遙感影像監督分類
Ⅰ 遙感影像監督分類有什麼好的方法
根據已知訓練區提供的樣本,通過計算選擇特徵參數,建立判別函數以對各待分類影像進行的圖像分類
監督分類 (supervised classification)又稱訓練場地法,是以建立統計識別函數為理論基礎,依據典型樣本訓練方法進行分類的技術。即根據已知訓練區提供的樣本,通過選擇特徵參數,求出特徵參數作為決策規則,建立判別函數以對各待分類影像進行的圖像分類,是模式識別的一種方法。要求訓練區域具有典型性和代表性。判別准則若滿足分類精度要求,則此准則成立;反之,需重新建立分類的決策規則,直至滿足分類精度要求為止。常用演算法有:判別分析、最大似然分析、特徵分析、序貫分析和圖形識別等。
過程:
1、選擇訓練區(代表性,完整性,多個樣區)
2、提取統計信息(進行多元統計分析,訓練樣本的有效評價,樣本純化)
3、選擇合適的監督分類演算法(平行演算法,最小距離法,最大似然法(至今應用最廣),波譜角分類法)
4、計算機自動分類
5、分類精度評價(非位置精度,位置精度--混淆矩陣)
優點:
1、 可充分利用分類地區的先驗知識,預先確定分類的類別;
2、 可控制訓練樣本的選擇,並可通過反復檢驗訓練樣本,以提高分類精度,避免分類中的嚴重錯誤
3、 避免了非監督分類中對光譜集群組的重新歸類。
缺點:
1、人為主觀因素較強;
2、訓練樣本的選取和評估需花費較多的人力時間;
3、只能識別訓練樣本中所定義的類別,從而影響分類結果。
Ⅱ 遙感中幾種影像分類方法有什麼不同
沒什麼不同。來最主要的差別源在精度。對於你的研究區域,可以多種方法嘗試一下,然後看看分類精度,最後判斷哪一種方法更適合你。
監督分類是利用訓練樣本對各類別進行規定,在基於已規定的類別進行分類。分類時有許多的演算法,最大似然法是其中的一種。應用上真沒什麼特別的講究,就是精度主導一切。
Ⅲ 實驗十七 遙感圖像監督分類處理
一、實驗目的
通過使用的六種主要的遙感監督分類器——平行六面體分類、最小距離分類、馬氏距離分類、最大似然分類、神經網路分類和支持向量機分類的命令,加深對遙感監督分類原理的理解,了解其技術實現過程,初步掌握其ENVI功能命令的基本使用操作。
二、實驗內容
①桂林市TM 遙感影像平行六面體分類;②桂林市TM 遙感影像最小距離分類;③桂林市TM 遙感影像馬氏距離分類;④桂林市TM 遙感影像最大似然分類;⑤桂林市TM 遙感影像神經網路分類;⑥桂林市TM 遙感影像支持向量機分類;⑦對6種分類結果進行比較分析。
三、實驗要求
①平行六面體、最小距離、馬氏距離、最大似然、神經網路和支持向量機六種分類方法在理論上比較復雜,為取得好的實驗效果,要求實驗前事先預習其原理,從理論上理解並掌握它們的特點和異同。②確定分類處理方法訓練樣本需要用到的已知地質資料,提前准備。③編寫實驗報告。④由於同時做六種分類處理工作量較大,可以根據實際課時情況選擇做其中部分。最小距離分類為必須做的方法。
四、技術條件
①微型計算機;②灌陽地區QuickBird全色波段遙感數據;③ENVI軟體;④Photoshop軟體(ver.6.0以上)和ACDSee軟體(ver.4.0以上)。
五、實驗步驟
遙感影像監督分類可以分為四個過程:樣本選擇、執行監督分類、評價分類結果和分類後處理。具體操作步驟如下。
(一)定義訓練
1.樣本選擇
(1)在ENVI主菜單中,選擇「File>Open Image File」,打開灌陽地區QuickBird全色波段遙感數據,Band3、4、1合成RGB並使之顯示在「Display」中,通過分析圖像,選擇耕地、林地、居民地和水體四種地物樣本。
圖17-1 ROI工具對話框
(2)在主圖像窗口中,選擇「Overlay>Region of Interest」,打開「ROI Tool」對話框,如圖17-1所示。
(3)在「ROI Tool」對話框中,選擇「Window」選項,可以在「Image」、「Scroll」或者「Zoom」窗口中繪制感興趣區;在「ROI Name」欄位輸入樣本的名稱;在「Color」欄位中,單擊右鍵選擇顏色。
(4)在「ROI Tool」對話框中,選擇「ROI Type > Polygon」,在「Image」、「Scroll」或者「Zoom」窗口中繪制感興趣區。
(5)完成一類感興趣區的繪制後,在「ROI Tool」對話框中,選擇【New Region】按鈕,新建另一類樣本種類,重復上述操作。
2.評價訓練樣本
