数据处理
9几何纠正 9辐射纠正 9数据转换
数据分析
9定量分析 9分类 9数据综合
数据转换
9栅格-矢量 9矢量-栅格
土 地 退 化 监 测 与 评 价 GIS 和 遥 感 技 术 应 用 培 训 研 讨 会
分类精度评价方法发展
第一阶段：目视判断——主观性 第二阶段：比较分类所得的专题图中各 类别的面积范围（或面积百பைடு நூலகம்比）与地 面或其它参考数据中相应类别的面积范 围（或面积百分比）——非定位 第三阶段：以定位（site specific）类 别比较和精度测量（accuracy metrics ）为特征——定位 第四阶段：在第三阶段方法基础上的细 化和发展——误差矩阵
输入Pj
输出Ok
最小距离
最大似然
神经网络
非监督分类算法
K-Means聚类:
在初始设定基础上，在分类过程中根据一定原则不断重新计算类 别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条 件, 分类完毕. 1. 确定最初类别数和类别中心;
2. 计算每个像元多对应的特征矢量与各聚类中心的距离; 3. 选与其中心距离最近的类别作为这一矢量(像元)的所属类别; 4. 计算新的类别均值向量; 5. 比较新的类别均值与原中心位置的变化, 形成新的聚类中心; 重复2, 反 复迭代; 6. 如聚类中心不再变化, 停止计算.
特征选择
特征选择：确定参与分类的波段 依据：类别间的可区分性 选择方法：图形法、统计法
特征选择
图形法
特征选择
统计法
•离散度（divergence）
1 −1 −1 Divercd = tr (Vc − Vd ) Vd − Vc 2
[
(
)]
1 −1 −1 T + tr Vc + Vd (M c − M d )(M c − M d ) 2
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)
分类算法选择
1、平行六面体分类算法
μ ck − σ ck ≤ BVijk ≤ μ ck + σ ck
分类算法选择
最小距离分类
Dist =
(BV
ijk
− μ ck ) + (BVijl − μ cl )
2
2
分类算法选择
最大似然分类：通过比较像元属于每个类别的后验概率，确 定像元的类别 假设：每个类别在每个波段上的统计特征服从正态分布 概率信息通过估计概率密度分布函数得到
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光谱分辨 率的要求也不同
CLASSIFIED IMAGE
25 + 50 + 60 + 100 *100 = 82.7% 284
CLASSIFIED IMAGE IMAGE CLASSIFIED
z 总体分类精度：表示对每一 个随机样本，所分类的结果 与地面对应区域实际类型相 一致的概率。
REFERENCE REFERENCE DATA DATA
N ∑ p ii − ∑ (p i + * p + i )
i =1 i =1 m m
Κ=
N − ∑ (p i + * p + i )
2 i =1
m
N：样本总数 m: 混淆矩阵中的行数 pii : 位于第i行和第i列的样本数量 pi+: 第i行的样本总数量 p+i : 第i列的样本总数量
总体精度只用到 了对角线上的象 元数量； Kappa系数既考虑 了对角线上被正 确分类的象元， 也考虑了不在对 角线上各种漏分 和错分误差
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
n 2
| Vi |
1 2
⎡ 1 ⎤ T −1 exp ⎢− ( X − M i ) Vi ( X − M i )⎥ ⎣ 2 ⎦
分类判别规则
p ( X | wi ) ⋅ p (wi ) ≥ p (X | w j )⋅ p (w j )
神经网络分类
输入层结点（i） 隐层结点（j） 输出层结点（k）
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
开始 初始聚类中心 计算距离 像元归类 计算类别均值 均值与 中心数一致？ 否 新均值代替旧中心 是 停止
ISODATA (Iterative Self-Organizing Data Analysis Technique ) The ISODATA 算法是 k-means clustering 算法的修正算法: a) 在聚类过程中，如果两个类别间多光谱空间的距离小于设定的阈值 ，则合并 这两个类 b) 如果某些类别内部的方差大于一定阈值，则将这个类劈分为两个类 别
[(
)
]
平均离 散度
Diveravg =
∑ ∑ Diver
c =1 d = c +1
m −1
m
cd
C
特征选择
统计法
•Bhattacharyya 距离
⎡ Vc + Vd ⎤ −1 ⎢ ⎥ + V V 1 1 2 ⎞ T⎛ c d ⎥ Bhatcd = (M c − M d ) ⎜ ⎟ (M c − M d ) + log e ⎢ 8 2 ⎝ 2 ⎠ ⎢ Vc ⋅ Vd ⎥ ⎢ ⎥ ⎣ ⎦
监督分类 vs. 非监督分类
监督分类（supervised classification）：通 过选择代表各类别的已知样本（训练区 ）的象元光谱特征，事先取得个类别的 参数，确定判别函数，从而进行分类。 在监督分类中，先定义信息类，然后检 验它们的光谱可分性 非监督分类(unsupervised classification)： 根据事先指定的某一准则，而进行计算 机自动判别归类，无须人为干预，分类 后需确定地面类别 在非监督分类中，先确定光谱可分的 类别，然后定义它们的信息类
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。
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）
精度评价过程
1) 参考数据采样设计
- 随机采样, 系统采样, 层次随机采样, 聚集随机采样…
2) 样本选取
- 参考数据来源 - 样本量的大小（取决于区域大小，类别多少等）
3) 构建误差矩阵 (producer’s & user’s accuracy)
Commission (inclusion): pixels classified to category where they don’t belong. Omission (exclusion): pixels that should have been classified as one type instead of another.
4) 计算Kappa系数 5) 精度报告
采样设计
CLASSIFIED CLASSIFIED IMAGE IMAGE
REFERENCE REFERENCE DATA DATA
From Fromairphotos, airphotos,field fielddata, data,etc. etc.
1 2 3 生成随机样本点 在每个点上比较分类结果与 “真实类型” 构建和分析误差矩阵
误差矩阵
REFERENCE REFERENCE DATA DATA
CLASSIFIED IMAGE IMAGE CLASSIFIED
∗ 对角线的元素表 示正确分类的样 本数 ∗ 非对角线元素表 示错分和漏分误 差
包含误差
REFERENCE REFERENCE DATA DATA CLASSIFIED IMAGE IMAGE CLASSIFIED
不同层次的土地利用分类体系对遥感 空间分辨率的要求（Anderson体系）
不同尺度植被调查对类别细节和遥 感分辨率的要求
监督分类过程
地表