遥感专题信息提取.ppt

《遥感专题信息提取.ppt》由会员分享，可在线阅读，更多相关《遥感专题信息提取.ppt（106页珍藏版）》请在三一文库上搜索。

1、遥感专题信息提取 EMAIL： 主要参考书主要参考书1 1 主要参考书主要参考书2 2 主要参考资料主要参考资料 lA Teachers Guide to Internet Resources for Remote Sensing 其他参考资料其他参考资料 l遥感影像地学理解与分析 l遥感专题分析与地学图谱 l遥感数字影像处理与地理特征提取 l卫星遥感图像计算机分类与地学应用研究 lENVI用户使用手册 lER Mapper Users Manual lPCI Users Manual lERDAS Users Manual 1、遥感专题信息提取的基本理论 2、遥感专题信息提取的原则和方法 3

2、、遥感专题信息提取在不同研究领域中的应用 4、遥感专题信息提取应用实例 主要内容主要内容 遥感专题信息提取的概念遥感专题信息提取的概念 遥感专题信息提取是采用遥感图像处 理方法，根据提取目的，以遥感资料 为基础信息源，提取与主题紧密相关 的一种或几种要素的信息。 The Electromagnetic SpectrumThe Electromagnetic Spectrum lThe electromagnetic spectrum ranges from the shorter wavelengths (including gamma and x- rays) to the longer w

3、avelengths (including microwaves and broadcast radio waves). Thereare several regions of the electromagnetic spectrum which are useful for remote sensing. ultraviolet or UVultraviolet or UV For most purposes, the ultraviolet or UV portion of the spectrum has the shortest wavelengths which are practi

4、cal for remote sensing. This radiation is just beyond the violet portion of the visible wavelengths, hence its name. Some Earth surface materials, primarily rocks and minerals, fluoresce or emit visible light when illuminated by UV radiation. visible spectrum The light which our eyes - our remote se

5、nsors - can detect is part of the visible spectrum. It is important to recognize how small the visible portion is relative to the rest of the spectrum. There is a lot of radiation around us which is invisible to our eyes, but can be detected by other remote sensing instruments and used to our advant

6、age. The visible wavelengths cover a range from approximately 0.4 to 0.7 m. The longest visible wavelength is red and the shortest is violet. Common wavelengths of what we perceive as particular colours from the visible portion of the spectrum are listed below. It is important to note that this is t

7、he only portion of the spectrum we can associate with the concept of colours. Violet: 0.4 - 0.446 m Blue: 0.446 - 0.500 m Green: 0.500 - 0.578 m Yellow: 0.578 - 0.592 m Orange: 0.592 - 0.620 m Red: 0.620 - 0.7 m Primary colours Blue, green, and red are the primary colours or wavelengths of the visib

8、le spectrum. They are defined as such Because no single primary colour can be created from the other two, but all other colours can be formed by combining blue, green, and red in various proportions. Although we see sunlight as a uniform or homogeneous colour, it is actually composed of various wave

9、lengths of radiation in primarily the ultraviolet, visible and infrared portions of the spectrum. The visible portion of this radiation can be shown in its component colours when sunlight is passed through a prism, which bends the light in differing amounts according to wavelength. infrared The next

10、 portion of the spectrum of interest is the infrared (IR) region which covers the wavelength range from approximately 0.7 m to 100 m - more than 100 times as wide as the visible portion! The infrared region can be divided into two categories based on their radiation properties - the reflected IR, an

11、d the emitted or thermal IR. Radiation in the reflected IR region is used for remote sensing purposes in ways very similar to radiation in the visible portion. The reflected IR covers wavelengths from approximately 0.7 m to 3.0 m. The thermal IR region is quite different than the visible and reflect

12、ed IR portions, as this energy is essentially the radiation that is emitted from the Earths surface in the form of heat. The thermal IR covers wavelengths from approximately 3.0 m to 100 m. microwave The portion of the spectrum of more recent interest to remote sensing is the microwave region from a

13、bout 1 mm to 1 m. This covers the longest wavelengths used for remote sensing. The shorter wavelengths have properties similar to the thermal infrared region while the longer wavelengths approach the wavelengths used for radio broadcasts. Because of the special nature of this region and its importan

