1、第十章第十章 遥感定性专题图的制作遥感定性专题图的制作 沈焕锋 武汉大学 资环与环境科学学院 遥感制图遥感制图 主要讲述如何从遥感影像提取专题地图制作所需的地物类别信息人工目视解译计算机解译重点讲述计算机解译中的影像分类遥感图像目视解译原则遥感图像目视解译原则总体观察总体观察：从整体到局部对遥感图像进行观察；综合分析综合分析：应用航空和卫星图像、地形图及数理统计等综合手段,参考前人调查资料, 结合地面实况调查和地学相关分析法进行图像解译标志的综合, 达到去粗取精、去伪存真的目的；对比分析对比分析：采用不同平台、不同比例尺、不同时相、不同太阳高度角以及不同波段或不同方式组合的图像进行对比研究；观
2、察方法正确观察方法正确：需要进行宏观观察的地方尽量采用卫星图像, 需要细部观察的地方尽量采用具有细部影像的航空像片 , 以解决图像上“见而不识”的问题；遥感影像目视解译地物与环境的关系遥感影像目视解译色调/颜色遥感影像目视解译对比分析法遥感影像目视解译形状/纹理飞机场飞机场盘山公路盘山公路建筑物建筑物道路和树林道路和树林堆积的木头堆积的木头故宫与护城河稻田稻田遥感影像目视解译阴影金字塔阴影金字塔阴影桥梁阴影桥梁阴影遥感影像目视解译MSSMSS遥感影像目视解译假彩色合成遥感影像目视解译TM影像居民地居民地水体水体遥感影像目视解译SPOT影像QuickBirdQuickBird遥感影像目视解译微波
3、山脊山脊遥感影像目视解译目视判读地质判读目视判读地质判读p应用卫星图像进行地质构造判读，主要是根据图像的色调、形态和图形标志进行，特别应注意图像上显示出的地质体空间分布特征以及体现出的相互关系特征的提取和应用。p岩性判读多依据图像特征，光谱特性并结合地形、水系、植被和土壤等特征进行综合判读。p 植被判读中，除图像色调色彩标志的运用外，还要结合植物的地带性和垂直分带特点，植被生长发育特点，以及当地地形、土壤、水文、地质特点进行判读。所有绿色植物在可见光波段以吸收为主；在近红外波段以反射为主；并且在1.3m，1.9m、2.73m 有三处明显的水分吸收带。p 1.植物在TM2、TM3 波段的卫星图像
4、上一般是深色调，TM4 波段图像上浅色调，其中阔叶林比针叶林更浅一些。p 2.在标准假彩色（如TM4、3、2）图像上植物一般表现为红色，幼嫩的植物呈粉红色，长势好的为红色，成熟的为鲜红色，受到伤害的植物呈暗红色，干枯的植物为青色。阔叶树和针叶树相比，前者的颜色显得鲜红，后者则较深些；灌丛的颜色淡一些；水稻呈暗红色。目视判读植被判读目视判读植被判读pTM5、TM6 等近红外和热红外波段，为判读土壤水分、腐植质含量和土壤质地等提供了有利条件。判读的一般规律是：p1.若某区土壤表面的色调，在可见光和热红外波段图像上的色调都比较深，一般说明这个区域土壤的含水量较高。p2.若某区域的土壤在可见光和热红外
5、波段图像上的色调都比较浅，说明该区域的土壤本身就是浅色调，而且比较干燥。p3.若某区域的土壤在可见光波段图像上呈较深色调，而热红外波段图像上呈浅色调，则说明该地区土壤比较干燥，而且可能具有较高的有机质含量。目视判读土壤判读目视判读土壤判读p城镇的光谱特性是建筑物和建筑物之间空地的综合反映，在TM（或MSS）图像上，城镇一般呈现较深的色调，而在标准假彩色合成图像上，城镇常呈现浅蓝色或蓝灰色，城镇的中心部分色调相对深一些。图像上城镇内部结构已大大简化。p道路：水泥路呈灰白色，反射率最高；其次是土路呈灰色；反射率最低的是沥青路，色调较深。目视判读建筑物判读目视判读建筑物判读遥感图像计算机分类 分类的
6、定义 分类内容：特征，判据，准则，算法 存在问题遥感影像的计算机分类遥感影像的计算机分类遥感图像的计算机分类的基本定义遥感图像的计算机分类的基本定义数据数据信息信息p利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析、选择特征，并用一定的手段将特征空间互分为互不重叠的子空间，然后将图像中的各个像元划分到各个子空间去。分类效果取决的因素分类效果取决的因素、类别的可分性：原始地物波段具有可分性是遥感图像分类的前提。、图像像元波段空间维数：在信噪比一定的情况下，波段越多，越有利于分类。、训练样本数量：训练样本数量越多，地物训练特征越全面，也具有代表性。、分类器的类型和分类方案。遥感分类
