遥感(分类)

1、遥感图象处理：分类与特征提取概述遥感图像现势性很强。利用计算机进行遥感图像智能化解译，可以快速获取地表不同专题信息，并利用这些专题信息迅速地更新地理数据库。分类原理与过程计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用。关键是提取待识别模式的一组统计特征值。遥感图像分类的主要基础是地物的光谱特征。然而，有时多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K－T变换等），以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。分类原理与过程分类过程中采用的统计特征变量包括：全局统计特征变量和局部统计特征变量。全局统计特征变量如地物的光谱特征，TM的6个波段数据进行K－T变换（缨帽变换）获得的亮度特征。局部统计特征变量是将数字图像分割成不同识别单元，在各个单元内分别抽取的统计特征变量。例如，纹理。分类原理与过程在很多情况下，利用少量特征就可以进行遥感图像的地学专题分类，因此需要从遥感图像n个特征中选取k个特征作为分类依据，我们把从n个特征中选取k个更有效特征的过程称为特征提取。特。

2、征提取要求所选择的特征相对于其他特征更便于有效地分类，使图像分类不必在高维特征空间里进行，其变量的选择需要根据经验和反复的实验来确定。分类原理与过程遥感图像计算机分类的依据是遥感图像像素的相似度。在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。距离:特征空间中象元数据和分类类别特征的距离，越小则相似程度越大。度量特征空间中的距离经常采用以下几种算法:绝对值距离欧氏距离nkjkikijxxd1)()(2kTkkxxdx为像元数据矢量类别k的平均值矢量像元i在k波段的值分类原理与过程分类原理与过程标准欧氏距离：在特征空间的轴向上，当总体分布的离散度大小不同时，即使欧氏距离相等，各轴向上的相似程度也不同。用标准偏差把轴向上离散差异归一化的距离叫标准欧氏距离。)()(12kkTkkxxd分类原理与过程马氏距离（Mahalanobis）：总体分布除了轴向上离散度不同以外，在各轴之间往往还存在相关性。在考虑离散度的同时，也考虑到各轴间的总体分布的相关（协方差）来进行校正的距离叫马氏距离。)()(12kkTkkxxd协方差矩阵分。

3、类原理与过程相关系数是指像素间的关联程度。采用相关系数衡量相似度时，相关系数越大，相似度越大。两个像素之间的相关系数rij可以定义为：nkjkjnkikinkjkjikiijxxxxxxxxr12121)()())((像元i的第k个分量均值分类原理与过程遥感数字图像计算机分类基本过程如下：首先明确分类的目的，在此基础上选取遥感图像。收集与分析研究区域信息。数字图像进行辐射校正和几何纠正。根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。根据应用目的及图像数据的特征制定分类系统，确定分类类别，在分类过程中确定分类类别。分类原理与过程找出代表这些类别的统计特征。为了测定总体特征，在监督分类中可选择具有代表性的训练区域进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。对遥感图像中所有像素进行分类。分类精度检查。在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料、专题图进行核查。分类方法监督分。

4、类：最小距离分类法、多级切割分类法、特征曲线窗口法、最大似然比分类法等非监督分类：多级集群法、动态聚类法等最小距离分类法最小距离分类法是用特征空间中的距离表示像元数据和分类类别特征的相似程度，在距离最小时（相似度最大）的类别上对像元数据进行分类的方法。最小距离分类法最小距离分类法原理简单，分类精度不很高，但计算速度快，它可以在快速浏览分类概况中使用。多级切割法多级切割法（multi-levelsliceclassifier）是根据设定在各轴上的值域分割多维特征空间的分类方法。这种方法通过选取训练区，了解类别的特征，并设定每个分类类别的光谱特征上、下限值，构成特征子空间。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。如落入所有特征子空间之外，则属于未知类型。因此多级切割分类法要求训练区样本的选择必须覆盖所有的类型。遥感图象处理：分类用多级切割法分割三维特征空间多级切割法多级分割法分类便于直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。但它要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，。

5、需要先进行主成分分析，或采用其他方法对各轴进行相互独立的正交变换，然后进行多级分割。特征曲线窗口法特征曲线是地物光谱特征参数构成的曲线。由于地物光谱特征受到大气散射、天气状况等影响，即使同类地物，它们所呈现的特征曲线也不完全相同，而是在标准特征曲线附近摆动变化。因此以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口范围内的地物即被认为是一类，反之，则不属于该类，这就是特征曲线法。特征曲线窗口法分类的依据是：相同的地物在相同的地域环境及成像条件下，其特征曲线是相同或相近的，而不同地物的特征曲线差别明显。特征曲线窗口法特征曲线窗口法可以根据不同特征进行分类，如利用标准地物光谱曲线的位置、反射峰或谷的宽度和峰值的高度作为分类的识别点，给定误差容许范围，分别对每个像素进行分类；或者利用每一类地物的各个特征参数上、下限值构造一个窗口，判别某个待分像元是否落入该窗口，只要检查该像元各特征参数值是否落入到相应窗口之内即可。特征曲线窗口法特征曲线窗口法分类的效果取决于特征参数的选择和窗口大小。各特征参数窗口大小的选择可以不同，它要根据地物在各特征参数空间里的分布情况而定。最大似然比分类法。

