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
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
根据已知训练区提供的样本，通过选择 特征参数（如像素亮度均值、方差 等），建立判别函数，据此对样本像 元进行分类，依据样本类别的特征来 识别非样本像元的归属类别
监督法分类
主要步骤 选择训练样本区
确定类别数 对每类选择足够多的有代表性的样本 分类前分析样本区质量
选择合适的分类算法 分类结果的精度评价
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
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
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
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 是相互分离的源自POT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
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
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
遥感图像特征集
遥感图像 遥感图像计算机分类流程框图
为什么使用计算机分类？
将影像数据的连续变化转化为地图模式，以 提供给用户有意义的信息
获得关于地面覆盖和地表特征数据的更深刻 的认识
较目视解译客观，在分析大数据集时比较经 济
可对复杂的多波段数据及其相互关系进行有 效分析
光谱特征空间
光谱特征空间：以各波段图像的亮度分 布为坐标轴组成的空间
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
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
图像分类方法
按人工干预的程度不同，可以分为： 监督分类法 非监督分类法
分类步骤
1. 选择合适的分类算法 2. 用所选算法分割特征空间 3. 根据像元在特征空间中的定位对每一
个像元赋类别值 4. 对分类结果进行精度评价
监督分类的思想
1. 确定每个类别的样区 2. 学习或训练 3. 确定判别函数和相应的判别准则 4. 计算未知类别的样本观测值函数值 5. 按规则进行像元的所属判别
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
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