端到端遥感和教程第1-16页

目录

This and the next four pages deal with the process of classifying multispectral images into patterns of varying gray or assigned colors that represent either clusters of statistically different sets of multiband data (radiances expressed by their DN values), some of which can be correlated with separable classes/features/materials (Unsupervised Classification), or numerical discriminators composed of these sets of data that have been grouped and specified by associating each with a particular class, etc. whose identity is known independently and which has representative areas (training sites) within the image where that class is located (Supervised Classification). The principles involved in classification, mentioned briefly in the Introduction, are explored in more detail. This page also describes the approach to unsupervised classification and gives examples; it is pointed out that many of the areas classified in the image by their cluster values may or may not relate to real classes (misclassification is a common problem).

分类

现在，我们终于接近了本教程的最后一节，在此期间我们演示了识别和分类图像中特征的两种常见方法： 无监督 和 监督分类 . 与分类密切相关的方法称为 模式识别 . 你可能希望从一开始就阅读，这是一个很有帮助的网站 Classification Procedures 这包括在我们之前提到的遥感核心课程在线教程中。

在开始之前，最好先回顾一下在引言中前面讨论过的几个基本原则，并借助于此图：

四个面板图显示了三个

一般类别；特征信号中两个取样波长的光谱响应的标绘位置；指示这些波长处光谱辐射值变化的散点图，与分配给每个类别的单个取样区域的差异相关；以及分类之间的决定界限。|

在左上角绘制了三个一般类别的光谱特征：植被；土壤；水。相对光谱响应（在这个光谱间隔内的反射），就某些单位而言，例如，以适当单位表示的反射能量或百分比（作为反射与入射辐射的比率，乘以100），已经在三个波长上取样。（通常转换响应值 [在地面或飞机或航天器上采集时] 对于数字格式，前面引用的DNS或数字编号，通常细分为0到255个单位。 [2:sup:8] ）

对于这个特定的签名集，这些波长中任意两个的值都绘制在右上角。很明显，在这个二维图中，结果值点有相当大的分离。事实上，当根据地理分布和/或特定个体类型（如大豆与小麦在植被类别中）以及其他因素来考虑每一类时，所选的一个或两个波长通常会有显著的变化。结果是点在二维图中的扩展（称为 散点图） 如左下角所示。对于任何两个类，值点的散射可能重叠，也可能不重叠。在所示的案例中，它处理三种类型的植被（作物），但它们不处理。与每个类别相关联的标绘值（点）的集合称为 集群 . 使用计算平均值、标准偏差和某些概率函数的统计数据，可以在簇之间绘制边界，这样任意绘制在边界每一侧光谱响应空间中的每个点都将自动属于那个空间。这在右下角的图表中显示，还有一个单点“W”，它是一个未知的对象或像素（在某些特定位置），其身份正在被寻找。在这个例子中，W只在大豆空间中绘图。

因此，分类原则（通过计算机图像处理）可以归结为：代表某些特征、类别或材料的任何单个像素或空间分组的像素集的特征是（通常较小）由远程传感器监控的每个波段的DNS范围。dn值（由每个光谱间隔的辐射平均值确定）被认为是2维、3维和更高维绘图空间中的聚集数据集。对它们进行统计分析，以确定它们在这个光谱响应空间中的唯一性程度，并选择一些数学函数来区分产生的簇。

通常使用两种分类方法：无监督和监督。可从这些流程图中了解所涉及的逻辑或步骤：

在 无监督分类 将每个单独的像素与每个离散的簇进行比较，以确定它最接近哪一个。生成图像中所有像素的地图，分类为每个像素最可能属于哪个簇（以黑白或更常见的颜色分配给每个簇）。然后，用户必须解释颜色模式在真实场景中实际存在的类等方面的含义；这需要从一般经验或对区域图像的个人熟悉中了解场景的特征/类/材料内容。in 监督分类 解释器预先知道存在哪些类等，以及每个类在场景中的一个或多个位置的位置。它们位于图像上，包含类示例的区域被限定（使其成为培训站点），并且对每个此类类的多波段数据进行统计分析。因此，我们不使用聚类，而是使用具有适当判别函数的类分组来区分每个类（可能不止一个类具有相似的光谱值，但当使用3个以上的波段时则不太可能，因为不同的类/材料很少有相似的响应波长范围很广）。然后，将位于培训站点外的图像中的所有像素与类判别法进行比较，每个像素都被分配给最接近的类-这将生成一个已建立类（通常还有几个像素未知）的地图，该地图可以相当准确（但某些类需要可能没有设置ENT；或者某些像素被错误分类。

