监督分类中常用的具体分类方法.doc

监督分类中常用的具体分类方法包括：
最小距离分类法（minimum distance classifier）：
最小距离分类法是用特征空间中的距离作为像元分类依据的。最小距离分类包括最小距离判别法和最近邻域分类法。最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分象元与已知类别之间的距离，然后将其归属于距离最小的一类。最近邻域分类法是上述方法在多波段遥感图像分类的推广。在多波段遥感图像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分象元到每一类中每一个统计特征量间的距离，这样，该象元到每一类都有几个距离值，取其中最小的一个距离作为该象元到该类别的距离，最后比较该待分象元到所有类别间的距离，将其归属于距离最小的一类。 最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
多级切割分类法（multi-level slice classifier）：
是根据设定在各轴上值域分割多维特征空间的分类方法。通过分割得到的多维长方体对应各分类类别。经过反复对定义的这些长方体的值域进行内外判断而完成各象元的分类。这种方法要求通过选取训练区详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。多级切割分类法要求训练区样本选择必须覆盖所有的类型，在分类过程中，需要利用待分类像元光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像元的分类。

多级分割法分类便于直观理解如何分割特征空间，以及待分类像元如何与分类类别相对应。由于分类中不需要复杂的计算，与其它监督分类方法比较，具有速度快的特点。但多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其它方法对各轴进行相互独立的正交变换，然后进行多级分割。
最大似然分类法(maximum likelihood classifier)：
最大似然分类法是经常使用的监督分类方法之一，它是通过求出每个像元对于各类别归属概率（似然度）（likelihood），把该像元分到归属概率（似然度）最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然分类法。

最大似然分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分象元的归属概率（似然度）。这里，归属概率（似然度）是指：对于待分象元x，它从属于分类类别k的（后验）概率。
设从类别k中观测到x的条件概率为P(x|k)，则归属概率Lk可表示为如下形式的判别函数：

    式中P(k)为类别k的先验概率，它可以通过训练区来决定。此外，由于上式中分母和类别无关，在类别间比较的时候可以忽略。
最大似然分类必须知道总体的概率密度函数P(x|k)。由于假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布(对一些非正态分布可以通过数学方法化为正态问题来处理)，因此通常可以假设总体的概率密率函数为多维正态分布，通过训练区，按最大似然度测定其平均值及方差、协方差。此时，像元X归为类别k的归属概率Lk表示如下（这里省略了和类别无关的数据项）。

(6-9)式中：n:特征空间的维数；
      P(k)：类别k的先验概率；
      Lk(x)：像元X归并到类别k的归属概率；
      X：像元向量；
      μk  类别k的平均向量(n维列向量)；
      det：矩阵A的行列式
∑k：类别k的方差、协方差矩(n×n矩阵).
这里注意:各个类别的训练数据至少要为特征维数的2到3倍以上这样才能测定具有较高精度的均值及方差、协方差；如果2个以上的波段相关性强，那么方差协方差矩阵的逆矩阵可能不存在，或非常不稳定，在训练样本几乎都取相同值的均质性数据组时这种情况也会出现。此时，最好采用主成分变换，把维数压缩成仅剩下相互独立的波段，然后再求方差协方差矩阵；当总体分布不符合正态分布时，不适于采用正态分布的假设为基础的最大似然分类法。
当各类别的方差、协方差矩阵相等时，归属概率变成线性判别函数，如果类别的先验概率也相同，此时是根据欧氏距离建立的的线性判别函数，特别当协方差矩阵取为单位矩阵时，最大似然判别函数退化为采用欧氏距离建立的最小距离判别法。
监督分类流程图（Erdas环境）

在专业遥感图像处理软件Erdas环境下，监督分类的流程图可以表示如下：

图2-1 监督分类流程图
监督分类注意事项
（1）分类应从下往上，即每一地类应先细分为若干小类，然后再依需要自下而上合并成大类。
（2）每一类的训练区文件aoi与特征文件sig应该一一对应，即每一类对应的训练区和特征文件都应该保存为一个单独的文件，以方便在调整训练区的时候进行修改。

（3）精度检验后若精度不符合要求，需要重新调整训练区，再次分类，直到精度满足要求为止。
监督分类过程示例
1．图2-2为某地TM遥感影像，432波段假彩色合成。

图2-2  TM影像（432波段合成）
2．确定分类类别
通过色调、纹理等图像特征，确定该区域分类类别为水体，植被和滩涂。各类分类特征如表2-1所示。

表2-1 分类特征

3．为每一类选择训练区及特征文件
（1）AOI操作工具简介
在Viewer窗口中选择“AOI”→“Tools…”，调出AOI（Area Of Interest，感兴趣区）浮动工具栏（如图2-3所示）。

图2-3  AOI浮动工具栏

其中较为常用的工具按钮为：

（2）特征文件操作工具简介
特征文件从AOI区域中获得。使用“Erdas” →“Classifier” →“Signature Editor”，调出特征文件编辑器，如图2-4所示。

图2-4 特征文件编辑器
其中较为常用的工具为：
 打开一个特征文件。  新建一个特征文件/打开新的特征文件编辑器。
 添加选中的AOI的特征到特征文件中。  使用选中的AOI特征替换当前特征。
 合并选中的特征文件中的特征到一个特征。

