第06-02章 監(jiān)督分類.ppt

1、第 六 章 遙感圖像分類,6.1 遙感圖像分類的基本方法 6.2 遙感圖像監(jiān)督分類 6.3 遙感圖像非監(jiān)督分類 6.4 基于混合像元的遙感圖像分類 6.5 非光譜信息在遙感圖像分類中的應(yīng)用 6.6 基于知識的遙感圖像分類,第二節(jié) 遙感圖像監(jiān)督分類,監(jiān)督分類法: 首先,從研究區(qū)域選取具有代表性的一定數(shù)量的已知類別的樣本(訓(xùn)練樣區(qū)),并根據(jù)這些樣本的觀測值(類別的先驗知識)建立判別函數(shù)和相應(yīng)的判別準(zhǔn)則, 然后將未知類別的樣本的觀測值代入判別函數(shù),最后依據(jù)判別準(zhǔn)則對該未知類別的樣本所屬類別做出判定.,常用方法 1.最大似然法分類,-是建立在Bayes準(zhǔn)則基礎(chǔ)上分類錯誤概率最小的一種非線性 分類法,也

2、是應(yīng)用比較廣泛、比較成熟的一種監(jiān)督分類法。,假定每一類在圖像中的概率密度分布呈正態(tài)分布,并計算給定像 元屬于某一特定類別的似然度(即概率或可能性),最后將其歸并 到似然度最大的那一類中.,第二節(jié) 遙感圖像監(jiān)督分類,-假定圖像上各類地物光譜特征呈多元正態(tài)分布 (若非正態(tài) 分布,可通過變換使其呈正態(tài)分布),并計算每個未知像元到 各類別中心的距離(如歐氏距離,即兩點之間的直線距離), 最后根據(jù)距離最近進(jìn)行歸類.,第二節(jié) 遙感圖像監(jiān)督分類,-這是一個須應(yīng)用每個類別統(tǒng)計信息的方向靈敏的距離分類器. 它假定圖像上各類地物光譜特征呈多元正態(tài)分布以及所有類 別的協(xié)方差相等,然后計算每個未知像元到各類別中心的馬

3、氏 距離,最后根據(jù)距離最近進(jìn)行歸類.,第二節(jié) 遙感圖像監(jiān)督分類,-首先由巡邏組數(shù)據(jù)產(chǎn)生每一類別的均值向量和標(biāo)準(zhǔn)差向量等 基本統(tǒng)計文件，然后據(jù)此在數(shù)據(jù)空間中劃分出若干個平行六 面體塊斷（二維情況下為矩形），每一塊斷即為一類。,第二節(jié) 遙感圖像監(jiān)督分類,基于ERDAS的監(jiān)督分類法的一般過程,1.定義分類模板(Define Signature) 2.評價分類模板(Evaluate Signature) 3.執(zhí)行監(jiān)督分類(Perform Supervised Classification) 4.評價分類結(jié)果(Evaluate Classification) 5.分類后處理（Post-Classific

4、ation Process）:詳見“第三節(jié) 遙感圖像非監(jiān)督分類”,第二節(jié) 遙感圖像監(jiān)督分類,基于ERDAS的監(jiān)督分類法的一般過程,1.定義分類模板,顯示需要進(jìn)行分類的圖像 打開模板編輯器 -點擊Classifier圖標(biāo)/Signature Editor菜單,第二節(jié) 遙感圖像監(jiān)督分類,獲取分類模板信息,-可以應(yīng)用AOI繪圖工具、AOI擴(kuò)展工具或查詢光標(biāo)等方法,獲取分類模板信息,應(yīng)用AOI繪圖工具在原始圖像獲取分類模板信息,在顯示有待分類圖像的視窗中對所有類別都繪制若干個多邊形AOI,獲取分類模板信息,應(yīng)用AOI繪圖工具在原始圖像獲取分類模板信息,在Signature Editor對話框，點擊 圖

5、標(biāo)，將多邊形AOI區(qū)域加載Signature分類模板中，并確定各類的名字及顏色,獲取分類模板信息,應(yīng)用AOI繪圖工具在原始圖像獲取分類模板信息,如果對同一個專題類型采集了多個AOI并分別生成了模板，則可以利用 （合并圖標(biāo)）將這些模板合并成一個具多區(qū)域的綜合性的新模板，原來的多個Signature亦同時存在（也可刪除）,獲取分類模板信息,應(yīng)用AOI繪圖工具在原始圖像獲取分類模板信息,保存分類模板： Signature Editor對話框的File菜單/Save,獲取分類模板信息,應(yīng)用AOI擴(kuò)展工具在原始圖像獲取分類模板信息 應(yīng)用查詢光標(biāo)擴(kuò)展方法獲取分類模板信息 應(yīng)用AOI工具在特征空間圖像產(chǎn)生分