7、内容遥感分类内容一、遥感图像的分类特征一、遥感图像的分类特征 分类特征即将各类模式区分开来的特征，常用的分类特征归纳起来可以分为三类：光谱特征，几何特征和其他辅助特征。第一类：光谱特征第一类：光谱特征 主要分为：光谱反射率、波形、光谱数学变换 特征、光谱吸收指数、导数光谱波形等遥感影像分类采用的其他特征遥感影像分类采用的其他特征波形特征p波形特征是指光谱的形状信息，主要指各波段之间的相关关系，比如布尔值，比值，差值等多时相特征p不同的时相信息，能够进行融合，对分类产生帮助数字变换特征p比如对数变换，微分变换，归一化手段，等第二类：几何特征第二类：几何特征几何特征主要指的是纹理特征，纹理反映的是
8、灰度的空间变化规律。纹理可以分为： 1、确定性纹理（人工纹理），按照某种确定性的规律或者是统计规律来排列组成； 2、随机纹理（自然纹理）没有一个统一的规律。二、二、 分类判据分类判据p一般的分类判据应该反映模式类的分布 均线性可分欧式距离 正态分布马氏距离线性不可分似然度p判断选择要参考分类特征：光谱波形特征光谱相似度或光谱夹角独立波段的反射率特征距离判据（）分类准则（）分类准则、最小误差准则：分类的错误概率最小、最小风险准则：损失的条件数学期望最小、聂曼皮尔逊准则：条件概率、最小二乘准则：平方误差最小、基于熵函数可分性准则：后验概率分布衡量（）分类算法（）分类算法p非监督性算法与监督性算法分
9、类p非监督分类：非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。p监督分类法：监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。算法基本过程算法基本过程1.选取研究区域，收集与分析地面参考信息与有关数据，数字图像进行辐射校正和几何纠正（不一定必做）。2.根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。4.
10、在监督分类中可选择具有代表性的训练场地进行采样，测定其特征; 在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。6.对遥感图像中各像素进行分类。7.分类精度检查。监督分类（监督分类（Supervised classification） 通过选择代表各类别的已知样本（训练区）的像元光谱特征，事先取得各类别的参数，确定判别函数，从而进行分类。在监督分类中，先定义信息类，然后检验它们的光谱可分性监督分类监督分类p训练区已知地表覆盖类型的代表样区用于描述主要特征类型的其精度直接影响分类p检验区用于评价分类精度的训练样区样区选择示例样区选择示例训练样区与检验区的选择：相互独立、不能重叠
11、样区选择示例样区选择示例监督分类监督分类p 训练样本选择的不同，分类结果会出现极大的差异。p 一类地物的训练场地应多选择几块。p 利用图件进行样本选择要注意时间和空间问题。p 对同类地物向阳面、向阴面不能用都分为一组进行采样的方法来解决。这样会使训练样本总体不服从多元正态分布，且样本的离散程度增加，导致分类精度下降。向阳面、向阴面可采用“同类多组法”选择训练样本。p 特征变量不宜过多，过多不能增加分类精度，反而造成更多的混淆和不确定。特征变量之间相关性要小。使同类大体接近，不同类距离尽量大。监督分类实例监督分类实例4-3-2波段假彩色合成图像分类结果监督算法介绍监督算法介绍1、平行管道分类算法
12、2、最小距离分类算法3、最大似然分类算法1 1、平行管道监督分类原理、平行管道监督分类原理p对图像中每个像素的光谱响应曲线进行相似性比较，如果落到某一类平行管道阈值范围内，则划分到该类别；如果落到多个类中，则将这个像元划分到最后匹配的类别；落不到任何管道中，则标识为未分类像元每类的初始参数要在分类过程中逐步建立。其分类判决过程如下：平行管道监督分类平行管道监督分类02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest02550255TM Band 3TM Band 4concretehig
13、h buildingsgrass slopewaterbare soilsforest12分类判决过程：分类判决过程： 最小距离监督分类最小距离监督分类假定初拟分类c个类别，分别是 ， ，则最小距离分类的步骤是：12c(1) 取c个类别的训练区域，第i个类别训练区域的样本个数为 计算每个类别的均值( 或 )：iNimiiTyiiyNm1 具体地，若样本y有K个波段组成， 则均值是K维向量，每个分量是训练区域相应波段的像素均值 (2) 扫描图像，对每个像元y，分别计算y到每个类中心的距离 若KkikkiimymyD122)(|jcjiDD, 1 miniy 最小距离监督分类最小距离监督分类025
