監(jiān)督分類中常用的具體分類方法

《監(jiān)督分類中常用的具體分類方法》由會員分享，可在線閱讀，更多相關《監(jiān)督分類中常用的具體分類方法（22頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、監(jiān)督分類中常用的具體分類方法包括： 最小距離分類法(minimum distance classifier）： 最小距離分類法是用特征空間中的距離作為像元分類依據(jù)的.最小距離分類包括最小距離判別法和最近鄰域分類法.最小距離判別法要求對遙感圖像中每一個類別選一個具有代表意義的統(tǒng)計特征量（均值）,首先計算待分象元與已知類別之間的距離，然后將其歸屬于距離最小的一類。最近鄰域分類法是上述方法在多波段遙感圖像分類的推廣.在多波段遙感圖像分類中，每一類別具有多個統(tǒng)計特征量.最近鄰域分類法首先計算待分象元到每一類中每一個統(tǒng)計特征量間的距離,這樣，該象元到每一類都有幾個距離值，取其中最小的一個距離作為該象

2、元到該類別的距離,最后比較該待分象元到所有類別間的距離,將其歸屬于距離最小的一類。 最小距離分類法原理簡單,分類精度不高，但計算速度快,它可以在快速瀏覽分類概況中使用。 多級切割分類法（multi-level slice classifier）: 是根據(jù)設定在各軸上值域分割多維特征空間的分類方法。通過分割得到的多維長方體對應各分類類別。經(jīng)過反復對定義的這些長方體的值域進行內(nèi)外判斷而完成各象元的分類。這種方法要求通過選取訓練區(qū)詳細了解分類類別（總體）的特征，并以較高的精度設定每個分類類別的光譜特征上限值和下限值，以便構成特征子空間。多級切割分類法要求訓練區(qū)樣本選擇必須覆蓋所有的類型，在分類過

3、程中，需要利用待分類像元光譜特征值與各個類別特征子空間在每一維上的值域進行內(nèi)外判斷，檢查其落入哪個類別特征子空間中，直到完成各像元的分類。 多級分割法分類便于直觀理解如何分割特征空間，以及待分類像元如何與分類類別相對應.由于分類中不需要復雜的計算，與其它監(jiān)督分類方法比較,具有速度快的特點。但多級分割法要求分割面總是與各特征軸正交，如果各類別在特征空間中呈現(xiàn)傾斜分布，就會產(chǎn)生分類誤差。因此運用多級分割法分類前，需要先進行主成分分析，或采用其它方法對各軸進行相互獨立的正交變換,然后進行多級分割。 最大似然分類法(maximum likelihood classifier): 最大似然分類法是

4、經(jīng)常使用的監(jiān)督分類方法之一，它是通過求出每個像元對于各類別歸屬概率（似然度）（likelihood），把該像元分到歸屬概率（似然度)最大的類別中去的方法。最大似然法假定訓練區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣,近似服從正態(tài)分布，利用訓練區(qū)可求出均值、方差以及協(xié)方差等特征參數(shù),從而可求出總體的先驗概率密度函數(shù).當總體分布不符合正態(tài)分布時，其分類可靠性將下降，這種情況下不宜采用最大似然分類法。 最大似然分類法在多類別分類時，常采用統(tǒng)計學方法建立起一個判別函數(shù)集，然后根據(jù)這個判別函數(shù)集計算各待分象元的歸屬概率（似然度）。這里，歸屬概率（似然度)是指:對于待分象元x,它從屬于分類類別k的(后驗

5、）概率。 設從類別k中觀測到x的條件概率為P（x｜k），則歸屬概率Lk可表示為如下形式的判別函數(shù)： ?????? ????式中P(k)為類別k的先驗概率，它可以通過訓練區(qū)來決定。此外，由于上式中分母和類別無關，在類別間比較的時候可以忽略。 最大似然分類必須知道總體的概率密度函數(shù)P(x｜k)。由于假定訓練區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣,近似服從正態(tài)分布(對一些非正態(tài)分布可以通過數(shù)學方法化為正態(tài)問題來處理),因此通常可以假設總體的概率密率函數(shù)為多維正態(tài)分布，通過訓練區(qū)，按最大似然度測定其平均值及方差、協(xié)方差。此時，像元X歸為類別k的歸屬概率Lk表示如下（這里省略了和類別無關的數(shù)

