《论文内容-影像分类.doc》由会员分享，可在线阅读，更多相关《论文内容-影像分类.doc（9页珍藏版）》请在金锄头文库上搜索。
1、第四章 遥感影像分类及提取比较实验研究4.1 非监督分类非监督分类的前提是假定遥感影像上同类地物在相同条件下具有相同的光谱特征信息。它是在没有先验知识（训练场地）的情况下，仅根据图像奔上的统计特征及自然点群的分布情况来划分地物类别的分类处理，时候再对已分出的各类的地物属性进行确认，也称作“边学习边分类法” 周春艳,面向对象的高分辨率遥感影像信息提取技术D.青岛,山东科技大学.2006,20。常用的非监督分类有ISODATA算法，K-均值法，模糊C-均值法，本研究我们采用ERDAS IMAGINE 的ISODATA算法（基于最小光谱距离公式）来进行非监督分类。4.1.1 ISODATA算法ISO
2、DATA即迭代自组织数据分析技术（Iterative Self-Organizing Data Analysis Technique），这种方法在数理统计上又可以称为动态聚类分析（Dynamic Clustering Analysis） 张尧庭,方开泰.多元统计分析引论M,北京：科学出版社，1982.。简而言之，就是在初始设定的基础上，在分类过程当中依据一定原则不断地重新计算类别总数、类别中心，从而使分类结果逐渐趋于合理，直到满足一定条件后，分类过程完毕。（图）开始Y计算类别均值像素聚类计算距离初始聚类中心心 均值与中心数一致停止N以新均值替代旧中心ISODATA算法步骤 曾志远著.卫星遥感图
3、像计算机分类与地学应用研究M,北京：科学出版社，2004，8-12：1. 确定初始聚类中心的数目这是迭代开始时假定要分的类的个数，原则上说，可以随机的规定。如对研究对象有较多的了解，也可以令它接近于实际类型的个数。需要注意，在像元较少的情况下，初始类数目不宜舍得过大。2. 确定初始聚类中心即各初始类的各波段的初值。初始类数目定下来之后，就要给每个类的各波段假定初始值。分类用m个波段，构成m维向量。分类数目m维向量是像元的初始归类中心。3. 确定像元与各聚类中心的距离距离参数有多种形式，如:绝对值距离，欧氏距离，马氏距离等。它们各有其计算公式。具体选用什么距离，可根据实际情况决定。4. 进行第一
4、次迭代后像元初次归类 按定义的距离，分别计算各个像元与各初始聚类中心的距离，比较每个像元到各类的距离值，把它们分别归到距离最近的类里去。全部像元计算归类完毕，就完成了第一次分类。5. 第一次分类的修改第二次迭代第一次分类结果带有很大的主观性，与实际相差较远，需要对它进行修改、调整。调整的方法有很多种，在此介绍其中一种。计算第一次分类得到的各类的重心各类的一个波段的均值为分量构成的向量，将它们作为第二次分类的聚类中心，重新计算各像元与这些新聚类中心的距离，并把各像元归到距离最近的类中去。全部像元经过这样重新计算和归类后，就完成了第二次分类。6. 分类修改的继续第三次迭代或更多次迭代将各类均值与其
5、中心数进行比较，若两者差异在给定闭值范围之内，则停止迭代；如两者差异在阐值范围之外，通常是把第n-1次分类得到的重心，作为第n次迭代分类的聚类中心，对各像元重算距离，重新归类。如此逐次分类迭代，直到获得稳定的分类结果为止。4.1.2 分类过程首次分类设置初始分类数为16，最大循环数为10，循环收敛值为0.95。得到分类的初始结果图。4.1.3 分类评价 在获得一个初步的分类结果后，可以应用分类后的图像与原始图像叠加分析来评价分类精度。 给分类图像的各类别赋予相应的颜色 由于分类结果覆盖在原图像之上，不便于进行单个类别的类型和精度的确定，因此要把不参与比较的类别设为透明（Opacity值为0），
