7.1.1 图像分类概述在线视频

今天我们来学习

《遥感数字图像处理理论与方法》

第七章“遥感图像计算机分类”

本章内容较多

将分为第一讲和第二讲两次课程

今天我们来学习第一讲

遥感图像完成

辐射校正 几何纠正 图像增强

等预处理后

下一处理步骤很关键

即我们需要从遥感图像上

解译和提取感兴趣的专题信息

只有这样

才能充分发挥遥感图像在

“3S”中的

“前端数据获取”作用

计算机分类将遥感图像目视解译

发展为计算机辅助下的图像解译

提高了遥感图像解译的效率

那么

如何提升遥感图像计算机分类的效率

如何提升遥感图像计算机分类的精度

这是我们本章关注的核心问题

本章从模式识别与

图像计算机分类的基本概念出发

首先介绍了

图像分类的基础知识

然后介绍了

用于计算机图像分类的

常用判别函数

继而从监督分类和非监督分类的

基本原理和处理技术流程等方面

介绍了遥感图像计算机分类处理中

常用的方法

并对计算机分类结果的后处理技术

分类结果的精度评估方法等

进行了详细介绍

最后简要地

介绍了其它图像分类方法

本章内容上分为7小节

分别是

1 概述

2 判别函数

3 非监督分类

4 监督分类

这是第一讲的主要内容

5 分类结果后处理

6 分类结果精度评价

7 其它分类方法

这是第二讲的主要内容

学习完第一讲

你将掌握遥感图像计算机分类的

基本理论和方法

并对常用的监督分类

非监督分类算法

有很好的了解

对于提升遥感图像计算机分类的

实践操作能力

具有很好的指导作用

我们来看看

由遥感图像DN值组成的特征空间

这里展示了Landsat TM示例图像

及由其第一 第二波段

组成的二维特征空间

第一 第三波段

组成的二维特征空间

第二 第三波段

组成的特征空间

以及由第7 第4 第3波段组成的

三维特征空间

在特征空间中

属于一个类点的集群

总是在某种程度上与

另一个类点的集群相分离

各个类之间的集群是可分离的

本讲要介绍的计算机图像分类与

模式识别(pattern recognition)的

关系非常紧密

我们先介绍相关知识

“模式识别”是

计算机自动地（或者人进行少量干涉）

把待识别的模式

分到各自的模式类的过程

我们来看图

在二维空间中

有绿点的集群 蓝点的集群

现有一个红点

那么

这个红点可以归入哪个集群呢

一个集群就是一类模式

集群划分问题实际上就是

模式识别的问题

模式识别的关键

提取待识别模式的一组统计特征值

然后按照一定准则作出决策

本讲

我们将要学习的计算机图像分类

是模式识别

在图像自动解译中的具体应用

我们来看看

图像计算机分类的定义

遥感图像计算机分类是指

在计算机系统支持下

综合运用地学分析

图像处理 模式识别与人工智能

地理信息系统等技术

实现遥感图像的

计算机化 智能化图像解译

快速获取地表不同专题信息的过程

如图所示

在图像模式识别中

通常将经数据预处理后的

原始数据所在空间称为测量空间

把分类赖以进行的空间称为特征空间

在示意图上

由两个波段组成的遥感图像

其对应像元的特征空间中

两类像元具有不同的集群的

空间分布特征

我们可以在两类像元之间

划分出一条界线

将该两类像元标记为A和B

这样输出的结果图像

即分类结果图像

具有类别A和类别B的专题信息

用于计算机分类的图像特征

包括哪些呢

地物的光谱特征

即地物电磁辐射的测量值

可以用作遥感图像分类的

原始特征变量

如图展示

在图上面

小麦 湿地 冰雪 沙漠等

各自具有不同的光谱反射率特征

因而传感器

不同波段记录下来的

不同地物类型的

辐射数值是不相同的

因而

在特征空间中

小麦 湿地 冰雪 沙漠

这些不同地物类型

其相应像元的点集群

在空间中的位置是不相同的

相同地物类型呈现出集群效应

不同集群之间可以分辨和分离

区分不同类型的基本数值

就是遥感图像的原始特征变量

这里是反射率数值。

遥感图像上地物的

形态 结构特征等

也可以作为

遥感图像分类的原始特征参量。

我们来了解一下

还有其它特征变量

就某些特定地物的分类而言

多波段影像的原始亮度值

并不能很好地表达类别特征

可以对数字图像进行运算处理

那么 这些运算处理的方法

包括

比值处理

差值处理

K-L变换

K-T变换等

另外像

纹理分析

对象关联分析等

这些都是处理方法

用这些处理方法处理后

可以获取其他特征变量

由于一个模式通过某种变换

映射为一个特征向量后

该特征向量可以理解为

特征空间的中一个点

在特征空间中

属于一个类的点集

总是在某种程度上与

输入另一个类的点的集合相分离

各个类之间确定可分离的

因此

如果能够找到一个

分离函数（线性或非线性函数）

那么这个函数

不管是线性还是非线性函数

都可以把不同类别的点集分开

则分类任务就解决了

遥感图像计算机分类包括哪些类型呢

遥感图像计算机分类可分为多种类型

按照不同的角度

来区分这些分类方式

这里我们介绍几种常见的划分

包括

监督分类与非监督分类

参数分类与非参数分类

软分类与硬分类等

首先我们来看监督分类和非监督分类

是否需要

分类人员事先提供

已知类别及其训练样本

对计算机分类器进行训练和监督

根据已知训练场地提供的样本

通过选择特征参数建立判别函数

来对各待分类点进行分类的方法

叫做监督分类

不需要已知样本及其类别

对计算机的分类器进行监督和训练

只根据图像数据本身的特征

即这些数据所代表的地物辐射特征的

相似性和相异性来分类

叫做非监督分类

我们再看一看

参数分类与非参数分类如何区分

参数分类（parametric classification）与

非参数分类（non parametric classification）

是根据

是否需要

假定类的概率分布函数并

并估计其分类参数来划分的

参数分类假定类具有特定的

概率分布函数

而且通常是正态分布函数

分布函数的参数平均值

标准差和协方差矩阵等

需要根据训练样本来估计

此时确定的

判别函数可以是线性的

也可以是非线性的

参数分类最典型的是

最大似然分类法

非参数分类

不需要假定类具有某种概率分布函数

也不需要估计其参数

常见的非参数法有

平行多面体分类（盒式分类）

最近邻分类

人工神经网络分类

直方图估算分类等。

软分类（soft classfication）与

硬分类（hard classfication）

是根据待分像元被分到一个类别

还是多个类别来划分的

图像上的一个像元

只能被分到一个类的分类方法

称为硬分类

传统的分类方法都是硬分类

硬分类有时可能不合理

因为有些像元可能同时具有

两个类或者多个类的性质

图像上的每一个像元

可以同时被分到两个

或两个以上的类的分类

就称为软分类

这时

每一个像元除了被分类外

还同时允许它在不同的

两个或多个类中具有

“类成员”概率值

属于软分类的一个典型分类方法是

模糊分类

另外亚像元分类

混合像元分类等也属于软分类。