第九章遥感图像自动识别分类.ppt
- 文档编号:2642991
- 上传时间:2022-11-04
- 格式:PPT
- 页数:118
- 大小:8.36MB
第九章遥感图像自动识别分类.ppt
《第九章遥感图像自动识别分类.ppt》由会员分享,可在线阅读,更多相关《第九章遥感图像自动识别分类.ppt(118页珍藏版)》请在冰豆网上搜索。
第九章第九章遥感图像自动识别分类遥感图像自动识别分类9.19.1分类预处理分类预处理分类预处理分类预处理9.29.2监督分类监督分类监督分类监督分类9.39.3非监督分类非监督分类非监督分类非监督分类9.49.4分类后处理和误差分析分类后处理和误差分析分类后处理和误差分析分类后处理和误差分析遥感图像自动分类的重要性自动分类的基础分类前的预处理分类的具体方法对各种方法的评价相关软件的操作遥感图像分类的发展趋势本章要点遥感图像分类是图像信息提取的一种方法从遥感信息中提取的专题信息提取信息类型应用分类土地覆盖、树种识别、植被和农作物等变化检测土地覆盖变化物理量提取温度、大气成分、土壤含水量指标提取植被指数、浑浊指数特定地物和姿态的提取火灾,水灾,线形构造,遗迹探察空间位置平面位置,高程与目视判读的联系与区别从影象上提取信息方法:
目视判读和计算机自动分类。
目视判读:
对遥感图像上的各种特征进行综合分析、比较、推理和判断,最后提取感兴趣的信息。
计算机自动分类:
计算机根据一定的算法把图像上所有的像素或像素组分类,提取感兴趣的信息。
TM原始影像和分类图像TM图像各波段原始灰度值与对应的类别TM各波段灰度值对应的类别计算机分类基本情况模式识别技术在遥感技术领域的具体应用。
模式识别对一系列过程或时间的分类描述,识别时具有某些相似的性质或事件就分类一类目前遥感图像自动分类主要采用决策理论(统计)方法。
统计模式识别需要从被识别的对象(模式)中提取一些反映对象属性的度量-特征(变量),把它定义在一个特征空间中,然后利用统计决策的原理对特征空间进行划分,以区分不同特征的对象达到分类目的。
遥感图像计算机分类的依据是遥感图像像素的相似度。
常使用距离和相关系数来衡量相似度。
采用距离衡量相似度时,距离越小相似度越大。
采用相关系数衡量相似度时,相关程度越大,相似度越大。
遥感图像计算机分类方法监督分类法:
选择具有代表性的典型实验区或训练区,用训练区中已知地面各类地物样本的光谱特性来“训练”计算机,获得识别各类地物的判别函数或模式,并以此对未知地区的像元进行分类处理,分别归入到已知的类别中。
非监督分类:
是在没有先验类别(训练场地)作为样本的条件下,即事先不知道类别特征,主要根据像元间相似度的大小进行归类合并(即相似度的像元归为一类)的方法。
遥感数字图像计算机分类基本过程1.根据图像分类目的选取特定区域的遥感数字图像,需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。
2.根据研究区域,收集与分析地面参考信息与有关数据。
3.根据分类要求和图像数据的特征,选择合适的图像分类方法和算法。
制定分类系统,确定分类类别。
4.找出代表这些类别的统计特征。
5.为了测定总体特征,在监督分类中可选择具有代表性的训练场地进行采样,测定其特征。
在非监督分类中,可用聚类等方法对特征相似的像素进行归类,测定其特征。
6.对遥感图像中各像素进行分类。
7.分类精度检查。
8.对判别分析的结果进行统计检验。
9.1分类预处理9.1.1基础知识1、光谱特征空间同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量X,称为光谱特征向量光谱特征向量。
即式中n:
图像波段总数;Xj:
地物图像点在第i波段图像中的亮度值。
如TM图像上任一个点TM=TM1,TM2,TM3,TM4,TM5,TM6,TM7波谱特性曲线与响应曲线2、特征空间及地物聚类用亮度值轴构成的一个直角坐标空间二维特征空间二维特征空间二维特征空间二维特征空间地物在特征空间中的聚类情况理想情况典型情况一般情况3、地物在特征空间中聚类的统计特性为均值向量;为协方差矩阵,即其中,式中,表示第i特征第k个特征值;N为第i特征的特征值总个数。
4、如何把这些地物分类?
