遙感數字圖像處理教學(編輯修改稿)
2025-06-19 23:14 本頁面
【文章內容簡介】 、聚塊和篩除等。 a）分類后處理 類別合并 —— ENVI中有類別合并處理的模塊，主要將其顏色和編碼更改一致即可。 b）分類結果檢驗分析 統(tǒng)計分類結果 —— 包括各類地物在各波段的平均值、標準差、 min、 max、協(xié)方差矩陣、相關系數矩陣、特征值、各類像素數和所占像素百分比、精度檢驗等等統(tǒng)計指標的說明。 類間可分離性分析 分類精度分析 —— 通常將分類圖與標準數據（已知類別調查圖件或實際地面狀況調查）進行比較，然后用正確的分類百分比來描述分類精度。 分類精度主要分為 非位置精度 和 位置精度 。 經典的位置精度分析方法 —— 改進的混淆矩陣方法， 即： Kappa系數 1121()()mmii i iiimiiiN x x xKN x x?????????????6）結果輸出 顯示、保存和輸出分類后的遙感數字圖像，也可以后期制作專題類型圖 …… 結合許多地理信息數據的補充，一起 納入到 GIS數據庫或者地學系統(tǒng)大數據庫，有助于實現(xiàn) 數字化地學信息 。 ? 分類的基本原理 ? 分類的方法 ? 分類的工作流程 ? 非監(jiān)督分類方法 ? 監(jiān)督分類方法 ? 圖像分類的相關問題 主要內容 非監(jiān)督分類法 非監(jiān)督分類法是指人們事先對分類過程不加入任何的先驗知識，而僅憑遙感圖像中地物的光譜特征進行分類，分類過程就是自然的聚類特性。 這樣的分類的結果從效果上講，只區(qū)分了圖像上存在的差異，并不能確定該類別的屬性，具體的屬性尚需要通過目視判讀或實地調查針對性的確定。 非監(jiān)督分類 主要過程 （ 1）確定初始類別參數，即確定最初類別數和類別中 心（集群中心）。 （ 2）計算每一個像元所對應的特征矢量與各集群中心的距離。 （ 3）選與中心距離最短的類別作為這一矢量的所屬類別。 非監(jiān)督分類 主要過程 （ 4）計算新的類別均值向量。 （ 5）比較新的類別均值與原中心位置上的變化。若位置發(fā)生了改變，則以新的類別均值作為聚類中心，再從第 2步開始重復，進行反復迭代操作。 （ 6）如果聚類中心不再變化，計算停止。 非監(jiān)督分類的關鍵 a)初始類別參數的選定 b)聚類算法或聚類準則問題 KMean算法、 ISODATA法 1．像素光譜特征的比較法 2．總體直方圖均勻定心法 3．最大最小距離選心法 4．局部直方圖峰值定心法 基本原則是：使得每一分類中，像素點到該類別中心的距離的平方和最小，在迭代過程中，逐次移動各類的中心，直到滿足圖像中互不相交的所有任意類的像素值與該類的均值差的平方和的總和達到最小，停止迭代結束聚類。 該方法由于每調整一個樣本類別就重新計算一次各樣本的均值，故此又稱為 逐個樣本修正法 。 K均值算法（ Kmean） 迭代式自組織
研究報告相關推薦
鄂ICP備17016276號-1