遙感圖像分類2015年4月圖像分類基本概念和原理遙感圖像分類過程非監督分類方法監督分類方法分類后處理內容大綱遙感圖像分類是圖像信息提取的一種方法遙感圖像分類是遙感數字圖像處理的重要環節，也是遙感應用最廣泛的領域之一遙感圖像自動識別分類提取信息的類型舉例分類土地覆蓋、樹種識別、植被和農作物變化檢測土地覆蓋變化物理量的提取溫度、大氣成分、高程、土壤含水量指標提取植被指數、渾濁指標特定地物和狀態的提取山火、水災、線形構造、遺跡探察在特征空間中，依據像元相似度的大小，歸類相似的像元，分離不相似的像元，并給每一個像元賦類別值的過程分類的總目標是將圖像中所有的像元自動進行土地覆蓋類型或土地覆蓋專題的分類什么是遙感圖像計算機分類？計算機分類實例原始遙感圖像對應的專題圖像遙感圖像遙感圖像計算機分類流程框圖色調、顏色、陰影、形狀、紋理、大小、位置、圖型、相關布局遙感圖像特征集基于光譜的基于空間關系的統計分類結構分類模糊分類神經網絡分類小波分析專家系統遙感圖像計算機分類光譜模式識別空間模式識別新方法計算機分類較目視解譯的優勢？將影像數據的連續變化轉化為地圖模式，以提供給用戶有意義的信息獲得關于地面覆蓋和地表特征數據的更深刻的認識較目視解譯客觀，在分析大數據集時比較經濟可對復雜的多波段數據及其相互關系進行有效分析光譜特征空間光譜特征空間：以各波段圖像的亮度分布為坐標軸組成的空間同類地物在特征空間形成一個相對聚集的點集群不同類地物的點集群在特征空間內一般是相互分離的

SPOT影像真實二維特征空間示例1-21-31-42-32-43-4特征空間中的距離“物以類聚”，而圖像分類的依據通常是像元之間的相似性。相似性通常又采用“距離”來度量。距離可以有不同的具體定義幾何距離：歐式距離、絕對值距離統計距離：馬氏距離幾何距離：歐氏距離X到集群中心在多維空間中距離的絕對值之總和來表示幾何距離：絕對值距離統計距離：馬氏距離馬氏距離幾何意義：X到類重心之間的加權距離，其權系數為協方差圖像分類方法按人工干預的程度不同，可以分為：非監督分類法監督分類法分類步驟選擇合適的分類算法用所選算法分割特征空間根據像元在特征空間中的定位對每一個像元賦類別值對分類結果進行精度評價在沒有先驗類別（訓練場地）作為樣本的條件下，即事先不知道類別特征，主要根據像元間相似度的大小進行歸類合并（將相似度大的像元歸為一類）的方法根據圖像數據本身的統計特征及點群的分布情況，從純統計學的角度對圖像數據進行類別劃分非監督分類利用事先定義的參數確定特征空間中類別的位置，然后確定單個像元是否屬于某個類別聚類一般的聚類算法是先選擇若干個點作為聚類的中心每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各點歸于各聚類中心所代表的類別，形成初始分類然后由聚類準則判斷初始分類是否合理，如果不合理就修改分類，如此反復迭代運算，直到合理為止聚類過程按照某個原則選擇一些初始聚類中心計算像元與初始類別中心的距離，把像素分配到最近的類別中聚類過程計算并改正重新組合的類別中心過程重復直到滿足迭代結束的條件聚類過程僅憑遙感影像地物的光譜特征的分布規律，即自然聚類的特性，進行“盲目”的分類其分類的結果只是對不同類別達到了區分，但并不能確定類別的屬性；其類別的屬性是通過分類結束后目視判讀或實地調查確定的非監督分類簡單集群分類方法K-均值法（K-meansAlgorithm）Cluster分類法迭代自組織數據分析技術方法（IterativeSelf-OrganizationDataAnalysisTechniques，ISODATA）主要的非監督分類方法K-均值法通過自然的聚類，把它分成8類K-均值算法的聚類準則是使每一聚類中，像元到該類別中心的距離的平方和最小基本思想：通過迭代，逐次移動各類的中心，直至得到最好的聚類結果為止K-均值法（1）確定類別數并各類的初始中心：z1(0),z2(0),…,zK(0)，K為類別數。初始中心可任意選取初始中心的選擇對聚類結果有一定影響，初始中心的選擇一般有以下方法：①根據問題的性質，用經驗的方法確定類別數K，從數據中找出從直觀上看來比較適合的K個類的初始中心②將全部數據隨機地分為K個類別，對計算每類的重心，將這些重心作為K個類的初始中心K-均值法（2）擇近分類，即將所有像元按照與各中心的距離最小的原則分到K個聚類中心（3）計算新中心。待所有樣本第i次劃分完畢后，重新計算新的集群中心zj(i+1),j=1,2,…,K（4）如果聚類中心不變，則算法收斂，聚類結束；否則回到（2），進入下一次迭代K-均值法優點：實現簡單缺點：過分依賴初值，容易收斂于局部極值在迭代過程中沒有調整類數的措施，產生的結果受到所選聚類中心的數目、初始位置、類分布的幾何性質和讀入次序等因素影響較大初始分類選擇不同，最后的分類結果可能不同K-均值法IterativeSelf-OrganizationDataAnalysisTechniques“迭代自組織數據分析技術方法”的簡稱可以自動地進行類別的“合并”和“分裂”，從而得到比較合理的聚類結果

