《遥感原理与应用》总结——遥感图像自动识别分类

目录

遥感图像自动识别分类

1.基础知识

2.特征变换及特征选择

3.监督分类

4.非监督分类

5.非监督分类与监督分类的结合

6.分类后处理和误差分析

7.提高分类精度的方法

8.基于目标的信息提取

---

遥感图像自动识别分类

遥感图像自动分类的重要性，遥感图像分类的基本原理，遥感图像分类的具体方法，遥感图像分类的发展趋势。

1.基础知识

遥感图像的计算机分类: 就是利用计算机对地球表面及其环境在遥感图像上的信息进行属性识别和分类， 以达到识别图像信息所对应的实际地物，提取所需地物信息的目的。

模式与模式识别：一个模式识别系统对识别的模式作一系列的测量，然后对测量结果与模式字典中一组典型的测量值比较。若和字典中某一词目的比较结果吻合或比较吻合，则我们就可以得出分类结果这一过程。

光谱特征空间及地物在特征空间中聚类的统计特性

特征空间中的距离：绝对值距离、欧氏距离、马氏距离、均值向量混合距离、相关系数。

计算机自动分类步骤：

        明确遥感图像分类目的及需要解决的问题（选择特定区域的遥感数字图像）

        跟据研究区域，收集与分析地面参考信息与有关数据（辐射校正，几何纠正）

        选择合适的图像分类方法和算法，确定分类类别

        找出代表这些类别的统计特征

        监督分类：选择具有代表性的训练场地进行采样测定特征

        非监督分类：聚类等方法对特征相似的像素进行归类，测定其特征

        对遥感图像中各像素进行分类

        分类精度检查

        对判别分析的结果统计检验

2.特征变换及特征选择

特征变换

        主成分（主分量）变换（K-L变换）

        （1）基本思想：一种线性变换，均方误差最小的最佳正交变换:是在统计特征基础上的线性变换。
        （2）目的：数据压缩；新的特征图像之间互不相关；增加类别的可分性。

        （3）几何意义：把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向上。

        （4）K-L变换的性质：
                变换后的矢量的协方差矩阵是对角的。所有正交变换中均方误差最小。
                主分量变换后,有的特征影像反差拉大，信息集中，整个影像上离散度变大;而另一些特征影像上离散度变小,出现更多的噪声。
                根据统计，对于Landsat MSS四个波段的影像，经主分量变换后，在第一主分量PC1图像中占有90%左右的总信息量，第二主分量PC2图像的占7%, PC3和PC4共占3%左右。

        （5）主分量变换计算步骤
                （1）计算均值向量M和协方差矩阵C;]

                （2）计算矩阵C的