6、参与比较的类别设为不透明（Opacity值为1）。 判断类别后在属性表标注相应的类别名称，从而得到类别专题图，如果得到满意的分类记过，非监督分类即可结束。4.1.4 分类后处理由于分类严格按照数学规则进行，分类后往往会产生一些只有几个像元甚至一两个像元的小图斑。这对分类图的分析、解译和制图，都是不利的，可通过几种分类后处理来解决。ERDAS IMAGINE 中的分类后处理方法有：聚类统计、过滤分析、去除分析和分类重编码。本研究先通过聚类统计（Clump）产生一个中间图像文件，然后通过去除分析（Eliminate）处理将小图斑的属性值自动回复为Clump处理前的原始分类编码，最后通过分类重编码将
7、要合并的两个或两个以上的类的不同编码和不同颜色都改为相同的编码和颜色，最终得到非监督分类专题图像。见图。4.2监督分类 监督分类又称为训练场地法或先学习后分类法。它是基于先验知识，跟军训练场提供的样本选择特征参数，建立判别函数，对待分类点进行分类。训练场地的选择是监督分类的关键，在监督分类中由于训练样本的不同，分类结果会出现极大地差异，因此应选取有代表性的样本，用于监督分类的训练样本应该是光谱特征比较均一的地区，在影像中根据均一的色调估计只有一类地物，且一类地物的训练样本可以选取一块以上。此外，用做样本的数目至少能满足建立分类用判别函数的要求，对于光谱特征变化比较大的地物，训练一昂本要足够得多
8、，以反映其变化范围。一般情况下，要得到可靠地结果，每类至少选择10-100个训练样本。监督分类过程分为两个阶段，一是：分类模板的生成过程，通过人机界面选择典型的样本，并根据样本计算各类判别函数，确定相关的参数；二是：分类过程，选择适合的分类器，这个过程是计算机自动完成。以下是监督分类的流程图：不满意满意结 束结果输出满意精度评价不满意执行监督分类分类模板评价模拟学习 参数估计训练样本选取分类类别确定开始 4.2.1定义分类模板选择训练样本要充分考虑到研究地区的地物光谱特征，使训练样本具有好的代表性。首先，训练样本数目应该能提供各类足够的信息，至少要满足建立分类判别函数的要求，一般情况下，每类至
9、少要有10-100个训练样本数据，才能克服各种偶然因素的影响。其次，训练样本像元应具有代表性，必须与该类型总体特征相接近。最后，训练样本的选择应尽可能与该地类分布相一致，避免集中在某些局部位置上。 选择训练样本可以通过野外调查确定、专题矢量图确定以及AOI选择等。本研究采用AOI绘图工具在原始图像上获取训练样本，然后通过分类模板编辑器将绘制的多个AOI加载到分类模板属性表中，最后在分类模板属性表中通过将AOI合并成一个新的模板，输入对应的类别名称，并设置相应的颜色。4.2.2评价分类模板分类模板建立后，需要对其进行评价、删除、更名、与其他分类模板合并等操作。ERDAS IMAGINE提供的分类
10、模板评价工具包括分类预警、可能性矩阵、特征对象、特征空间到图像掩膜、直方图方法、分离性分析和分类统计分析等工具。本研究采用了可能性矩阵对分类模板进行评价。可能性矩阵评价工具是根据分类模板，分析AOI训练区的像元是否完全落在相应的类别中。其输出结果是百分比矩阵，表明每个AOI训练区中有多少像元分别属于相应的类别。一般要求误差矩阵制不小于85%，否则需要重新建立模板。4.2.3监督分类 在得到满意的分类模板后，就需要在一定的分类决策规则条件下，对像元进行聚类判断。在选择判别函数集相应的准则后，便可执行监督分类。监督分类的判别规则包括：平行六面体法、最大似然法（Maximum Likehood Cl
11、assifier，MLC）、最小距离法、马氏（Mahalanobis）距离法。本研究采用应用最为广泛的最大似然法对影像进行监督分离。最大似然法 李全,王海燕,李霖.基于最大似然分类算法的土地覆盖分类精度控制研究J.国土资源科技管理,2005,4:42-45.是建立在贝叶斯准则基础上分类误差概率最小的一种分类方法，它有着严密的统计理论基础。它通过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，从而可求出总体的条件概率密度函数，并利用贝叶斯函数进行后验概率的计算，根据其最大值原则判定类别归属。4.2.3分类后处理同非监督分类后处理一样，先经过聚类统计，在经过去除分析，最后通过分类重编码生成，最终得到监督分类专题图像。见图