在ROI對話框中,選擇「Option>Compute ROI Separability」,打開待分類影像文件,選擇所有定義的樣本類型,可以計算樣本的可分離性,如圖17-2所示,表示各個樣本類型之間的可分離性,用Jeffries-Matusita距離和轉換分離度(Transformed Divergence)來表示。ENVI為每一個感興趣區組合計算Jeffries-Matusita距離和Transformed Divergence,在對話框底部,根據可分離性值的大小,從小到大列出感興趣區組合。這兩個參數的值在0~2.0之間,大於1.9說明樣本之間可分離性好,屬於合格樣本;小於1.8,需要重新選擇樣本;小於1,考慮將兩類樣本合成一類樣本。
圖17-2 樣本可分離性計算報表
(二)執行監督分類
在ENVI主菜單中選擇「Classificatoin>Supervisred>分類器類型」,可以根據分類的復雜度、精度需求等選擇分類器。
1.平行六面體分類器
平行六面體用一條簡單的判定規則對多波譜數據進行分類。判定邊界在圖像數據空間中形成了一個N維平行六面體。平行六面體的維數由來自每一種選擇的分類平均值的標准差的閾值確定。如果像元值位於N 個被分類波段的低閾值與高閾值之間,則它歸屬於這一類。如果像元值落在多個類里,那麼ENVI將這一像元歸到最後一個匹配的類里。沒有落在平行六面體的任何一類里的區域被稱為無類別的。操作步驟如下:
(1)在ENVl主菜單欄中選擇「Classification>Supervised>Parallelepiped」,在分類輸入文件對話框中選擇待分類遙感影像,打開「Parallelepiped Parameters」對話框,如圖17-3所示。
圖17-3 平行六面體分類器參數設置對話框
(2) Select Classes from Regions:點擊【Select All Items】按鈕,選擇所有的訓練樣本。
(3) Set Max stdev from Mean:設置標准差閾值。有三種類型:不設置標准差閾值(None)、為所有類別設置一個標准差閾值(Single Value)和分別為每種類別設置一個標准差閾值(Multiple Values)。
(4)選擇「Single Value」,在「Max stdev from Mean」文本框里輸入標准差閾值。
(5)點擊【Preview】按鈕,可以預覽分類結果。
(6)選擇分類結果的輸出路徑及文件名。
(7)設置「Output Rule Images」:是否選擇規則圖像數據。
(8)設置完上述參數後,點擊【OK】按鈕執行分類處理。
2.最小距離分類器
最小距離分類用到每一個終端單元的均值矢量,計算每一個未知像元到每一類均值矢量的歐幾里德距離。所有像元都被歸為最近的一類,除非限定了標准差和距離的極限(這時,會出現一些像元因不滿足選擇的標准,而成為「無類別」),操作步驟如下:
(1)在ENVI主菜單欄中選擇「Classification>Supervised>Minimum Distance」,在分類輸入文件對話框中選擇待分類遙感影像,打開「Minimum Distance」對話框,如圖174所示。
圖17-4 最小距離分類器參數設置對話框
(2) Select classes from Regions:點擊【Select All Items】按鈕,選擇所有的訓練樣本。
(3) Set Max stdev from Mean:設置標准差閾值。有3種類型:不設置標准差閾值(None)、為所有類別設置一個標准差閾值(Single Value)和分別為每種類別設置一個標准差閾值(Multiple Values)。
(4)選擇「Single Value」,在「Max stdev from Mean」文本框里輸入標准差閾值。
(5) Set Max Distances Error:設置允許的最大距離誤差,距離大於該值的像元將不被分入該類,如果不滿足所有類別的最大距離誤差,將會被歸為未分類類型中,有3種類型:不設置最大距離誤差(None)、為所有類別設置一個最大距離誤差(Single Value)和分別為每種類別設置一個最大距離誤差(Multiple Values)。
(6)點擊【Preview】按鈕,可以預覽分類結果。
(7)選擇分類結果的輸出路徑及文件名。
(8)設置「Output Rule Images」:是否選擇規則圖像數據。
(9)設置完上述參數後,點擊【OK】按鈕執行分類處理。