14、ce to remote sensing in Canada, an entire chapter (Chapter 3) of the tutorial is dedicated to microwave sensing. 知识 决策 数据 有效信息 基础科学、应用基础科学 定量地学描述 遥感科学 定量遥感 高新技术(传感器、遥感平台设计制造) 遥感：高新技术驱动的对地观测的一场革命 观测时空 尺度 物理学 定律、定理 数学 生态学 化学 计算机科学 国民经济持续发展，社会需求， 环境保护，全球变化，减灾防灾 尺度效应 分形、分维. 反演、优化. 遥感在多学科交叉中的定位 横看成岭侧成峰 远

15、近高低各不同 不识庐山真面目 只缘身在此山中 - 苏东坡论遥感的尺度效应观察角度效应 遥感系统从垂直方向来说，光线（电磁波）穿越大气 、植被，到达土壤，再反射穿越植被、穿越大气 ，达到卫星传感器。影响这一过程的因素，数不 胜数。我们可以用明代一位诗人观察到的现象来 作一个简单的说明： 夕阳方照桃花坞 柳絮飞来片片红 大家一般的先验知识认为柳絮是白的，为 什么诗人观察到柳絮是红的呢？诗人作了解释： 1、夕阳 光穿越大气的光学路径较长，短波段散射 严重，直射光偏红，所以“夕阳红”，“残阳如血”。 2、下垫面桃花坞，“灼灼桃花”盛开，不是 一个大叶模型的下垫面，而是一个红色的下垫面，反射 光偏红。

16、3、气溶胶柳絮本身是全波谱反射，此时反 射夕阳红，反射桃花红，所以柳絮成了片片红。 当然这只是一个简单的定性模型，但我们可以看出影 响遥感信息产生过程的主要因素之多。 从水平方向上来说，陆地表面在遥感像元尺度上几乎 总是混合像元，前面1米分辨率的天安门广场上，我们可以看到 人影，我开玩笑说是比较胖的同志，其实我相信看到的是比较密 的人群。大家也许认为大戈壁或沙漠可以认为是 “纯” 像 元，但其实也包含砾石的阴影。我在沙漠上实测砾石的承照 面和背阴面，温差大约 10 摄氏度以上。 对1公里像元尺度来说，地形的起伏常常 不可忽略。 所有这些，使遥感定量反演命中注定是一 个病态反演。 数据有效信息

17、知识更新 与积累 决策 帮助提取 地学地学GeoscienceGeoscience 1、概念：地学是对以我们所生活的地球为研 究对象的学科的统称，通常有地理学、地质学 、海洋学、大气物理、古生物学等学科。 2、研究目的：研究地学的目的是为了更好的 开发和保护地球表面的自然资源，使人地关系 向着有利于人类社会生活和生产的方向发展。 专题信息提取的知识专题信息提取的知识 1、计算机视觉知识 2、地图制图知识 3、地学知识 4、方法知识 计算机视觉知识计算机视觉知识 计算机视觉知识是指从图像上可以获得的 视觉信息，数字化地图的颜色、地物形状 大小、空间结构和空间关系等知识都属于 计算机视觉知识，它们

18、是识别和提取信息 的最基本的依据。专题信息提取首要的是 从图像上发现相关视觉知识，才能结合相 关专题信息提取的方法，提出相应的提取 策略。 方法知识方法知识 方法知识是在信息提取过程所用到的相 关方法，即如何利用图像上所发现的知 识，提取所需信息的系列算法。 地图制图知识地图制图知识 地图制图知识主要针对各种人工绘制的地图而 言，人工绘制的地图必然遵循制图的相关约定 规则。如我国规定1: 1万、1: 2.5万、1:5万、1: 10万、1: 25万、1: 50万比例尺地形图，均采 用高斯克吕格投影。1: 2.5至1: 50万比例尺地 形图采用经差6度分带，1: 1万比例尺地形图采 用经差3度分带

19、，国家基本地形图，每种比例 尺都有统一的图式符号和编制规范 地学知识地学知识 地图是对现实世界的抽象表达，地理事物的时空分布 规律和客观事物之间的关系必然在地图上反映出来。 如遥感图像在时间上受季相节律的影响，作物的生长 、植物的盛枯、冰雪的消融等变化都会在图像上反映 出来:遥感图像信息因受区域的水平地带性和垂直地 带性的影响，能反映出区域的水热条件的差异;水田 和旱地的分布与地形和水源分布密切相关，水田主要 分布在水源丰富，地势平坦的地方;居民地的分布与 河流分布密切相关，居民地多分布在水源丰富的河流 沿岸。诸如此类的地理事物的时空分布规律和客观事 物之间的关系知识都是专题信息提取中的重要知

