第十讲遥感影像分类.pdf

第10讲 遥感影像分类 遥感影像计算机分类 • 是通过模式识别理论，利用计算机将遥感 图象自动分成若干地物类别的方法。 • 基本依据 不同的地物具有不同的光谱特征，同类地物 具有相同或相似的光谱特征 图象分类：基于数字图象中反映的同类地物 的光谱相似性和异类地物的光谱差异性 图象分类过程的总目标是，将图象中所有的像元自动地 进行土地覆盖类型或土地覆盖专题的分类。 光谱类和信息类 • 光谱类 （spectral class ）：基于光谱特征形成的类别 如房屋的阳面和阴面光谱特征不同，不同的光谱类 • 信息类 (information class)：根据实际需要待分的类别， 是根据需要人为划分的 如城市类由道路、建筑物、水体、绿地等不同地物组成 ，不同地物光谱特征不同 基本概念 模式 （pattern ）: 在多波段图象中，每个象元都具有一组对应 取值，称为象元模式 特征 （feature ）：在多波段图象中，每个波段都可看作一个变 量，称为特征变量 波段：光谱波段 其它派生波段（纹理、上下文关系、波段比等） 辅助数据(ancillary data) (非遥感数据，如DEM 、 土壤类型) 特征提取(feature extraction) ：通过变换找出最能反映地物类别差异的 特征变量用于分类的过程 特征选择(feature selection)：直接从原始波段数据中选择 分类算法 • 参数分类 vs. 非参数分类 • 监督vs. 非监督 • 硬分类vs. 软分类 • 逐像元分类vs. 面向对象的分类（图像分割） 参数分类 vs. 非参数分类 • 参数分类方法（Parametric methods ）（如 最大似然分类和非监督聚类方法）假设遥 感影像的光谱值服从正态分布及各类别的 概率密度函数 • 非参数分类方法（Nonparametric methods ）（如最近邻分类、神经网络分类等）对 类别的光谱统计分布没有假设 监督分类 vs. 非监督分类 监督分类（supervised classification ）：通 非监督分类(unsupervised classification)： 过选择代表各类别的已知样本（训练区 根据事先指定的某一准则，而进行计算 ）的象元光谱特征，事先取得个类别的 机自动判别归类，无须人为干预，分类 参数，确定判别函数，从而进行分类。 后需确定地面类别 在监督分类中，先定义信息类，然后检 在非监督分类中，先确定光谱可分的 验它们的光谱可分性 类别，然后定义它们的信息类 硬分类 vs. 软分类 • 硬分类：分类结果产生像元唯一的确定类别 • 软分类：产生像元属于各类别的隶属度 逐像元分类 vs. 面向对象分类 • 逐像元分类：将每个像元标记为一定的类别 • 面向对象分类：根据图像分割算法，将图像划分 为内部相对均一的对象，类别赋予每个对象 分类过程 • 确定分类问题：确定专题数据的需求、研究区域、分类体系、拟采用 的分类方法等 • 获取合适的遥感数据（各种分辨率、季相等）和地面参考数据 • 遥感数据处理：辐射纠正、几何纠正等 • 专题信息提取：特征选择、特征提取、分类算法等 • 分类后处理 • 精度评价 地表 几何和辐射纠正 特征提取 分类 分类结果 传感器测量 待分类图像 特征 训练数据 分类体系 • 互斥性(Mutually Excluded) • 无遗漏（Exhaustive ） • 层次性（ hierarchical ） 不同层次的分类体系，反映类别差别的细节 不同，对遥感数据空间分辨率和