ISODATA（1）初始化，設置參數；（2）選擇初始聚類中心；（3）按一定規則(如距離最小)對所有像元分配類別；（4）計算并改正重新組合的類別中心；（5）類別的分裂和合并；（6）如果達到迭代次數或者兩次迭代之間類別均值變化小于閾值，則結束迭代；否則，重復（3）-（6）；（7）確認類別，對結果進行精度評估ISODATA基本同K-均值法，但K-均值法的類別數是從始至終固定的，而ISODATA方法則是動態調整類別數的K：希望得到的類別數θN：所希望的一個類中樣本的最小數目θS：類的分散程度的參數（如標準差、方差）θC：類間距離的參數（如最小距離）L：每次允許合并的類的對數I：允許迭代的次數ISODATA參數的設定決定類的“分裂”與“合并”

結束迭代的條件合并（類數-1）每一類中的像元個數少于期望的類別最少像元數θN類別的個數大于期望的類別數K的2倍分裂（類數+1）類別的標準差大于類別標準差閾值θS類別的個數小于期望的類別數K的1/2當類別數在一定范圍內，類別中心間的距離在閾值以上，類別內的方差的最大值在閾值以下ISODATA調整類別數的準則兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個閾值，說明聚類結束如果迭代次數達到了預設值I，那么即使不收斂，也強行結束ISODATA判斷迭代結束類別數：20迭代次數：20ISODATA類別數：10迭代次數：10ISODATA優點：不需要預先對待分類區域有廣泛的了解需要較少的人工參與，人為誤差的機會減少小的類別能夠被區分出來缺點：盲目的聚類難以對產生的類別進行控制，得到的類別不一定是想要的類別計算速度慢非監督分類方法的特點確定每個類別的樣區學習或訓練確定判別函數和相應的判別準則計算未知類別的函數值按規則進行像元的所屬判別監督分類的思想監督法分類首先需要從研究區域選取有代表性的訓練場地作為樣本根據已知訓練區提供的樣本，建立判別函數，據此對樣本像元進行分類，依據樣本類別的特征來識別非樣本像元的歸屬類別監督法分類主要步驟選擇訓練樣本區確定類別數對每類選擇足夠多的有代表性的樣本分類前分析樣本區質量選擇合適的分類算法分類結果的精度評價準確性——確保選擇的樣區與實際地物的一致性代表性——考慮到地物本身的復雜性，所以必須在一定程度上反映同類地物光譜特性的波動情況統計性——選擇的訓練樣區內必須有足夠多的像元訓練樣區的選擇選擇訓練區訓練區與特征空間的聯系水新城區老城區耕地植被

