資源描述：
《淺談遙感圖像監(jiān)督分類與非監(jiān)督分類.pdf》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在行業(yè)資料-天天文庫。
1、2008年9月第28卷第3期四川地質(zhì)學報Vol.28No.3Sep，2008淺談遙感圖像監(jiān)督分類與非監(jiān)督分類楊鑫（成都理工大學遙感所，成都610059）摘要：從遙感圖象分類原理、分類過程、分類方法等來探討監(jiān)督分類與非監(jiān)督分類方法的區(qū)別與聯(lián)系，并通過ERDASIMAGINE對四川省某縣TM圖像進行監(jiān)督分類和非監(jiān)督分類的比較。關鍵詞：影像分類；監(jiān)督分類；非監(jiān)督分類；最大似然法；ISODATE中圖分類號：TP79文獻標識碼：A文章編號：1006-0995（2008）03-0251-04圖像分類的目的是將圖像中每個像元根據(jù)其在不同波段的光譜亮度、空間結構特征或者其他
2、信息，按照某種規(guī)則或算法劃分為不同的類別（趙英時.遙感應用分析原理與方法）。最簡單的分類是只利用不同波段的光譜亮度值進行單像元自動分類。另一種則不僅考慮像元的光譜亮度值，還利用像元和其周圍像元之間的空間關系，如圖像紋理、特征大小、形狀、方向性、復雜性和結構對像元進行分類。因此，它比單純的單像元光譜分類復雜，且計算量也大。對于多時段的圖像，時間變化引起的光譜及空間特征的變化也是非常有用的信息。另外，在分類中，也經(jīng)常會利用一些來自地理信息系統(tǒng)或其他來源的輔助層，比如在對城市土地利用分類中，往往會參考城市規(guī)劃圖、城市人口密度圖等等，以便于更精確地區(qū)分居住區(qū)和商業(yè)區(qū)
3、。此外，可以根據(jù)分類過程中人工參與程度分為監(jiān)督分類和非監(jiān)督分類以及兩者結合的混合分類等。在實際分類中，并不存在一個單一“正確”的分類形式，選擇哪種方法取決于圖像的特征、應用要求和能利用的計算機軟硬件環(huán)境。伴隨著“數(shù)字地球”概念的提出，越來越多的民用場合需要用到遙感圖像，而利用目的不同，對遙感圖像處理則提出了不同的要求，所以圖像分類也就顯得尤為重要。最常用的遙感圖像分類方法主要是監(jiān)督分類和非監(jiān)督分類。兩種方法有區(qū)別、有聯(lián)系、各有優(yōu)、缺點，在實際應用效果上，有相同和不相同的地方。1監(jiān)督分類監(jiān)督分類，又稱訓練分類，即用被確認類別的樣本像元去識別其他未知類別像元的過
4、程。已被確認類別的樣本像元是指那些位于訓練區(qū)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(shù)量的訓練區(qū)，通過計算，將每個像元和訓練樣本作比較，按照不同規(guī)則劃分到和其最相似的樣本類。主要步驟包括：①選擇特征波段；②選擇訓練區(qū)；③選擇或構造訓練分類器；④對分類精度進行評價。監(jiān)督分類常用的算法有最小距離分類、馬氏距離分類、Parallelpipe、神經(jīng)元網(wǎng)絡分類、模糊分類、Fisher判別分類，最大似然法等方法。最大似然法是監(jiān)督分類中最常用的方法。1.1最大似然法最大似然法分類也稱為貝葉斯(Bayes)分類，是基于圖像統(tǒng)計的監(jiān)督分類法，是典型的和應用最廣
5、的監(jiān)督分類方法。它建立在Bayes準則的基礎上，偏重于集群分布的統(tǒng)計特性，并假定訓練樣本數(shù)據(jù)在光譜空間服從高斯正態(tài)分布。用最大似然法分類，具體分為三步：首先確定各類的訓練樣本，再根據(jù)訓練樣本計算各類的統(tǒng)計特征值，建立分類判別函數(shù)，最后逐點掃描影像各像元，將像元特征向量代入判別函數(shù)求出其屬于各類的概率，將待判斷像元歸屬于判別函數(shù)概率最大的一組。該分類法錯誤最小精度高，是較好的一種分類方法。不足的是傳統(tǒng)的人工采樣方法工作量大，效率低，加上人為誤差的干擾，使得收稿日期：2008-03-06作者簡介：楊鑫（1984—），男，寧夏中衛(wèi)人，成都理工大學地球科學院在讀碩士
6、生，研究方向，3S技術與數(shù)字國土251淺談遙感圖像監(jiān)督分類與非監(jiān)督分類分類結果的精度較差。利用GIS數(shù)據(jù)來輔助最大似然法分類，可以提高分類精度，通過建立知識庫指導分類的進行，可以減少分類的錯誤，這是提高最大似然法分類的精度的有效途。最大似然法分類公式：T?1D=ln(a)?[0.5ln(Cov)]?[0.5(x?M)(Cov)(x?M)]ccccc其中：D：加權距離（可能性）；c：某一特征類型；X：像素的測量矢量；Mc：類型C的樣本平均矢量；ac：任一像素屬于類型c的百分概率(缺省為1.0，或根據(jù)先驗知識輸入)；Covc：類型C的樣本中的象素的協(xié)方差矩陣；│
7、Covc│：Covc的行列式；-1Covc：Covc的逆矩陣；ln：自然對數(shù)函數(shù)；T：轉置函數(shù)分類步驟：1）確定需要分類的地區(qū)、使用的波段和特征分類數(shù)，檢查所用各波段或特征分量的位置是否已經(jīng)相互配準；2）根據(jù)已掌握典型地區(qū)的地面情況，在圖像上選擇訓練區(qū)；3）根據(jù)選出的各類訓練區(qū)的圖像數(shù)據(jù)，計算Mc和Covc，確定先驗概率ac；4）分類，將訓練區(qū)以外的圖像像元逐個逐類地代入公式，對于每個像元，分幾類就計算幾次，最后比較大小，選擇最大值得出類別；5）產(chǎn)生分類圖，給每一類規(guī)定一個值，如分10類，就為1，2，…，10，分類后的像元值用類別值替代，最后得到分類專題圖像
8、，因最大灰階值等于類別數(shù)，在監(jiān)視器上顯示時需要給各類