20、识源 。 遥感专题信息提取的主要方法遥感专题信息提取的主要方法 1、目视解释 2、计算机自动识别分类 计算机自动识别分类计算机自动识别分类 遥感影像分类的概念及原理遥感影像分类的概念及原理 l遥感信息科学的发展，为土地利用，环境监测，地质灾害 监测提供了全新的研究手段，标志着空间信息和环境灾害信息 获取和分析处理方法的一场革命及一门新兴学科的兴起，遥感 信息科学的理论，技术和方法在国民经济发展中有着广泛的应 用，在资源，环境，灾害的调查，监测，分析平谷和预测方面 发挥着重要作用，尤其高分辨率遥感影像在大范围空间地物的 识别与提取方面应用直接影响地物测绘的自动化水平。更为重 要的是随着现代化建设

21、的快速发展，资源，环境数据增加和快 速更新工作量加大，这更需要一种能快速提取大范围空间信息 的信息获取技术手段，而遥感影像中获取数据能地理信息系统 的数据获取和自动更新的需要，为国民经济的快速发展提供动 态基础数据和科学决策依据，在国民经济中发挥重要作用。 遥感影像分类的概念及原理遥感影像分类的概念及原理 遥感影像是通过亮度值或像元值的高低差异（反映地物的光 谱信息）及空间变化（反映地物空间信息）而表示不同地物的差 异的，如不同类型的植被、土壤、岩石及水体等等，这是我们区 分不同影像地物的物理基础。遥感影像分类就是利用计算机通过 遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征 ，并用

22、一定的手段将特征空间划分为互不重叠的子空间，然后将 影像中的各个像元划归到各个子空间去。 遥感影像分类的理论依据：遥感影像中的同类地物在相同的 条件下（纹理、地形、光照及植被覆盖、等等）应具有相同或相 似的光谱信息特征和空间特征，从而表现出同类地物的某种内在 的相似性，即同类地物像元的特征向量将集群在同一特征空间区 域；而不同地物的光谱信息特征或空间信息特征不同，因而将集 群在不同的特征空间区域。 遥感影像分类的概念及原理遥感影像分类的概念及原理 影像分类的原则 （1）对多变量影像不能孤立地根据个别变量的数值进行分类 ，而要从整个向量数据特征出发，即像元点在多维特征空间中的 位置及集群情况，或

23、者按空间集群的分布进行分类。 （2）一个集群（类）在特征空间的位置用它的均值向量表示 ，即该集群的中心，其离散程度用标准差向量（均方差向量）或 协方差矩阵来衡量。 （3）分类的实质是把多维特征空间划分为若干区域（子空间 ），每个区域相当于一类，即位于这一区域内的像元点归属于同 一类。 第一节、遥感影像分类的概念及原理第一节、遥感影像分类的概念及原理 l遥感影像的分类顺序和方法 l（1）首先根据目的及影像数据的特性确定分类类别。有时也 通过从训练数据中提取的影像特征确定分类（非监督分类） l（2）找出这些具有特征的类别的特征量。 l（3）为了找出分类的基准，需要提取出对应于分类类别的训 练数据。

24、 l（4）为了测定总体特征，可采用对影像中代表给定类别的部 分进行采样，从而测定总体特征的方法（监督测定）或用聚 类等方法对特征相似的像元进行分类，从而测定其特征的方 法（非监督分类）。非监督分类不是预先确定不是预先确定 类别而是根据归类的结果确定类别。 l（5）使用设定的分类基准对各像元进行分类。包括对每个像 元进行分类和对每个预先分割的匀质区域进行分类。 遥感影像分类的概念及原理遥感影像分类的概念及原理 l（6）把已知的训练数据及分类类别与分类结果进行比较，确认分 类的精度及可靠性。此外，作为道路及建筑物等土地覆盖类别的集 合，可以设定市街区这样的种类，因而可进行类别与种类的对应。 由于遥

25、感影像的分类结果可应用于了解地球环境等各种用途，所以 精度与可靠性是非常重要的。 l 在遥感影像分类中，按照是否有已知训练样本的分类数据，分 类方法又分为两大类：即监督分类与非监督分类。 l 监督分类的思想是：首先根据类别的先验知识确定判别函数和 相应的判别准则，其中利用一定数量的已知类别的样本（称为训练 样本）的观测值确定判定函数中待定参数的过程称为学习（ learning)或训练（training),然后将未知类别的样本的观测值代入判 别函数，再依据判别函数准则对该样本的所属类别做出判定。 l 目前比较成熟的监督分类方法是基于统计的分类。除此之外， 还有模糊识别分类、神经网络分类法等。当然

