基本知识点——计算机图像分类的两种主要方法.doc

基本知识点计算机图像分类的两种主要方法图像分类方法1.监督分类监督分类包括利用训练区样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别过程。监督分类中常用的具体分类方法包括： (1) 最小距离分类法，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。(2) 多级切割分类法，多级分割法分类便于直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。(3) 特征曲线窗口法，特征曲线窗口法可以根据不同特征进行分类，如利用标准地物光谱曲线的位置(nm)、反射峰或谷的宽度和峰值的高度作为分类的识别点，给定误差容许范围，分别对每个像素进行分类；或者利用每一类地物的各个特征参数上、下限值构造一个窗口，判别某个待分像元是否落入该窗口，只要检查该像元各特征参数值是否落入到相应窗口之内。特征曲线窗口法分类的效果取决于特征参数的选择和窗口大小。各特征参数窗口大小的选择可以不同，它要根据地物在各特征参数空间里的分布情况而定。 (4) 最大似然比分类法，最大似然比分类法(maximum likelihood classifier) 是经常使用的监督分类方法之一，它是通过求出每个像素对于各类别归属概率，把该像素分到归属概率最大的类别中去的方法。最大似然比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像元的归属概率这里，归属概率是指：对于待分像元x，它从属于分类类别k的（后验）概率。2.非监督分类非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取的统计特征的差别来达到分类的目的，最后对已分出的各个类别的实地属性进行确认。非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别，即“物以类聚”。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。常用的方法有： (1) 分级集群法（Hierarchical Clustering） 分级集群法采用“距离”评价各样本（每个像元）在空间分布的相似程度，把它们分布分割或者合并成不同的集群。每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。(2) 动态聚类法在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合其样本，直到分类比较合理为止，这种聚类方法就是动态聚类。ISODATA（ISODATA：Iterative - Orgnizing Data Analysize Technique 迭代自组织数据分析技术）方法在动态聚类法中具有代表性。监督分类和非监督分类的根本区别点在于是否利用训练场地来获取先验的类别知识，监督分类根据训练场提供的样本选择特征参数、建立判别函数，对待分类点进行分类。非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。因此，非监督分类方法简单，且分类具有一定的精度。