01

02

0304分裂处理的过程。计算每个聚类集j样本距离的标准差向量§j其中j=1，2，…，Nc，求出每一标准差向量§j,中的最大分量§jmax。ISODATA法如果§jmax>θs，并满足以下两个条件:

则将旧的中心么分裂成两个新的聚类中心，并且Nc加1。如果完成了分裂步骤，则转到步骤一中根据新的中心重新聚类、判别。如果不进行分裂则进入合并步骤。ISODATA法05合并处理的过程。计算全部聚类中心的距离Dij，比较Dij与θc的值，将满足Dij<θc的值按最小距离次序递增排列，即{Di1j1,Di2j2,…DiLjL}。将这些距离为Dikjk的两个聚类中心Zik和Zjk合并，得到新的中心Zk=1/Nik+Njk[NikZik+NikZjk]，k=1，2，...,L。若不是最后一次迭代，根据合并后新的聚类中心转到步骤一中进行重新聚类、判别。以上步骤后，如果是最后一次迭代运算，算法结束；否则，在不需要