.3 馬氏距離分類器
馬氏距離分類是一個方向靈敏的距離分類器,分類時用到了統計。它與最大似然分類有些類似,但是假定所有類的協方差相等,所以是一種較快的方法。所有像元都被歸到最臨近的ROI類,除非用戶限定了一個距離閾值(這時,如果一些像元不在閾值內,就會被劃為無類別),操作步驟如下:
(1)在ENVI主菜單欄中選擇「Classification>Supervised>Mahalanobis Distance」,在分類輸入文件對話框中選擇待分類遙感影像,打開「Mahalanobis Distance」對話框,如圖17-5所示。
(2) Select Classes from Regions:點擊【Select All Items】按鈕,選擇所有的訓練樣本。
圖17-5 馬氏距離分類器參數設置對話框
(3) Set Max Distances Error:設置允許的最大距離誤差,距離大於該值的像元將不被分入該類,如果不滿足所有類別的最大距離誤差,將會被歸為未分類類型中,有3種類型:不設置最大距離誤差(None)、為所有類別設置一個最大距離誤差(Single Value)和分別為每種類別設置一個最大距離誤差(Multiple Values)。
(4)點擊【Preview】按鈕,可以預覽分類結果。
(5)選擇分類結果的輸出路徑及文件名。
(6)設置「Output Rule Images」:是否選擇規則圖像數據。
(7)設置完上述參數後,點擊【OK】按鈕執行分類處理。
4.最大似然分類器
最大似然分類假定每個波段每一類統計呈均勻分布,並計算給定像元屬於一特定類別的可能性。除非選擇一個可能性閾值,所有像元都將參與分類。每一個像元被歸到可能性最大的那一類里。操作步驟如下:
(1)在ENVI主菜單欄中選擇「Classification>Supervised>Maximum Likelihood」,在分類輸入文件對話框中選擇待分類遙感影像,打開「Maximum Likelihood Parameters」對話框,如圖17-6所示。
(2) Select Classes from Regio:n點s擊【Select All Items】按鈕,選擇所有的訓練樣本。
圖17-6 最大似然分類器參數設置對話框
(3)Set Probability Threshold:設置似然度的閾值,有3種類型:不設置最大似然度閾值(None)、為所有類別設置一個最大似然度閾值(Single Value)和分別為每種類別設置一個最大似然度閾值(Multiple Values),如果選擇Single Value,則在Probability Threshold文本框中輸入一個0~1的值。
(4) Data Scale Factor:輸入一個數據比例系數,這個比例系數是一個比值系數,用於將整形反射率或者輻射率數據轉換為浮點型數據。例如,對於沒有經過輻射定標的8bit數據,設定比例系數為255。
(5)點擊【Preview】按鈕可以預覽分類結果。
(6)選擇分類結果的輸出路徑及文件名。
(7)設置「Output Rule Images」:是否選擇規則圖像數據。
(8)設置完上述參數後,點擊【OK】按鈕執行分類處理。
5.神經網路分類器
用計算機模擬入腦的結構,用許多小的處理單元模擬生物的神經元,用演算法實現人腦的識別、記憶、思考過程應用於圖像分類,操作步驟如下:
(1)在ENVI主菜單欄中選擇「Classificantion>Supervised>Neural Net」,在分類輸入文件對話框中選擇待分類遙感影像,打開「Neural Net Parameters」對話框,如圖17-7所示。
(2)Select Classes from Regions:點擊【Select All Items】按鈕,選擇所有的訓練樣本。
圖17-7 神經網路分類器參數設置對話框
(3) Activation:選擇活化函數,包括對數(Logistic)和雙曲線(Hyperbolic)。
(4) Training Threshold Contnbution:輸入訓練貢獻閾值(0~1)。該參數決定了與活化節點級別相關的內部權重的貢獻量,它用於調節節點內部權重的變化。訓練演算法互動式地調整節點間的權重和節點閾值,從而使輸出層和響應誤差達到最小。將該參數設置為0將不會調整節點的內部權重。適當調整節點的內部權重可以生成一幅較好的分類圖像,但是如果設置的權重過大,對分類結果會產生不良影響。