14、50255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest12(3)对图像上的每个象素而言，比较它到每个类中心的距离，距离哪个区域的中心值最近，就将该象素归为那个区域；最后获得分类后的图像。分类常用距离与有关统计量分类常用距离与有关统计量1. 绝对值距离绝对值距离n1jijkjkiMxxd式中：di(xk)为距离；j为波段序号；总波段数为n，
15、i为类别号；Xkj为k象元在j波段的灰度值；Mij为均值。这个距离也叫出租汽车距离或城市块距离。在二维空间中可以看出，这种距离是计算两点之间的直角边距离，相当于城市中出租汽车沿城市街道拐直角前进而不能走两点连接的最短距离，它的名称也由此而来 2n1jijkjkiMxxd2. 欧几里德距离欧几里德距离欧几里德距离就是两点之间的直线距离。这是我们用的最多因而也是最为熟悉的一种距离。与我们习惯用的距离一致。欧氏距离的表达式为： 欧氏距离中各特征参数也是等权的。 以上两种距离都称为明可夫斯基(Minkowski)距离（以下简称明氏距离），使用明氏距离应该注意以下问题：v 明氏距离与特征参数的量纲有关。
16、具有不同量纲的特征参数的明氏距离常常是无意义的 v 明氏距离没有考虑特征参数间的相关性 3. 马哈拉若比斯距离马哈拉若比斯距离ik1iTikkiMxMxxdTkNk2k1kxxxx,T,iNi2i1iMMMMimNm2m12N22211N1211 式中， 为第i类别的协方差矩阵，其协方差为：i11iinkilklijkjjlnnMxMxi4. 相似系数相似系数YXYX)(cosniiniiniiiyxyx121211)(cos即其中， 是两个矢量间夹角最小距离监督分类最小距离监督分类注意注意：最小距离监督分类方法可以从以下几方面扩展：上述的距离可以是绝对距离（city block）或其他距离。
17、 分类判决可以考虑使用门限阈值，即，若 =min 则y j 1,c，否则，y属于拒绝类。阈值 的选择与各特征波段的标准偏差有关，可以事先求出各类组的训练样本的标准偏差或标准偏差的均值，并根据专业知识和经验考虑门限阈值的设置。 类判决中可以考虑k近邻法，直观来说，取未知样本y的k个近邻，看这k个近邻中多数属于哪一类，就把y归于哪一类。更进一步，还可考虑距离加权的k近邻法，即计算未知样本与k个近邻训练样本的距离，并将距离的倒数作为权赋与k个近邻样本，将权大的近邻的归属作为未知样本的归属。iDiDTDTDp通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。p假定训练区地
18、物的光谱特征和自然界大部分随机现象一样，近似服从正态分布（对一些非正态分布可以通过数学方法化为正态问题来处理）。利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。3 3、最大似然监督分类、最大似然监督分类 最大似然法是经典的分类方法，已在宽波段遥感图像分类中普遍采用。它主要根据相似的光谱性质和属于某类的概率最大的假设来指定每个像元的类别。MLC法最大优点是能快速指定被分类像元到若干类之中的一类中去 。 从概率统计分析，要想判别某位置的向量属于哪一个类别，判别函数要从条件概率 来决定， 代表第i个类别， 表示在模式X出现的条件下， 为 类的概率等于多少。这里不考虑
19、地面上的地物类别在一个像元内混合的情况，认为一个像元应该只属于一个特定的类别。由于这个特定的类别是未知的，我们只有想法找到属于每一类的可能性，然后比较它们的大小，哪一种类别出现的概率大，就把这个位置的像元归哪类，即：如果 成立，则 miXwPi,3,2,1iwPXiwXwPXwPjiiwX 最大似然监督分类最大似然监督分类 由于概率是建立在统计意义上的，因而当使用概率判别函数实行分类判别时，不可避免地会出现错分漏分的现象，我们希望以错分概率或风险最小为准则建立所需要的判别规则。根据概率理论中的Bayes公式 )()()|()|(XPPXPXPiii式中： 为先验概率，也就是在被分类的图像中类别