1)找出每类的边界)找出每类的边界从每类的统计特性出发,研究每类所占据的区域。
2)建立判别函数或判别边界)建立判别函数或判别边界判别函数判决:
当且仅当对于更多的类别,当且仅当m为类别数3)示例判别函数判别函数故xa属于1。
因判别函数xb属于25、有关统计量1)像元之间的相关系数2)相似系数3)欧氏距离4)绝对距离5)马氏距离6)混合距离7)二类均值的标准化距离8)二类可分离性统计量概念:
将原始图像通过一定的数字变换生成一组新的特征图像,这一组新图像信息集中在少数几个特征图像上。
目的:
数据量有所减少,去相关,有助于分类。
常用的特征变换:
主分量变换、哈达玛变换、生物是指标变换、比值变换以及穗帽变换等。
9.1.2特征变换1、主分量变换PrincipalComponentAnalysisKarhunen-Loeve(K-L)变换基本思想:
一种线性变换,均方误差最小的最佳正交变换;是在统计特征基础上的线性变换。
目的:
数据压缩;新的特征图像之间互不相关;增加类别的可分性。
几何意义把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向上。
K-L变换的性质变换后的矢量的协方差矩阵是对角的。
所有正交变换中均方误差最小。
主分量变换后,有的特征影像反差拉大,信息集中,整个影像上离散度变大;而另一些特征影像上离散度变小,出现更多的噪声。
根据统计,对于LandsatMSS四个波段的影像,经主分量变换后,在第一主分量PC1图像中占有90%左右的总信息量,第二主分量PC2图像的占7%,PC3和PC4共占3%左右。
主分量变换计算步骤如下
(1)计算均值向量M和协方差矩阵C;
(2)计算矩阵C的特征值和特征向量;(3)将特征值按由大到小的次序排列;(4)选择前n个特征值对应的n个特征向量构造变换矩阵n。
(5)根据nX进行变换,得到的新特征影像就是变换的结果,X为多光谱图像的一个光谱特征矢量。
MSS主分量变换前后的信息量分布TM主分量变换前后的信息量分布PC1PC2PC52、哈达玛变换哈达玛变换是利用哈达玛矩阵作为变换矩阵实施的遥感多光谱域变换。
哈达玛矩阵的维数N总是2的幂,即N=2m。
哈达玛矩阵的变换核为:
哈达玛变换的几何意义:
变换比较3、穗帽变换(K-T变换)MSS图像信息随时间变化的空间分布形态是呈规律性形状的,像一个顶部有缨子的毡帽。
Kauth和Thomas研究出的矩阵A具有如下形式:
变换成为:
Y=AX,其中Y=(ISBIGVIYIN)TX=(x4x5x6x7)式中,ISB土壤亮度轴的像元亮度值;IGV植物绿色指标轴的像元亮度值;IY黄色轴;IN噪声轴;xi地物在MSS四个波段上的亮度值。
TM图像的穗帽变换矩阵4、生物量指标变换其形式为:
式中:
Ibio生物量变换后的亮度值。
x7,x5为MSS7和MSS5图像的像元亮度值。
经变换后,植物、土壤和水都分离开来,因此可独立地对绿色植物量进行统计。
变换比较概念:
用最少的影像数据最好地进行分类。
这样就需在这些特征影像中,选择一组最佳的特征影像进行分类,这就称为特征选择。
1.定性的方法2.定量的方法相关系数法距离测度类内距离越小,类间距离越大散布矩阵测度类内散布矩阵和类间散布矩阵9.1.3特征选择1、相关系数法求取(影像)特征间的相关系数如:
TM2和TM3的相关系数为0.89,说明有许多地物相关性很强,冗余度大,只需选择其中一个影像参加分类就可以。
而TM3与TM4的相关系数仅为0.23,说明两个波段的相关性小,需两个波段都参与分类。
2、标准化距离法由此可知,标准化距离越大,说明该影像上所要区分的两类地物可分性大,它有两种情况:
(1)是类间离散度大,即均值间的距离大,标准化距离必然大。
(2)是类内离度度小,即标准偏差之和小,标准化距离也必然大。
9.2监督分类监督分类的概念首先需要从研究区域选取有代表性的训练场地作为样本。
根据已知训练区提供的样本,通过选择特征参数(如像素亮度均值、差等),建立判别函数,据此对样本像元进行分类,依据样本类别的特征来识别非样本像元的归属类别。
监督分类包括利用训练区样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别的过程。