6、類模板,特征空間圖像：用待分類圖像的兩個波段值分別作縱、橫坐標(biāo)軸所形成的圖像。,在原始圖像上應(yīng)用AOI區(qū)域產(chǎn)生的分類模板屬于參數(shù)型模板（parametric），在特征空間（Feature Space）圖像上應(yīng)用AOI工具產(chǎn)生的分類模板為非參數(shù)型模板（non-parametric）.,應(yīng)用AOI繪圖工具在原始圖像獲取分類模板信息,第二節(jié) 遙感圖像監(jiān)督分類,基于ERDAS的監(jiān)督分類法的一般過程,2.評價分類模板,-可以應(yīng)用Alarms（分類報警工具）、Contingency Matrix（可能性矩陣）、Signature Separability（類別的分離性）或Statistics（分類統(tǒng)計分析

7、）等方法等,評價分類模板,應(yīng)用Alarms（分類報警工具）評價分類模板,產(chǎn)生報警掩膜： 在Signature Editor對話框上選擇某一類或某幾類模板/view菜單/Image Alarm,評價分類模板,應(yīng)用Alarms（分類報警工具）評價分類模板,查看報警掩膜：利用Blend、Swiper或Flicker功能,評價分類模板,應(yīng)用Alarms（分類報警工具）評價分類模板,刪除分類報警掩膜：利用View窗口上的 圖標(biāo)或在Arrange Layers對話框上右鍵點擊Alarm Mask圖層，將其刪除,評價分類模板,應(yīng)用Contingency Matrix(可能性矩陣)評價分類模板,-根據(jù)分類模板

8、，分析AOI訓(xùn)練區(qū)中的像元是否完全落在相應(yīng)的類別之中。其結(jié)果可以是一個百分比矩陣，它說明每個AOI訓(xùn)練區(qū)中有多少個像元分別屬于相應(yīng)的類別.,在Signature對話框中選擇所有類別,評價分類模板,應(yīng)用Contingency Matrix(可能性矩陣)評價分類模板,選擇Evalution菜單/Contingency,評價分類模板,應(yīng)用Contingency Matrix(可能性矩陣)評價分類模板,分析誤差矩陣:若某個模板的誤差矩陣值 (百分比)小于85%,則該模板需要重新建立.,評價分類模板,應(yīng)用Feature Objects(特征對象)評價分類模板 應(yīng)用Feature Space to ima

9、ge masking(由特征空間到圖像掩膜) 應(yīng)用Histrograms(直方圖方法) 應(yīng)用Signature Separability(類別的分離性) 應(yīng)用Statistics(類別統(tǒng)計分析),第二節(jié) 遙感圖像監(jiān)督分類,基于ERDAS的監(jiān)督分類法的一般過程,3.執(zhí)行監(jiān)督分類(Perform Supervised Classification),Classifier圖標(biāo)/Supervised Classification菜單項,Distance File(分類距離文件)將被用于對分類結(jié)果的閾值評價法.,第二節(jié) 遙感圖像監(jiān)督分類,基于ERDAS的監(jiān)督分類法的一般過程,Best Classes P

10、er Pixel的數(shù)值將決定Fuzzy Classification法的分類圖像的層數(shù).,是否執(zhí)行Fuzzy Classification (模糊分類法,其分類圖像層將是多層的,其中第一層整體分類效果最好,第二層較好,),第二節(jié) 遙感圖像監(jiān)督分類,基于ERDAS的監(jiān)督分類法的一般過程,parametric Rule (參數(shù)規(guī)則), 主要有最大似然、最小 (歐氏)距離和馬氏距離等判別規(guī)則.只應(yīng)用于參數(shù)模板.,Non-parametric Rule(非參數(shù)規(guī)則),主要有Parallelepiped (平行六面體)和Feature Space (特征空間)等判別 規(guī)則.只應(yīng)用于非參數(shù)模板.,第二節(jié)

