MapGIS遥感地物分类实战：（三）遥感影像分类

前言

MapGIS中使用支持多种监督分类和非监督分类算法。本文将以上一章《MapGIS遥感地物分类与变化监测实战：（二）分类特征提取》中提取的特征作为输入，进行分类。

分类

监督分类

MapGIS中支持多种监督分类算法，在进行监督分类时，需要先将样本数据与特征数据进行匹配，然后选择合适的分类算法进行训练和分类。

方法	特点	优点	缺点	典型应用场景
监督最小距离分类	基于像元到类别中心的欧氏距离进行分类	算法简单、计算量小	对类内方差敏感，类别分布不均时精度下降	多光谱影像的初步分类、快速分析
监督广义距离分类	考虑类协方差的距离分类，类似马氏距离	能考虑类间分布形状，精度较高	对训练样本数量和分布要求高	复杂地物分类、分类精度要求较高的场景
监督平行六面体分类	利用波段阈值范围构建 N 维盒子进行分类	算法简单、直观	容易产生未分类像元，对噪声敏感	多光谱影像快速分类、教学或示范
最大似然法	假设类别服从正态分布，通过概率密度函数判别像元	理论成熟，精度高	对正态分布假设敏感，计算量大	精度要求高的土地覆盖分类、农业监测
BP 神经网络分类	前向多层神经网络，误差反向传播训练	能处理非线性、复杂模式	需要大量样本训练，易陷入局部最优	高复杂度地物分类、遥感模式识别
LVQ2 神经网络分类	Kohonen 算法基础上的有监督微调网络	分类精度高，能微调类别边界	参数设置较多，训练复杂	精细地物边界分类、混合像元处理
RBF 神经网络分类	输入层+RBF 层+输出层，结合非监督聚类和线性感知器	适合非线性分类，训练速度快	节点数难以确定，可能过拟合	高维特征影像分类、复杂模式识别
高阶神经网络分类	BP 神经网络的扩展，增加二阶连接权值	可捕捉更复杂非线性关系	训练计算量大，参数多	高复杂度地物分类、高精度模式识别

非监督分类

方法	特点	优点	缺点	典型应用场景
ISODATA 分类	迭代自组织聚类，自动合并或拆分类	自适应、可控制类数	对初始参数敏感，可能收敛到局部最优	非监督分类、多光谱影像初步分析
非监督最小距离分类	像元到类中心距离最小判别	算法简单、快速	对类内方差敏感	快速影像分区、初步分析
非监督广义距离分类	考虑类协方差的最小距离分类	精度较高	对训练样本分布要求高	复杂地物非监督分类
非监督平行六面体分类	基于阈值构建多维盒子分类	简单直观	容易产生未分类像元	快速初步分类
ART 神经网络分类	自组织神经网络，无监督学习	能自适应形成类	参数设置复杂	非监督聚类、影像特征探索
FuzzyART 神经网络分类	模糊 ART 网络自组织	可处理模糊边界	参数敏感	模糊地物分类、非线性模式识别
KonHonen 神经网络	Kohonen 自组织神经网络	可自适应聚类	对初始参数敏感	特征提取

本文以ISODATA分类算法为例，介绍其参数设置，并进行分类。

参数名称	含义	取值建议 / 说明
期望类数	图像分类时所期望生成的类别数	根据地物类型数量设置，一般可略多于实际类别数，便于后续合并
采样间隔	对图像进行运算时抽样的间隔	数值越小精度越高，计算量越大；一般 1~5 像元，可根据影像大小调整
迭代次数	分类运算迭代的次数	控制算法收敛，一般设置 10~30 次，过多增加计算量
类中心位移	类中心在迭代中的移动阈值	用于判断收敛，一般设为较小值，如 0.01~0.05，过大可能导致分类不稳定
最小像元数（%）	每类中像元数占总像元数的最小百分比	防止生成过小类，一般 0.5%~1% 左右，可根据影像大小调整
最大标准差	类内最大标准差	控制类内同质性，一般根据波段数值范围设定，避免过宽类别
最大合并类数	合并时允许的最大类数	避免一次合并过多类别，一般设为 2~3
最小类中心距离	两类中心的最小距离	避免生成过于接近的类别，一般根据波段量纲设定，过小可能产生重复类

首先将用于分类的特征做波段合成，作为非监督分类的输入影像。

根据任务特征合理设置分类器的参数。

分类的结果如下图所示：

这样就完成了非监督分类。下一节将介绍分类后处理的流程。