PPT《第五章 遥感图象目视解译与制图遥感图象解译（Imagery ...》

1、定义:首先需要从研究区域选取有代表性的训练场地作为样本.根据已知训练区提供的样本,通过选择特征参数(如像素亮度均值、方差等),建立判别函数,据此对样本像元进行分类,依据样本类别的特征来识别非样本像元的归属类别. 监督分类最基本的特点是在分类前人们对遥感图象上某些抽样区地物的类别属性已有了先验知识,先验知识可以来自野外的实地考察、也可参照其他的文字或图面资料或是图象处理者本人的经验等.

2、分类过程以ERDAS IMAGINE对延安宝塔区进行土地利用动态监测为例. A、根据先验知识确定要分的类别数.在本例中,通过野外考察,确定土地利用类别为14个,分别为旱地、居民地及工矿用地、果园、有林地、水面、灌木、天然或人工草地、裸岩、荒草地、水田、菜地、沙地、沼泽、民用机场.B、定义分类模板ERDAS IMAGINE的监督分类是基于分类模板来进行的,分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器来完成的. 在分类模板编辑器中,用鼠标勾画典型区域,每个土地类型要求多个采样点,当全部类型采集完成后,把模板中每一类的多个样本值进行合并,这样得到每一类一个新的综合的光谱特征值,作为该类的特征值. C、评价分类模板在对遥感影象做全面分类之前,我们对所选的训练区样本以及由训练区样本所建立的判别函数是否有效等问题并无足够的把握,因此在全面分类前要进行分类模板的评价,即用训练区的样本进行试分类. 分类模板评价工具包括分类预警、可能性矩阵、特征对象、特征空间到空间掩膜、直方图法、分类统计分析等.以可能性矩阵为例,它主要是分析训练区的像元是否完全落在相应的类别中.其输出结果是一个百分比矩阵,说明每个训练区中有多少个像元分别属于相应的类别.如果误差矩阵值小于85%,则模板需要重新建立. D、执行计算机自动分类根据建立的分类模板,在一定的分类决策规则条件下,对图象像元进行分类判断.用于分类决策的规则即各种分类判别函数.选择了判别函数及其相应的准则后,就可执行计算机自动分类.最大似然比分类最大似然比分类是应用最广泛的监督分类方法,分类精度较高,其前提条件是认为每一类的概率密度分布都是正态分布. 其判别函数由条件概率P(Wi/X)i=1,2,3…m)来决定,Wi代表第i个类别,P表示X(X=(x1,x2,xn)T,n为波段数)为Wi类的概率是多少.这里不考虑混合像元的情况,认为一个像元X应该只属于一个类别.由于这个类别是未知的,我们只有找到属于每一类的可能性,然后比较他们的大小, 哪一种类别出现的概率大,就把这个位置的像元归哪类.即如果P(Wi/X) >

P(Wj/X) i不等于j ;

j=1,2,3…,m成立,则X属于Wi.E、评价分类结果执行了监督分类之后,需要对分类结果进行,评价是对分类结果的验证.分类评价的方法有分类叠加、定义域值、分类重编码以及精度评估等. 分类叠加:就是将分类图象与原始图象同时在一个视窗中打开,将分类专题层置于上层,通过改变分类专题层的透明度及颜色等属性,查看分类专题与原始图象之间的关系,该方法只查看分类结果的准确性. 域值处理:该方法可以确定哪些像元最可能没有被正确分类,从而对监督分类的初步结果进行优化.用户可以对每个 类别设置一个距离域值,将可能不属于他的像元(在距离文件中的值大于设定域值的像元)筛选出去,筛选出去的像元在分类图象中将被赋予另一个分类值.分类重编码:指对分类图象进行了分析之后,可能需要对原来的分类进行重新组合(如将林地1与林地2合并为林地),给部分或所有类别以新的分类值. 分类精度评估:将专题分类图象中的特定像元与已知的参考像元进行比较,实际工作中常常是将分类数据与地面真值、先前的试验地图、航空相片或其他数据进行对比. ........