③
差的机会减少;
独特的、 覆盖面小的类别均能够被识别
[6]
“
”
。主要缺点是来自对其 自然
①
的依赖性: 所产生的光谱集群组并不一定对应于分析者想要的类别,因此分析者面临着
②
如何将它们和想要的类别相匹配的问题,实际上几乎很少有一对一的对应关系; 分析者
③
较难对产生的类别进行控制,因此其产生的类别也许并不能让分析者满意; 图像中各类
别的光谱特征会随时间、地形等变化,不同图像以及不同时段的图像之间的光谱集群组无
法保持其连续性,从而使不同图像之间的对比变得困难。
2.2. K_means 算法
K_means 算法是一种常用的非监督分类方法。K_means
①
算法的步骤: 基本初始参
②
③
数的确定; 初始类别中心的选择; 分类;计算新的聚类中心。但该算法的结果往往受
到初始聚类中心选择和聚类中心的个数等因素的影响。目前比较常用的初始类别中心的确
定方法有任意选取
K 个样本作为初始聚类中心法,像素光谱特征比较法,最大最小选心法
和总体直方图均匀定心法等。魏从玲,符丽萍
[7]
对非监督分类的几种确定初始聚类方法进
行了对比研究表明,发现最大最小距离选心法可以保证较高的精度,但分类效率不高;均
值标准差确定初始聚类法和任意选取
K 个样本作为初始聚类中心的方法分类效率相对较高
但是精度较低。包健,厉小润
[8]
采用最大最小选心法,在确定分类总数的条件下,研究了
K_means
算法中迭代次数对遥感影像的非监督分类的影响 。实验结果表明,随着迭代次
数的增加,类别中心会从相互之间差距最大的聚类中心调整为图像上所占像素比较多的类
的聚类中心,反映到分类图上就是从开始表现图像边界的图转向表现图像占像素比较多的
类组成的图。
K_means 算法在高光谱遥感影像的非监督分类中具有较强的实用性,表现出了良好
的优点。但是,由于
K 均值算法需要先给定类别数,而这在很多情况下都是凭主观臆测获
得。另外,
K 均值算法只采用均值作为一个类的代表点,这只有当类的自然分布为球体或
接近球体时,即各类中各分量的方差接近相等时才可能有较好的分类效果
[9]
。
2.3. ISODATA 算法
遥感影像分类的理论依据是各类样本内在的相似性,影像分类就是将相似的种类
(像
元
)合并,将
相似的种类
(像元)分开,这样就可以把各像元在特征空间的分布按其相似性分割或合
并成一些集群。
ISODATA 算法就是利用合并和分开的一种著名的聚类方法。它是个循环
过程,通常需要定义初始聚类中心、 初始类别数、 最大不变像元百分比和允许迭代的最
大次数等参数。该算法的基本步骤为:给出初始聚类中心;计算其它像元离这些中心的距
离,按照最小距离规则划分到其对应的集群中;重新计算每个集群的均值,按定义的参数
调整集群组;直到达到相应的参数条件为止。
ISODA2TA
“
法的实质是以初始类别为 种
”
子 进行自动迭代聚类的过程。
经过
ISODATA 算法得到的集群组只是一些自然光谱组,需要分析者将每个集群组归
到其对应的类别中,这个过程通常需要参考其他的图。有时一些自然组可能是混合的,不
一定会对应于一个类别,因此在实际应用中,经过
ISODATA 算法得到的图,分析者将一
些易于识别的组归类后,做成一个黑白掩膜图像,用到原图像中,过滤掉归类的部分,留
下难以归类的图像,对这个残余图像重新运行
ISODATA 算法,直到所有的集群组都能归
类。
2