监督分类的思想根据已知的样本类别和类别的先验知识,确定判别函数和相应的判别准则,其中利用一定数量的已知类别函数中求解待定参数的过程称之为学习或训练,然后将未知类别的样本的观测值代入判别函数,再依据判别准则对该样本的所属类别作出判定。
监督分类的主要步骤如下:
(1)确定感兴趣的类别数。
(2)特征变换和特征选择。
(3)选择训练样区。
(4)确定判决函数和判决规则。
(5)根据判决函数和判决规则对非训练样区的图像区域进行分类。
样区的获取样区的要求样区的统计9.2.1判别函数和判别规则判别函数当各个类别的判别区域确定后,用来表示和鉴别某个特征矢量属于哪个类别的函数。
判别规则判断特征矢量属于某类的依据。
常用的两种判别函数和判别规则:
概率判别函数和贝叶斯判别规则距离判别函数和判别规则1、概率判别函数和贝叶斯判别规则由特征空间概念可知,地物点可以在特征空间找到相应的特征点同类地物在特征空间中形成一个从属于某种概率分布的集群。
概率判别函数:
把某特征矢量X落入某类集群的条件概率当成分类判别函数。
贝叶斯判别规则:
把X落入某集群的条件概率最大的类为X的类别。
叶斯判别规则以错分概率或风险最小为准则的判别规则。
根据概率判别函数和贝叶斯判别规则来进行的分类通常称为最大似然分类法。
假设,同类地物在特征空间服从正态分布,则类别的概率密度函数。
根据贝叶斯公式,可得贝叶斯判别函数相应的贝叶斯判别规则为:
若对于所有可能的j=1,2,m;ji有则X属于i类。
错分概率概率判别函数的判别边界(假设有两类)。
当使用概率判别函数实行分类时,不可避免地会出现错分现象,分类错误的总概率由后验概率函数重叠部分下的面积给出,错分概率是类别判别分界两侧作出不正确判别的概率之和。
2、距离判别函数和判别规则基本思想:
计算未知矢量X到有关类别集群之间的距离,哪类距离它最近,该未知矢量就属于哪类。
距离判别规则是按最小距离判别的原则马氏(Mahalanobis)距离欧氏(Euclidean)距离计程(Taxi)距离基于距离判别函数和判别规则,在实践中以此为原理的分类方法称为最小距离分类法。
1)马氏距离判别函数:
在各类别先验概率和集群体积|都相同(或先验概率与体积的比为同一常数)情况下的概率判别函数马氏距离几何意义:
X到类重心之间的加权距离,其权系数为多维方差或协方差。
2)欧氏距离在马氏距离的基础上,作下列限制将协方差矩阵限制为对角的;沿每一特征轴的方差均相等。
欧氏距离是马氏距离用于分类集群的形状都相同情况下的特例。
3)计程(Taxi)距离X到集群中心在多维空间中距离的绝对值之总和来表示:
管道法分类该方法以地物的光谱特性曲线为基础,假定同类地物的光谱特性曲线相似,以此作为判别的标准。
设置一个相似阈值,这样,同类地物在特征空间上表现为以特征曲线为中心,以相似阈值为半径的管子,此即为所谓的“平行管道”。
平行管道分类法最小距离分类法最大似然比分类法分类过程1)对训练样区的要求准确性、代表性和统计性。
准确性:
要确保选择的样区与实际地物一致;代表性:
所选样区为某一地物的代表,还要考虑到地物本身的复杂性,反映同类地物光谱特性的波动情况;统计性:
指选择的训练样区内必须有足够多的像元,以保证由此计算出的类别参数符合统计规律。
2)初始类别参数的形成选择样本区域将样本数据在特征空间进行聚类计算每个类别的M和,建立类别的判别函数3)根据判别函数逐个像素的分类判别4)分类结果影像的形成建筑物1分类得到的专题图监督分类的优缺点优点:
根据应用目的和区域,有选择的决定分类类别,避免出现一些不必要的类别;可以控制训练样本的选择;可以通过检查训练样本来决定训练样本是否被精确分类,从而避免分类中的严重错误;避免了非监督分类中对光谱集群的重新归类。
缺点:
主观性;由于图像中间类别的光谱差异,使得训练样本没有很好的代表性;训练样本的获取和评估花费较多人力时间;只能识别训练中定义的类别。
9.3非监督分类非监督分类是指人们事先对分类过程不施加任何的先验知识,而仅凭数据遥感影像地物的光谱特征的分布规律,即自然聚类的特性进行“盲目”的分类。
其分类的结果只是对不同类别达到了区分,但并不能确定类别
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 第九 遥感 图像 自动识别 分类
![提示](https://static.bdocx.com/images/bang_tan.gif)