1.原理
1.1 每一個(gè)像元作為一個(gè)樣本，波段作為特征，理想情況下，同類地物應(yīng)該具有相同或相似的特征描述，因此像元在n維特征空間中聚集在一起，而不同地物應(yīng)該具有不同的特征描述，因此不同特征地物像元在n維空間中呈現(xiàn)分離狀態(tài)。

1.2 一個(gè)像元可以看成有n個(gè)特征組成的n維空間中的一個(gè)點(diǎn)；同類地物的像元形成n維空間中的一個(gè)點(diǎn)群，差異明顯的不同地物會(huì)構(gòu)成n維空間的若干個(gè)點(diǎn)群。

1.3 分類就是要分析特征空間這些點(diǎn)群的特征，如點(diǎn)群的位置。分布中心，從而確定點(diǎn)群的界限，完成分類任務(wù)。

2.分類過程

• 數(shù)據(jù)獲取；
• 數(shù)據(jù)預(yù)處理；
• 分類類別確定和介意標(biāo)志建立；
• 訓(xùn)練樣本選取和評(píng)價(jià)；
• 特征提取和選擇；
• 分類方法選擇；
• 圖像分類；
• 分類后處理；
• 精度評(píng)價(jià)；

3.訓(xùn)練樣本選取
3.1 樣本個(gè)數(shù)與所采用的分類方法，特征空間維度數(shù)，個(gè)類別的大小與分布有光；

3.2 一般情況下，每個(gè)類別的訓(xùn)練樣本個(gè)數(shù)至少是特征空間維度的10~30倍。

3.2 采集策略：小區(qū)域連續(xù)采集，全局均勻分布的采集策略，分層采集，地理分層采集；

4.訓(xùn)練樣本評(píng)價(jià)
4.1 判斷訓(xùn)練樣本是否能表現(xiàn)不同的光譜特征，即不同類別的光譜特征向量的分離程度。

4.2 評(píng)價(jià)方法

• 圖表法：均值圖法，直方圖法；

  • 均值圖法：把各類別在不同特種空間(波段)的樣本點(diǎn)特征值求均值和標(biāo)準(zhǔn)差，構(gòu)建一個(gè)折線圖來判斷不同類別在不同特征空間的分布情況。
    
    圖中，在每個(gè)波段上均值都比較接近的樣本，是無法區(qū)分的，考慮先把它合并，或者考慮其他特征來區(qū)分。
  • 直方圖法
    
    圖中，第一個(gè)圖曲線有交叉重合部分，不能很好的區(qū)分，第二個(gè)圖能區(qū)分，越瘦的越好區(qū)分，越胖的越不好區(qū)分。

• 統(tǒng)計(jì)法；

• 特征空間多維圖法：即把訓(xùn)練樣本的光譜特征向量表示在多維的窗口中，可以直觀的展現(xiàn)所有樣本的光譜特證分布狀況。

5.分類方法

• 監(jiān)督分類方法：
  • 歐式距離;
  • 最大似然法；
  • 支持向量機(jī)分類算法：采用升維后在分類；
  • 深度學(xué)習(xí)方法；
• 非監(jiān)督分類器
  • k-均值算法；

6.分類精度評(píng)價(jià)

6.1 檢驗(yàn)樣本選取：簡(jiǎn)單隨機(jī)采楊；每個(gè)類別的檢驗(yàn)樣本數(shù)量至少得有50個(gè)樣本；

6.1 混淆矩陣
- 可以計(jì)算總體分類精度，被正確分類的在對(duì)角線分布；
- 制圖精度：
- Kappa系數(shù)：采用一種離散多元統(tǒng)計(jì)技術(shù)，它綜合運(yùn)用了混淆矩陣的所有參數(shù)來計(jì)算一個(gè)最終指標(biāo)；

6.2 ROC 曲線，主要是二分類問題。

7.特征提取

7.1 衍生特征：把某些或者所有原始屬性通過變換生成新的特征變量，從而增強(qiáng)目標(biāo)物體之間的可分性，通過變換方式得到新的特征變量的過程就是特征提取。

7.2 特征變量過多會(huì)引起“維度災(zāi)難”，使得識(shí)別精度下降。

7.3 光譜特征提取

• 對(duì)多種屬性線性或非線性組合得到綜合指標(biāo)；
• 在高光譜圖像圖像中，臨近波段之間往往具有高度的相關(guān)性，需要從這些數(shù)據(jù)中提取無冗余的有效信息來識(shí)別地物。

總結(jié)

以上是生活随笔為你收集整理的遥感图像分类原理的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。