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：即遥感图像的计算机分类，就是利用计算机对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所相应的实际地物，提取所需要的地物信息的目的。

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的一个多维随机向量x，称为光谱特征向量。

特征空间：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度分布为子空间的多维光谱空间。

特征变换：将原有的m个测量值集合通过某种变换，产生n（小于m）个新的特征。

特征选择：即在所有的特征影像中，选择一组最佳的用来分类的特征影像的过程。 kl变换：

kl变换也称主分量变换，是一种线性变换，是就均方误差最小来说的最佳正交变换；是在统计特征基础上的线性变换。

哈达玛变换：哈达玛变换就是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。

kt变换：又称穗帽变换，一种线性特征变换。

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，这些函数属于判别函数。

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依据，如若所获得函数值最大则该矢量属于最大值对应的类别。这种判断依据我们称为判断规则。

错分概率：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。

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通常称为最大似然分类法。

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。

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判别非样本数据的类别。

非监督分类：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，而仅仅凭借遥感影像的地物的光谱特征分布规律，即自然特征的特性进行盲目的分类。

k均值聚类：聚类准则使得每一个聚类中，多模式点到该类别的中心的距离的平方和最小。

混淆矩阵：用**的方式检核分类精度的样区内所有像元，统计分类图中的类别与实际类别之间的混淆程度。

用户精度：指假定分类器将像元归到a类时，相应的地表真实类别是a的概率。

制图精度：指假定地表真实为a类，分类器能将一幅图像的像元归为a的概率。

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？

答：为了度量图像中地物的光谱特征，建立一个以波段图像的密度分布不同的子空间。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各种空间中的特征点将不可能值表现为同一点，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。

答：由原始图像数据协方差矩阵的特征值和特征向量建立起来的变换核，将光谱特征空间原始数据向量投影到平行于地物集群椭球体各结构轴的主成分方向，突出和保留主要地物类别信息，用来进行图像增强、特征选择和图像压缩的处理方法。

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。

答：希望能用最少的影像数据最好的分类。方法：距离测量散布矩阵测度。

4、叙述监督分类与非监督分类的区别。

答：影像监督分类法与非监督分类法是针对影像具体分类时是否有先验知识而产生的两种方法二者的使用范围、使用条件不同。

监督分类精确度高准确性好与实际类别吻合较好，但是工作量大，有先验知识时使用该方法。

非监督分类工作量小易于实现；分类结果与实际类别相差较大；准确性差；在没有类别先验知识时使用该方法。

5、叙述最大似然法分类和最小距离法分类原理及区别。

答：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概况中使用。

最大似然法分类是经常使用的监督分类方法之一，它是通过求出每个像素对于各类别归属概率，把该像素分到归属概率最大的类别中去的方法。最大似然比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像元的归属概率。这里，归属概率是指：

对于待分像元 x ，它从属于分类类别 k 的(后验)概率。

6、叙述k均值聚类的原理和步骤。

答：聚类准则使得每一个聚类中，多模式点到该类别的中心的距离的平方和最小。基本思想：

通过迭代，逐次移动各类的中心，直到得到最好的聚类结果。步骤如下：初始化。

输入基因表达矩阵作为对象集x，输入指定聚类类数n，并在x中随机选取n个对象作为初始聚类中心。设定迭代中止条件，比如最大循环次数或者聚类中心收敛误差容限。进行迭代，根据相似度准则将数据对象分配到最接近的聚类中心，从而形成一类。

初始化隶属度矩阵。更新聚类中心。然后以每一类的平均向量作为新的聚类中心，重新分配数据对象。

反复执行第二步和第三步直至满足中止条件。

7、说明用户精度和制图精度的区别。

答：用户精度：指假定分类器将像元归到a类时，相应的地表真实类别是a的概率。制图精度：指假定地表真实为a类，分类器能将一幅图像的像元归为a的概率。