1、第9章 遥感图像分类,遥感图像计算机分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。,遥感图象计算机分类,遥感图象计算机分类特点,利用计算机对遥感数字图像进行分类难度很大。 遥感图像是从遥远的高空成像的，成像过程要受传感器、大气条件、太阳位置等多种因素的影响。影像中所提供的目标地物信息不仅不完全，而且或多或少地带有噪声，因此人们需要从不完全的信息中尽可能精确地提取出地表场景中感兴趣的目标物。 遥感影像信息量丰富，与一般的图像相
2、比，其包容的内容远比普通的图像多，因而内容非常“拥挤”。不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。 遥感图像的地域性、季节性和不同成像方式更增加了计算机对遥感数字图像进行解译的难度。,由于利用遥感图像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。因此，利用计算机进行遥感图像智能化解译，快速获取地表不同专题信息，并利用这些专题信息迅速地更新地理数据库，这是实现遥感图像自动理解的基础研究之一，也是地理信息系统中数据采集自动化研究的一个方向，因此具有重要的理论意义和应用前景。,基本原
3、理,同类地物在相同条件下（光照、地形等）应该具有相同或相似的光谱信息和空间特征信息。不同类地物之间具有差异。根据这种差异，将图像中的所有像素按其性质分为若干个类别（class）的过程，称为图像的分类.,光谱特征 空间特征,遥感图象光谱特征,不同地物在同一波段上的亮度互不相同；不同地物在不同波段上的亮度规律不同；同物异谱；异物同谱；,光谱特征向量,地物与光谱特征空间的关系,遥感图像分类算法的核心是确定判别函数fAB(x)和相应的判别准则。,判别函数,模式识别系统最主要的功能是对要识别的对象的类别进行判别。需要确定一定的判别规则,即判别函数和相关的比较运算关系.,分类方法,监督分类：事先已知类别的
4、部分信息 非监督分类：事先没有类别的先验信息 硬分类：一个像素分为一类 软分类：一个像素分为多个类-混合像素,相似性度量,遥感图像计算机分类的依据是遥感图像像素的相似度。在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。距离:特征空间中象元数据和分类类别特征的相似程度。距离最小即相似程度最大。度量特征空间中的距离经常采用以下几种算法:,1.绝对值距离(等权、等混合距离),像元k在j波段的值,类别i的在j波段均值,2. 欧氏距离,类别k的平均值矢量,像元数据矢量,距 离分 类 原 理 图,3.马氏距离（Mahalanobis）：总体分布除了轴向上离散度不同以外，在各轴之间往往还存在相关性。
5、在考虑离散度的同时，也考虑到各轴间的总体分布的相关（协方差）来进行校正的距离叫马氏距离。是一种加权的欧式距离。,协方差矩阵,马氏距离公式,i集群的协方差矩阵,欧氏距离的加权，通过协方差矩阵来考虑变量之间的相关性的。,相关系数是指像素间的关联程度。采用相关系数衡量相似度时，相关系数越大，相似度越大。两个像素之间的相关系数rij可以定义为：,像元i的第k个分量,均值,工作流程,原始图像的预处理,选择分类方法,特征选择特征提取,分类,分类后处理-检验结果,成果输出,图像预处理,确定工作范围：剪裁图像-矩形子图像，图像掩膜-多边形内的图像。 多源图像的几何配准 噪声处理 辐射校正 几何精纠正 多图像融
6、合,特征选取,可分性 可靠性 独立性 数量少波段选择、特征变换,分类,非监督分类监督分类,分类方法,利用遥感图像进行分类（classification）是以区别图像中所含的多个目标物为目的的，对每个像元或比较匀质的像元组给出对应其特征的名称。在分类中注重的是各像元的灰度、纹理等特征。分类方法包括监督分类和非监督分类。 监督分类方法。首先需要从研究区域选取有代表性的训练区作为样本。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其它像元的归属类别。主要方法有最小距离分类法、多级切割分类法、特征曲线窗口法、最大似然
7、比分类法等,非监督分类方法。 是在没有先验类别（训练区）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。,分类后处理,处理零星的异类,结果检验,对分类精度进行可靠性检验、评定,结果输出,设置投影、比例尺、图例等制作成专题图,非监督分类方法。 是在没有先验类别（训练区）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。,非监督分类,前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息（
