分类

图像数据结合分类的最简单方法是把不同类型遥感数据作为同一传感器得到的数据，利用多变量正态分布来描述这些数据（Leckie 1990），如

（x1，⋯，xk）是陆地卫星 TM 图像上一个像元的特征矢量，（y1，⋯，yl） 是 ERS—1 SAR 图像上对应像元的特征矢量，那么，两种类型数据结合后像元的特征矢量为（x1，⋯，xk，y1，⋯，yl），根据特征矢量，利用常规的分类方法即可对每一像元进行分类。但这种方法在以下两种情况下不适用：①不同类型遥感数据不能以相同的光谱模式来表示；②不同遥感数据成像时间不一致，并且在成像时间间隔中，地物类型发生变化。

考虑不同类型遥感数据的光谱模式不一致，可以按以下方法来进行结合分类。设不同类型遥感数据相互独立，像元（i，j）属于某一类 c 的概率为：

P（c|X1（i，j），⋯，Xn（i，j））

=P1（c|X1（i，j））⋯Pn（c|Xn（i，j））。（5-3）

这里 Xk（i，j）为不同类型遥感数据的像元值，n 为类型数。当某一类的概率为最大时，则该类型即为像元（i，j）的类型。

如果不同类型遥感数据的分类可靠性不一致，则可以在公式中引入可靠

性因子（Schistad 1994）：

P（c|X1（i，j），⋯，Xn（i，j））

= P1（c|X1（i，j）^a1 Pn（c| Xn（i，j）） ^an ，（5－4）

0＜a1，⋯，an＜1，分别是不同类型遥感数据的可靠性因子。

上述公式可以用对数形式表示：logP（c|X1（i，j），⋯，Xn（i，j））

=a1logP1（c|X1（i，j）+⋯+anlogPn（c|Xn（i，j））。

（5-5） 当第 i 种遥感数据不可靠时，ai 等于 0，它对似然函数就没有贡献；如

某一类遥感数据可靠性很大时，则可靠性因子接近 1。一般是利用总的分类精度作为可靠性因子。

在两种类型遥感数据情况下，如果考虑到这两种数据成像

间隔中地物的类型发生变化，这时的似然函数可用下式表示： L（c，l）=a1logP1（c｜X1（i，j）+a2logP2（l|X2（i，j））

-βV（C1,ij，C2,ij）。（5－6）

这里，V（C1,ij，C2,ij）表示一个制约函数，β是用户定义的常数，通常取β=0.5。

制约函数可用下式表示：

V（C1,ij，C2,ij）=（1-Pr（C1,ij=c|C2,ij=l））（ψ1,ij+ψ2,ij）

（1-δ（c，l）），（5－7）

1

δ(c, l) = 

0

当c = l时

其他情况下,

Pr（C1,ij=c|C2,ij=l）是成像时间间隔中，类型 1 变化到类型 c 的概率， 根据先验知识得出，ψn,ij 为局部可靠性因子

ψn,ij= Pn（max）-Pn（Cn,ij），（5－8） 其中，Pn（max）为不同类型之间最大的概率。

对像元（i，j），假定 L（c，1）最大，若 c=1，则表示两种数据成像间隔中，地物类型没有变化；若 C≠1，则表示类型发生变化，即从类型 c 变化到类型 1。