【文章內(nèi)容簡介】 理特征差異進(jìn)行分類 。一般結(jié)合光譜特征，對遙感圖像進(jìn)行分類，特別是高空間分辨率遙感圖像 光譜與空間結(jié)構(gòu)結(jié)合分類，如面向?qū)ο蠓诸? 構(gòu)建分類系統(tǒng) 地類類別 一級 二級 三級 耕地 1 水田 11 水澆地 /旱地 12 其它耕地 13 園林地 2 有林地 21 針葉林 211 闊葉林 212 混交林 213 竹林 214 紅樹林 215 疏林地 22 灌木林地 23 苗圃地 24 經(jīng)濟(jì)林地 （ 園地 ）25 其它林地 26 草地 3 天然牧草地 31 人工牧草地 32 其它草地 33 建設(shè)用地 4 道路用地 41 工礦 、 城鄉(xiāng)居民 、其他建筑用地 42 其它建設(shè)用地 43 水域 5 其它用地 6 根據(jù)具體任務(wù) 研究區(qū)特點 遙感影像特點 光譜特征空間 ? 遙感圖像的光譜特征通常是以地物在多光譜圖像上的亮度值（反射率值）體現(xiàn)出來的。 ? 地物點在不同波段圖像中的亮度值構(gòu)成一個多維的向量 X，稱為光譜特征向量。 X=[x1,x2,… ,xn]T n為圖像的波段數(shù)； xi為地物圖像點在第 i波段圖像的亮度值 ? 為了度量圖像中地物的光譜特征，建立一個以各波段圖像的亮度分布為子空間的多維特征空間。 地物與光譜特征空間的關(guān)系 地類名稱一般稱 類別 ，例如土地利用 /覆蓋中的 居民地、水域、園地、林地、耕地等。 參與分類的多個特征量（向量）所定義的空間，稱為 特征空間 ，例如 2個波段定義的 2維特征空間， 3個波段定義的 3維特征空間等。 特征變換 特征變換的作用： ? 減少特征之間的相關(guān)性，盡可能少的特征來最大限度的包含原始的信息； ? 使待分類別之間的差異在變換后的特征中更加明顯，從而改善分類效果。 ? 特征變換主要方法有：比值變換、主成分變換、纓帽變換、植被指數(shù)等 特征選擇 ? 在特征空間中，選擇一組最佳的特征波段來進(jìn)行分類。 ? 特征選擇與所希望區(qū)分的類別以及圖像本身的特征有關(guān)。如提取植被，選植被指數(shù)，纓帽變換的第二分量等；山地植被提取，選用比值變換后的影像，可以消除地形對圖像的影響；針對巖石、建構(gòu)筑物，選用短波紅外波段（ TM5或 TM7） 監(jiān)督分類與非監(jiān)督分類 ? 非監(jiān)督分類 ：事先沒有類別的先驗知識，純粹根據(jù)圖像數(shù)據(jù)自身的統(tǒng)計特征和點群分布情況，根據(jù)相似性程度自動進(jìn)行歸類，最后再確定每一類的類別。 ? 監(jiān)督分類 ：有類別的先驗知識，根據(jù)先驗知識選擇訓(xùn)練樣本，由訓(xùn)練樣本得到分類判別準(zhǔn)則。將未知類別的樣本代入判別規(guī)則，依據(jù)判別準(zhǔn)則對各樣本的所屬類別做出判斷。 2 非監(jiān)督分類 分類標(biāo)準(zhǔn)的確定不需要人的參與，由計算機自動按照某一標(biāo)準(zhǔn)（例如距離最短）自動進(jìn)行。 需要確定要分幾類，或者類別數(shù)量范圍。 類似的概念：聚類分析、點群分析、空間集群等。 常用的非監(jiān)督分類方法： 1) KMEANS。 2) ISODATA 非監(jiān)督分類的結(jié)果是光譜類（反映光譜差異） 需要對光譜類進(jìn)行綜合與調(diào)整才能得到信息類 KMEANS（ K均值算法 ） 任意選擇 K個聚類中心，一般選前 K個樣本； 迭代，將未知樣本 X 分到距離最近的類中； 根據(jù)第 2步的結(jié)果，重新計算聚類中心； 每一類的像元數(shù)目變化達(dá)到要求或迭代次數(shù)達(dá)到要求，算法結(jié)束。 在特征空間內(nèi)計算各類的均值，使用最小距離法，將未知像元劃分到某一類中，再調(diào)整均值，直到迭代次數(shù)滿足，或者距離閾值滿足條件。具體步驟： 影響 K－均值法的因素有：聚類中心數(shù)目，初始類中心的選擇，樣本輸入的次序等。 ENVI的 KMEANS參數(shù)設(shè)定 Number of class: 要分成幾類 Change threshold%(0100): 如果每一類的像元數(shù)目變化小于此數(shù)值，則迭代停止。 ISODATA ISODATA（ Iterative SelfOrganizing Data Analysis Technology Algorithm,迭代自組織數(shù)據(jù)分析算法） 在 K均值算法的基礎(chǔ)上，加入了試探性的步驟，能夠吸取中間結(jié)果的經(jīng)驗，在迭代的過程中可以進(jìn)行類別的分離和合并，具有 “ 自組織 ” 性，是目前非監(jiān)督分類中使用最為廣泛的算法。 該算法中影響分類結(jié)果的參數(shù)有： 迭代次數(shù) 、類別數(shù)（最大、最?。?、 參加分類的波段 。 ENVI的 ISODATA參數(shù)設(shè)定 輸入?yún)?shù)說明： ? 最大和最小類別數(shù)目，因為算法進(jìn)行自動的類別分裂和合并，所以不能確定類別的具體數(shù)目 。 ? 最大迭代次數(shù)和各類間像元變化閾值，其中一項滿足，則分類結(jié)束 。 ? 如果某一類別中的像元數(shù)目小于 Minimum pixel in class，則刪除該類別，像元歸并到最近的一類中 。 ? 如果某一類的標(biāo)準(zhǔn)差大于 Minimum class stdv，則該類別需要分裂成兩個類別 。 ? 如果兩個類別的距離小于 Maximum class distance，則該兩個類別合并成一類 。 ? Maximum merge pairs class 定義最多合并多少類別 。 ? Maximum stdev from mean。 ? Maximum distance error. 3監(jiān)督分類 ? 監(jiān)督分類，首先根據(jù)已知的樣本類別和類別的先驗知識，確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則 ? 其中利用一定數(shù)量的已知類別的樣本的觀測值求解待定參數(shù)的過程稱為 學(xué)習(xí)或者訓(xùn)練 ? 然后將未知類別的樣本的觀測值代入判別函數(shù)，再依據(jù)判別準(zhǔn)則對該樣本的所屬類別作出判定