监督分类中常用的具体分类方法.doc

袇监督分类中常用的具体分类方法包括:螂最小距离分类法<minimumdistanceclassifier):螁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简况中使用。b5E2RGbCAP羈多级切割分类法<multi-levelsliceclassifier):羅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。p1EanqFDPw蒅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。DXDiTa9E3d蒁最大似然分类法(maximumlikelihoodclassifier>:聿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。RTCrpUDGiT肄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。5PCzVD7HxA袅设从类别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:节      螇    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。jLBHrnAILg蒆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)。xHAQX74J0X莄羂 袈(6-9>式中:n:特征空间的维数;薅      P(k>:类别k的先验概率;螃      Lk(x>:像元X归并到类别k的归属概率;螂      X:像元向量;羀      μk  类别k的平均向量(n维列向量>;羇      det:矩阵A的行列式膃∑k:类别k的方差、协方差矩(n×n矩阵>.蒃这里注意: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。LDAYtRyKfE螇当各类别的方差、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