五讲遥感影像分类

空间结构分类器主要是利用一些测量空间纹理结构的函 数得到新的层。一般这些函数都是利用一定的窗口测量像 元和其周边像元之间的关系，比如说在5x 5窗口内像元之间 的方差、空间相关系数等，将这些层加到原始图像的光谱 层中．从而对混合图像进行分类。
纹理特征：中值(Mean), 协方差(Variance), 同质性（或称为逆差 距）(Homogeneity), 反差(Contrast), 差异性(Dissimilarity), 熵 (Entropy), 二阶距(Angular Second Moment), 自相关 (Correlation)。
1 采样方法 采样设计应当采用概率采样．以确保样本的代表性和有效
性，使利用样本估计总体参数建立在可靠的基础之上。 精度评价中有不同的采样方法，常用的概率采样方法包括
简单随机采样、分层采样、聚点式集群采样以及系统采样等。 不同的采样方法所采用的参数估计的具体形式和计算公式不同， 它们各具有一定的优缺点。具体采用哪种方法，应考虑分类系 统相应用目的的影响，依据精度评价的目的而定。
分类精度评价方法
精度评价最好是比较两幅图像中每个像元之间的一致性。 但在多数情况下，我们很难取得一整幅精确的参考图，因此大 多数精度评价都是对图像采样的一部分像元进行评价，其参考 类别可以通过野外考察、更详细的航空像片，或者其他来源的 分类图上得到。通常把训练样本分为两部分，一部分用于分类， 另一部分用于精度评价。
一个类型中．像元和类型之间只能是一对一的关系。但在 事实上，由于遥感图像分辨率及其他因素的影响，图像中 的像元所对应的地面实体并不只是一个类别，面是二个或 二个以上类别的混合体。
模糊分类就是允许根据其混合类型的百分比将一个像元 归到几个类型。如果一个像元50％是草地、20％是房屋、 30％是道路．则在模糊分类中，这个像元属于这三种类型 的成分分别为0.5、0.2和0.3。
用于分类的辅助数据 ：
辅助数据是指用于帮助因像分析和分类的非图像信息， 包括航空像片、地图、备类专题图、野外考察、报告等。 在数字化图像分析中，辅助数据通常是被转化成数字化的 格式，如GIs中的各种地形图、土壤图、植被图等。
数字化的辅助数据一般有两种使用方式，一是将辅助层 简单地加到图像现有的光谱数据中、将辅助层看成是另一 个单一的图像波段，并将这种复合的图像进行监督或非监 督分类；二是使用分层分类策略，将光谱图像先进行分类， 然后利用辅助数据将其分成几个层．将每个层按照一定的 规则重新分类或者精确化初始的分类结果。这种方法可以 根据辅助数据将所研究的重点类别或者难以分类的类别孤 立出来，允许复杂的分类算法有效地运用于这些类别中， 从而提高分类精度。
另外，哪种辅助数据也成为一个重要的决策问题。比如 对于山区的植物分类，其地形高度、坡度和坡向是一些有 用的辅助信息，帮助确定植被的类型。但在其他分类中， 地形也许就不是一个关键的因素。虽然有人提倡尽可能多 的利用所有相关辅助数据，但考虑到其中的时间和其他代 价，这种提议显然并不是最好的。仔细地选择和决定重要 的辅助数据应该是必需的。
用于分类的辅助数据 ：
利用辅助数据的一个主要障碍是辅助数据和遥感数据 之间的不匹配。由于多数辅助数据并不是用来为遥感数据 应用服务的，因此其数字化辅助数据对应的比例尺、分辨 率、时间、精度以及记录格式很少和遥感图像相匹配。当 其应用于遥感图像分类时，有时必须对其进行预处理，以 保证其和图像之间的物理匹配。
遥感数字图像的计算机分类
遥感数字图像的分类方法
分类执行方式：监督分类、非监督分类 分类模型或分类器：统计分类、模糊分类、 邻域分类、神经网络分类等、混合像元分解。
监督分类，又称训练分类法，即用被确认类别的百度文库本像元
去识别其他未知类别像元的过程。已被确认类别的样本像 元是指那些位于训练区的像元。在这种分类中，分析者在 图像上对每一种类别选取一定数量的训练区，计算机计算 每种训练样区的统计或其他信息．每个像元和训练样本作 比较，按照不同规则将其划分到和其最相似的样本类。
非监督分类，也称为聚类分析或点群分析。即在多光谱
图像中搜寻、定义其自然相似光谱集群组的过程。非监督 分类不需要人工选择训练样本，仅需极少的人工输入．计 算机按一定规则自动地根据像无光谱或空间等特征组成集 群组，然后分析者将每个组和参考数据比较，将其划分到 某一类别中去。
模糊分类 ：
前面讲到的各种分类方法都是假设每个像元只能被归入
算法包括两个主要步骤:对来自模糊训练数据的模糊参 数的估计;对光谱空间的模糊划分。这可以鉴别混合象元中 各组分覆盖类型的不完全隶属性以及产生更精确的统计参 数,从而达到更高的分类精度。
空间结构纹理分类 ：
单纯的光谱分类器只考虑图像的光谱特征，但在实际景 观中，由于地物是具有一定空间结构特征的，如城市的居 住区多是由树木、草地、道路、房屋顶、停车地等组成的。 因此在分类中，利用其空间特征纹理的差异可以比较容易 地区分不同类型，而单纯的亮度信息则不一定能很好地区 分不同类型。
1 采样方法
1)简单随机采样 即在分类图上随机地选择一定数量的像元，然后比较这些像元的类别 和其标准(或实际)类别之间的一致性。应用此设计，所有样本空间中的单元 被选中的概率都是相同的。在此基础上所计算出的有关总体的参数估计也 是无偏的。如果所研究区域内各种类型分布均匀，且面积差异不大，则简 单随机采样应予以优先考虑。相反，如果地域内类型的空间分布不均匀， 或出现空间上稀少并群集的类型，采用简单随机采样就有可能遗漏这些类 型，或抽取不到足够数量的样本。
2)分层采样 当图像中某些类别占的数量很小时，随机采样往往会丢掉这些类别。为 了保证每个类别都能在采样中出现，可以用分层采样．即分别对每个类别 进行随机采样。分层采样往往是为保证在采样空间或类型选取上的均匀性 及代表性所采用的方法。如没有特殊需要，随机采样可取得较好的样本。 但在野外调查或采样时有可能遇到一些困难，如是否能到达采样地点等； 如在层内采用系统采样往往也可获得区域中具代表性的样本，且较容易进 行野外作。