《遥感图像处理及ENVI IDL操作实践》第十三章 图像分类(24P).ppt

1、主讲：朱文泉 Email: Tel: 58802932 办公室：科技楼B区706,遥感图像处理及ENVI/IDL操作实践,北京师范大学 资源学院,第十三章 图像分类,一、分类的背景知识 二、遥感图像分类原理 三、非监督分类 四、监督分类 五、分类后处理及精度评价 六、ENVI图像分类基本操作 难点：各种分类器的参数配置原理。 重点：常见图像非监督分类与监督分类的基本原理、基本操作过程。,一、分类的背景知识（1）,案例一：有20个幼儿园的小朋友，他们的身高均在0.7m左右，体重均在15kg左右，他们穿相同的园服，但他们穿的鞋子不一样（男孩的鞋子颜色较为素净，女孩的较为鲜艳；但也有男孩穿鲜艳的鞋子

2、，女孩穿素净的鞋子），他们的头发长短有所不同（大部分男孩的头发较短，大部女孩的头发较长，但也有女孩的头发和男孩一样短），请根据以上特征将这20个小朋友分成男女两个队列。,一、分类的背景知识（2）,案例二：有一群你一个也不认识的女演员，她们各自穿自己民族的服装，请将她们的民族识别出来。,方法一：先将女演员按她们的服装特征进行分类（尽管此时你不知道该类别具体是什么民族），然后再去查找各民族服装特征，由此判断各类别是什么民族。（非监督分类） 方法二：先找出各民族的服装特征，由此将各个演员的民族识别出来。（监督分类）,二、遥感图像分类原理（1）,遥感图像分类原理：不同的地物具有不同的波谱特征，同类的地

3、物具有相同或相似的波谱特征，遥感图像计算机分类是基于数字图像中所反映的同类地物的光谱相似性和异类地物的光谱差异性进行的。 在多波段图像中，每一波段都可以看作为一个变量，在计算机分类中称其为原始图像的特征变量，一个像元可以看成由n个特征组成的n维空间的一个点，同类地物的像元形成n维空间的一个点群，差异明显的不同地物会构成n维空间的若干个点群，计算机分类就是要分析特征空间这些点群的特点，如点群的位置、分布中心、分布规律，从而确定点群的界限，最终完成分类任务。,二、遥感图像分类原理（2）,三、非监督分类（1）,非监督分类：在没有先验类别作为样本的条件下，根据像元间相似度大小进行计算自动判别归类，无须

4、人为干预，分类后需确定地面类别。,优点： 1、无需对分类区有较多的了解，仅需一定的知识来解释分类出现的集群组； 2、人为误差减少，需输入的初始参数较少； 3、可形成范围很小但有独特光谱特征的集群，所分的类别比监督分类的类别更均质； 4、独特的、覆盖量小的类别均能够被识别。 缺点： 1、 对其结果需进行大量分析及后处理，才能得到可靠分类结果； 2、 存在同物异谱及异物同谱现象，使集群组与类别的匹配难度大； 3、 不同图像间的光谱集群组无法保持其连续性，难以对比。,三、非监督分类（2）,K均值算法,三、非监督分类（3）,ISODATA算法,三、非监督分类（4）,三、非监督分类（5）,四、监督分类（

5、1）,监督分类：先选取有代表性的训练区作为样本，通过选择特征参数（如像元亮度均值，方差等），确定判别函数，据此进行分类。,分类过程： 1、选择训练区（代表性，完整性，多个样区） 2、提取统计信息（进行多元统计分析、训练样本的有效评价、样本纯化） 3、选择合适的监督分类算法（平行算法、最小距离法、最大似然法（至今应用最广）、波谱角分类法） 4、计算机自动分类 5、分类精度评价（非位置精度、位置精度混淆矩阵）,四、监督分类（2）,优点： 1、可充分利用分类地区的先验知识，预先确定分类的类别； 2、可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度，避免分类中的严重错误 3、避免了非监督

6、分类中对光谱集群组的重新归类。 缺点： 1、人为主观因素较强； 2、训练样本的选取和评估需花费较多的人力时间； 3、只能识别训练样本中所定义的类别，从而影响分类结果。,四、监督分类（3）,四、监督分类（4）,平行管道（盒式）分类法,四、监督分类（5）,最小距离算法,四、监督分类（6）,最大似然算法,五、分类后处理及精度评价（1）,分类后处理： 原因：原始遥感图像有噪声、逐像元分类均会使分类图出现零星小图斑。 处理方法：分类后处理主要有：主/次要分析（Majority/Minority Analysis）、类成团（clump）、类别筛选（Sieve）、类别结合（Combine classes）、

7、类别叠加（Overlay classes）等。,五、分类后处理及精度评价（2）,主/次要分析：使用主要分析（Majority）可以将较大类别中的虚假像元归类到该类中，如果使用次要分析（Minority），则是将变换核中占次要地位的像元的类别数代替中心像元的类别数。 类成团：运用形态学算子将临近的类似分类区域合并成块。分类图像经常缺少空间连续性（分类区域中斑点或洞的存在）。低通滤波虽然可以用来平滑这些图像，但是类别信息常常会被临近类别的编码干扰。类成团实际上是数学形态学上的开操作（先膨胀，后侵蚀）。 类别筛选：解决分类图像中出现的孤岛问题。类别筛选使用斑点分组方法来消除这些被隔离的分类像元。虽然

8、使用低通滤波或其他类型的滤波功能可以消除这些区域，但是类别信息常常会被临近类别的编码干扰。类别筛选方法需要观察周围的4个或8个像元，判定一个像元是否与周围的像元同组。如果一类中被分组的像元数小于输入的值，这些像元会被从该类中删除。当用类别筛选从某一类中删除像元时，将剩下黑像元（未分类的像元）。注意，在筛选后，可以用成块分类功能（clump）来替换黑色像元。一般是 Sieve和Clump结合使用。,五、分类后处理及精度评价（3）,精度评价 对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度

9、，比较形象。 对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和用户精度。,五、分类后处理及精度评价（4）,1、混淆矩阵（Confusion Matrix）: 混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类相比较计算的。混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。 2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总数除以总像元数。被正确分类的像元沿着混淆矩

10、阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。3、Kappa系数：把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。,五、分类后处理及精度评价（5）,4、错分误差（Commission ）：指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在混淆矩阵的行里面。（错入）5、漏分误差（Omission ）：指本属于地表真实分类，但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。 （漏出） 6、制图精度（Pr