(5) Training Rate:設置權重調節速度(0~1)。參數值越大則使得訓練速度越快,但也增加擺動或者使訓練結果不收斂。
(6) Training Momentum:設置權重調節動量(0~1)。該值大於0時,在「Training Rate」文本框中輸入較大值不會引起擺動。該值越大,訓練的步幅越大。該參數的作用是促使權重沿當前方向改變。
(7)Training RMS Exit Criterai:指定RMS誤差為何值時訓練應該停止。RMS誤差值在訓練過程中將顯示在圖表中,當該值小於輸入值時,即使還沒有達到迭代次數,訓練也會停止,然後開始進行分類。
(8) Number of Hidden Layers:輸入所用隱藏層的數量。要進行線性分類,輸入值為0;進行非線性分類,輸入值應該大於或者等於1。
(9) Number of Training Iterations:輸入用於訓練的迭代次數。
(10) Min Output Activation Threshold:輸入一個最小輸出活化閾值。如果被分類像元的活化值小於該閾值,在輸出的分類中該像元將被歸入未分類中。
(11)選擇分類結果的輸出路徑及文件名。
(12)設置「Output Rule Images」:是否選擇規則圖像數據。
(13)設置完上述參數後,點擊【OK】按鈕執行分類處理。
6.支持向量機分類器
支持向量機分類(SVM)是一種建立在統計學習理論基礎上的機器學習方法。SVM可以自動尋找那些對分類有較大區分能力的支持向量,由此構造出分類器,可以將類與類之間的間隔最大化,因而有較好的推廣性和較高的分類准確率,操作步驟如下:
(1)在ENVl主菜單欄中選擇「Classification>Supervised>SupportVec tor Machine」,在分類輸入文件對話框中選擇待分類遙感影像,打開「Support Vector Machine Classification Parameters」對話框,如圖17-8所示。
圖17-8 支持向量機分類器參數設置對話框
(2) Select Classes From Regions:點擊【Select All Items】按鈕,選擇所有的訓練樣本。
(3) Kemel Type下拉列表中的選項有:Linear、Polynomial、Radial Basis Function和Sigmoid。
若選擇Polynomial,需要設置一個核心多項式(Degere of Kernel Polynomial)的次數用於SVM,最小值為1,最大值為6;使用向量機規則需要為Kernel指定「this Bias」,默認值為1;「Gamma in Kernel Function」參數設置為大於0的浮點型數據,默認值為輸入圖像波段數的倒數。
若選擇「Radial Basis Function」,需設置「Gamma in Kernel Function」參數為大於0的浮點型數據,默認值為輸入圖像波段數的倒數。
若選擇Sigmoid,需使用向量機規則需要為Kernel指定「this Bias」,默認值為1;設置「Gamma in Kernel Function」參數為大於0的浮點型數據,默認值為輸入圖像波段數的倒數。
(4) Penalty Parameter:為大於0的浮點型數據,這個參數控制了樣本錯誤與分類剛性延伸之間的平衡,默認值為100。
(5)Pyramid Levels:設置分級處理等級,用於SVM訓練和分類處理過程,如果這個值為0,將以原始解析度處理,最大值隨圖像的大小改變。
(6) Pyramid Reclassification Threshold(0~1):當Pyramid Levels值大於0時,需要設置這個重分類閾值。
(7) Classification Probability Threshold(0~1):為分類設置概率閾值,如果一個像素計算得到所有的規則概率小於該值,該像素將不被分類。
(8)選擇分類結果的輸出路徑及文件名。
(9)設置「Output Rule Images」:是否選擇規則圖像數據。
(10)設置完上述參數後,點擊【OK】按鈕執行分類處理。
(三)評價分類結果
在執行監督分類後,需要對分類結果進行評價,本次實驗採用使用地表真實感興趣區來計算混淆矩陣(Confusion Matrices)方法進行分類結果評價,操作步驟如下。
1.建立地表真實感興趣區
