1. 基本概念

地物的类：具有同种特性的地物集合称为一类。

一类地物具有同一标志，不同种类地物具有不同的光谱特性（地物反射和发射电磁波能量的能力）

分类：根据各类样本内在的相似性，采用某种判决准则，将特征空间分割成若干集合 的过程。

      2. 基本思想

区分不同地物的理论依据：不同的地物类型具有不同的光谱信息和空间信息。

      3. 多光谱图像的表示方法：

假设某个多光谱图像包括n个波段，则对于任一位置(i , j)的像素的亮度值，可以用矢量x=（x1, x2, …, xn）来表示，其中每个分量xi代表该像素在第i个波段的亮度值。

于是这个多光谱图像就可以用在n维特征空间的一系列点来表示。

但是，由于地物的各种状态和成像时的各种干扰因素，导致传感器获得的每类地物的光谱响应特性并不完全相同。

所以同一类的地物样本，在光谱空间中，表现为如下形式：

  围绕某一点呈概率分布或聚集于某一点周围。

     4. 基本流程

定义分类类别->特征选择与提取->训练数据的采样->统计特性评估->分类->分类结果分析

光谱特征是遥感图像分类时广泛使用的特征。

     5. 分类

                        {无监督分类

        {基于像元的分类

                        {有监督分类

图像分类

        {面向对象的分类

无监督分类：没有先验类别信息，事先不知道分成几类，仅依据像元间相似度的大小进行归类合并的方法；

有监督分类：需要徐选取若干可明确辨认的地物类别的训练区域；

            在该区域中进行训练数据的采样；

            用采样的数据进行统计分布特性分析，获取对象类别的统计分布特性；

            根据得到的特性对其他像素进行分类处理。

下面说下个人感觉理解起来比较简单的无监督分类的K均值算法：

步骤：

（1）       给定n个初始类的中心位置；

（2）       计算每一像素到所有类中心的距离，并将该像素重新划分到最近的类中；

（3）       更新各类中心；

（4）       重复（2）和（3），知道中心位置未发生较大变化。

特点：事先给出类别数（自己估）、局部最优、动态聚类。

   6. 面向对象的遥感图像分类

（1）       首先提一下基于像元的遥感图像分类的缺陷：

1）  难以克服“同谱异物”与“同物异谱”等光谱信息的局限性；

2）影像上一个像元的值包含来自于邻近像元对应地表的信号。

（2）流程：

（3）图像的分割：

作用：将一幅图像分成若干“有意义”的互不相交的区域，使这些特征在某一区域内表现一致或相似，在不同区域表现出明显的不同。

原理：主要利用光谱特征和形状特征调整对象边界。

公式不好打这里就不打了。。。

分割函数如下：

这里有两个判据，一个是光谱判据，一个是形状判据。是是光谱相对于形状的权重，是用户自己定义的。

  光谱判据通过公式计算就行了。

  形状判据是通过光滑度（smoothness）和紧致度（compactness）来计算的。

  光滑度是对象的周长l与最小外包矩形周长b的比值：smooth=l/b。

  紧致度是对象的周长l与对象大小（对象的像素数）的平方根的比值：cpt=l/

  形状判据的计算公式为：

  其中（在0到1之间）是紧致度判据的用户自定义权值。紧致度判据与光滑度判据根据公式计算就行了。

（4）多尺度分割

  定义：从一个像素对象开始进行一个自下而上的区域合并技术。

  准备工作：用户指定光谱和形状参数的判据和邻域函数逻辑。

  思想：根据定义的这些判据将各个像元扩展为同质区域（上面图像分割完成的工作）。

这是一个聚集过程。每一步骤中相邻的对象对，只要符合定义的异质的最小生长的标准就合并，如果该合并超出了尺度参数定义的阈值范围，合并过程就停止。（好…好抽象……囧）。

      7. 提高分类精度的方法

分类精度低的原因：

（1）       图像分辨率低

（2）       分类特征单一

（3）       分类方法单一

   对于分类方法单一会导致分类精度低的原因，主要是不同方法适用于不同特征的地物。对于这个问题的解决方法是：

（1）       多种分类器的融合：比如有监督和无监督的融合；

（2）       采用计算机分类新方法：如模糊分类方法，人工神经网络方法（*），基于知识的分类方法。

  对于模糊分类的方法，主要思想就是不考虑“样本x属于B类”，而是考虑“样本x属于B类的程度是多少”。

遥感图像处理学习笔记二——遥感图像的分类处理