20、 出现的概率。 为似然概率，它表示在 这一类中出现像元X的概率。只要有一个已知的训练区域，用这些已知类别的像元做统计就可以求出平均值及方差、协方差等特征参数，从而可以求出总体的先验概率。在不知道的情况下，也可以认为所有的 为相同。 为后验概率。 表示不管什么类别出现的概率：iwPiwiwXPiw iwPXwPi XP miiiwPwXP1XP 与类别无关，是对各类来说一个公共因子，在比较大小时不起作用，因此作判别时可将去掉。应用最大可能性判别规则，再加上贝叶斯(Bayes)的使平均损失最小的原则，都表明 XP iiiwPwXPXg是一组理想的判别函数。判别规则为若在最大似然法的实际计算中，常采
21、用经过对数变换的形式 jjiiwXPwPwXPwPiwX 则 iiiiiMxSMxSwPxg1T21ln21ln 是每一类（ ）在图像中的概率，在事先不知道 是多少的情况下，可以认为所有的 都相同，即 为类别数， 为第i类的协方差矩阵， 为该类的均值向量，这些数据来源于由训练组所产生的分类统计文件。对于任何一个像元值x，其在那一类中 最大，就属于哪一类。最大似然法分类的基本前提是认为每一类的概率密度分布都是正态分布（即高斯分布）。最大似然法分类的分类精度一般比前几种方法要高，但分类过程更复杂，计算时间较长。iwPiwiwP iwPmwPi1miSiM xgiMaximum likelihood
22、 classifierMaximum likelihood classifierBand xBand ySamplesMaximum likelihood classifier Maximum likelihood classifier (cont.)(cont.)02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest1202550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest （l）为
23、了以较高精度测定平均值及方差、协方差，各个类别的训练数据至少也要为特征维数的10到100倍以上。 （2）如果2个以上的波段相关性很强，那么方差协方差矩阵的逆矩阵就不存在，或非常不稳定。在训练数据几乎都取相同值的均质性数据组的情况下也是如此。此时，最好采用主成分分析法，把维数减到仅剩相互独立的波段。 （3）当总体分布不符合正态分布时，不适于采用以正态分布的假设为基础的最大似然比分类法。其分类精度也将下降。 （4）当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然比分类法。非监督分类非监督分类（Unsupervised classification） 根据事先指定的某一准则
24、，让计算机自动进行判别归类，无需人为干预，分类后需确定地面类别。在非监督分类中，先确定光谱可分的类别（光谱类）然后定义它们的信息类一、非监督分类算法一、非监督分类算法p非监督分类，是指人们事先对分类过程不施加任何的先验知识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类。其分类的结果，只是对不同类别达到了区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。主要过程如下：主要过程如下：（1）确定初始类别参数，即确定最初类别数和类别中心（集群中心）；（2）计算每一个像元所对应的特征矢量与各集群中心的距离；（3）选与中心距离最短的类
25、别作为这一矢量的所属类别；（4）计算新的类别均值向量；（5）比较新的类别均值与原中心位置上的变化。若位置发生了改变，则以新的类别均值作为聚类中心，再从第2步开始重复，进行反复迭代操作。（6）如果聚类中心不再变化，计算停止。初始类别参数的选定初始类别参数的选定初始类别参数是指：基准类别集群中心（数学期望）以及集群分布的协方差矩阵。因为无论采用何种判别函数，都要预先确定其初始类别的参量。以下为几种常用的方法：1、像素光谱特征的比较法p 首先，在遥感图像中定义一个抽样集，它可以是整幅图像的所有像素，但通常是按一定间隔抽样的像素；p 然后选定抽样集中任一像素作为第一个类别；给定一个光谱相似性比较阈值；
