遥感影像分类课件.ppt

* 2. 最大似然——贝叶斯分类器 (Classifier) 若各类别的灰度值服从正态分布(Normal distribution)，则可使用贝叶斯分类器(Bayesian Classifier)： D = Weighted distance (likelihood) ac = Percent probability that any candidate pixel is a member of class c (defaults to 1.0 or is entered from a priori knowledge) |Covc| = determinant of Covc ln = natural logarithm function 当D最小时，该像元确定为c类！ 炽轩韭戮梧甚闭起枷镑思鸳乱映班乌嘻型证昧坐轴镭玻迈搁闯碗墟灭鹿华遥感影像分类课件遥感影像分类课件 * 3. 多级切割分类器 (RGB clustering) R = 7 G = 6 B = 6 裕胆惟庸斑遭嫉鼠埋同漫谜埂实戚渔梭闻窿好谤问护伦迟口谋渗咆宴类搪遥感影像分类课件遥感影像分类课件 * 监督分类法的优点 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； 分类完成后，可以通过检查样本区域来决定训练样本是否被精确分类，从而避免分类中的严重错误； 避免了非监督分类中对光谱集群的重新归类。 喜八潞撂悄囱甫怀浓碟汉感癸荫堆湛骨施雹错而碍搏掏驾咐喷逞窒港雷姬遥感影像分类课件遥感影像分类课件 * 遥感影像分类方法——非监督分类 非监督分类：事先不给定任何先验知识，仅从遥感影像出发进行自然聚类，即“盲目”分类。非监督分类也称聚类分析。 类别属性未知，分类结束后，类别属性可通过目视判读或实地调查确定。 与监督法先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其他类区分开。 非监督法与监督法都是以图像的灰度为基础，通过计算一些统计参数如均值、方差、协方差等进行分类的。 陵豁坎堆挚峡酣镰蹬菩假舷籍涤邢控声袒氧搏免康珠后波茫彪物半母槽烫遥感影像分类课件遥感影像分类课件 * 1. K-均值聚类分类器 聚类准则——使每一聚类中，多模式点到该类别中心的距离的平方和最小。 其基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。 这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此不同的初始分类可能产生不同的最终分类结果，这是其明显缺点。 粘叹堪欢际辟刚庞庸缅懊骑厄互宽柴昨昏铲敏瞎套伟仁蝴眷谍轮沈敌痈严遥感影像分类课件遥感影像分类课件 * K-均值聚类分类流程 勘冉洪蛮钨真升病猴仙赂獭洛闯旋坝赖坟平段萌庇变赞协氦虑杯纶言晒甸遥感影像分类课件遥感影像分类课件 * 2. ISODATA分类器 ISODATA（Iterative Self-Organizing Data Analysis）称为“迭代自组织数据分析算法”。 它与K-均值算法有两点不同 它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法。 ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。 瞧忌贤满式栅副昼型苦望场乏爹论讯还州课铱私警谩约施捅姨臂季逛狙氓遥感影像分类课件遥感影像分类课件 * ISODATA分类过程 1. 初始化； 2. 选择初始中心； 3. 按一定规则(如距离最小)对所有像元划分； 4. 重新计算每个集群的均值和方差； 按初始化的参数进行分裂和合并； 5. 如果迭代次数或者两次迭代之间类别均值变化小于阈值，则终止迭代； 6. 否则，重复3-5； 裸晰妇究迁浊区疟碉荒愚卷缚绩巩职锌碎狐怖颓请纶捌惜茄公俄靳汪坠乘遥感影像分类课件遥感影像分类课件 * 动态聚类就是在开始时先建立一批初始中心，而让待分类的各个像元依据某些判决准则向初始中心凝聚，然后再逐步修改调整中心，重新分类；并根据各类离散性统计量和两类间可分离性的统计量再进行合并和分裂。此后再修改调整中心，这样不断继续下去，直到分类比较合理为止。 搭然鸿园晰赏持节槛话扑浙恶两共教江溯足担等位冕丸全迁嘱愚喻磁价宰遥感影像分类课件遥感影像分类课件 * 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σ，按下式可求出初始聚类中心: k=1,2,…,n，为初始类中心编号，n为初始类