26、，监督分类要比非监 督的精度要高、准确性好，但是，监督分类的工作量无疑要比 遥感影像分类的概念及原理遥感影像分类的概念及原理 l非监督分类的工作量大得多。首先，监督分类有一事先确定训练场地和选择 训练样本的工作，要求训练样本要有一定的代表性，而且要有足够的数值； 另外，对于遥感影像分类来说，由于各种地物的光谱辐射的复杂性以及干扰 因素的多样性，有时仅仅考虑在某一特定时间和空间内选取训练样本还是不 够的，为了提高精度，有时还必须多选择一些训练样本。 l遥感影像的非监督分类是在没有先验类别知识（训练场地）的情况下，根据 影像本身的统计特性及自然点群的分布情况来划分地物类别的分类处理，也 叫“边学习

27、边分类法”。该方法是在计算机分类过程中，边分类边学习边建立 并进行分类决策的，无需事先知道各类地物的类别统计特征，也无需经过学 习过程，一般只是提供少数阀值对分类过程加以部分控制。值得指出的是， 所分各类的含义是什么并不能由该分类方法得出，而要根据地面实况调查和 比较来决定。 l 监督分类和非监督分类的最大区别在于：监督分类首先给定类别，而非 监督分类则由影像本身的统计特征来决定。 l 主要的分类方法为多级切割分类法、决策树分类法、最小距离分类法、 最大似然分类法、专家系统的方法等。 几种遥感数据分类说明几种遥感数据分类说明 一、分类处理流程图 监督分类法监督分类法 l一）、最大似然分类法 1

28、、最大似然法的基本思想和数学原理 最大似然将卫星遥感多波段数据的分布当作多维正态分布 来构造函数。基本思想是：各类的已知像元的数据在平面或 空间中构成一定的点群；每一类的每一维数据都在自己的数 轴上形成一个正态分布，该类的多维数据就构成该类的一个 多维正态分布；各类的多维正态分布模型各有其分布特征， 例如：所在位置、形状、密集或离散的程度等。有了各类的 多维分布模型，对于任何一个未知类别的数据向量，都可以 反过来求它属于各类的概率，比较这些概率的大小看属于哪 一类的概率大，就把这个数据向量或像元归为该类。 最大似然分类法最大似然分类法 l假定第K类只有 个波段（波段1）数据 （一维随机变量）

29、，那么它的正态分布密度函数为 l式中： 是第K类（ ）波段 数据的一维正态分布密度 函数，由这个分布密度函数能够看出在第K类中随机变量 出 现各种可能值的概率的大小； 是随机变量 的平均值； 是 随机变量 的标准差； 是圆周率，通常取为3.14159。 l 再假定第k类有两个波段（波段1和波段2）的数据 和 （二维随机变量），那么第k类的正态分布密度函数是二维正态 分布密度函数。 (1-1) 最大似然分类法最大似然分类法 l式中 是第k类的二维正态分布密度函数，由它可 以看出在第k 类中二维随机变量 出现各种可能值概 率的大小； 和 分别是 和 的平均值； 和 分别 是波段1和波段2的数据 和

30、 的方差， 为协方差。 （1-2） 最大似然分类法最大似然分类法 l 如果第k类有3个或更多的数据，那么原则上可以仿照式（1- 1）和式（1-2）表示第k类的三维或更多维正态分布密度函数。 但是表达式太复杂，我们用向量和矩阵来表示符号，对于多维 的，比如说m维的正态分布密度函数，可以表示为： l式中：m是波段数， 是第k类的m维正态分布密度函数 ，由它可以看出在第k类中m 维随机变量x(像元的m维数据向量 ）出现各种可能值的概率的大小。像元的m维数据向量可以表 示为： （1-3） 最大似然分类法最大似然分类法 l 是第k类每个波段的均值 所构成的均值向量 l 是向量 转置向量 是矩阵 的逆矩阵