这两种分类模式将得到更详细的考虑，并在下面的4页中给出示例。

无监督分类

在无监督分类中，目的是将多波段光谱响应模式分组为统计上可分离的簇。因此，例如3个波段的小范围数字（DNS）可以建立一个集群，该集群与另一个集群的指定范围组合（等等）分开设置。分离将取决于我们选择区分的参数。我们可以借助这张图表，从Sabins的“遥感：原理和解释”中看到这一过程。第二版，分为四类：A=农业；D=沙漠；M=山脉；W=水。

摘自F.F.Sabins，Jr.，“遥感：原理与解释”，第2版，1987年。经纽约市W.H.Freeman&Co.许可转载。

We can modify these clusters, so that their total number can vary arbitrarily. When we do the separations on a computer, each pixel in an image is assigned to one of the clusters as being most similar to it in DN combination value. Generally, in an area within an image, multiple pixels in the same cluster correspond to some (initially unknown) ground feature or class so that patterns of gray levels result in a new image depicting the spatial distribution of the clusters. These levels can then be assigned colors to produce a cluster map. The trick then becomes one of trying to relate the different clusters to meaningful ground categories. We do this by either being adequately familiar with the major classes expected in the scene, or, where feasible, by visiting the scene (ground truthing) and visually correlating map patterns to their ground counterparts. Since the classes are not selected beforehand, this latter method is called Unsupervised Classification.

iDRISI图像处理程序采用了一种简化的无监督分类方法。输入数据由3个波段的注册像素的dn值组成，这些波段用于制作任何颜色合成。算法从这些波段计算聚类值。它根据处理中选择的参数自动确定最大集群数。这一过程通常会产生如此多的集群，从而导致分类图像变得过于杂乱，因此更难用指定的类来解释。为了提高可解释性，我们首先测试了一个简化的输出，然后将显示的类数限制为15个（从最后的集群表格中的28个减少）。

` <>`__1-20: What's to be done if one uses more than three bands to make an Unsupervised Classification? `ANSWER <Sect1_zanswer.html#1-20>`__

第一个无监督分类是对由波段2、3和4制成的彩色合成物进行操作。仅指定6个簇时检查结果图像。

浅黄色与海水有关，但也可以在山上找到，在单独的波段和颜色组合图像中阴影是明显的。红色出现在植被较重的地方。深橄榄色几乎只存在于海边。橙色、绿色和蓝色的关联较少。

接下来我们将展示一个更复杂的版本，同样使用波段2、3和4，其中设置了15个簇；选择了不同的颜色方案。

试着把颜色模式理解为从前面段落中知道的基本类的指示器。你可能会得出这样的结论：一些模式很好地将莫罗湾次新世部分地区的某些特征进行了分类。但是，许多由集群表示的单个区域似乎与您所认为的区域没有很好的关联。不幸的是，正在发生的是一个相当人工的细分光谱响应的小部分的表面。在某些情况下，我们只看到表面方向的微小变化的影响，这些变化会改变反射比，或者我们在概述中所说的影响是“混合像素”。当我们尝试另一个组合，波段4、7和1时，新的分类结果与第一个分类有很多相同的问题，尽管海洋中的沉积物变化更好地区分。15个集群分类之所以没有引起人们的注意，一个原因是自动分配给每个集群的颜色并不像最佳的那样明显不同（相反，一些相似的阴影）。

` <>`__1-21: Critique these two Unsupervised Classifications. What is shown well; poorly? Do you find it very helpful in pinpointing potential classes to be identified and then used in carrying out a supervised classification? `ANSWER <Sect1_zanswer.html#1-21>`__

我们得出的结论是，无监督分类太过泛化，并且集群只大致匹配一些实际类。它的价值主要是作为对场景光谱内容的指导，以帮助在进行更强大的监督分类程序之前进行初步解释。

主要作者：Nicholas M.Short，高级电子邮件： nmshort@nationi.net