8、或纹理信息）进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别，即“物以类聚”。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。其常用方法有： 分级集群法 动态聚类法 (ISODATA) K_MEAN法,非监督分类理论依据,同类地物应具有相同或相近的光谱特征,具有某种内在的相似性,归属于同一个光谱类别,不同的地物,光谱信息特征不同,归属于不同的光谱空间区域。 主要采用的方法是：聚类分析的方法，是把一组像素按照相似性归成若干类别。使属于同一类别的
9、像素之间的距离尽可能地的小，而不同类别上像素间的距离尽可能的大。,非监督分类基本过程,确定初始类别参数,计算像元至集群中心距离,确定像元类别,计算新的类别均值向量,均值中心变化？,计算结束,否,是,四、非监督分类方法,K-均值法,ISOData（迭代自组织方法）,K_均值算法(K-Mean)算法,原理: 通过迭代,移动各个基准类别的中心,直至得到最好的聚类结果为止。,K-均值法分类过程,确定初始类别中心,判断样本至各类的距离,将样本分到较近的类S中,重新计算类S的中心,类中心是否变化？,迭代结束,否,是,具体算法步骤如下：,K-Means处理结果,类别=5；光谱混淆？,类别=10,ISODAT
10、A（迭代自组织数据分析技术）,动态聚类法的代表： 在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。,按照某个原则选择一些初始类聚类中心。在实际操作中，要把初始聚类数设定得大一些，同时引入各种对迭代次数进行控制的参数，如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别数等，在整个迭代过程中，不仅每个像元的归属类别在调整，而且类别总数也在变化。在用计算机编制分类程序时，初始聚类中心可按如下方式确定：设初始类别数为n，这样共有n个初始聚类中心，求出图像的均值M和方差，按下式可求出初始聚类中心:,k=1,2,n，为
11、初始类中心编号，n为初始类总数。,计算像素与初始类别中心的距离，把该像素分配到最近的类别中。动态聚类法中类别间合并或分割所使用的判别标准是距离，待分像元在特征空间中的距离说明互相之间的相似程度，距离越小，相似性大，则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。 计算并改正重新组合的类别中心，如果重新组合的像素数目在最小允许值以下，则将该类别取消，并使总类别数减1。当类别数在一定的范围，类别中心间的距离在阈值以上，类别内的方差的最大值为阈值以下时，可以看作动态聚类的结束。当不满足动态聚类的结束条件时，就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返回到上一步，重复
12、进行组合的过程。,动态聚类法中有类别的合并或分裂，这说明迭代过程中类别总数是可变的。 如果两个类别的中心点距离近，说明相似程度高，两类就可以合并成一类；或者某类像元数太少，该类就要合并到最相近的类中去。 类别的分裂也有两种情况： 某一类像元数太多，就设法分成两类； 如果类别总数太少，就将离散性最大的一类分成两个类别，可以先求出每个类别的均值和标准差，然后通过对每一个波段的标准偏差设定阈值来实现，标准差大于阈值，该类就要分裂。,ISO-DATA处理结果,监督分类方法。首先需要从研究区域选取有代表性的训练区作为样本。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
13、，据此对样本像元进行分类，依据样本类别的特征来识别其它像元的归属类别。,监督分类,方法主要有: 最小距离法; 多级切割法; 最大似然比分类法;,训练区的选择,训练区必须具有典型性和代表性。即所包含类型与研究区域所要区分的类别一致。 所使用的图件要求在空间和时间上要具有一致性。 训练区的样本的分布规律应该是单峰型，近似正态分布。 确定训练区合理的样本数量。,最小距离分类法,最小距离分类法（minimum distance classifier）是用特征空间中的距离表示像元数据和分类类别特征的相似程度，在距离最小时（相似度最大）的类别上对像元数据进行分类的方法。 包括： 最小距离判别法 最近邻域分
14、类法,最小距离判别法这种方法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分像元与已知类别之间的距离，然后将其归属于距离最小的一类。 最近邻域分类法这种方法是上述方法在多波段遥感图像分类中的推广。在多波段遥感图像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分像元到每一类中每一个统计特征量间的距离，这样，该像元到每一类都有几个距离值，取其中最小的一个距离作为该像元到该类别的距离，最后比较该待分像元到所有类别间的距离，将其归属于距离最小的一类。,特点:最小距离分类法原理简单，分类精度不很高，但计算速度快，它可以在快速浏览分类概况中使用。,多级切割法(平
