监督分类的流程框图如图 7-16所示。具体方法是：
1.选择有代表性的典型训练场地，或在遥感图像上圈出已知地物分布的范围界线。例如：现有已知地物 M1、M2、M3。2.对已知训练区的已知地物样本的光谱特征或已知地物所有像元各波段的数值（亮度值）进行统计，提取各地物类别的数值特征。例如：各类型地物不同波段的均值、标准差（或称方差）等，若用三个波段表示，则有如下形式： MS
M
S SM
M
S S
，，，
，，，
SS
（ik为各类别的均值，Sik表示各类的标准差；其下标 i=1，2，3，.，表示类型，k表示波段，k=1，2，3，.。）
3.确定分类判别函数，即选择和确定分类的方法，以使计算机能按确定的程序进行分类。分类的方法很多，例如：最小距离法、相似判别法等，可根据具体情况选择。4.分类参数、阈值的确定。由于像元数值的随机性，各类地物像元数值的分布都是围绕一个中心特征值，散布在空间的一定范围内。为此，在分类判别前必须确定出各类地物的中心特征值（参数）及其分布范围界线——类型阈值大小。例如：可将地物各波段均值所在的空间位置作为类型的中心特征值；相应波段的标准差（即 t·Sik）作为类别的阈值，限定类型的分布范围。这样就构成了一个“分类器”。
5.分类。利用“分类器”进行分类，即根据选定的分类方法，以及确定11
11
21
21
31
31
M
MS M
M
M
1
12
12
2
22
22
3
32
32
，，，
MS
M
M
13
13
23
23
33
33
的分类参数和阈值进行分类。例如：将输入的像元数值与各类型的中心特征值比较，并按所确定的阈值，把像元归入到最相近的类别空间里，并赋于新值，完成像元分类。
的分类参数和阈值进行分类。例如：将输入的像元数值与各类型的中心特征值比较，并按所确定的阈值，把像元归入到最相近的类别空间里，并赋于新值，完成像元分类。检验。是指对“分类器”分类精度的检验。即统计“分类器对已知样本像元的分类精度（已知样本像元错分率）。若不合格，则返回 4或 3中，重新调整各类阈值（tS ik）或重新确定分类参数，直到“分类器”分类精度达到要求为止。这样，经已知样本反复“训练”所构成的“分类器”即认为调整好。
7.输入未知像元。利用已调整好的“分类器”分类，将未知像元归入到各类别中，输出分类图像。获得的分类图像要拿到实地或对照地面已知资料进行检验，检查和评价分类的精度和效果，总结经验，不断提高分类处理的质量和水平。监督分类简单实用，但在处理分类前必须确定好已知地物样本的分类特征及其参数。这是分类成败的关键。已知样本分类特征及其参数的确定要有代表性，要有足够的样本（或像元）作为统计的基础。此外，由于环境的变化及其复杂性，以及干扰因素的多样性和随机性，由训练场地已知样本所获得的分类特征及其参数，只能代表一定时间和具体地域的情况，不能无条件地推广。若地区情况或环境条件变化，应该另选训练场地，以免造成较大的误差或误判。
（二）非监督分类
非监督分类又称边学习边分类法。它直接对输入的数字图像像无数值（亮度值）进行统计运算处理，分别将每个像元归纳到由图像各波段构成的多维空间中的集群中，达到分类识别的目的。例如，一幅陆地卫星TM图像有六个波段（不包括.. TM 6波段），图像中的每个像元即由这六个波段（TM1，3，4，5，7，）构成的六维空间中有一确定的点与之对应。由于同一类型的地物有着相
近似的光谱特性，这样相同性质的像元点就汇集在空间中的一定范围的区域内，形成点的集群。不同类型的地物，则在空间中的不同地域形成集群。如图.. 7-17，是由.. TM 2、TM 3和.. TM 4三个波段构成的三维空间，A、B、C分别为三
本文标题：遥感数字图像处理(4)
手机页面：http://m.dljs.net/dlsk/yaogan/11079.html
本文地址：http://www.dljs.net/dlsk/yaogan/11079.html