31、。 是矩阵 的行列式。 是第k类m个 波段值的协方差矩阵，如下式： (1-4) (1-5) 最大似然法分类最大似然法分类 l式中, 是第K类的像元数; 是第K类的类内离差矩 阵.如下式 l式中, 是第K类的类内方差;而 及 是第K类的类内协方差 (1-6) (1-7) 最大似然法分类最大似然法分类 l如果一共要分g 个类,那么对每一类都可根据该类的已知m个波段 的数据,按式(1-3),估计出该类的m维分布密度函数.由它们可以看 出在各类中m维随机变量x(像元的m维向量)出现各种可能值的概 率的大小. l 有了g个概率密度函数,对任何一个已知的m维数据向量x(即一 个像元)都可以反过来计算它属于

32、g个类中第k类的概率.根据逆概 率公式,即贝叶斯公式有 （1-8） 最大似然法分类最大似然法分类 式中, 是任何一个m维数据向量(像元)属于第k类的概率 ; l 是第k类的m维正态分布密度函数,即式(1-3); 是所考 虑的全部数据中出现该数据向量x的概率; 是第k类在所考 虑的全部数据中出现的概率,称为先验概率.g个类的先验概率的 总和等于1. l 对任何一个m维数据向量 x ,都可用（1-8）分别计算它们属 于各类的概率，然后比较所得各概率的大小，从而把该数据向 量 x判归概率最大的那一类。 l 因为式（1-8）中的 只考虑全体而不考虑类，因而与类无 关，所以我们判别归类时可以不考虑它，只

33、需比较式（1-8）的 分子 、 的大小就可以了。此时令 （1-9） 最大似然分类法最大似然分类法 l又因式（1-9）中的 难于计算，故对式（1-9）两边取自 然对数： l即 （1-10） 最大似然分类法最大似然分类法 l式中，向量 和 分别是向量 和 的转置向量。 l 假定所有各类的协方差矩阵都相等，即 ，则 可用所有各类的总体的协方差矩阵 来代替各个 l或 l式中： 即总像元数； 是各类的类内离差矩阵 ，如式（1-7） 是总的类内离矩阵。如下式： （1-11） （1-12） （1-13） 最大似然分类法最大似然分类法 l当各类的像元数 都相等，即 时 l用 代替（1-10）中的各个 得到 又

34、因为式（1-16）中等号右边第2项和第3项与类无关，所以判 归类时可不考虑它们。只需考虑第1、4、5项就可以了。 （1-14） （1-15） （1-16） 最大似然分类法最大似然分类法 l这时可令： l如果各类的先验概率相等，那么式（1-17）第1项各类数值相等 ，即与类无关，判别分类又可不考虑它们。此时也可令 l为了书写简化，令 （1-17） （1-18） （1-19） （1-20） （1-21） 最大似然分类法最大似然分类法 l于是式（1-17）可写成 l式（1-18）可改写成 l注意：上面的 是一个 维向量，而 是一个数值。 l式（1-22）和式（1-23）就是第 类的判别函数。考虑先验

35、概 率时用式（1-22）；不考虑先验概率时用式（1-23） l根据 可以返回去求得 ，即 （1-22） （1-23） （1-24） 最大似然分类法最大似然分类法 l用式（1-24）计算有时会在计算机上益出，可以改用下式： l式中， 是各个 中数值最大的 。 l 比较算得的每个数据向量 （即每个像元）的各类的 l 的数值的大小，哪一类的数值最大，即属于哪一类的 概率最大，就将该向量 （即该像元）判归该类. l 显然，哪一类的 最大也就是哪一类的 最大。因此 ，实践中也不求 ，而直接比较各类判别函数值 ，看哪 一类数据向量 或像元判归该类。 （1-25） 监督分类法监督分类法 l二）、最小距离分类

36、法 l 最小距离分类法是监督分类的方法之一。首先利用样 本数据计算出每一类别的均值向量及标准差（均方差）向量 ，然后以均值向量作为该类在特征空间中的中心位置，计算 输入影像中每像元到各类中心的距离。到那类中心距离最小 ，则该像元就归入到哪一类。应用最广的且比较简单的距离 函数有；欧几里德距离和绝对距离（混合距离）。具体分类 过程如下： 最小距离分类法最小距离分类法 设p为影像的波段（变量）数， 为影像中一个分类像元，其 中 为像元 在第 个波段的像元值（灰度值）， 为第 类 在第 波段的均值,则像元 与各类间的距离可通过如下良种方法 之一获得: 欧几里德距离 绝对距离 最小距离分类法最小距离分