26、p 依次把抽样集中每个像素的光谱特征与已建起的初始类别作比较，若相似，则作为该类集群中的一个成员，若不与任何一个相似，则以该像素建立一个新的初始类别。p 当以上聚类过程完成后，每个已经建立起来的初始类别都包含了一定成员，依据此可统计其集群中心（数学期望）和协方差矩阵2、最大最小距离选心法 该法的选心原则是使各初始类别之间，尽可能地保持远距离，为做到这一点，首先在整幅图像中按一定方式（如等间隔方式）获取一个抽样点像素集合 X321nXXXXX式中n为抽样个数，设当n=11时按以下步骤进行选心处理：取抽样集中任一像素之特征点作为第一个初始类别中心 计算与其他各抽样点之间的距离D。取与之距离最远的那
27、个抽样点（例如 ）作为第二个初始类别中心 ，即若1Z),max(11312nijDDDD2Z7X则72 XZ 对于剩余的每个抽样点，计算它到已有各初始类别中心的距离 m为已有初始类别数，并取其中的最小距离 作为该点的代表距离), 2 , 1(miDijjD,min21mjjjjDDDD式中：m为已形成的初始类别数。 在此基础上，再对所有各剩余点的最小距离进行相互比较，取其中最大者，并选择与该最大的最小距离相应的抽样点（例如 ）作为一个新的初始类别中心点（例如 ）。重复以上步骤，直到初始类别的个数达到需要的个数为止。11X113XZ 该方法是在整幅遥感影像的总体直方图的基础上进行类别中心的选定的
28、。设总体直方图的均值和方差分别为：TnmmmM,21Tn,22221NjijiNjiijixNmmxN11221)(11式中，i为波段号；j为像素点号； 为像素i在第j波段的亮度值；n为波段数；N为像素总数。ijx3、总体直方图均匀选心法 1) 1/() 1(2QqmZiiqi；iiiiiimZmZ3131；iiiiiimZmZ4231用作图法不难证明，该法所选定的初始类别中心通过整体集群中心的一条直线均匀散布的，并基本上包括在整体集群的范围之内现假设我们需要Q个初始类别，每个初始类别集群中心可按下式确定：例如， Q=4时初始类别参数的选定初始类别参数的选定4、局部直方图峰值定心法 由于整幅遥
29、感图像总体直方图的分布是由各类别直方图叠加而形成的。同时，每个类别的集群中心一般位于本类别直方图的峰值位置，而在该位置处的总体直方图往往会出现局部峰值。因而，该法以搜索总体直方图局部峰值为原理来选定初始类别的中心。其基本过程包括：图像数据抽样集的获取，建立总体直方图以及搜索直方图局部峰值3个步骤 图像亮度数据是建立直方图的基础，但是为了减少数据量，通常按一定距离间隔的取样方式来获得图像的抽样数据集。依据该数据集所建立的直方图可以代表整幅图像数据的直方图。与此同时，为了保证被抽样的像素亮度为非噪声亮度，可以选定一个“纯度”阈值，当抽样像素亮度与周围像素亮度之差别超出该纯度阈值时，应把该像素摒弃
30、为了建立直方图，应该首先在计算机中开设一个存储直方图的数组，例如对于一个三维直方图，可开设一个三维数组与之对应，其中每个数组元素记录了相应直方图点上的像素出现频数。这时直方图的总容量为：nNV式中，N=256为直方图各维的亮度级；n为直方图维数。可见，当维数n较大时，直方图的储存量可能大到不允许的程度，为了减少直方图的存储量，可采取如下措施：1. 限定直方图各维亮度的取值范围。可用亮度上限u和下限L来截取直方图的有效亮度范围。2. 用亮度分辨力K把直方图分切维一系列直方图局部单元通过以上措施，直方图的存储容量将减少为：iiiinKLuNNNNV21非监督分类非监督分类-聚类分析聚类分析p主要采
31、用聚类分析方法，聚类是把一组像素按照相似性归成若干类别。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。p一般算法：先选择若干个模式点作为聚类中心，每一中心代表一个类别，按照某种相似性度量方法，将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则将判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。p 其常用方法有：分级集群法、动态聚类法。p 由于不同地物的辐射特性不同，反映在直方图上会出现很多峰值及其对应的一些灰度值，它们在图像上对应的像元分别倾向于聚集在各自不同灰度空间形成的很多点群，这些点群就叫做集群。p 分级
32、集群法采用“距离”评价每个像元在空间分布的相似程度，把它们的分布分割或者合并成不同的集群。每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。p 分级集群方法的特点是这种归并的过程是分级进行的，在迭代过程中没有调整类别总数的措施，如果一个像元被归入到某一类后，就排除了它再被归入到其他分支类别中的可能性，这样可能导致对一个像元的操作次序不同，会得到不同的分类结果，这是该方法的缺点。 分级集群法分级集群法的分类过程如下：p 确定评价各样本相似程度所采用的指标，这里可以采用前面监督分类中介绍的几种距离。p 初定分类总数n。p 计算个体间的距离；根据距离最近的原则判定归并到不同类别。