6、最大似然比分类法（maximumlikelihoodclassifier）它假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然比分类法。最大似然比分类法最大似然比分类必须知道总体的概率密度函数P（x|k）。由于假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布（对一些非正态分布可以通过数学方法化为正态问题来处理），通过训练区，可求出其平均值及方差、协方差等特征参数，从而可求出总体的先验概率密度函数。此时，像素x归为类别k的归属概率Lk表示如下（这里省略了和类别无关的数据项）：112/12/)()()2/1exp(())(det2()(kkkTknkxxxL类别k的协方差矩阵类别k的平均向量（n维）最大似然比分类法这种最大似然比分类法的特征是，在分类结果上具有概率统计的意义。但必须注意几点：（l）为了以较高精度测定平均值及方差、协方差，各个类别的训练数据至少也要为特征维。

7、数的10到100倍以上。（2）如果2个以上的波段相关性很强，那么方差协方差矩阵的逆矩阵就不存在，或非常不稳定。在训练数据几乎都取相同值的均质性数据组的情况下也是如此。此时，最好采用主成分分析法，把维数减到仅剩相互独立的波段。（3）当总体分布不符合正态分布时，不适于采用以正态分布的假设为基础的最大似然比分类法。其分类精度也将下降。监督分类训练样本的选择在监督分类中，由于训练样本选择的不同，分类结果会出现极大的差异。一类地物的训练场地应多选择几块。利用图件进行样本选择要注意时间和空间问题。地形因素的影响对同类地物向阳面、向阴面不能用都分为一组进行采样的方法来解决。这样会使训练样本总体不服从多元正态分布，且样本的离散程度增加，导致分类精度下降。向阳面、向阴面可采用“同类多组法”选择训练样本。特征变量的选择特征变量不宜过多，过多不能增加分类精度，反而造成更多的混淆和不确定。特征变量之间相关性要小。使同类大体接近，不同类距离尽量大。非监督分类非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像。

8、素间的距离尽可能的大。其常用方法有：分级集群法动态聚类法分级集群法。由于不同地物的辐射特性不同，反映在直方图上会出现很多峰值及其对应的一些灰度值，它们在图像上对应的像元分别倾向于聚集在各自不同灰度空间形成的很多点群，这些点群就叫做集群。分级集群法采用“距离”评价每个像元在空间分布的相似程度，把它们的分布分割或者合并成不同的集群。每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。分级集群法分级集群法的分类过程如下：确定评价各样本相似程度所采用的指标，这里可以采用前面监督分类中介绍的几种距离。初定分类总数n。计算个体间的距离；根据距离最近的原则判定归并到不同类别。归并后的类别作为新类，与剩余的类别重新组合，然后再计算并改正其距离。在达到所要分类的最终类别数以前，重复样本间相似度的评价和归并，这样直到所有像素都归入到各类别中去。确定采用的距离确定分类总数n找出距离最小的类别组归并距离最小的类别计算归并后新的个体间的距离归并后的类别数STOPYN分级集群法分级集群方法的特点是这种归并的过程是分级进行的，在迭代过程中没有调整类别总数的措施，如果一个像元被归入到。

9、某一类后，就排除了它再被归入到其他分支类别中的可能性，这样可能导致对一个像元的操作次序不同，会得到不同的分类结果，这是该方法的缺点。动态聚类法在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止，这种聚类方法就是动态聚类。ISODATA(IterativeOrgnizingDataAnalysizeTechnique迭代自组织数据分析技术）方法在动态聚类法中具有代表性。ISODATA方法按照某个原则选择一些初始类聚类中心。在实际操作中，要把初始聚类数设定得大一些，同时引入各种对迭代次数进行控制的参数，如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别对数等，在整个迭代过程中，不仅每个像元的归属类别在调整，而且类别总数也在变化。ISODATA方法计算像素与初始类别中心的距离，把该像素分配到最近的类别中。动态聚类法中类别间合并或分割所使用的判别标准是距离，待分像元在特征空间中的距离说明互相之间的相似程度，距离越小，相似性大，则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。计算并改正重新组合。

10、的类别中心，如果重新组合的像素数目在最小允许值以下，则将该类别取消，并使总类别数减1。当类别数在一定的范围，类别中心间的距离在阈值以上，类别内的方差的最大值为阈值以下时，可以看作动态聚类的结束。当不满足动态聚类的结束条件时，就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返回到上一步，重复进行组合的过程。动态聚类法动态聚类法中有类别的合并或分裂，这说明迭代过程中类别总数是可变的。如果两个类别的中心点距离近，说明相似程度高，两类就可以合并成一类；或者某类像元数太少，该类就要合并到最相近的类中去。类别的分裂也有两种情况：–某一类像元数太多，就设法分成两类；–如果类别总数太少，就将离散性最大的一类分成两个类别，可以先求出每个类别的均值和标准差，然后通过对每一个波段的标准偏差设定阈值来实现，标准差大于阈值，该类就要分裂。ERDAS中的分类ERDAS中的非监督分类采用的是ISODATA方法，操作主要过程如下：采用的是ISODATA方法，操作主要过程如下：1.3.2.4.执行分类步骤：ERDAS中的监督分类——采样分类后处理无论是监督分类还是非监督分类，其结果都会产生一些。