遥感教程第1-19页

目录


The most powerful classifier in common use is that of Maximum Likelihood. Based on statistics (mean; variance/covariance), a (Bayesian) Probability Function is calculated from the inputs for classes established from training sites. Each pixel is then judged as to the class to which it most probably belong. This is done with the Morro Bay TM data, using first the six reflected radiation bands and then with the longer wavelength thermal band added. The result is a pair of quite believable classification maps whose patterns (the classes) seem to closely depict reality but keep in mind that several classes are not normal components of the actual ground scene, e.g., shadows. A later classification (made using IDRISI for Windows) using a smaller number of classes give a somewhat different end product.


最大似然分类

我们使用作用于所有七个波段的最大似然分类器进行了监督分类。同样,多波段类是从统计学上推导出来的,每个未知像素都使用最大似然法分配给一个类。

|使用TM波段1-5和7(省略6)对Morro Bay次新世进行的最大似然分类;具有16个指定类别。|

` <>`__1-23: While the minimum distance and this first Maximum Likelihood classifications are, for the most part, quite similar, there are some differences. Mention several. `ANSWER <Sect1_zanswer.html#1-23>`__

在这幅图中,我们省略了热带6,定义了16个类(这是idrisi程序中允许的最大值)。这些类与最小距离图像中记录的前一类相同。在这两种情况下, 沉积物 课程分为三个层次(一级和二级在海洋中,三级在海湾中)和两级 城市的 课程(i=Morro Bay;ii=Los Osos)试图解释它们之间的视觉差异(主要是街道模式)。看看这个图像分类,并决定它是多么可信。将其与最小距离图像进行比较。为了帮助您比较类似的类,我们使用了相同的颜色分配。接下来,看一个使用波段6的监督分类,并再次指定16个类。注意每个城市区域是如何变得更加均匀的。植被和斜坡的空间均匀性总体上增加了6级,但总体上增加了6级,差异不大。

|与以前的分类图相同,但添加了TM波段6。|

每个16类最大似然版本都是一个相当令人眼花缭乱的图像,有许多类是“正确”的。两个 断路器 和沙洲( 海滩 )似乎统一分类。含沙量分布可靠。Morro Bay和Los Osos之间有足够的色调差异,这足以证明将两者结合在一起的决定是正确的。 城市的 等级(los osos的街道模式和橙色棕色土壤的存在不同,见1、2和3区的组合)。然而,颜色元素之一 城市的 正如人们所期望的那样,阶级和其他阶级以不同的比例混合在一起。给沿海地区的亮橙色 沼泽 在最小距离分类中,该区域的面积略大于其等效区域,并且也分布在洛斯奥斯海岸线附近的小块区域,以及河流沿线。因此,这可能是一个真实的条件,因为我们希望这种植被更广泛。毫无疑问,最不确定的阶级分布在山丘上。类别 阳光照射的斜坡阴影坡度 有点人造的,因为它们主要指光照条件。而草地和树木类可能是灯光效果和较亮或较暗表面的混合。班级 已清理土地 同样地,这是一种对土地表面的描绘,它不仅支持稀薄的自然植被,甚至部分贫瘠,而且在某些地方也可能具有阴影效果。这个 草原 正确放置在该图像中,但似乎比其他几个图像中显示的范围更广,因此这无疑是一个有效的案例。这个 绿色植被 类别很好地代表了反射性有机材料的实际分布(波段4),但在这一类作业的选择中,没有单独列出几种生长的地面覆盖物。因此,高尔夫球场和山顶森林的元素显示为“类似”,与农田作物等没有区别。如果我们给每个人提供了自己的课程和选定的培训地点,我们可以在一定程度上正确地区分它们。

在生成上述受监督的分类近两年后,出现了使用新的idrisi软件(从Windows版本1操作,而不是从DOS 3.1操作)重做相同场景的情况。在执行这种监督分类时,我们使用了相同的最大似然分类器,所有7个TM波段和15个类别。但是,作为一个实验,我们决定删除几个类并选择新的类。此外,我们为每节课建立了一些稍微不同的训练场地多边形。实际上,我们实现了一个独立的分类,而不必看上面显示的结果作为指导。并且,我们使用了假彩色图像,而不是使用自然色场景来选择训练站点。结果是:
莫罗湾场景的最大似然7波段分类,

指定15个类(一些不同于前面的示例),并为以前使用的许多类指定不同的颜色。γ


(错误:由于某种原因,Windows idrisi没有在图例中显示第15个类。这个类应该是“树”,深绿色,主要出现在类地图的右上角。此外,第一个图例框(此处为黑色,上面两个其他分类中为蓝色)没有标签;它不是命名类,而是指地图图像外部用作背景的颜色。)

请注意,对于某些类,我们分配的颜色与前两个maxlike分类中使用的颜色不同,这使得比较结果与早期分类相当困难。然而,在这和上面的7波段监督分类之间滚动显示出不同和相似之处。

在Windows版本中,两个 沉积物 类是组合的。还有,这个班,叫做 领域 在DOS 3.1版本中,此处重命名 GreenVeg 包括种植作物的田地和一些自然植被(可能是当地林地)。这两个都显示出明亮的红色在假彩色再现。班级分布 在这两种分类中都很相似,但在Windows版本中更为广泛(但很难看到,因为深绿色和黑色阴影不太好地显示对比度)。课程 灌木林变明朗 在DOS 3.1版本中,部分表示为 刷洗 在Windows版本中。在DOS 3.1中, 城市II (专注于洛斯奥斯街模式)是橄榄色的,在Windows版本中是橙色的。在这两种情况下,城市二级模式的分布比实际情况要广泛得多。城镇结构或建筑群不存在于高速公路附近的长橙色地带,也不存在于图像的右下角。显然,一些自然表面,如真彩色和假彩色合成图像所解释的,会产生类似于这类城市的特征。在windows版本中,有几个非常明亮的区域,主要是在los osos附近,被命名为 沙坑 . 这是一种猜测,因为它们可能是挖掘出来的地面或内陆海滩沙的残余物(尽管它们与 Sand 类);只有现场访问才能确定正确的身份。

运行和比较这两种分类的要点可能是显而易见的:精确的最终结果对所涉及的变量和我们所做的选择很敏感——主要是将课程从其培训地点推断为所选课程的身份和分布,即分类的总体外观和准确性。根据训练图像中的颜色和其他因素的不同,解释也会有所不同,通过这些因素我们可以选择可分离的课程,并阻止有效的训练地点。课程的数量、训练场地内封闭空间的有效性(纯度)(以及分配给每个课程的多边形中的像素数)、课程的性质(城市划分有些人为,现实世界中的灌丛可能是非常不同的课程或特征),以及分配给最终地图的颜色和其他考虑因素都会造成差异。我们再次强调一个论点,即如果逻辑上可行,基于计算机的图像分类前后的实地工作是选择和检查类位置的关键。因此,它是实现优质产品的最佳保障。但是,如果现场访问不可行,熟练的口译员可以根据他/她识别现场明显地面特征的能力,制定一个相当合理的分类。作者(NMS)在没有任何实地调查的情况下,对世界上许多地方进行了可信的分类,但仅仅是从他对景观或土地利用类别的共同组成部分的外观的了解。



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