一般建立特征文件的步骤是，在Viewer窗口中使用AOI工具勾画感兴趣区，使用 把该AOI区域中的特征添加到特征文件中。也可以选中多个AOI批量添加到特征文件中。
（2）为各类别建立训练区文件和特征文件。
把遥感影像放大到像元级，选择矩形AOI选择工具，根据建立的判读标识，在遥感影像上选择AOI区域，然后使用 依次添加特征到特征文件中。（注：作为示例，本例选择

图2-5

3个AOI区域，且没有细分小类。）选择完成的AOI区域和特征文件如图2-5和图2-6所示。
分别保存为“水体.aoi”和“水体.sig”。
在Viewer窗口中使用 去除已经保存完毕的AOI图层，重新选择其他类别的训练区，并建立新的特征文件。分别保存为“植被.aoi”和“植被

.sig”；“滩涂.aoi”和“滩涂.sig”。

图2-6
（3）合并特征文件
在各个类别的特征文件建立完毕后，需要合并成为一个总体特征文件。
新建一个特征文件编辑器，选择 打开保存的“水体.sig”文件。注意选择“Append”（添加）把特征文件添加进来，而非“Replace”（替换）。如图2-7所示。

图2-7  添加特征文件
把水体特征文件添加进来之后，全部选中所有的特征，如图2-8所示。

图2-8 选中所有特征
使用 工具，把选中的水体的所有特征合并为一个总体的水体特征，右单击“Class#”列表，选择“Delete Selection”删除原有特征如图2-9所示。

图2-9  删除原有特征
重命名总体水体特征的“Signature Name”为“水体”。如图2-10所示。

图2-10  总体水体特征
如此添加其他两类进入，并合并成各自的总体特征，分别命名为“植被”、“滩涂”。并更改Value值为1，2，3，并另存为（Save As）“结果特征文件.sig”如图2-11所示。

图2-11 结果特征文件
（4）分类
选择“Erdas” →“Classifier” →“Supervised Classification”，在分类设置对话框中如图2-12设置。

图2-12  监督分类设置
在该对话框中，使用 输入待分类的图像“subset.img”、分类特征文件“结果特征文件.sig”并指定分类结果的保存路径及名称，如“分类结果.img”。分类方法选择“Maximum Likelihood”（最大似然），其余可以默认。
点击“OK”，系统将对原始影像依据指定的特征文件进行分类。运算完毕界面如图2-13示。

图2-13 运算完成
（5）分类结果
分类的结果如图2-14所示。

图2-14  分类结果
为了更好的表达分类结果，可以使用Viewer窗口中的“Raster” →“Attributes”，更改“水体”和“植被”的显示颜色为蓝色（RGB为0 0 1）和绿色（RGB为 0 1 0），如图2-15示。

图2-15  调整颜色
调整颜色后的分类结果如图2-16所示。

精度检验
① 同时打开原始影像和分类结果图，在任一幅图中单击右键，在弹出的菜单中选择“Geo. Link/Unlink”，然后在另一幅图中单击左键，关联两幅影像。

② 使用“Erdas”→“Classifier”→“Accuracy Assessment…”，调出精度检验设置窗口。

图2-17 精度检验窗口
③ 使用该窗口中“File”→“Open”，打开原始影像“Subset.img”，调入内存。
④ 使用“View” →“Select Viewer”，选择已经打开的分类图，用以显示将要读取的点位信息。
⑤ 读入GPS测量的点。
格式为标准的txt文本。
文件格式化为3列，第一列存储x坐标，第二列存储y坐标，第三列存储类别代码（即分类时指定的Value值）。如本例中存储的GPS点文件如表2-3所示
表2-3 GPS点位
491355.86
4486746.25
2

491070.45
4487008.52
3
490754.19
4484941.22
2
486997.56
4485905.44
3
486797.00
4486707.68
3
492096.39
4486615.11
1
489118.86
4486815.96
3
486434.45
4483151.61
1
486920.42
4483028.19
3
487375.53
4482665.64
1
488069.78
4482449.65
2
491070.45
4482657.93
1
492266.09
4484439.82
1
489604.83
4483167.04
1
486881.85
4487216.79
1
487984.93
4487085.66
1
490769.61
4487116.51
1
489905.67
4483483.30
3
489080.29
4483606.73
3

487074.70
4483120.75
2

文件中存储的坐标投影应与影像投影完全一致，如本例中影像投影为UTM/Clark1866 N50。
使用“Edit”→“Import User-defined Points”，读入GPS点位文件。选项如图2-18所示。

图2-18 导入选项
读取的结果如图2-19所示。

图2-19 导入结果
⑥ 输入各点位分类类别
使用“Viewer” →“Show All”，把读入的GPS点位在分类图中全部显示出来，逐一对照，在Reference列中输入分类影像的类别代码图2-20。

图2-20 输入代码
⑦ 精度检验
使用“Report” →“Accuracy report”，分析分类精度情况图2-21。

图2-21 精度检验结果

若精度符合要求，则接受分类结果，若不符合要求，则重新分类。

（注：专业文档是经验性极强的领域，无法思考和涵盖全面，素材和资料部分来自网络，供参考。可复制、编制，期待你的好评与关注）