可以在高解析度圖像上,通過目視解譯獲取各個分類的地表真實感興趣區;也可以通過野外實地調查,根據調查數據生成地表真實感興趣區,獲取方法同「(一)定義訓練」,為了同訓練樣本區別,我們使用「植被、城鎮、河流、農田」作為地表真實感興趣區名稱。
2.計算混淆矩陣
(1)打開定義驗證樣本的文件(即灌陽地區QuickBird全色波段)以及圖像分類結果,使之顯示在「Available Band」列表中。
(2)在ENVI主菜單欄中選擇「Basic>Region of Interest>Restore Saved ROI File」,打開地表真實感興趣區文件。
(3)在ENVI主菜單欄中選擇「Basic>Region of Interest>Restore ROIs via Map」,打開「Reconcile ROIs via Map」對話框(圖179),選擇相應的地表真實感興趣區,點擊【OK】按鈕。
(4)在「Select Source File where ROI was Drawn」對話框中,選擇定義驗證樣本的文件(即灌陽地區 QuickBird 全色波段),點擊【OK】按鈕。
(5)在「Select Destination File to Reconcile ROIs to」對話框中,選擇匹配目標文件,也就是分類結果圖像。
(6)在主菜單中選擇「Classification>Post Classification> Confusion Matrix> Using Ground Truth ROIs」。
圖17-9「Reconcile ROIs via Map」對話框
(7)在「Classification Input File」對話框中,選擇分類結果圖像。地表真實感興趣區將被自動載入到「Match Classes Parameters」對話框中。
(8)在「Match Classes Parameters」對話框中,選擇所要匹配的名稱,然後點擊【Add Combination】按鈕,將地表真實感興趣區與最終分類結果相匹配,類別之間的匹配將顯示在對話框底部的列表中,如圖17-10所示,點擊【OK】按鈕輸出混淆矩陣。
圖17-10「Match Classse Parameters」對話框
(9)在混淆矩陣輸出窗口的「Confusion Matrix Parameters」對話框中,選擇像素(Pixels)和百分比(Percent),如圖17-11所示。
(10)點擊【OK】按鈕,輸出混淆矩陣,在輸出的混淆矩陣報表中,包含了總體分類精度、Kappa系數、混淆矩陣等幾項評價指標。
圖17-11 混淆矩陣輸出對話框
(四)分類後處理
一般情況下,使用上述分類方法得到的結果難於達到最終應用的目的,所以對獲取的分類結果需要進行一些處理,才能得到最終理想的分類結果。
圖17-12 編輯分類名稱和顏色
1.更改分類顏色、名稱
(1)打開分類結果,並使之顯示在「Display」窗口中。
(2)在分類結果主圖像窗口中,選擇「Tools>Color Mapping>Class Color Mapping」,打開「Class Color Mapping」對話框,如圖17-12所示。
(3)從「Selected Classes」列表中選擇需要修改的類別,改變其顏色或者名稱。
(4)完成對需要修改類別的顏色、名稱的修改後,選擇「Options>Save Changes」保存修改內容。
(5)選擇「File>Cancel」,關閉「Class Color Mapping」對話框。
2.聚類處理
分類結果中不可避免的會產生一些面積很小的圖斑,從實際應用角度有必要對這些小圖斑進行剔除或重新分類。目前,常用的方法有Majority/Minority分析、聚類處理和過濾處理,本次實驗選擇聚類處理方法對鄰近的類似分類區聚類並合並。
聚類處理首先將被選的分類用一個擴大操作合並到一起,然後用參數對話框中指定了大小的變換核對分類圖像進行侵蝕操作,具體操作步驟如下:
在ENVI主菜單欄中選擇「Classification> Post Classification> Clump Classes」,在「Classification Input File」對話框中,選擇分類結果圖像,單擊【OK】按鈕,打開「Clump Parameters」對話框,如圖17-13所示。Clump Parameters對話框參數設置如下。
(1)選擇分類類別(Select Classes):單擊【Select All Items】按鈕選擇所有類別;