選擇樣本區域建立類別的判別函數水老城區新城區植被紅255綠255????耕地0?藍255

將樣本數據在特征空間進行聚類主要的監督分類方法距離判別函數和距離判別規則最小距離分類法最近鄰分類算法平行六面體分類法概率判別函數和貝葉斯判別規則最大似然分類法基本思想是設法計算未知矢量X到有關類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類距離判決函數偏重于集群分布的幾何位置距離判別規則是按最小距離判別的原則最小距離分類法最小距離分類法以一個包括該集群的“盒子”作為該集群的判別函數判決規則為若未知矢量X落入該“盒子”，則X分為此類，否則再與其它盒子比較這種分類法在盒子重疊區域有錯分現象，錯分與比較盒子的先后次序有關平行六面體分類法基本思想平行六面體分類法最大似然分類法地物類數據在特征空間中構成特定的點群，每一類的每一維數據都在自己的數軸上為正態分布，該類的多維數據就構成了一個多維正態分布，各類的多維正態分布模型各有其分布特征利用各類的已知數據（訓練區），求出均值、方差及協方差等特征參數，從而求出總體的概率密度函數在此基礎上，對于任何一個像元，通過求出每個像素對于各類別的歸屬概率（對于待分像元x，從屬于分類類別k的概率），把該像素分到歸屬概率最大的類別中去最大似然分類法最大似然分類法利用概率判別函數與貝葉斯判別規則進行分類優點：考慮特征空間中類別的形狀、大小和定位缺點：計算量大，計算時間長假定地物光譜特征呈正態分布根據應用目的和區域，有選擇的決定分類類別，避免出現一些不必要的類別可以控制訓練樣本的選擇可以通過檢查訓練樣本來決定訓練樣本是否被精確分類，從而避免分類中的嚴重錯誤，分類精度高避免了非監督分類中對光譜集群的重新歸類分類速度快監督法分類的優點主觀性由于圖像中間類別的光譜差異，使得訓練樣本沒有很好的代表性訓練樣本的獲取和評估花費較多人力時間只能識別訓練中定義的類別監督法分類的缺點面向對象的分類方法人工神經網絡分類法決策樹分類法專家系統分類法基于GIS的遙感圖像分類方法模糊分類方法數字圖像分類新技術基于像素級別的信息提取以單個像素為單位，過于著眼于局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重制約了信息提取的精度面向對象的分類方法首先對圖像數據進行影像分割，影像的最小單元不再是單個的像素，而是一個個對象(圖斑)，后續的影像分析和處理也都基于對象進行優點：面向對象的遙感信息提取，綜合考慮了光譜統計特征、形狀、大小、紋理、相鄰關系等一系列因素，因而具有更高精度的分類結果面向對象的分類方法決策樹分類采取逐次分類的方法，先確定特征明顯的大類別，對每一大類再作進一步的劃分，直到所有類別全部分出為止在不同層次可以更換分類方法，也可以更換分類特征，以提高這類別的可分性決策樹分類法城市非建筑物建筑物裸地植被樹木草地將原有的GIS數據和各種土地利用類型變化的先驗性知識綜合集成用于新的遙感圖像的分類中，不僅可以促進GIS數據更新的自動化，而且還可以得到比常規最大似然法高的分類精度基于GIS的遙感圖像分類方法遙感影像經分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別分類后處理原始遙感圖像對應的專題圖像用光譜信息對影像逐個像元地分類，在結果的分類地圖上會出現“噪聲”分類后處理產生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括有多種類別，其混合的幅射量造成錯分類，以及其它原因等另外還有一種現象，分類是正確的，但某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣，因此希望用綜合的方法使它從圖面上消失分類后處理分類后處理多數平滑：平滑時中心像元值取周圍占多數的類別（少數服從多數原則）平滑前后的一個例子分類精度評價混淆矩陣Kappa系數制約分類精度的因素提高分類精度的方法分類后的誤差分析混淆矩陣是由n行n列組成的矩陣，用來表示分類結果的精度混淆矩陣是通過將每個像元的位置和地面參考驗證信息與計算機分類結果中的相應位置和類別來比較計算的混淆矩陣（ConfusionMatrix）混淆矩陣的每一列代表了地表實測值（參考驗證信息），每一列中的數值等于地表真實像元在分類圖像中對應于相應類別的數量混淆矩陣的每一行代表了計算機的分類信息，每一行中的數值等于計算機分類像元在地表真實像元相應類別中的數量混淆矩陣有150個樣本數據，這些數據在計算機分類結果中被分成3類，每類50個。分類結束后得到的混淆矩陣為：類1的50個樣本有43個分類正確，5個錯分為類2，2個錯分為類3類2的50個樣本有45個分類正確，2個錯分為類1，3個錯分為類3類3的50個樣本有49個分類正確，0個錯分為類1，1個錯分為類2混淆矩陣實際類別類1類2類3行和分類類別類1435250類2245350類3014950列和455154矩陣主對角線上的數字就是分類正確的像元數，主對角線上的數字越大，分類精度越高；主對角線以外的數字就是錯分的像元數，這些數字越小，錯分率就越小，精度就越高精度評估的指標總精度用戶精度生產者精度（制圖精度）混淆矩陣總精度：由正確分類的總像元數（沿著主對角線上的元素的和）除以所包含的總像元數來計算(43+45+49)/150=91.3%混淆矩陣用戶精度由每一類別被正確分類的像元數目除以被分作該類的總像元數（行元素之和）這個數字表示一個像元被分到指定類別的可能性，這個指定類別代表了地面的實際類別類1的用戶精度：43/50=86%類2的用戶精度：45/50=90%類3的用戶精度：49/50=98%混淆矩陣生產者精度由每一類中正確分類的像元數（位于主對角線上）除以該類用做訓練樣區的像元數目（列元素之和）這個數字表明指定覆蓋類型的訓練樣區集的像元被分類后，它的效果有多好類1的生產者精度：43/45=96%類2的生產者精度：45/51=88%類3的生產者精度：49/54=91%混淆矩陣例：森林類別的生產者精度為84%，用戶精度為60%。表示在分類結果中有84%的森林被正確的分類為森林，但所有分類為森林的地區只有60%的地區真正屬于森林這個類別混淆矩陣m=誤差矩陣中行的數量（即總的類別數）xii=第i行第i列上的像元數量（即主對角線上正確分類的數量）xi+=在第i行的總像元數量x+i=在第i列的總像元數量N=用于精度評估的總像元數量Kappa系數分類總體精度與Kappa的區別：總體精度只用到了位于對角線上的像元數量Ka