15、行多面体法),多级切割法（multi-level slice classifier）是根据设定在各轴上的值域分割多维特征空间的分类方法。这种方法要求通过选取训练区，详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。如落入某个特征子空间中，则属于该类，如落入所有特征子空间之外，则属于未知类型，因此多级切割分类法要求训练区样本的选择必须覆盖所有的类型，在分类过程中，需要利用待分类像素光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中
16、，直到完成各像素的分类。,多级切割法,特点:多级分割法分类便于直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。但它要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其他方法对各轴进行相互独立的正交变换，然后进行多级分割。,最大似然比分类法（maximum likelihood classifier）,求出像元数据对于各类别的似然度（likelihood），把该像元分到似然度最大的类别中去的方法。似然度是指，当观测到像元数据x时，它是从分类类别k中得到的（后验）概率。它假定训练区地物的光谱特征和
17、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，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然比分类法。,最大似然比分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。x为待分像元，P（k)为类别k的先验概率，可以通过训练区来决定。由于上式中分母和类别无关，在类别间比较的时候可以忽略。,最大似然比分类必须知道总体的概率密度函数P（x|k）。由于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（对一些非正态分布可以通
18、过数学方法化为正态问题来处理），通过训练区，可求出其平均值及方差、协方差等特征参数，从而可求出总体的先验概率密度函数。此时，像素x归为类别k的归属概率Lk表示如下（这里省略了和类别无关的数据项）：,类别k的协方差矩阵,类别k的平均向量（n维）,特点:,这种最大似然比分类法的特征是，在分类结果上具有概率统计的意义。但必须注意几点： （l）为了以较高精度测定平均值及方差、协方差，各个类别的训练数据至少也要为特征维数的2到3倍以上。 （2）如果2个以上的波段相关性很强，那么方差协方差矩阵的逆矩阵就不存在，或非常不稳定。在训练数据几乎都取相同值的均质性数据组的情况下也是如此。此时，最好采用主成分分析法
19、，把维数减到仅剩相互独立的波段。 （3）当总体分布不符合正态分布时，不适于采用以正态分布的假设为基础的最大似然比分类法。其分类精度也将下降。,分类后的检验,通过数学方法和先验知识所做的分类只是尽可能接近自然特性，不可能全部符合实际。 确定分类的错误率，如果分类错误较少，错误率10%，则结果可用，否则需要重新分类或改变分类方法。,ERDAS监督分类应用实例,目的: 了解监督分类方法的分类过程和训练区样本的选择。,打开监督分类模块 定义分类模板。 AOI绘图工具获取分类模板信息 绿色区域（农田）、蓝色区域（建筑）、红色区域（林地）、黑色区域（水体） 评价分类模板 进行监督分类 评价分类结果,ENV
20、I监督分类应用_最小距离法,ROI绘图工具获取样本信息 绿色区域（农田）、蓝色区域（建筑）、红色区域（林地）、黑色区域（水体）,Minimum Distance 参数设置,Minimum Distance结果,Maximum Likelihood 参数设置,Maximum Likelihood结果,平行管道法,分类后处理,无论是监督分类还是非监督分类，其结果都会产生一些面积很小的图斑。无论从专题制图的角度还是实际应用的角度，都有必要对这些小图斑进行剔除。处理方法： 聚类统计(Clump) 过滤分析(Sieve) 去除分析(Eliminate) 分类重编码（Recode),分类后处理,聚类统计：
21、通过对分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性。这是一个中间结果，供下一步处理使用。,Clump Cluster结果图像,分类后处理,过滤分析：对经Clump处理后的Clump类组图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。显然，这引出了一个小图斑归属问题。可以与原分类图对比确定新属性。,分类后处理,分类重编码：主要是针对非监督分类而言的，因在非监督分类过程中，用户一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过IS