(2)輸入形態學運算元大小(Rows和Cols):默認為3,3;
(3)選擇輸出路徑及文件名,單擊【OK】按鈕,完成聚類處理。
3.分類統計
分類統計可以基於分類結果計算相關輸入文件的統計信息,包括類別中的像元數、最大值、最小值、平均值以及類中每個波段的標准差等,還可以記錄每類的直方圖以及計算協方差矩陣、相關矩陣、特徵值和特徵向量,並顯示所有分類的總結記錄。
(1)在ENVI主菜單欄中,選擇「Classification> Post Classification > Class Statistics」,在「Classification Input File」對話框中,選擇分類結果圖像,單擊【OK】按鈕。
(2)在「Statistics Input File」對話框中,選擇一個用於計算統計信息的輸入文件,點擊【OK】按鈕,打開「Class Selection」對話框(圖17-14),在「Select Classes」列表中,選擇想計算統計的類別名稱,點擊【OK】按鈕,打開「Compute Statistics Parameters」對話框(圖17-15),選擇需要的統計項,包括以下統計類型。
圖17-13 「Clump Parameters」對話框
圖17-14 選擇分類對話框
基本統計(Basic Stats):包括所有波段的最小值、最大值、均值和標准差,若該文件為多波段,還包括特徵值。
直方圖統計(Histograms):生成一個關於頻率分布的統計直方圖。
協方差統計(Covariance):包括協方差矩陣和相關矩陣以及特徵值和特徵向量。
(3)輸出結果的方式包括3種:可以輸出到屏幕顯示、生成統計文件(.sta)和生成文本文件,其中生成的統計文件可以通過「Classification>Post Classification>View Statistics File」命令打開,選擇輸出路徑及文件名,單擊【OK】按鈕,完成分類統計。
4.分類結果轉矢量
(1)在ENVI主菜單欄中,選擇「Classification>Post Classification>Classification to Vector」,在「Rasterto VectorInput Band」對話框中,選擇分類結果圖像,單擊【OK】按鈕,打開「Raster to Vector Parameters」對話框,如圖17-16所示。
(2)選擇需要被轉換成矢量文件的類別,在「Output」標簽中,使用箭頭切換按鈕選擇「Single Layer」,把所有分類都輸出到一個矢量層中;或者選擇「One Layer per Class」,將每個所選分類輸出到單獨的矢量層。
(3)選擇輸出路徑及文件名,單擊【OK】按鈕,完成分類結果轉矢量文件。
圖17-15 計算統計參數設置對話框
圖17-16 柵格轉為矢量參數設置
完成遙感影像監督分類後,分別利用平行六面體、最小距離、馬氏距離、最大似然、神經網路和支持向量機這六種分類器對灌陽地區QuickBird遙感影像進行監督分類處理,利用混淆矩陣對六種分類結果進行評價,得出總體分類精度和Kappa系數。比較六種分類結果,用WORD文件記錄,取名為《灌陽地區QuickBird遙感影像六種監督分類方法分類結果評價》,存入自己的工作文件夾。
六、實驗報告
(1)簡述實驗過程。
(2)回答問題:①根據實驗操作步驟及各步驟之間的關系,分析所做的監督分類方法在模型設計思想或演算法上的共同特點。②通過目視解譯,定性比較所獲得的監督分類圖像的圖像識別效果優缺點。
實驗報告格式見附錄一。
Ⅳ 做監督分類時能直接用GOOGLE EARTH上的遙感影像嗎
谷歌earth上的影像只有全色影像,如果做監督分類,缺少光譜信息,所以不是很適合!
而Landsat數據則具有很高的光譜信息,解析度也適合做相應的研究
Ⅳ 遙感圖像監督分類法
監督分類,又稱訓練分類法,即用被確認類別的樣本像元去識別其他未知類別像專元的過程。已被屬確認類別的樣本像元是指那些位於訓練區的像元。在這種分類中,分析者在圖像上對每一種類別選取一定數量的訓練區,計算機計算每種訓練樣區的統計或其他信息,每個像元和訓練樣本作比較,按照不同規則將其劃分到和其最相似的樣本類。
非監督分類,也稱為聚類分析或點群分析。即在多光譜圖像中搜尋、定義其自然相似光譜集群組的過程。非監督分類不需要人工選擇訓練樣本,僅需極少的人工初始輸入,計算機按一定規則自動地根據像元光譜或空間等特徵組成集群組,然後分析者將每個組和參考數據比較,將其劃分到某一類別中去。長期以來,已經發展了近百種不同的自然集群演算法,如ISODATA、鏈狀方法等。
