【遥感数字图像处理（朱文泉）】第十一章遥感数字图像分类

最新推荐文章于 2024-07-21 17:28:08 发布

甜子yu

最新推荐文章于 2024-07-21 17:28:08 发布

阅读量1.2k

点赞数 23

分类专栏：遥感学习笔记文章标签：图像处理笔记

本文链接：https://blog.csdn.net/weixin_45603249/article/details/125719140

版权

遥感学习笔记专栏收录该内容

14 篇文章 22 订阅

订阅专栏

本文详细介绍了遥感数字图像的分类过程，包括分类概念、原理、方法类型（如监督、非监督、决策树和面向对象），强调训练样本的选取和评价，以及分类后的后处理和精度评价策略。

摘要由CSDN通过智能技术生成

11 1 遥感图像分类概述

一、遥感图像分类概念
二、遥感图像分类原理
三、遥感图像分类方法类型
四、遥感图像分类步骤

一、遥感图像分类概念

遥感图像分类：根据感兴趣目标在遥感图像上的特征差异，判断并识别其类别属性和空间分布特征等信息的过程。

影像信息提取技术概述：
遥感影像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异，这是区分不同影像地物的物理基础。遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类。

分类技术的发展：
人工解译+基于光谱计算机自动分类+基于专家知识的决策树分类+面向对象特征自动提取+地物识别与地表反演+变化检测+地形信息提取

重点关注：
1、选择哪些有效特征进行分类
2、选择什么方法进行分类
3、分类方法的参数如何设置

二、遥感图像分类原理

地物在遥感影像上的每个属性均可被当作一个变量，参与分类的这些属性（也称为特征变量）构成了一个n维的特征空间。
理想情况下，同类地物应该具有相同或相似的特征描述，因此他们的像元在n维特征空间中聚集在一起；而不同地物应该具有不同的特征描述，因此不同地物的像元在n维特征空间中呈现分离状态。

三、遥感图像分类方法类型

非监督分类：ISODATA、K-Means
监督分类：基于传统统计分析分类器、平行六面体、最小距离、马氏距离、最大似然、基于人工智能分类器、神经网络、基于模式识别分类器、支持向量机、模糊分类

四、遥感图像分类步骤

11 2 训练样本选取和评价

一、训练样本选取
二、训练样本评价

一、训练样本选取

1、训练样本的来源：
（1）野外调查获得（实地样本形状的边长应至少大于分类影像的空间分辨率的3倍长度）
（2）在遥感影像上选取（主要参考历史图件和高分辨率遥感图像）

2、训练样本的个数要求：
样本个数与所采用的分类方法、特征空间维数、各类的大小与分布有关。
一般情况下，每一类别的训练样本个数至少是特征空间维数的10~30倍，当研究区域地物各类别的内部差异较小的时候，可以适当减少训练样本个数。

3、训练样本的分布：
对绝大多数分类器来说，训练样本应该能够代表研究区内各分类类别的特征差异，同一类别的训练样本必须纯净。
对于支持向量机分类器来说，使用分布在类别边缘的混合像元训练样本可以获得比使用纯净训练样本更高的分类精度。
采集策略：小区域连续采集、全局均匀分布的采集策略；分层采集；地理分层采集