训练样区的选择
准确性——确保选择的样区与实际地物的一 致性
代表性——考虑到地物本身的复杂性，所以 必须在一定程度上反映同类地物光谱特性 的波动情况
统计性——选择的训练样区内必须有足够多 的像元
选择训练区
训练区与特征空间的联系
选择样本区域
植被 老城区 耕地 水 新城区
将样本数据在特征空间进行聚类
节，也是遥感应用最广泛的领域之一
提取信息的类型 分类 变化检测 物理量的提取 指标提取
特定地物和状态的提 取
举例 土地覆盖、树种识别、植被和农作物 土地覆盖变化 温度、大气成分、高程、土壤含水量 植被指数、浑浊指标 山火、水灾、线形构造、遗迹探察
什么是遥感图像计算机分类？
在特征空间中，依据像元 相似度的大小，归类相 似的像元，分离不相似 的像元，并给每一个像 元赋类别值的过程
分类的总目标是将图像中 所有的像元自动进行土 地覆盖类型或土地覆盖 专题的分类
计算机分类实例
原始遥感图像
对应的专题图像
光谱模式识别
空间模式识别
新方法
统计分类 结构分类 模糊分类 神经网络分类 小波分析 专家系统
遥感图像计算机分类
色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局
基于光谱的
基于空间关系的
ISODATA判断迭代结束
两次迭代之间，如果上一次和这一次的中心 不变，或者变化小于一个阈值，说明聚类 结束
如果迭代次数达到了预设值I ，那么即使不 收敛，也强行结束
ISODATA
类别数：20 迭代次数：20
ISODATA
类别数：10 迭代次数：10
非监督分类方法的特点
优点：
不需要预先对待分类区域有广泛的了解 需要较少的人工参与，人为误差的机会减少 小的类别能够被区分出来
被精确分类，从而避免分类中的严重错误， 分类精度高 避免了非监督分类中对光谱集群的重新归类 分类速度快
监督法分类的缺点
主观性 由于图像中间类别的光谱差异，使得训练样
本没有很好的代表性 训练样本的获取和评估花费较多人力时间 只能识别训练中定义的类别
内容大纲
非监督分类的思想 主要非监督分类方法
K-均值法 ISODATA
距离判决函数偏重于集群分布的几何位置 距离判别规则是按最小距离判别的原则
平行六面体分类法
平行六面体分类法基本思想
以一个包括该集群的“盒子” 作为该集群的判别函数
判决规则为若未知矢量X落 入该“盒子”，则X分为此 类，否则再与其它盒子比较
这种分类法在盒子重叠区域 有错分现象，错分与比较盒 子的先后次序有关
利用事先定义的参数确定特征空间中类别的 位置，然后确定单个像元是否属于某个类别
聚类过程
一般的聚类算法是先选择若干个点作为聚类 的中心
每一中心代表一个类别，按照某种相似性度 量方法（如最小距离方法）将各点归于各 聚类中心所代表的类别，形成初始分类
然后由聚类准则判断初始分类是否合理，如 果不合理就修改分类，如此反复迭代运算， 直到合理为止
K-均值法
优点：实现简单 缺点：
过分依赖初值，容易收敛于局部极值 在迭代过程中没有调整类数的措施，产生的结
果受到所选聚类中心的数目、初始位置、类分 布的几何性质和读入次序等因素影响较大 初始分类选择不同，最后的分类结果可能不同
ISODATA
Iterative Self-Organization Data Analysis Techniques“迭代自组织数据分析技术 方法”的简称
聚类过程
A. 按照某个原则选择一些初始聚类中心 B. 计算像元与初始类别中心的距离，把像素分配
到最近的类别中
聚类过程
C. 计算并改正重新组合的类别中心 D. 过程重复直到满足迭代结束的条件
非监督分类
仅凭遥感影像地物的光谱特征的分布规 律，即自然聚类的特性，进行“盲目” 的分类
其分类的结果只是对不同类别达到了区 分，但并不能确定类别的属性；其类 别的属性是通过分类结束后目视判读 或实地调查确定的
非监督分类的特点 分类后处理 分类后的误差分析
非监督分类
在没有先验类别（训练场地）作为样本 的条件下，即事先不知道类别特征， 主要根据像元间相似度的大小进行归 类合并（将相似度大的像元归为一类） 的方法
根据图像数据本身的统计特征及点群的 分布情况，从纯统计学的角度对图像 数据进行类别划分
聚类
判决函数和判决规则
判决函数：当各个类别的判别区域确定后， 用来表示和鉴别某个特征矢量属于哪个类 别的函数
判别规则：判断特征矢量属于某类的依据。 当计算完某个矢量在不同类别判决函数中 的值后，我们要确定该矢量属于某类必须 给出一个判断的依据。 这种判断的依据， 称之为判别规则
监督法分类
首先需要从研究区域选取有代表性的训 练场地作为样本
