遥感原理与应用（遥感图像分类）

遥感原理与应用（遥感图像分类）

模式识别问题指的是对一系列过程或事件的分类与描述。

具有相似特征的东西归为一类。

方法有：统计法、语言结构法、模糊法和神经网络法。

特征变换与特征选择

特征变换是指将有用的信息尽可能集中在较少不相关的或者各自包含不同信息的新的变量中。

特征选择是指在特征变换后的图像中选取最具代表性的图像进行分类。

特征变换与特征选择既能减少参加分类的特征图像的数目，又能从原始信息中抽取更好进行分类的图像特征。

图像分类基本原理：利用计算机对要遥感图像中各类光谱信息和空间信息进行分析。选择作为分类判断的特征，用一定手段将特征空间划分为互不重叠的子空间，相同地物归为一类。

图像分类一般原理：原理一般建立在随机变量统计分析的基础上。

不同地物在同一波段的灰度值表现不同。同意地物在不同波段的灰度值表现也不同。

遥感图像的分类方式：传统分类有两种方法 监督分类与非监督分类

监督分类是一种有先验知识的分类非监督分类是无先验类别标准的方法。

遥感图像处理流程：图像选择并预处理，特征选择与特征提取，分类处理，结果检验与后处理，成果输出。

监督分类：又称训练场地法或先学习后分类。

训练样区选择：选取样区需要具有代表性、准确性、统计性。

最小距离分类法：以特征空间中的距离作为像素分类的依据。

平行多面体分类法：特征空间划分为若干互不重叠的平行多面体区域。

最大似然分类法：基于贝叶斯分类准则，分局光谱性质的相似和属于某类的概率最大的假设指定每个像元类别。

非监督分类：按照灰度值向量或波谱样式在特征空间中聚类成群的情况划分点群类别。

聚类分析技术

k均值聚类法

isodate分类法

遥感分类新方法：决策树分类，模糊聚类法，神经网络分类，监督分类与非监督分类集成，gis支持下进行分类，高光谱图像分类，如二值编码分类与光谱角分类。

分类后处理：输出分类图会有零星像元散落分布，有些是不合理的分类噪声，应用平滑滤波处理。

一般用总分类精度和卡帕系数进行分类精度分析。

以上就是（遥感原理与应用（遥感图像分类））全部内容，收藏起来下次访问不迷路！