监督分类

功能说明

监督分类是根据已知类别的样本观测值确定分类准则，然后依据该准则，通过选择特征参数（如像素亮度值、方差等），建立判别函数，据此对影像进行分类的过程。进行监督分类前，需要先进行分类学习，即定义分类训练的AOI区，具体操作可参照AOI区编辑部分，系统进行监督分类时将已定义的分类训练AOI区作为样本来确定分类准则。

系统提供了监督最小距离分类、监督广义距离分类、监督平行六面体分类、最大似然法、BP神经网络分类、LVQ2神经网络分类、RBF神经网络分类和高阶神经网络分类。

操作说明

1. 点击“影像分析”菜单下的“监督分类”命令，系统弹出如图所示对话框。

2. 在“影像分类”对话框上进行参数设置。

• 【输入设置】：输入进行监督最小距离分类的文件，缺省为当前活动窗口中的影像文件。然后在“选择波段”中选择进行监督分类的波段。
• 【输出设置】：设置分类后的结果影像文件的保存路径和名称。勾选“添加到地图文档”，分类结果会自动添加到当前地图视图中，反之不添加。
• 【处理范围】：通过输入行列值或者点击“选择”在弹出的对话框中确定处理范围。

3. 在对话框左侧选择一个监督分类的方法：

（1）监督最小距离分类

监督最小距离分类法是以特征空间中的距离作为像素分类的依据，按最小距离公式和分类训练AOI区对所选择的进行分类的波段进行监督分类。

在对话框左侧选择“监督最小距离分类”，对话框右下侧如图所示：

（2）监督广义距离分类

监督广义距离分类法也是以特征空间中的距离作为像素分类的依据，是按广义最小距离公式和分类训练AOI区对所选择的进行分类的波段进行监督分类。操作同“监督最小距离分类”。

（3）监督平行六面体分类

监督平行六面体分类是一个应用广泛的数字影像分类判别规则，基于简单的“和/或”布尔逻辑，利用N个波段的训练数据来进行分类。按平行六面体公式和分类训练AOI区对所选择的进行分类的波段进行监督分类。操作同“监督最小距离分类”。

（4）最大似然法

最大似然法分类是经常使用的分类方法，它是通过求出每个像元对于各类别的归属概率，把该像元分到归属概率最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性下降，这种情况下不宜采用最大似然法。按照最大似然法的判别函数和分类训练AOI区对所选择的进行分类的波段进行监督分类。操作同“监督最小距离分类”。

（5）BP神经网络分类

BP神经网络是一种采用BP学习算法的多层前向神经网络。它的结构一般包括输入层、中间隐层和输出层。隐层可以为一层或多层，但一般的应用中一层就可以满足要求。在模式识别中，输入层的神经元个数等于输入的特征个数，输出层的神经元个数等于需要分类的类别数。而各隐层的神经元个数需要根据实际问题的复杂度而定。以单隐层为例，其结构示意图如图所示：

在对话框左侧选择“BP神经网络分类”，对话框右下侧如图所示：

• 【动量率】：动量变化量的初始值。
• 【学习率】：控制网络训练时间（或使误差函数在较少迭代次数下快速收敛）的参数。简单的说，收敛速度与学习率大小有关。一般学习率越小，收敛越慢；学习率大，收敛越快，但有可能修正过头，导致振荡甚至发散。这里设置的是网络训练学习率的初始值。
• 【迭代次数】：选择迭代处理的次数。
• 【最小均方差】：均方误差的最小值。
• 【隐层设置】：网络结构中中间隐层的个数。

（6）LVQ2神经网络分类

LVQ2网络结构由输入层和输出层组成。如图所示：

LVQ2算法是在Kohonen算法的基础上进行进一步的精细调整，其步骤可以分为以下三个步骤：

①用Kohonen算法（与上述算法相同）进行非监督聚类。

②把经过训练后各神经元相应的权向量作为LVQ2算法的初始值，并判断网络的每一输出神经元所对应的类别。

③对网络进行进一步的精细调整：

在对话框左侧选择“LVQ2神经网络分类”，对话框右下侧如图所示：

• 【聚类学习率】：LVQ2算法第一步中Kohonen算法中用到的聚类学习率的初始值。
• 【LVQ学习率】：LVQ2算法第二步中用到的LVQ学习率的初始值。
• 【聚类迭代次数】：LVQ2算法第一步中Kohonen算法的迭代次数。
• 【LVQ迭代次数】：LVQ2算法第二步的迭代次数。

（7）RBF神经网络分类

RBF神经网络是参数化的统计分布模型与非参数化线性感知器模型相结合的一种前向神经网络。RBFNN的实质是非监督的聚类方法和有监督的单层线形感知器的组合而实现非线性映射的神经网络模型。其结构如图所示：

RBF神经网络由三层结构组成，包括输入层、中间RBF层、输出层。一般输入层的节点数等于应用领域中所选择的数据的维数，输出层节点数等于所要分类的类别数。对于特殊的应用，输入层与输出层的节点数都是确定的。因此，RBF神经网络结构的设计，主要是中间RBF层的节点数的确定。而要确定RBF层节点数，要根据实际情况的复杂度而定。

在对话框左侧选择“RBF神经网络分类”，对话框右下侧如图所示：

【参数设置】：可参考“BP神经网络分类”。

（8）高阶神经网络分类

高阶前馈神经网络BP算法是在BP算法的基础上，增加了高阶连接权值。它的结构如图所示：

在对话框左侧选择“高阶神经网络分类”，对话框右下侧如图所示：

【设置隐层】：添加是否有隐层以及隐层的节点数。

【控制参数】：参数的设置可参考“BP神经网络分类”。

【扩展选项】：通过设置是否使用二阶连接系数进行扩展。

4. 参数设置完成后，点击"确定"执行分类处理操作，点击"取消"则取消此次操作。