Ⅵ 遙感圖像分類法
圖像分類是與圖像信息提取和增強不同的遙感圖像處理中另一重要的方面,與圖像增強後仍需人為解譯不同,它企圖用計算機做出定量的決定來代替人為視覺判譯步驟。因此,分類處理後輸出的是一幅專題圖像。在此圖像中,原來圖像中的每一個象元依據不同的統計決定準則被劃歸為不同的地表覆蓋類,由於是一種統計決定,必然伴隨著某種錯誤的概率。因此,在邏輯上的合理要求是,對每一個象元所做的決定,應是使整個被分類面積即對大量單個象元的分類的某個錯誤判據為最小。
以下是幾種常用的遙感圖像分類方法:
1.最大似然分類(maximum likelihood classification)
最大似然分類是一種基於貝葉斯判別准則的非線性監督分類方法,需要知道已知的或確定的訓練樣區典型標準的先驗概率P(wi)和條件概率密度函數P(wi,x)。P(wi)通常根據各種先驗知識給出或假定它們相等:P(wix)則是首先確定其分布形式,然後利用訓練樣本估計其參數。一般假設為正態分布,或通過數學方法化為正態分布。其判別函數集為:
Di(x)=P(wix),i=1,2,…,m (2-2)
如果Di(x)≥ Dj(x),則x屬於wi類。其中,j≠i,j=1,2,…,m。m為類別數。
從上述最大似然分類的說明看,其關鍵就在於已知類別的定義,先驗概率的確定,參與分類的變數的好壞和結果誤差評價。直到現在,最大似然分類至少還有兩個缺點:一是事先大量人力已知光譜類的選擇和定義:二是需要長時間的計算機分類計算時間。實際上這也使得最大似然分類法遙感應用受到了限制,因此許多人專門研究改進演算法以便解決和縮減圖像分類的時間,提高分類的精度。Solst和Lillesand(1991)為了解決已知類別定義消耗大量人力的缺點,發展了半自動訓練法進行已知光譜類的定義。Fabio Maselli等(1992)利用Skidmore和Tumer提出的非參數分類器計算出各已知類訓練集的先驗概率,然後將它們插入常規的最大似然分類過程中進行分類。該方法融合了非參數和參數分類過程的優點,提高了分類的精度。
通常情況下,地形會影響到訓練集數據,這樣訓練集光譜數據就偏離了最大似然分類的假設條件正態分布,從而常規的最大似然分類法在地形起伏較大的地區效果並不太好。為了解決這一問題,C.Conese和G.Maracchi和F.Maselli(1993)提出了一種改進的最大似然分類演算法,即去掉每一類數據集中與第一主成分相關的信息(地形信息)然後再進行分類。通過試驗,這種方法是有效的,分類精度得到了提高。
K.Arai(1993)用光譜和空間信息進行分類改進了最大似然分類方法。該方法簡單易行,大大提高了正確分類的概率。C.Conese和Fabio Maselli(1992)用誤差矩陣提高最大似然分類面積估計的精度。Irina Kerl(1996)加最大似然分類精度的一種方法,即多概率比較法。他對同一遙感數據的原始波段、主成分和植被指數的22種組合進行了最大似然分類,發現沒有一種波段組合的分類能給出圖像中所有土地利用類型的精確分類,每一波段組合僅對圖像中的一兩類土地利用類型分類有效。因此他提出將能有效區分出所要決定的土地利用類型的幾個波段組合的分類結果進行組合來進行圖像分類,並稱這種方法為多概率比較法,這種方法的基礎就是圖像數據不同波段組合的分類結果之間分類概率大小的比較。應用這種方法提高了分類的精度。
2.最小距離分類(minimum distance classification)
最小距離分類是一種線性判別監督分類方法,也需要對訓練區模式樣本進行統計分析,是大似然分類法中的一種極為重要的特殊情況。最小距離分類在演算法上比較簡單,首先需選出要區分類別的訓練樣區,並且從圖像數據中求出各類訓練樣區各個波段的均值和標准差,然後再計算圖像中其他各個象元的灰度值向量到各已知類訓練樣區均值向量之間的距離。如果距離小於指定的閾值(一般取標准差的倍數),且與某一類的距離最近,就將該象元劃歸為某類。因此稱為最小距離分類。該方法的精度主要取決於已知類訓練樣區的多少和樣本區的統計精度。另外,距離度量的方法不同,分類的結果也不相同,常見的有:
(1)明氏距離(minkowski distance)
中亞地區高光譜遙感地物蝕變信息識別與提取
式中Tij=-Tij。
③經過①②步後,隨機象元X被劃歸為正確的類。