11、遙感圖像監(jiān)督分類,基于ERDAS的監(jiān)督分類法的一般過程,是否Use Probabilities (使用似然度閾值) .該選項僅從屬于最大似然分類準(zhǔn)則.,第二節(jié) 遙感圖像監(jiān)督分類,在此可以對每個類別設(shè)置一個似然度閾值(0-1).,第二節(jié) 遙感圖像監(jiān)督分類,基于ERDAS的監(jiān)督分類法的一般過程,4.評價分類結(jié)果(Evaluate Classification) -以精度評估(Accuracy Assessment)法為例,精度評估(Accuracy Assessment)：將專題分類圖像中的特定像元與已知分類的參考像元進(jìn)行比較。實際工作中常常是將分類數(shù)據(jù)與地面真值、航空相片或其他數(shù)據(jù)進(jìn)行對比.,第

12、一步：分別打開分類前的原始圖像和參考圖件,并將兩視窗相連 第二步：啟動精度評估對話框 Classifier圖標(biāo)/Accuracy Assessment菜單,基于ERDAS的圖像分類后精度評估,第二步：啟動精度評估對話框 Classifier圖標(biāo)/Accuracy Assessment菜單,*在Accuracy Assessment對話框中，顯示了一個精度評估矩陣.此矩陣中參考像元的分類值(Reference)由用戶自己輸入.,基于ERDAS的圖像分類后精度評估,第三步：打開初始分類圖像,-在Accuracy Assessment對話框的菜單條上選擇File/Open,-在Accuracy As

13、sessment對話框的工具條上選擇圖標(biāo) 然后將鼠標(biāo)左鍵在顯示有原始圖像的視窗上點擊一下即可.,基于ERDAS的圖像分類后精度評估,第四步：將顯示有分類前的原始圖像的視窗與精度評估視窗相連,基于ERDAS的圖像分類后精度評估,第五步：在Accuracy Assessment對話框中設(shè)置隨機(jī)點的色彩,-在Accuracy Assessment對話框的菜單條上選擇View/Change Colors,基于ERDAS的圖像分類后精度評估,第六步：產(chǎn)生隨機(jī)點（即在初始分類圖像中產(chǎn)生一些隨機(jī)的點，其實際類別由用戶自己給定，然后，將就隨機(jī)點的實際類別與在分類圖像中的類別進(jìn)行比較）,-在Accuracy A

14、ssessment對話框的菜單條上選擇Edit Create/Add Random Points,Search Count：確定隨機(jī)點過程中使用的最多分析像元數(shù)； Number of Points：確定隨機(jī)點的個數(shù) (它至少大于250，但通常比Search Count小很多).,若選擇Random,意味著將產(chǎn)生絕對隨機(jī)的點位,而不使用任何強(qiáng)制性措施.,若選擇Equalized Random,意味著每個類將具有相同數(shù)量的隨機(jī)點,基于ERDAS的圖像分類后精度評估,若選擇Stratified Random,意味著將產(chǎn)生的隨機(jī)點的數(shù)量與類別涉及的像元數(shù)成正比.另外，若選擇Stratified Ran

15、dom，則可以為每一類確定一個最小點數(shù)(Use Minimum Points)，以保證小類別也有足夠的分析點.,點擊Select Classes按鈕,意味著可以對分類圖像的某些類別產(chǎn)生隨機(jī)點,基于ERDAS的圖像分類后精度評估,第七步：顯示隨機(jī)點及其類別,-在Accuracy Assessment對話框的菜單條上，分別選擇View/Show All（即所有隨機(jī)點均以第五步所設(shè)置的Point With no Reference顏色顯示在視窗中)和Edit/Show Class Values(各點的類別號出現(xiàn)在數(shù)據(jù)表的Class（分類值）字段中),基于ERDAS的圖像分類后精度評估,第八步：輸入實際參考點的實際類別值,-在數(shù)據(jù)表的Reference字段中，輸入各個隨機(jī)點的實際類別值（Note：此時，所有輸入實際類別值的隨機(jī)點在視窗中的色彩就變?yōu)榈谖宀剿O(shè)置的Point With Reference顏色),基于ERDAS的圖像分類后精度評估,第九步：保存隨機(jī)點文件,然后選擇Report/Accuracy Report，以產(chǎn)生分類精度報告,基于ERDAS的圖像分類后精度評估,第十步：設(shè)置并輸出分類評價報告,-在Accuracy Assessment對話框的