欢迎来到遥感卫星影像数据查询中心-北京揽宇方圆-购买高分卫星影像!

热线电话:010-83509252 18610332567 4006-019-091

手机版

当前位置: 网站首页 > 新闻资讯 > 行业动态 > 遥感图像分类

行业动态

遥感图像分类

来源:本站   发布时间: 2020-10-15 16:45:43   浏览:1366次  字号: [大] [中] [小]

遥感图像的计算机分类,是对给定的遥感图像上所有像元的地表属性进行识别归类的过程。分类的目的是在属性识别的基础上,获取区域内各种地物类型的面积、空间分布等信息。

一、图像分类概述

1)地物的光谱特征是遥感图像分类的主要依据。一般而言,同类地物有相近的光谱特征,而不同类型的地物则具有完全不同的光谱特征。

2)不同地物在同一波段图像上的亮度值一般互不相同;不同地物在多个波段上亮度的呈现规律也不相同,这就是遥感图像上赖以区分地物类别的物理依据。

3)地面上任何一个点通过传感器成像后必然对应于光谱特征空间上的一个点,各种地物由于其光谱特征(光谱反射特征或光谱发射特征)不同,将分布在特征空间的不同位置上。

4)特征变量分为全局统计特征变量和局部统计特征变量。对于图像而言,特征变量是图像波段值和其他处理后的信息。一个波段就是一个特征变量,每个特征具有相同的样本/像元数。

5)图像分类方法的划分:基于分类过程中人工参与的程度,可分为监督分类、非监督分类和两者相结合的混合分类;基于分类的对象,可分为逐像元分类和面向对象的分类;基于输出结果的明确程度,有硬分类和模糊分类之分。

二、监   

监督分类又称训练分类法,是指用选定的已知类别的样本去识别其他未知类别像元的过程。

1. 训练样本的选择与评价

1)训练样本也称训练区,是指分析者在遥感图像上确定出来的各种地物类型的典型分布区,是监督分类的关键。

2)训练样本的来源可以是:实地采集,即通过全球定位系统(GPS)定位,实地记录的样本。屏幕选择,即在屏幕上数字化每一类别中有代表性的像元或区域,或用户指定一个中心像元后,由机器自动评价并选择与其相似的周边像元。

3)训练样本选择的一般要求:样本所含类型应与所区分的类别一致。训练样本应具有典型性,即同一类别的训练样本是均质的。训练样本的数量应满足建立判别函数的要求。

4)训练样本的评价:计算各类别训练样本的光谱特征信息,并通过每个样本的基本统计值(如均值、标准方差、最大值、最小值、方差、协方差矩阵、相关矩阵等),判断样本是否具有典型性和代表性。

2. 分类算法

1)多级切割法:又称平行算法,是根据各类别所有训练样本的亮度值范围在多维特征空间中生成对应的特征子空间。像元的类别归属取决于它落入哪个类别的特征子空间。

多级切割算法简明、直观、运算速度快,能将大多数像元划分到一个类别中。

2)最小距离法:以特征空间中的距离作为分类的依据,根据各像元到训练样本平均值距离的大小来决定其类别。距离有:绝对值距离;欧氏距离;马氏距离。

3)最近邻域法:算法规则与最小距离分类法相似,都使用距离的远近作为类别归属的依据,只是不使用均值。常见的最近邻域分类法有最近邻分类法和K-最近邻分类法。

4)最大似然法:判别规则是基于概率的,它首先计算待分类像元对于已知各类别的似然度,然后把该像元分到似然度最大的一类中。

5)光谱角分类法:也称光谱角填图,是一种光谱匹配技术,它通过估计像元光谱与样本或混合像元中端元成分光谱的相似性来进行分类。

三、非监督分类

非监督分类也称为聚类分析或点群分析,是在没有先验样本的条件下,即预先不知道图像中地物类别特征,由计算机根据像元间光谱特征的相似程度进行归类合并的分类方法。

1K-均值算法:又称C-Mean法,其聚类准则是使多模式点到其类别中心的距离的平方和最小。K-均值法的基本思想是,通过迭代逐次移动各类别的中心,直至得到最好的聚类结果为止。

2ISODATA算法:全称为迭代式自组织数据分析算法,是K-均值算法的改进,是最常用的一种非监督分类算法。

3)非监督分类与监督分类的根本区别在于是否利用训练场地来获取先验的类别知识。非监督分类根据地物的光谱统计特性进行分类,不需要更多的先验知识。

四、其他分类方法

监督分类、非监督分类之外的分类方法:基于知识的遥感图像分类;面向对象的分类;人工神经网络分类;模糊分类。

五、误差与精度评价

1. 误差及其来源

1)分类误差有两种类型:一类是位置误差,即各类别边界的不准确;另一类是属性误差,即类别识别错误。

2)分类误差是一种综合误差。分类误差的来源很多,遥感成像过程、图像处理过程、分类过程及地表特征等都会产生不同程度和不同类型的误差。

2. 精度评价的方法

精度评价一般都是通过采样的方法来完成的,即从检验数据中选择一定数量的样本,通过样本与分类结果的符合程度来确定分类的准确度。

1)采样方法:常用的概率采样方法包括简单随机采样、分层采样和系统采样等。

2)样本容量:又称样本数,指样本必须达到的最少数目,是保证样本具有充分代表性的基本前提。样本容量可通过统计方法来计算,如百分率样本容量、基于多项式分布的样本容量等。

3)基本的精度指标:总体分类精度。表述的是对每一个随机样本,所分类的结果与检验数据类型相一致的概率。用户精度。指从分类结果中任取一个随机样本,其所具有的类型与地面实际类型相同的条件概率。制图精度。表示相对于检验数据中的任意一个随机样本,分类图上同一地点的分类结果与其相一致的条件概率。

    (4)Kappa分析是一种对遥感图像的分类精度和误差矩阵进行评价的多元离散方法,该方法摒弃了基于正态分布的统计方法,认为遥感数据是离散的、呈多项式分布的,在统计过程中综合考虑了矩阵中的所有因素,因而更具实用性。

 

<返回列表

相关链接


  • 010-83509252
    18610332567
    18610332561
    (微信同步)
    About Us   News   Product   Contact
    关于我们   新闻资讯   产品服务   联系方式

    公司简介

    领先优势

    资质荣誉

    公司新闻

    行业动态

    国外卫星

    国内卫星

    历史数据

    数据处理

    信息反馈

    人才招聘

    付款方式

     
    WeChat
    关注我们

    北京揽宇方圆信息技术有限公司 www.kosmos-imagemall.com Copyright © 2007-2021 备案号:京ICP备14058426号-1