33、p 归并后的类别作为新类，与剩余的类别重新组合，然后再计算并改正其距离。在达到所要分类的最终类别数以前，重复样本间相似度的评价和归并，这样直到所有像素都归入到各类别中去。 确定采用的距离确定分类总数n找出距离最小的类别组归并距离最小的类别计算归并后新的个体间的距离归并后的类别数STOPYN分级集群法非监督分类实例4-3-2波段假彩色合成图像分类结果动态聚类法动态聚类法 动态聚类法中有类别的合并或分裂，这说明迭代过程中类别总数是可变的。p 如果两个类别的中心点距离近，说明相似程度高，两类就可以合并成一类；或者某类像元数太少，该类就要合并到最相近的类中去。p 类别的分裂也有两种情况： 某一类像元数
34、太多，就设法分成两类； 如果类别总数太少，就将离散性最大的一类分成两个类别，可以先求出每个类别的均值和标准差，然后通过对每一个波段的标准偏差设定阈值来实现，标准差大于阈值，该类就要分裂。 非监督算法介绍非监督算法介绍1、k均值分类算法2、ISODATA分类算法1 K1 K均值算法均值算法 pK均值算法基本思想是：通过迭代，移动各个基准类别的中心，直至得到最好的聚类结果为止。p该算法能使得聚类域中所有样本到聚类中心的距离平方和最小。 ClusteringClusteringK-K-均值算法步骤均值算法步骤任选k个初始聚类中心： (上角标记载为寻找聚类中的迭代运算次数)。一般可选定样本集的前k个样
35、本作为初始聚类中心，也可前面所述的方法进行初始聚类中心的选择，如最大最小距离选心法设已进行到第 t 步迭代。若对某一样本X有 则X ，其中 是以 为聚类中心的样本集。以此种方法将全部样本分配到k个类中 |titjZXZXkjStjS11Z.12Z1kZtjZ计算各聚类中心的新向量值1tjZjn1tjsxX式中 为 中所包含的样本数。因为在这一步要计算k个聚类中心的样本均值，故称为k-均值算法。jnjS若 , j = 1,2,k,则回到第二步，将全部样本n重新分类，重复迭代计算。若 , j =1,2,k,则结束。1tjZtjZ1tjZtjZk均值算法的特点： k-均值算法的结果受到所选聚类中心的
36、个数k及初始聚类中心选择的影响，也受到样品的几何性质及排列次序的影响，实际上需试探不同的k值和选择不同的初始聚类中心。如果样本的几何特性表明它们能形成几个相距较远的小块孤立区，则算法多能收敛k k-means clustering-means clusteringCluster sizeDistance betweencluster meansDistance to acluster mean02550255Band ABand BClustering processClustering processA) Cluster centres are arbitrarily assignedB)
37、Each pixel is assigned to the nearest cluster centre in data space02550255Band ABand BA02550255Band ABand BBClustering process Clustering process (cont.)(cont.)C) The cluster means are then calculated and the pixels are reassigned to the new cluster centresD) The process is repeated until when the c
38、luster centres move by less than a preset distance02550255Band ABand BC02550255Band ABand BD2 ISODATA2 ISODATAp迭代自组织的数据分析算法(Iterative Selforganizing Data Analysis Techniques Algorithm)亦称ISODATA算法。p此种算法与k均值算法有相似之处，即聚类中心也是通过样本均值的迭代运算来决定，但ISODATA算法加入了一些试探性步骤和人机交互功能，能吸取中间结果所得到的经验，主要是在迭代过程中可将一类一分为二，亦可能二类
