新的分类方法：
人工神经网路方法 决策树分类法 专家系统分类法
监督分类

通过选择代表各类别的已知样本（训练区）的像 元的光谱特征，事先取得各类别的参数，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

分类训练区的选择
训练区：已知地表覆被类型的代表样区 用于描述主要特征类型的光谱属性
•
训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获 取的信息的价值 用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中 光谱类别的所有组成
•
• •
代表性、完整性
分布：多个样区

确定像元聚集的判别规则

平行管道分类（平行六面体）
最简单的方法——仅仅需要规定每个特征的DN范围 一些像元可能未分类或重复分类

人工神经网络法
决策树分类法

决策树是一 树状结构， 依据规则把 遥感数据集 一级级往下 细分以定义 决策树的各 个分支。
T
根结点
T1
T2
分支
叶结点 T3
叶结点
决策树分类法

基本思想：从“原级”（根结点）开始，利 用表达式，每一个决策将影像中的像元分成 两类，使用另一表达式，每个新类又能被分 成另外的两个新类，如此不断地通过选择不 同的特征用于进一步地有效细分类，直到所 要求的“终极”（叶结点）类别分出为止。
决策树分类法

在决策树分类中经常采用的特征有：
光谱值；
通过光谱值算出来的指标（如NDVI）；
光谱值的算术运算值（如，和、差、比值等）； 主成分； ……
由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采 用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类 处理
专家系统分类方法
数据－信息（遥感数据－地物信息）

举例
分类后的影像
Landsat TM 真彩色合成影像

基本原理：
在遥感图像上，同类物体在同样条件下，应具有相同的光谱信 息特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信 息特征不同，而群集在不同的光谱空间区域内。
遥感图像分类方法

计算机自动分类：
监督分类 非监督分类

最小距离分类
通过训练样本确定类别中心 某个像元距哪类距离最小，则判归为该类

最大似然分类
建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类 计算每个像元属于每一类的概率，找出概率最大者，将该像元归为 概率最大的一类
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）
分类精度评价

分类精度的评价通常是用分类图与标准数据 （图件或地面实测值）进行比较，以正确的百 分比来表示精度。 已经有一系列建立在混淆矩阵基础上的精度指 标来反映分类精度问题，各精度指标建立在抽 样样本基础上形成样本混淆矩阵得到的统计值， 是总体混淆矩阵的估计值。


混淆矩阵的一般形式
地 1 2 p12 p22 p32 pn2 p+2 p11 p21 p31 表 3 p13 p23 p33 pn3 p+3 类 … … … … … … m p1m p2m p3m pnm p+m p1+ p2+ p3+ pn+ N 行总数
遥感图像分类中的若干问题

遥感分类的精度和可靠性除了与分类方法本身 的优劣有关外，还取决于一些其它的因素：
训练场地和训练样本选择问题
地形因素的影响 混合像元问题 特征变量的选择问题 空间信息在分类中的应用问题
图像分类的后处理问题
遥感图像分类
孙丹峰 2006年7月
概念与原理

遥感图像分类是影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节， 也是遥感应用最广泛的领域之一


图像分类：是通过模式识别理论，利用计算机
将遥感图像自动分成若干地物类别的方法。
如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、……

专家系统也是人工智能的一个分支，它采用人 工智能语言将某一领域（如地学知识）的专家 分析方法或经验，对地物的多种属性进行分析、 判断，从而确定各地物的归属。

利用这样的系统就可以把判读专家的经验性知 识综合起来进行分类
其它分类方法

除了以上常用的分类方法之外，还有多时相数 据分类方法、模糊分类法、亚像元分类法，基 于纹理的分类法等等
分类类别 1 2 3
…
n 列总数
pn1 p+1
对角线元素是被正确分类的样本数目，非对角线元素为各
类别中混分样本数目，列、行总数分别为地表类别和分类类别 样本数目和。
…

精度指标：
总体精度 用户精度 生产者精度 Kappa系数 ……
总体精度只考虑混淆矩阵中沿对角线方向的数据，而忽略了 非对角线方向的数据；Kappa系数既考虑混淆矩阵中沿对角线方 向的数据，也考虑非对角线方向的数据。
在非监督分类中，先确定光谱可分的类别（光谱 类），然后定义它们的信息类
非监督分类举例
聚类
解译
人工神经网络法

人工神经网络是基于生物神经系统分布式存储、 并行处理、自适应学习这些现象构造出具有一 些低级智慧的人工神经网络系统。 目前代表性的神经网络模型有：
BP（Back Propagation）神经网络 模糊自组织神经网络 RBF（Radial Basis Function）神经网络 Kohonen自组织神经网络 ……