遥感原理与应用第8章 遥感作业

第八章 遥感图像自动识别分类

名词解释：遥感图像自动分类 光谱特征向量 特征空间 特征变换 特征选择 KL变换 哈达玛变换 KT变换 判别函数 判别规则 错分概率 最大似然法分类 最小距离法分类 监督分类 非监督分类 K均值聚类 混淆矩阵 用户精度 制图精度

1、 遥感图像自动分类：采用决策理论或统计方法，按照决策理论方法，需要从被识别的模式中提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。 2、 光谱特征向量：同名地物点在不同波段图像中亮度的观测量构成一个多维的随机向量X，称为光谱特征向量。

3、 特征空间：传感器接收器输出的是一组n个测量值，这一组几个测量值可以看做是n维空间，称之为特征空间。

4、 特征变换：是将原有的m个测量值集合并通过某种变换，产生n个（n<=m）新的特征，这种方法称为特征变换。

5、 特征选择：从原有的m个测量值集合中，按某一准则选择出n个特征。 6、 KL变换：是一种线性变换，是就均方误差最小来说的最佳正交变换。能够将原来多个波段中的有用信息尽量集中到数目尽可能少的特征图像组中去，达到数据压缩的目的，同时也能使新的特征图像之间互不相关，使新的特征图像包含的信息内容不重叠增加类别的可分性。

7、 哈达玛变换：利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换。 8、 KT变换：又称穗帽变换，是一种线性特征变换。将MSS影像通过K-T变换得到不同地物类别的分量值，形成的图形像一个穗帽。

9、 判别函数：各个类别的判别区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别，这些函数就称为判别函数。 10、

判别规则：当计算完某个矢量在不同类别判别函数中的值后，我们要确

定该矢量属于某类就必须给出一个判断的依据。如若得到函数值最大则该矢量属于最大值对应的类别，这种判断的依据我们称之为判别规则。 11、

错分概率：是类别判别分界两侧做出不正确判别的概率之和。

12、 最大似然法分类：根据概率判别函数和贝叶斯判别规则来进行的分类称

为最大似然法分类。 13、

最小距离法分类：基于距离判别函数和判别规则在实践中以此为原理的

分类方法称为最小距离分类法。 14、

监督分类：是基于我们对遥感图像上样本区内地物的类别已知，于是可

以利用这些样本类别的特征作为依据来识别非样本数据的类别。 15、

非监督分类：是指人们事先对分类过程不施加任何的先验知识，而仅凭

遥感影像地物的光谱特征的分布规律，即自然聚类的特性进行“盲目”的分类。 16、

K-均值聚类：聚类准则是使每一聚类中，多模式点到该类别的中心的距

离的平方和最小，基本思想是通过迭代逐次移动各类的中心，直至得到最好的聚类结果为止。 17、

混淆矩阵：对检核分类精度的样区内所有像元，统计其分类图中的类别

与实际类别之间的混淆程度，比较结果用表格的方式列出来，这个表格我们称之为混淆矩阵。 18、 19、

用户精度：正确分类的像元个数与所有分为该类总个数的比值。 制图精度：正确分类的像元个数与参考数据中该类的个数之比。

问答题：

1、 什么叫特征空间？地物在特征空间聚类有哪些特性？

为了度量图像中地物的光谱特征，建立一个以各波段图像的亮点分布的为子空间的多维光谱特征空间。

特征：1）不同地物由于光谱特征不同，将分布在特征空间的不同位置。

2）同类地物的各取样点在光谱特征空间中的特征点将不可能只表现为

同一点，而是形成一个相对聚集的点集群，不同类地物的点集群在特征空间内一般是相互分离的。

3）地物在特征空间的聚类通常用特征点分布的概率密度函数表示。

2、 说明遥感影像主分量变换及其在遥感中的主要作用。

主分量变换是一种线性变换，是就均方误差最小来说的最佳正交变换，是在统计特征的基础上的线性变换。

作用：主分量变换能够把原来多个波段中的有用信息尽量集中到数目尽可能

少的特征图像组中去，达到压缩的目的。同时使新特征图像之间互不相关，也就是使新特征图像包含的信息内容不重叠，增加类别的可分性。 3、 为什么要进行特征选择？列举几种特征选择的主要方法和原理。

在遥感图像自动分类过程中，不仅使用原始遥感图像进行分类，还使用多种特征变换之后的影像，我们总希望用最少的影像数据达到最好的分类效果，这样就需要在这些特征图像中选择一组最佳的特征影像进行分类，这就是特征选择。 选择方法： 1） 距离测度法

距离是最基本的类别可分性测度，如果所选择的一组特征能使感兴趣类别的类内距离最小而与其他类别的类间距离最大，那么根据距离测度用这组特征设计的分类器分类效果最好。利用类间标准化距离来度量，其值越大可分性越好。

2） 散布矩阵测度法

类内散布矩阵表示属于某一类别的模式在其均值周围的散布情况，类间散布矩阵表示不同类别间相互散布的程度。类内散布矩阵的行列式值越小，类间散布矩阵的行列式值越大，表示类别的可分性越好。

4、 叙述监督分类与非监督分类的区别。

监督分类法是基于对遥感图像上样本区内地物的类别已知，利用样本类别的特征来识别非样本数据的类别，是先学习后分类的。其基本思想是：首先根据已知的样本类别的先验知识，确定判别函数和判别准则，然后将未知类别的样本的观测值带入判别函数，再根据判别准则对该样本的所属类别做出判定。

非监督分类法是指人们先对分类过程不施加任何先验知识，而仅凭遥感影像地物的分布规律，即自然聚类的特性进行盲目的分类。其分类的结果只是对不同类别达到了区分，但不能确定类别的属性，需要通过目视判读或实地调查确定。非监督分类法是边学习边分类，通过学习找到相同的类别，最后将该类与其他类分开。

5、 叙述最大似然法分类和最小距离法分类原理及区别。

最大似然法分类是以概率判别函数和贝叶斯判别规则相结合进行分类的，通

过求解某特征矢量落入某类集群的条件概率最大来进行分类的。最小距离法分类的基本思想是设法计算未知矢量到有关类别集群之间的距离，哪类离它最近，该未知矢量就属于哪类。

区别：最大似然法偏重于集群分布的统计性质，最小距离法偏重于几何位置。最大似然法总的错分概率小于最小距离法总的错分概率。 6、 叙述K均值聚类的原理和步骤。

原理：聚类准则是使每一聚类中多模式点到该类别的中心的距离的平方和最小。基本思想是通过迭代逐次移动各类的中心，直至得到最好的聚类结果为止。 步骤：

1） 适当的选取m个类的初始中心。

2） 在第K次迭代中，对任一样本X按到初始类别中心距离最小的原则将它

调整到m个类别中的某一个类别中去。

3） 由第二步得到最小类的新的中心。

4） 对所有的类别若中心和新的中心相等则迭代结束，否则转到第二步继续

进行迭代。

7、 说明用户精度和制图精度的区别。

用户精度的分母是分类所得到的第i类的总和，又为内符合精度，一般能达到85%~90%，而制图精度的分母是实际观测的第j类的总和，又称外符合精度，一般只能达到70%~80%.

本文来源：https://www.bwwdw.com/article/vhmp.html