37、类法 l 分类时,根据前面求出的距离,把像元 归入到 最小的那一 类. l 直接应用前述的距离能够比较简单地实现监督分类,单有明 显的缺陷: l 首先不同类别的灰度值的变化范围即其方差大小是不同的, 不能简单地用像元到类中心的距离来划分像元的归属.如下图中 的待分类像元,按像元到类中心的距离应归属于 类而实际上应 属于变差范围大的 类 最小距离分类法最小距离分类法 图（2-1）方差最小距离分类法的影响 待分像元 类中心 最小距离分类法最小距离分类法 l第二,自然地物类别的点群分布不一定是圆形或球形的,即在不同 方向上半径是不同的,因而距离的量度在不同方向上应有所差异. l考虑到以上的因素,在距

38、离的算法上可作如下改进,从而改进分类 的精度,例如: l 对欧几里德距离的改进 l 对绝对距离的改进 l式中, 为第 类第 波段的标准数,当然也可以用 代替上两式 的 ,或者用其他加权方法. 最小距离分类法最小距离分类法 l使用最小距离法对影像进行分类,起精度取决于对已知地物类别 的了解和训练统计的精度.一般来说,这种分类的效果比较好,而 且计算简便,可对像元扫描分类. l 应当指出,最小距离监督分类还可以选用门限阀值 ,具体为: 若选择出来的最小距离 小于门限阀值 ,则判别像元 归入第 类,若选择出来的最小距离 大于 ,则判别像元 为拒绝类,即 不归属任何类.门阀值 的选择与各特征波段的标准

39、差有关,先求 标准差,然后根据专业知识和经验来考虑门限阀值的设定. 非监督分类法非监督分类法 l一）、ISODATA分类法 lISODATA法或迭代法聚类的实质是先给出一个并不怎么 正确的初始分类,然后用某种原则反复修改和调整分类,以逐步 逼近一个正确的分类. l（一） ISODATA分类法的基本思路和运算步骤 l 下面用具体的算例来说明迭代法分类的步骤,同时叙述这一 方法的相关参数,为了简单阐明,这里使用假定数据,而不用书 记遥感图像的像元数据和具体的专业应用实例. l 假定有16个像元,即像元数n=16;各像元都有3个波段的值, 即波段数或特征数m=3数据如表1.1所示. ISODATAI

40、SODATA分类法分类法 l迭代的基本思想如下: l 1、确定初始聚类中心的数目 l 初始类树数目为 （initial class number),原则上可以随机地假定 ，但是在像元较少的情况下，初始数目不宜定得过大。 l 对表1.1的数据，我们规定先分5类，即 =5，若以 表示第0次 分类的第k类，则5个初始类分别表示为： ISODATAISODATA分类法分类法 l2、确定初始聚类中心值 l 即各类初始的各波段的初值。初始类数目 定下后就要给 每类的各波段假定初始值。分类用m个波段，每个类就要指定m 个值，构成m维向量。 个m维向量是像元的初始归类中心。 l 确定初始类中心的方法很多，最简

41、单的方法是从各像元中 选出 个被认为有代表性的像元，分别将它们的波段值作为初 始分类的波段值。也可估计指定。 l 表1.1中的像元各个3个波段的值，我们要分5类，故得指 定5个三维向量 。考虑到原始数据的值 基本在0到12之间，故初始值也应在这个范围内，我们又令各类 之间保持一定距离，且为了简化，令同一类的各波段值相等。 于是定出5个类的初始类中心值 如下|： ISODATAISODATA分类法分类法 l3、定义像元与各聚类中心的距离 l 距离这个参数有多种形式，或多种距离定义。例如绝对距离 ，欧氏距离，马氏距离等，它们各有计算公式，对上例，我们 选择易于计算且效果也好的绝对值距离|： （2-

42、1） ISODATAISODATA分类法分类法 l式中： 是像元编号； 是波段编号； 是类编号； 是像元 到 第 类聚类中心的距离； 是像元 第 波段的值； 是第 类 第 波段的值。 l 4、进行第1次分类或1次迭代 l 按定义的距离，分别计算各个像元与各初始聚类中心的距离 ，比较每个像元到各类的距离值，把它们分别归到距离最近的 类里去。 l 对上例，按式（2-2)计算表1.1中各像元到初始聚类中心式（ 2-1）的距离，例如，像元1到各初始聚类中心 的距离 l ： (2-2) ISODATAISODATA分类法分类法 l类推得到比较可知，最小，即像 元与第个初始聚类中心的距离最近，所以就把像元