另外,通過對參與計算變數的排序和部分一總和邏輯的考慮,可大大降低該演算法計算的時間。與最小距離(歐氏距離)和最大似然分類器相比,整體平均分類器所用時間最少,分類精度與最小距離大致相同,對像農田面積和森林這樣的名義類型的分類十分有效。
Haluk Cetin(1996)提出了一種分類方法:類間距離頻率分布法(interclass distance frequency dis-tribution),這是多光譜數據非參數分類方法的一種。類間距離頻率分布過程簡單,是一種有力的可視化技術,它圖形地顯示多光譜數據和類分布。首先選擇感興趣的類,這些類的統計信息從典型的訓練樣區可獲得。利用類的平均測量矢量計算多光譜數據中每個象元的距離,並存放在一個兩維數據分布數組中。選擇其他類的訓練區,訓練區數據的分布通過距離計算可獲得。通過可視化地檢查結果,建立分類查詢表(look-up table),然後利用分類查詢表進行多光譜圖像數據的分類,具體細節請參見原文。
H.N.Srikanta Prakash等(1996)改進了遙感數據凝聚聚類分析,這是一種基於相互近鄰概念,用來進行多光譜數據分類的非參數、層次、凝聚聚類分析演算法。該方法定義了圍繞象元的感興趣區域(area of interest around each pixel),然後在它內部尋找分類時初始合並操作需要的k最近鄰,將象元的特徵值、波段值和象元的相對位置值一起考慮,提出了改進的距離量度,這樣,大大減少了計算的時間和內存的需求,降低了分類的誤差概率。
Steven E.Franklin和Bradley A.Wilson(1992)設計了3階段分類器進行遙感圖像的分類,它由一個基於四叉樹的分割運算元、一個高斯最小距離均值測試和一個包括輔助地理網數據和光譜曲線測量的最終測試構成。與最大似然分類技術相比,3階段分類器的總體分類精度得到了提高,減少計算時間,另外僅需最少的訓練樣區數據(它們在復雜地形區很難獲得)。
Ⅶ 遙感:監督分類與非監督分類的區別
非監督分類運用1SODATA(Iterative Self-Organizing Data Analysis Technique )演算法,完全按照像元的光譜特性進行統計分類,常常用於對分類區沒有什麼了解的情況。使用該方法時。原始圖像的所有波段都參於分類運算,分類結果往往是各類像元數大體等比例。由於人為干預較少,非監督分類過程的自動化程度較高。非監督分類一般要經過以下幾個步驟:初始分類、專題判別、分類合並、色彩確定、分類後處理、色彩重定義、柵格矢量轉換、統計分析。
監督分類比非監督分類更多地要求用戶來控制,常用於對研究區域比較了解的情況。在監督分類過程中,首先選擇可以識別或者藉助其它信息可以斷定其類型的像元建立模板,然後基於該模板使計算機系統自動識別具有相同特性的像元。對分類結果進行評價後再對模板進行修改,多次反復後建立一個比較准確的模板,並在此基礎上最終進行分類。監督分類一般要經過以下幾個步驟:建立模板(訓練樣本)、評價模板、確定初步分類圖、檢驗分類結果、分類後處理、分類特徵統計、柵格矢量轉換。
上面的這段話是我們遙感實驗手冊上的話, 我自我感覺在用ERDAS 8.6 時候 ,對監督分類和非監督分類的區別才有了深刻點的理解,簡單的說監督分類是我們人為地選擇好樣本區 比如水體,植被 ,就像是告訴計算機「我圈起來的這種像素就代表水體噢」,這個對個人經驗要求很高,很容易把有的顏色混淆,以至於少分幾類,而非監督分類就是計算機自己將圖像上的像元按像素分幾類,一般如果你最後是要分成水體,植被,土地等幾類,但是你設置的起碼最初要分它的兩倍,因為計算機識別的時候有可能有的最終可以歸到一類,但是計算機不會知道它分類每一類代表什麼,這個就要人為地輸入每一類地物的名稱。
[email protected] 如果你需要這方面的實驗指導書就找我吧
Ⅷ 遙感影像處理問題:怎樣將一幅監督分類後的遙感圖像中的某一類的范圍轉變成ROI
ENVI的話,分類後處理,segmentation,把某一類單獨提出來!
Ⅸ envi中監督分類和非監督分類有什麼區別各是怎麼定義的
監督分類是需要學習訓練的分類方法,如最大似然分類,人工神經網路分類,即是需要事先為每類地物在遙感圖像上採集樣本數據,之後通過學習訓練過程才來分類;非監督分類不需要人工採集地物樣本點數據,多是通過聚類的方法來自動分類,主要有isodata,k均值等.總體來說,監督分類的效果要優於非監督分類.