39、合二为一，亦即“自组织”，故这种算法已具有启发式的特点。p 在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止，这种聚类方法就是动态聚类。p ISODATA (Iterative Orgnizing Data Analysize Technique迭代自组织数据分析方法）具有代表性。p 按照某个原则选择一些初始类聚类中心。在实际操作中，要把初始聚类数设定得大一些，同时引入各种对迭代次数进行控制的参数，如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别对数等，在整个迭代过程中，不仅每个像元的归属类别在调整，而且类
40、别总数也在变化。ISODATAISODATAp 计算像素与初始类别中心的距离，把该像素分配到最近的类别中。动态聚类法中类别间合并或分割所使用的判别标准是距离，待分像元在特征空间中的距离说明互相之间的相似程度，距离越小，相似性大，则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。p 计算并改正重新组合的类别中心，如果重新组合的像素数目在最小允许值以下，则将该类别取消，并使总类别数减1。当类别数在一定的范围，类别中心间的距离在阈值以上，类别内的方差的最大值为阈值以下时，可以看作动态聚类的结束。当不满足动态聚类的结束条件时，就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返
41、回到上一步，重复进行组合的过程。ISODATAISODATA非监督分类算法非监督分类算法剩下的步骤：剩下的步骤：ISODATAISODATA算法算法ISODATA算法聚类中心变化 ISODATAISODATA算法算法ISODATA算法聚类中心变化ISODATA分类算法ISODATA算法聚类中心变化非监督分类实例非监督分类实例我们采用ISODATA分类法对中国常州地区的PHI高光谱遥感影像进行非监督分类。该影像具有80个波段，波长范围为0.417-0.854m，如下页所示。分类过程如下：(1) 对原始高光谱影像采用本书前文所提到的特征选择方法进行特征提取和降维；(2) 采用最大最小距离选心法选择
42、初始聚类中心；(3) 利用ISODATA算法对影像进行分类运算，当满足阈值条件或者迭代次数时分类完成。(4) 分类精度评价。评价的主要方法是将分类后的结果与原始影像叠加，查看每一类的分类精度。若不符合要求，则重新调整参数进行分类。如果达到分类精度，那么对各类别赋上相应的颜色，确定各类别专题意义、标注类别名称等。其最后分类结果如下图1(b)所示。经过调查和解译后各颜色所代表的类别如下图1(c)所示。非监督分类非监督分类(a) 常州夏桥PHI高光谱影像 (b) ISODATA分类结果 (c) K-Mean分类结果 监督分类与非监督分类方法比较监督分类与非监督分类方法比较p根本区别在于是否利用训练场
43、地来获取先验的类别知识。p监督分类根据训练样区提供的样本选择特征参数，建立判别函数，对待分类像元进行分类。因此，训练场地选择是监督分类的关键。对于不熟悉区域情况的人来说，选择足够数量的训练样区带来很大的工作量，操作者需要将相同比例尺的数字地形图叠在遥感图像上，根据地形图上的已知地物类型圈定分类用的训练样区。由于训练样区要求有代表性，训练样本的选择要考虑到地物光谱特征，样本数目要能满足分类的要求，有时这些还不易做到，这是监督分类不足之处。p非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。因此，非监督分类方法简单，且分类具有一定的精度。严格说来，分类效果的好坏需要经过实际调查来检
44、验。当光谱特征类能够和唯一的地物类型（通常指水体、不同植被类型、土地利用类型、土壤类型等）相对应时，非监督分类可取得较好分类效果。当两个地物类型对应的光谱特征类差异很小时，非监督分类效果不如监督分类效果好。目前分类存在的问题目前分类存在的问题、未充分利用遥感图像提供的多种信息、未充分利用遥感图像提供的多种信息p 遥感数字图像计算机分类的依据是像素具有的多光谱特征，并没有考虑相邻像素间的关系。p 例如，被湖泊包围的岛屿，通过分类仅能将陆地与水体区别，但不能将岛屿与临近的陆地（假定二者地面覆盖类型相同，具有同样的光谱特征）识别出来。这种方法的主要缺陷在于地物识别与分类中没有利用到地物空间关系等方面
