分类的目的是将研究区域内的每个像元分配给一个已知类(监督分类)或一个聚类(非监督分类)。在这两种情况下,分类的输入是一个包含每个类或聚类的多元统计信息的特征文件。每次分类的结果都是将地图中的研究区域划分为若干类,其中一些已知类与训练样本对应,而另一些自然产生的类则与通过聚类定义的聚类对应。将位置划分为若干个与聚类对应的自然产生的类的过程也被称为层化。
“影像分类”工具条为实现执行分类所需的多步骤工作流提供了一个集成环境。
最大似然法
同一个类中的像元很少是同质的。将训练样本用于监督分类时,情况更是如此。例如,如果处于阴暗环境中的阔叶树与处于全日照环境中的针叶树具有相似的反射特征,则会将这两种类型的树木归结到同一个类。对于从您希望找到熊的栖息地获取的训练样本,其中的任何位置都可能包含熊不会出现的子位置。
在下图中,类 A 表示阔叶树,类 B 表示针叶树。如何对落入类 A 和类 B 重叠处的像元进行分类?应将该像元分类为类 A 还是类 B?
最大似然法分类程序可根据给定的属性值为每个类计算出像元属于该类的概率。像元会被分配给概率最大的那个类,这就是所说的“最大似然法”。
要使最大似然法分类程序准确运行,需假设以下条件:
· 各波段的数据应为正态分布。
· 每个类都应在多元属性空间中拥有正态分布。
· 类的先验概率必须相等 - 即,在缺少属性值权重的情况下,所有类出现的可能性相同。
如果研究区域内的各类的先验概率不