6、據(jù)項)。 ? （6-9）式中:n：特征空間的維數(shù)； ??????P(k）:類別k的先驗概率； ??????Lk（x）：像元X歸并到類別k的歸屬概率； ??????X：像元向量； ??????μk??類別k的平均向量（n維列向量）； ??????det：矩陣A的行列式 ∑k：類別k的方差、協(xié)方差矩(n×n矩陣）. 這里注意:各個類別的訓練數(shù)據(jù)至少要為特征維數(shù)的2到3倍以上這樣才能測定具有較高精度的均值及方差、協(xié)方差；如果2個以上的波段相關性強，那么方差協(xié)方差矩陣的逆矩陣可能不存在，或非常不穩(wěn)定，在訓練樣本幾乎都取相同值的均質性數(shù)據(jù)組時這種情況也會出現(xiàn)。此時，最好采用主成分變

7、換，把維數(shù)壓縮成僅剩下相互獨立的波段，然后再求方差協(xié)方差矩陣；當總體分布不符合正態(tài)分布時,不適于采用正態(tài)分布的假設為基礎的最大似然分類法。 當各類別的方差、協(xié)方差矩陣相等時，歸屬概率變成線性判別函數(shù)，如果類別的先驗概率也相同，此時是根據(jù)歐氏距離建立的的線性判別函數(shù)，特別當協(xié)方差矩陣取為單位矩陣時,最大似然判別函數(shù)退化為采用歐氏距離建立的最小距離判別法。 監(jiān)督分類流程圖（Erdas環(huán)境) 在專業(yè)遙感圖像處理軟件Erdas環(huán)境下，監(jiān)督分類的流程圖可以表示如下： ?? 圖2-1?監(jiān)督分類流程圖 監(jiān)督分類注意事項 (1)分類應從下往上,即每一地類應先細分為若干小類，然后再依需要自下而上合

8、并成大類。 （2)每一類的訓練區(qū)文件aoi與特征文件sig應該一一對應，即每一類對應的訓練區(qū)和特征文件都應該保存為一個單獨的文件，以方便在調整訓練區(qū)的時候進行修改。 （3）精度檢驗后若精度不符合要求，需要重新調整訓練區(qū)，再次分類,直到精度滿足要求為止。 監(jiān)督分類過程示例 1．圖2—2為某地TM遙感影像，432波段假彩色合成。 圖2-2??TM影像（432波段合成） 2．確定分類類別 通過色調、紋理等圖像特征,確定該區(qū)域分類類別為水體，植被和灘涂。各類分類特征如表2—1所示. 表2—1?分類特征 ? 3．為每一類選擇訓練區(qū)及特征文件 (1)AOI操作工具簡介

9、 在Viewer窗口中選擇“AOI”→“Tools…”，調出AOI（Area Of Interest，感興趣區(qū))浮動工具欄（如圖2—3所示）。 圖2—3??AOI浮動工具欄 ? 其中較為常用的工具按鈕為: （2）特征文件操作工具簡介 特征文件從AOI區(qū)域中獲得.使用“Erdas" →“Classifier" →“Signature Editor”，調出特征文件編輯器，如圖2-4所示. 圖2-4?特征文件編輯器 其中較為常用的工具為： ?打開一個特征文件。??新建一個特征文件/打開新的特征文件編輯器。 ?添加選中的AOI的特征到特征文件中。??使用選中的AOI特征

10、替換當前特征。 ?合并選中的特征文件中的特征到一個特征。 一般建立特征文件的步驟是，在Viewer窗口中使用AOI工具勾畫感興趣區(qū)，使用?把該AOI區(qū)域中的特征添加到特征文件中.也可以選中多個AOI批量添加到特征文件中。 (2）為各類別建立訓練區(qū)文件和特征文件。 把遙感影像放大到像元級，選擇矩形AOI選擇工具,根據(jù)建立的判讀標識，在遙感影像上選擇AOI區(qū)域，然后使用 依次添加特征到特征文件中。（注：作為示例，本例選擇3個AOI區(qū)域,且沒有細分小類。）選擇完成的AOI區(qū)域和特征文件如圖2-5和圖2-6所示。 分別保存為“水體。aoi”和“水體.sig”。 在Viewer窗口中

