最大似然法分类的工作原理

最大似然法分类工具所用的算法基于两条原则：

• 每个类样本中的像元在多维空间中呈正态分布
• 贝叶斯决策理论

将各个像元指定给以特征文件表示的类时，此工具会同时考虑类特征的方差和协方差。假设类样本呈正态分布，则可使用均值向量和协方差矩阵作为类的特征。如果给定了每个像元值的这两个特征，则可计算每个类的统计概率，以确定像元作为该类的成员资格。指定默认的 EQUAL 先验概率权重选项时，每个像元将被分配给它最有可能具有成员资格的类。

如果某些类出现的可能性大于（或小于）平均值，则应将 FILE 先验选项与输入先验概率文件结合使用。具有特殊概率的类的权重在先验文件中指定。这种情况下，先验文件将有助于对处于两个类的统计重叠内的像元进行分配。这些像元将会更精确地分配给相应的类，从而获得更理想的分类。这种权重分类方法就称为贝叶斯分类法。

通过选择先验选项 SAMPLE，在输入特征文件中进行采样的所有类所分配到的先验概率与按各个特征捕获的像元数量成正比。因此，像元数少于样本平均值的类所获得的权重将小于平均值，而像元数大于样本平均值的类所获得的权重将大于平均值。结果是，相应类所分配到的像元数有多有少。

执行最大似然法分类时，还可同时生成一个可选的输出置信栅格。此栅格显示分类置信度。置信度的数量为 14，这与有效剔除分数值的个数直接相关。置信栅格中编码为 1 的第一个置信度包含到输入特征文件中所存储的任何均值向量距离最短的像元，因此，这些像元的分类具有最高确定性。只有在剔除分数为 0.99 或更小时，才会对第二个置信度所包含的像元（在置信栅格中像元值为 2 ）进行分类。最低的置信度在置信栅格中的值为 14，显示的像元最有可能不会进行分类。如果剔除分数为 0.005 或更大，将不对此置信度的像元进行分类。

示例

以下示例显示的是将具有三个波段的多波段栅格分成五类。这五个类分别是干涸的河床、森林、湖泊、住宅区/果园，以及牧场。还将生成一个输出置信栅格。以下显示的是输出栅格波段。

最大似然法分类的输入示例

最大似然法分类工具用于将栅格分为五类。

• 最大似然法分类工具对话框中使用的设置：

  输入栅格波段：redlands

  输入特征文件：wedit.gsg

  输出多波段栅格：mlclass_1

  剔除分数：0.01

  先验概率权重：EQUAL

  输入先验概率文件：apriori_file_1

  输出置信栅格：reject_ras

分类后的栅格将显示为：

最大似然法分类的输出示例

红色区域表示正确分类的几率不到 1% 的像元。由于使用的剔除分数为 0.01，因此将为这些像元指定值 NoData。干涸的河床类以白色显示、森林类以绿色显示、湖泊类以蓝色显示、住宅区/果园类以黄色显示、牧场类以桔黄色显示。

以下列表是输出置信栅格的值属性表。它显示了按置信度等级分类的像元数。值 1 表示正确分类的几率为 100%。有 3,033 个像元是按该置信度进行分类的。值 5 表示正确分类的几率为 95%。有 10,701 个像元正确分类的机率是 0.005%，它们对应的值为 14。

RECORD    VALUE    COUNT 1             1     3033 2             2     3061 3             3     9187 4             4    16717 5             5    37361 6             6   136420 7             7   269592 8             8   250863 9             9   105001 10           10    23598 11           11    11190 12           12    11546 13           13     3621 14           14    10701