建立类别的判别函数
绿
255
植
新城区
老城区
被
• •
水
•
耕地
•
0
•
255 红
255 蓝
主要的监督分类方法
距离判别函数和距离判别规则
最小距离分类法 最近邻分类算法 平行六面体分类法
概率判别函数和贝叶斯判别规则
最大似然分类法
最小距离分类法
最近邻法
最小距离分类法
基本思想是设法计算未知矢量X到有关类别 集群之间的距离，哪类距离它最近，该未 知矢量就属于那类
最大似然分类法
利用概率判别函数与贝叶斯判别规则进 行分类
优点：
考虑特征空间中类别的形状、大小和定位
缺点：
计算量大，计算时间长 假定地物光谱特征呈正态分布
监督法分类的优点
根据应用目的和区域，有选择的决定分类类 别，避免出现一些不必要的类别
可以控制训练样本的选择 可以通过检查训练样本来决定训练样本是否
混淆矩阵（Confusion Matrix）
混淆矩阵是由n行n列组成的矩阵，用来表示 分类结果的精度
混淆矩阵是通过将每个像元的位置和地面参 考验证信息与计算机分类结果中的相应位 置和类别来比较计算的
混淆矩阵
混淆矩阵的每一列代表了地表实测值（参考 验证信息），每一列中的数值等于地表真 实像元在分类图像中对应于相应类别的数 量
分类后处理
遥感影像经分类后形成的专题图，用 编号、字符、图符或颜色表示各种类 别
原始遥感图像
对应的专题图像
分类后处理
用光谱信息 对影像逐个 像元地分类， 在结果的分 类地图上会 出现“噪声”
分类后处理
产生噪声的原因有原始影像本身的噪声，在地类交 界处的像元中包括有多种类别，其混合的幅射量 造成错分类，以及其它原因等
遥感图像分类
任课教师：杨晓霞 2013年3月
内容大纲
图像分类基本概念和原理
计算机分类的概念 判别函数与判别规则 影像空间与特征空间 特征空间中的距离
遥感图像分类过程 监督分类方法 非监督分类方法 提高分类精度的方法
2
遥感图像自动识别分类
遥感图像分类是图像信息提取的一种方法 遥感图像分类是遥感数字图像处理的重要环
同类地物在特征空间形成一个相对聚集 的点集群
不同类地物的点集群在特征空间内一般 是相互分离的
SPOT影像
真实二维特征空间示例
1-2
1-3
1-4
2-3
2-4
3-4
特征空间中的距离
“物以类聚”，而图像分类的依据通常 是像元之间的相似性。相似性通常又 采用“距离”来度量。
距离可以有不同的具体定义 几何距离：欧式距离、绝对值距离 统计距离：马氏距离
缺点：
盲目的聚类 难以对产生的类别进行控制，得到的类别不一
定是想要的类别 计算速度慢
非监督分类与监督分类的结合
监督分类的缺陷在于，必须在分类前确定样 本，难度大、效率低
通过非监督法将一定区域聚类成不同的单一 类别，监督法再利用这些单一类别区域 “训练”计算机
使分类精度得到保证的前提下，分类速度得 到了提高
（6）如果达到迭代次数或者两次迭代之间类别均值 变化小于阈值，则结束迭代；否则，重复（3） -（6）；
（7）确认类别，对结果进行精度评估
ISODATA参数的设定
决定类的“分裂”与“合并”
K ：希望得到的类别数
θN ：所希望的一个类中样本的最小数目 θS ：类的分散程度的参数（如标准差、方差） θC ：类间距离的参数（如最小距离） L ：每次允许合并的类的对数
I ：允许迭代的次数
结束迭代的条件
ISODATA调整类别数的准则
合并（类数-1）
每一类中的像元个数少于期望的类别最少像元数θN 类别的个数大于期望的类别数K的2倍
分裂（类数+1）
类别的标准差大于类别标准差阈值θS 类别的个数小于期望的类别数K的1/2
当类别数在一定范围内，类别中心间的距离在阈 值以上，类别内的方差的最大值在阈值以下
另外还有一种现象，分类是正确的，但某种类别零 星分布于地面，占的面积很小，我们对大面积的 类型感兴趣，因此希望用综合的方法使它从图面 上消失
分类后处理
多数平滑：平滑时中心像元值取周围占多 数的类别（少数服从多数原则）
平滑前后的一个例子
分类后的误差分析
分类精度评价
混淆矩阵 Kappa系数
制约分类精度的因素 提高分类精度的方法
最大似然分类法
最大似然分类法
地物类数据在特征空间中构成特定的点群 每一类的每一维数据都在自己的数轴上为正态分布，
该类的多维数据就构成了一个多维正态分布 各类的多维正态分布模型各有其分布特征 利用各类的已知数据（训练区），求出均值、方差
及协方差等特征参数，从而求出总体的概率密度 函数 在此基础上，对于任何一个像元，通过求出每个像 素对于各类别的归属概率（对于待分像元x，从属 于分类类别k的概率），把该像素分到归属概率最 大的类别中去