11、使用?去除已經(jīng)保存完畢的AOI圖層，重新選擇其他類別的訓練區(qū)，并建立新的特征文件。分別保存為“植被.aoi”和“植被.sig”；“灘涂.aoi"和“灘涂。sig”. ?? 圖2-5 ? 圖2—6 （3）合并特征文件 在各個類別的特征文件建立完畢后，需要合并成為一個總體特征文件。 新建一個特征文件編輯器,選擇?打開保存的“水體。sig”文件.注意選擇“Append"(添加）把特征文件添加進來，而非“Replace”（替換）。如圖2-7所示。 圖2—7??添加特征文件 把水體特征文件添加進來之后，全部選中所有的特征,如圖2—8所示。 圖2-8?選中所有特征 使用

12、工具，把選中的水體的所有特征合并為一個總體的水體特征，右單擊“Class#"列表,選擇“Delete Selection”刪除原有特征如圖2—9所示。 圖2-9??刪除原有特征 重命名總體水體特征的“Signature Name”為“水體”.如圖2-10所示. 圖2-10??總體水體特征 如此添加其他兩類進入，并合并成各自的總體特征，分別命名為“植被”、“灘涂”。并更改Value值為1，2，3,并另存為（Save As）“結果特征文件.sig”如圖2—11所示。 圖2-11?結果特征文件 （4)分類 選擇“Erdas" →“Classifier” →“Supervis

13、ed Classification"，在分類設置對話框中如圖2-12設置。 圖2—12??監(jiān)督分類設置 在該對話框中，使用 輸入待分類的圖像“subset。img"、分類特征文件“結果特征文件。sig”并指定分類結果的保存路徑及名稱,如“分類結果.img”。分類方法選擇“Maximum Likelihood”(最大似然），其余可以默認。 點擊“OK”，系統(tǒng)將對原始影像依據(jù)指定的特征文件進行分類。運算完畢界面如圖2-13示。 圖2—13?運算完成 （5)分類結果 分類的結果如圖2—14所示。 圖2—14??分類結果 為了更好的表達分類結果，可以使用Viewer窗口中的

14、“Raster” →“Attributes”，更改“水體”和“植被"的顯示顏色為藍色(RGB為0 0 1）和綠色（RGB為?0 1 0），如圖2-15示。 圖2—15??調整顏色 調整顏色后的分類結果如圖2—16所示. ? 精度檢驗 ①?同時打開原始影像和分類結果圖，在任一幅圖中單擊右鍵，在彈出的菜單中選擇“Geo. Link/Unlink”，然后在另一幅圖中單擊左鍵,關聯(lián)兩幅影像。 ②?使用“Erdas”→“Classifier”→“Accuracy Assessment…”，調出精度檢驗設置窗口。 ? 圖2-17?精度檢驗窗口 ③?使用該窗口中“File”→“Op

15、en”，打開原始影像“Subset.img”，調入內(nèi)存. ④?使用“View” →“Select Viewer”，選擇已經(jīng)打開的分類圖，用以顯示將要讀取的點位信息。 ⑤?讀入GPS測量的點。 格式為標準的txt文本. 文件格式化為3列，第一列存儲x坐標，第二列存儲y坐標，第三列存儲類別代碼(即分類時指定的Value值）。如本例中存儲的GPS點文件如表2—3所示 表2-3 GPS點位 491355.86 4486746。25 2 491070.45 4487008。52 3 490754.19 4484941.22 2 486997。56 4485905。44

16、3 486797.00 4486707.68 3 492096.39 4486615。11 1 489118。86 4486815。96 3 486434。45 4483151.61 1 486920。42 4483028.19 3 487375。53 4482665。64 1 488069。78 4482449。65 2 491070。45 4482657.93 1 492266。09 4484439.82 1 489604.83 4483167。04 1 486881.85 4487216。79 1 487984.93

17、4487085.66 1 490769。61 4487116.51 1 489905。67 4483483.30 3 489080.29 4483606。73 3 487074。70 4483120。75 2 ? 文件中存儲的坐標投影應與影像投影完全一致，如本例中影像投影為UTM/Clark1866 N50。 使用“Edit”→“Import User—defined Points"，讀入GPS點位文件。選項如圖2—18所示。 圖2-18?導入選項 讀取的結果如圖2-19所示。 圖2-19?導入結果 ⑥?輸入各點位分類類別 使用“Viewer” →“Show All”，把讀入的GPS點位在分類圖中全部顯示出來,逐一對照，在Reference列中輸入分類影像的類別代碼圖2-20。 圖2—20?輸入代碼 ⑦?精度檢驗 使用“Report” →“Accuracy report”，分析分類精度情況圖2-21。 圖2—21?精度檢驗結果 若精度符合要求，則接受分類結果，若不符合要求,則重新分類。 ?