遙感圖像分類ppt課件(2)(編輯修改稿)

　

【文章內容簡介】 心的樣本均值，故稱為 K均值算法。 jn jSC) The cluster means are then calculated and the pixels are reassigned to the new cluster centres 0 255 0 255 Band A Band B C 34 非監督分類 ? 常用非監督分類算法 ? K均值分類算法 ? K均值算法步驟 ⑷ 若 , j = 1,2,…,k ,則回到第二步，將全部樣本n重新分類，重復迭代計算。若 , j =1,2,…,k ,則結束。 ??1tjZ tjZ＝1?tjZ tjZD) The process is repeated until when the cluster centres move by less than a preset distance 0 255 0 255 Band A Band B D 35 非監督分類 ? 常用非監督分類算法 ? K均值分類算法 36 非監督分類 ? 常用非監督分類算法 ? K均值分類算法 37 非監督分類 ? 常用非監督分類算法 ? K均值分類算法 38 非監督分類 ? 常用非監督分類算法 ? K均值分類算法 可以看到，現在的每個像素都己經被分給距離最近的類，總的離差平方和最小，因此分類過程到此結束。最終得到 K=2個類為 (A)和 (BCD)。 39 非監督分類 ? 常用非監督分類算法 ? ISODATA分類算法 ? 迭代自組織的數據分析算法 （ Iterative Selfanizing Data Analysis Techniques Algorithm）亦稱 ISODATA算法 。此種算法與 K均值算法有相似之處，即聚類中心也是通過樣本均值的迭代運算來決定的，但 ISODATA算法加入了一些試探性步驟和人機交互功能，能吸取中間結果所得到的經驗，主要是在迭代過程中可將一類一分為二，亦可能將二類合二為一，亦即“自組織”，故這種算法已具有啟發式的特點。 40 非監督分類 ? 常用非監督分類算法 ? ISODATA分類算法 N— 所要求的類別數（實際的類別數目為 Nt） 。 I— 允許迭代的次數（實際已迭代的次數為 L） 。 Tm— 每類集群中樣本的最小數目 。 Ts — 集群分類標準，每個類的分散程度的參數 (如最大標準差 )。 Tc — 集群合并標準，即兩個類中間的最小距離。 第一步 :指定算法控制參數 41 非監督分類 ? 常用非監督分類算法 ? ISODATA分類算法 第二步 :聚類處理 在已選定的初始類別參數的基礎上，按任一種距離判別函數進行分類判別，從而獲得每個初始類別的集群成員。同時，對每一類集群（ i）累計其成員總數（ ni）、總亮度（ Σxij）及總亮度平方（ Σxij2） ，并按下式計算各類的均值 M和方差 σ2: 11 inij ij kkMxn ?? ?222 11()( 1 )iinni ijk ijkkkijiin x xnn? ???????然后將有關數值填入類別參數搜索表 j為波段序號 42 非監督分類 ? 常用非監督分類算法 ? ISODATA分類算法 第三步 :類別的取消處理 對上次趨近后的各類成員總數 ni 進行檢查，若 niTm 表示該類（ i）不可靠，應將其從搜索表中刪除。同時修改類別數 Ni 為 Ni1，返回第二步。 第四步 :判斷迭代是否結束 若當前迭代次數（ L）已經達到指定的次數，即 L=I，或者該次迭代所算得的各類中心 Mi與上次迭代的結果差別很小（可預先給定一個閾值），則趨近結束。此時搜索表中的有關參數將作為基準類別參數，并用于構建最終的判別函數。否則，繼續進行以下步驟。 43 非監督分類 ? 常用非監督分類算法 ? ISODATA分類算法 第五步 :類別的分裂處理 對搜索表中的每一類進行考核。判斷其最大的標準差分量 ? ?m a x 1 2m a x , , ,i i i in? ? ? ??是否超過限值 Ts，即若 σimaxTs，并滿足下列條件之一者，則第 I類需要進行分類處理 : （條件一） NiN/2 即當前類別數不及所要求的類別數的一半 （條件二） σ 即第 i類標準差大于總平均標準差 11 ni ijjn???? ?11 tNiitN???? ?其中 i?44 非監督分類 ? 常用非監督分類算法 ? ISODATA分類算法 第五步 :類別的分裂處理 分裂處理過程如下 : 定義兩個新類別 i39。 和 i39。39。 取代被分裂的類別，它們的均值和方差分別定義如下 : 13ij ij ijMM ?? ??13ij ij ijMM ??? ??23ij ij ij? ? ?? ????同時，修改類別總數 Ni 為 Ni+1，并修改搜索表。注意每次允許分裂的類別數一般不應超過已有類別數的一半。分裂處理結束后返回第二步作下一次迭代。若本次迭代沒有一個類別需要分裂，則轉入下一步進行合并處理。 45 非監督分類 ? 常用非監督分類算法 ? ISODATA分類算法 第六步 :類別的合并處理 首先對已有的類別計算每兩類（ i與 k）中心間的距離 Dik，可以選用距離判別函數中的任一個，這里我們以絕對值距離為例 : 1nik ij k jjD M M???? ( 1 , 2 , , 1 。 1 , 2 , , )tti N k i i N? ? ? ? ?然后將所有 Dik與限值 Tc相互比較，若 DikTc，則把這兩類 (i,k)的合并為一類。合并后新類別的均值和方差為 : i ij k k jmjikn M n MMnn???2 2 2 22 [ ( ) ] [ ( ) ]i i j i j m j k k j k j m jmjikn M M n M Mnn??? ? ? ? ? ???同時修改總數 Ni 為 Ni1 ，并把搜索表中的相應內容進行更新。在迭代過程中，每次合并后的類別總數不應小于指定的類別數 N的半數，并類處理結束后返回第二步進行下一次迭代。 46 非監督分類 ? 常用非監督分類算法 ? ISODATA分類算法 ISODATA法實質上是以初始類別為“種子”進行自動迭代聚類的過程，它可以自動地進行類別的“合并”和“分裂”，其各個參數也在不斷地聚類調整中逐漸確定，并最終構建所需要的判別函數。因此，可以說基準類別參數的確定過程，也正是利用光譜特征本身的統計性質對判別函數的不斷調整和“訓練”的過程。 47 監督分類 ? 通過對工作地區圖像的目視判讀、實地勘查或結合 GIS，我們可以獲得部分地物的分類信息。利用己知地物的信息對未知地物進行分類的方法稱為 監督分類 。 ? 監督分類的前提是己知遙感圖像上樣本區內地物的類別，該樣本區又稱為 訓練區 。 ? 監督分類的 基本過程 是：首先根據已知的樣本類別和類別的先驗知識確定判別準則，計算判別函數，然后將未知類別的樣本值代入判別函數，依據判別準則對該樣本所屬的類別進行判定。在這個過程中，利用己知類別樣本的