43、 归入第类，表示第次分类结果的第类其余类推 l进行类似的计算可知：属于第类的有第、 、号像元；属于第类的有第、属于第 类的有第、号像元；属于第类的有第 、号像元；属于第类的有第第、 号像元。 ISODATAISODATA分类法分类法 像元全部计算归类完毕，就完成了第次分类，或称第 次迭代。结果如表1.2。本次结果与初始聚类中心的比较也见表 1.2。 第次分类的修改第次迭代 第次分类结果带有很大的主观性，因而是很粗糙的，与 实际相差较远。这就是要对她进行修改，调整。方法有多种。 其中之一是计算第次分类得到的各类的重心各类的 以各波段的均值为分量构成的向量，将它们作为第次分 类的聚类中心，重算各类

44、像元与这些新聚类中心的距离，并把 各像元归到距离最近的类中心去。全部像元经过这样重新计算 和归类后，就完成了第次分类或第次迭代。 对上例以表1.2中“本次第j像元的均值”所组成的向量作 为第次分类的聚类中心，即： ISODATAISODATA分类法分类法 (2-3) ISODATAISODATA分类法分类法 按式（）计算表1.1中各像元与各类新聚类中心式（ ）的距离，并将各像元归入距离最近的类，得第次迭代分 ISODATAISODATA分类法分类法 l类结果（表1.3) ISODATAISODATA分类法分类法 l6、分类修改第次一致更多次迭代 一般来说，分类经过次修改仍然得不到满意结果，需要

45、进 一步修改，进行第次一致更多次迭代。通常是把第次分类 得到的重心，作为第次迭代分类的聚类中心，对各像元 重算距离，重归类。如此逐次分类迭代，直到获得稳定的分类 结果为止。 面前例，我们以第次迭代分类结果得到的重心，作为第 次分类迭代聚类中心： ISODATAISODATA分类法分类法 按式（）计算表1.1中各像元与各类新聚类中心式（ ）的距离，得第次迭代分类结果表(1.4) ISODATAISODATA分类法分类法 l由表.4可见，第次分类结果各像元的归类情况与第次分 类结果完全一样，各类各波段的均值与第次结果响应波段巨 值之差为零。每一类包括的像元数和像元构成已不再变化，这 说明，经过若干

46、次动态变化之后，分类已经达到稳定，分类过 程到此结束。 l（二）控制迭代聚类过程的参数 l上述的分类过程是单纯的情况。要得到好的分类结果，还需 要一系列的环节和规定相应的参数来控制迭代聚类过程。 l一般来说，迭代聚类中类的数目应在分类过程中按实际数 据的特征发生变化，即发生类的分裂和合并。这是靠分类时给 出一些特定的参数来实现的。 l最常用的参数有以下几种： ISODATAISODATA分类法分类法 l、最多像元数 l分类过程中任何一个类所能包括的像元数的最大数目。如迭 代到某一步，某一类所包括的像元数超过这个值，该类就须分 裂成两类，然后再进行下一次分类迭代。 l、最少像元数 l在分类过程中

47、任何一个类应该包括的像元的最小数目。如分 类迭代到某一步，某一类包括的像元低于此值，这个类就须与 距离最近的另一个类合并，然后再进行下一次分类迭代。 l、最大标准差 l分类过程中任何一个类的任何一个波段所能用允许的标准差 的最大值，如果分类迭代到某一步，某类的标准差超过此值（ 说明这个类所包括的各个像元彼此差别太大），这个类必须分 成两类后再进行下一次分类迭代。 ISODATAISODATA分类法分类法 l、最小间距 l分类过程中任何两类之间所能允许的最小类间距离（两个类 的重心之间的距离），如果距离太小说明它们性质太相近，那 么这两个类须合并成一类再进行下一次分类迭代。 l拒绝阀 l在研究范围大时，研究者对实际情况不能很好的了解的情况 下，有个别类是人们未认识，未掌握的，这些特殊的未知类的 各个像元总是在分类迭代过程中按相应原则，归属相应的类里 区，而实际情况它根本不属于该类，这就引入一个阀值，如某 一个像元与任何一个聚类中心的距离都大于阀值，那么这个像 元不能轨道任何一个聚类中去，应归入未知类。 l、停止阀 l分类达到一定次数，当满足要求的精度时，