监督学习分类回归基本概念监督分类的实验原理

转载

blueice 2024-04-17 15:39:58

原理

图像的监督分类(Supervised Classification)是在有先验知识（训练场地）的情况下，以训练区提供的样本选择特征参数，建立判别函数，然后将图像未知类别像素的值代入判别函数，依据判别准则对该样本所属的地物类别进行分类处理。即利用已知地物的信息对未知地物进行分类的方法

判别规则有多种：

规则	优点	缺点	简介
特征空间(Feature Space)
平行六面体(Parallelepied)	分类标准简单，计算速度快	往往按各个波段的均值和标准差划分的平行多面体与实际地物类的点群形状不一致，容易造成两类互相重叠和混淆	以概率分布值为基础，采用几倍的标准差作为可信的分类边界，T值的大小决定了类的范围大小，成正比关系
最小距离法(Minimum Distance)	计算速度快，可在快速浏览分类概况中使用	分类精度不高	假定图像中各类地物光谱信息呈多元正太分布，每一个类在K维光谱空间中形成一个椭球状的点群，依据像素距各类中心的远近决定其归属
马氏距离法(Mahalanobis Distance)	不受量纲影响；排除变量之间的相关性干扰	夸大了变化微小的变量的作用	马氏距离是一种加权的欧式距离，它是通过协方差矩阵来考虑变量相关性
最大似然法(Maximum Likelihood)	分类精度高	分类过程复杂，计算时间较长	基于贝叶斯准则的分类错误概率最小的一种非线性分类，是应用广泛、比较成熟的一种监督分类方法

优点：

缺点：

监督分类训练样本的选择，需要用户对训练区有足够多的先验知识，因此样本的结果并不一定是自然存在的类别，有较大的人为主观因素，会导致在光谱空间各类别之间并非独立，出现类别的重叠；所选择的训练区样也可能并不代表图像的真是情形
由于遥感图像的复杂性，同一地物在图像上表现出光谱的差异，而且该地物内部的方差值越大，这种差异性。这样就使训练样本的代表性较差，影响精度
监督分类训练样本的选取，需要花费较多的人力、时间
只能识别训练样本中所定义的类别，而对于没有定义的类别或其数量太少的类别，则不能很好地识别

算法精度在于训练区样本类别的选定。具体过程：

定义分类模板。主要是精确确定训练区样本
评价分类模板。以训练区样本为对象，选择监督分类算法计算分类模板的分类精度，满足精度则进行下一步；若不满足精度，则根据计算的结果并重新采样修改模板，然后重新进行分类模板的评价直到满足分类模板精度的要求
按选择的监督分类算法和规则进行分类
评价分类结果

监督学习分类回归基本概念监督分类的实验原理_监督学习分类回归基本概念

分类模板编辑器：[菜单栏]–>[Classifier]–>[Signature Editor]

打开AOI编辑器，圈定训练样本，[Edit]–>[Add]加入编辑器中

分类模板建立之后，可以对其进行评价、删除、更名、与其它分类模板合并等操作

分类模板评价工具：

Alarms：分类报警工具
根据平行六面体决策规则将那些原属于或估计属于某一类别的像元在图像视窗中加量显示，以示警报。一个报警可以针对一个类别或多个类别进行
Contingency matrix：可能性矩阵
根据分类模板，分析AOI训练区的像元是否完全落在相应的类别之中。通常都期望AOI区域的像元分到它们参与训练的类别当中，实际上AOI中的像元对各个类都有一个权重值，AOI训练样区只是对类别模板起一个加权的作用。Contingency Matrix工具可同时应用于多个类别，如果没有在Signature Editor中确定选择集，则所有的模板类别都将被应用