22、ODATA聚类获得分类方案后，首先是将专题分类图像与原始图像对照，判断每个类别的专题属性，然后对相似或类似的分类通过图像重编码进行合并，并定义分类名称和颜色。分类重编码还可以用在其它方面，作用有所不同。,分类结果转矢量,提取出来的徐州水体(.shp),监督/非监督分类方法比较,根本区别点在于是否利用训练样区来获取先验的类别知识 监督分类根据训练样区提供的样本选择特征参数，建立判别函数，对待分类像元进行分类。因此，训练场地选择是监督分类的关键。对于不熟悉区域情况的人来说，选择足够数量的训练样区带来很大的工作量，操作者需要将相同比例尺的数字地形图叠在遥感图像上，根据地形图上的已知地物类型圈定分类用
23、的训练样区。由于训练样区要求有代表性，训练样本的选择要考虑到地物光谱特征，样本数目要能满足分类的要求，有时这些还不易做到，这是监督分类不足之处。,监督/非监督分类方法比较,非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。因此，非监督分类方法简单，且分类具有一定的精度。严格说来，分类效果的好坏需要经过实际调查来检验。当光谱特征类能够和唯一的地物类型（通常指水体、不同植被类型、土地利用类型、土壤类型等）相对应时，非监督分类可取得较好分类效果。当两个地物类型对应的光谱特征类差异很小时，非监督分类效果不如监督分类效果好。,存在的问题,遥感图像计算机分类算法设计的主要依据是地物光谱数据
24、。因此，存在着如下的问题： 未充分利用遥感图像提供的多种信息 遥感数字图像计算机分类的依据是像素具有的多光谱特征，并没有考虑相邻像素间的关系。例如，被湖泊包围的岛屿，通过分类仅能将陆地与水体区别，但不能将岛屿与临近的陆地（假定二者地面覆盖类型相同，具有同样的光谱特征）识别出来。这种方法的主要缺陷在于地物识别与分类中没有利用到地物空间关系等方面的信息。,存在的问题,未充分利用遥感图像提供的多种信息 统计模式识别以像素作为识别的基本单元，未能利用图像中提供的形状和空间位置特征，其本质是地物光谱特征的分类。例如，根据水体的光谱特征，在分类过程中可以识别构成水体的像素，但计算机无法确定一定空间范围的水
25、体究竟是湖泊还是河流。这个问题如果引入地物形状特征则可以识别。显然，遥感图像计算机分类未能充分利用遥感图像提供的多种信息。因此图像分类后，可以利用分类的结果，将这些目标对象进行重组，在区域分割或边界跟踪的基础上抽取遥感图像形态、纹理特征和空间关系等特征，然后利用这些特征对图像进行解译。,存在的问题,提高遥感图像分类精度受到限制分类精度是指分类结果的正确率，包括地物属性被正确识别，以及它们在空间分布的面积被准确度量。遥感数字图像分类结果在没有经过专家检验和多次纠正的情况下，分类精度一般不超过90，其原因除了与选用的分类方法有关外，还存在着制约遥感图像分类精度的几个客观因素： 大气状况的影响不少人
26、理想化地认为遥感图像只记录遥感观测区域内的地物电磁辐射能量，遥感图像的灰度大小及其变化只反映了地物的辐射光谱特征变化，这种观念是不正确的。,存在的问题,提高遥感图像分类精度受到限制 大气状况的影响地物辐射电磁波，必须经过大气层才能到达传感器，大气的吸收和散射会对目标地物的电磁波产生影响，其中大气吸收使得目标地物的电磁波辐射被衰减，到达传感器的能量减少，散射会引起电磁波行进方向的变化，非目标地物发射的电磁波也会因为散射而进入传感器，这样就导致遥感图像灰度级产生一个偏移量。对多时相图像进行分类处理时，由于不同时间大气成分以及湿度不同，散射影响也不同，因此遥感图像中的灰度值不完全反映目标地物辐射电磁
27、波的特征。为了提高遥感图像分类的精度，必须在图像分类以前进行大气纠正。,存在的问题,提高遥感图像分类精度受到限制 下垫面的影响下垫面的覆盖类型和起伏状态对分类具有一定影响。下垫面的覆盖类型多种多样，受传感器空间分辨率限制，农田中的植被、土壤和水渠，石质山地稀疏的灌丛和裸露的岩石均可以形成混合像元，它们对遥感图像分类的精度影响很大。这种情况可以在分类前首先进行混合像元分解，把它们分解成子像元后再分类。分布在山区向阳面与背阳面的同一类地物，单位面积上接收太阳光能不同，地物电磁波辐射能量也不同，其灰度值也存在差异，容易造成分类错误。在地形起伏变化较大时，可以采用比值图像代替原图像进行分类，以消除地形起伏的影响。,存在的问题,提高遥感图像分类精度受到限制 其他因素的影响 图像中的云朵会遮盖目标地物的电磁波辐射，影响图像分类。对于图像中仅有少量云朵时，分类前可以采用去噪音方法进行清除。 多时相图像分类时，不同景的图像由于成像时光照条件的差别，同一地物电磁波辐射量存在差别，这也会对分类产生影响。 地物边界的多样性，使得判定类别的边界往往是很困难的事。例如，湖泊和陆地具有明确的界线，但森林和草地的界线则不明显，不少地物类型间还存在着过渡地带，要精确将其边界区别出来，并非是一件容易的事。因此，提高遥感图像分类精度，既需要对图像进行分类前处理，也需要选择合适的分类方法。,