45、的信息。p 统计模式识别以像素作为识别的基本单元，未能利用图像中提供的形状和空间位置特征，其本质是地物光谱特征的分类。p 例如，根据水体的光谱特征，在分类过程中可以识别构成水体的像素，但计算机无法确定一定空间范围的水体究竟是湖泊还是河流。、提高遥感图像分类精度受到限制、提高遥感图像分类精度受到限制p 分类精度是指分类结果的正确率，包括地物属性被正确识别，以及它们在空间分布的面积被准确度量。遥感数字图像分类结果在没有经过专家检验和多次纠正的情况下，分类精度一般不超过90，其原因除了与选用的分类方法有关外，还存在着制约遥感图像分类精度的几个客观因素：（）大气状况的影响（）下垫面的影响：覆盖类型和起
46、伏状态对分类具有一定影响(混合像元)。（）其他因素的影响：云-分类前可以采用去噪音方法进行清除；多时相图像分类时，同一地物电磁波辐射量存在差别；地物边界的多样性，使得判定类别的边界往往是很困难的事。例如，湖泊和陆地具有明确的界线，但森林和草地的界线则不明显，不少地物类型间还存在着过渡地带。、提高遥感图像分类精度，既需要对图像进行分类前处理，也需要选择合适的分类方法。 p 分类前处理：辐射校正，K-L变换p 分层、逐次分类:先分易分的大类别，对每一类再进一步划分。或分区域，如分山区和平原进行。p 使用不同的分类方法p 多种信息的复合p GIS技术支持分类方法分类方法p 监督分类、非监督分类p 确
47、定性分类、模糊分类p 硬分类和软分类：像元属于一个类或多个类高光谱影像分类难点高光谱影像分类难点p难点1：高光谱图像的光谱分辨率的提高是以其携带的数据量显著增加为代价的，并且数据之间存在很大的冗余，如何从大量带有冗余的数据中提取有用信息，是高光谱而遥感图像研究的一个具有极大挑战性的问题。p难点2：由于空间分辨率的限制，使得一个像元中可能包含不止一种地物类型（混合像元），如何对这种混合像元精确的分类是高光谱研究的另一个重要课题。思路：思路：p高光谱遥感图像分类可以分为两种思路：一种是基于图像数据的分类方法，主要利用数据的统计信息来建立分类模型；另一种是基于地物物理性质的分类方法，主要反映地物的光
48、学性质的光谱曲线来进行识别。传统方法传统方法p常用的传统方法监督分类算法：二进制编码法、光谱角填图法、平行六面体方法、最小距离法、最大似然法、神经网络分类法、决策树分类法、基于专家系统的分类法等；无监督的分类算法： IsoData方法、K-Means方法等。p如何面对高光谱数据的海量以及高维特点,将高光谱图像的各种特征相结合,研究快速、高效的目标识别与分类算法是目前和未来一段时间内高光谱图像处理研究的一个热点。p遥感图像分类的主要基础是地物的光谱特征。然而，高光谱的多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及KT变换等），
49、以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。1 1、降维、降维+ +传统分类传统分类原始高光谱图像原始高光谱图像MLCMLC分类分类p 最大似然法因有严密的理论基础，对于呈正态分布的类别判别函数易于建立综合应用了每个类别在各波段中的均值，方差以及各波段之间的协方差，有较好的统计特性，一直被认为是最先进的分类方法。p 高光谱影像利用MLC分类的缺点：(1)多维的遥感数据可能不具备正态分布的特征。(2)要准确估计参数需要大量的样本，当维数越高，需要的样也越多，这是很难实现的。(3)对高维空间数据，Byes准则所要求的协方差矩阵将难以得到。特征提取特征提取+MLC
50、+MLCp特征是指研究对象所表现出来的各种属性和特点。高光谱遥感图像研究中的特征提取重点在于光谱维特征的提取，即通过映射和变换的方法，把原始模式空间的高维数据变成特征空间的低维数据。然后对特征更集中的低维数据进行处理。p基于变换的降维方法，如主成分分析PCA（K-L变换），最小噪声分离变换MNF，小波变换等，经过若干变换直接将高维数据降低到几维，降维速度快。分类比较分类比较p从图的每个类别中各选取300个训样本（所有样本点在这两幅图像中对应相同的空间。原始图像选择所有波段,K-L图像选择前3个波段,用最大似然法分类。选择训练样本选择训练样本p 高光谱遥感图像拍摄的照片在多种物质的交界处往往很杂
