遥感图像分类

概念：根据感兴趣目标在遥感图像上的差异，判断并识别其类别属性空间分布特征等信息的过程。
重点关注：
选择哪些有效特征进行分类
选择什么方法进行分类
分类方法的参数如何设置

遥感图像分类原理：

地物在遥感影像上的每个属性均可被当作一个变量，参与分类的这些属性（特征变量）构成了一个n维的特征空间。
理想情况下，同类地物应该具有相同或相似的特征描述。

利用先验知识的顺序：监督分类 非监督分类
划分概率是否为100％：硬分类 软分类
基于数据统计特征 统计分类 决策树分类
分类对象是否为像元 逐像元分类 面向对象分类

分类过程：

分类目的以及研究区背景了解
数据获取
数据预处理
分类类别确定和解译标志建立
训练样本选取和评价
特征提取和选择
分类方法的选择
图像分类
分类后处理
精度评价

训练样本选取和评价

样本来源：野外调查获得 在遥感影像上获取
训练样本的个数要求：样本个数与所采用的分类方法、特征空间维数、各类别的大小与分布有关
一般情况下，每一类别的训练样本个数至少是特征空间维度的10~30倍。
训练样本的分布：代表研究区内各分类类别的特征差异。采集策略：小区域连续材积，分层采集、地理分层采集

训练样本评价：不同类别的分离程度
策略：分离程度 混分现象
评价方法：图表法 均值图法 直方图法 特征空间多维图法 统计法：转换离散度 J-M距离法

分类方法

监督分类器
非监督分类器
决策树分类
面向对象分类

平行盒式算法
距离判断算法：最小距离 欧式距离 马氏距离
最大似然法

支持向量机分类算法
BP神经网络模型
深度学习：卷积神经网络模型CNN

非监督分类器
K-mean算法
ISO DATA算法 迭代自组织数据分析算法 又合并和分裂两个过程
决策树分类 训练样本-属性分类-生成决策树-修建-评估

面向对象分类
分析的基本单元不再是单个像元，而是一个个均质单元。主要环节：对象提取-对象分类
多尺度分割提取对象

分类后处理

目的：传统的分类结果往往包含一些小的斑块，这时就需要处理。
方法：主/次要分析 聚类分析 过滤处理 其他分类后处理

主次要分析：将小图斑归并到周边像元占多数的类别中。次要分析相反。
聚类处理：用形态学喷张和腐蚀操作处理，解决分类图像存在的空间不连续性问题。
过滤处理：把小图斑剔除，主要是未分类的类别。
其他的分类方法：分类合并 人工修正 矢量数据平滑处理

分类精度评价：

验证分类方法的优劣及分类结果的可靠性。
关键环节：检验样本点选取
常用方法：混淆矩阵 ROC曲线

检验样本的选取要求：
来源
要求：具有代表性
采样方法：简单随机采样 分层采样 集群采样
个数要求：50个以上
混淆矩阵：误差矩阵 制图精度：评价分类方法的好坏 漏分概率 用户精度 Kappa系数