遥感原理与应用第八章作业.docx
《遥感原理与应用第八章作业.docx》由会员分享，可在线阅读，更多相关《遥感原理与应用第八章作业.docx（4页珍藏版）》请在冰豆网上搜索。
遥感原理与应用第七章作业
一、名词解释
1.模式识别：
一个模式识别系统对识别的模式作一系列的测量，然后对测量结果与模式字典中一组典型的测量值比较。
若和字典中某一词目的比较结果吻合或比较吻合，则我们就可以得出分类结果这一过程。
2.遥感图像自动分类：
按照决策理论方法，需从被识别的模式中，提取一组反映模式属性的测量值，并把模式特征定义在一个特征空间中，进而用决策的原理对特征空间进行划分。
3.统计模式识别：
对模式的统计分类方法，即把模式类看成是用某个随机向量实现的集合。
4.结构模式识别：
用模式的基本组成元素（基元）及其相互间的结构关系对模式进行描述和识别的方法。
在多数情况下，可以有效地用形式语言理论中的文法表示模式的结构信息，因此也常称为句法模式识别。
5.光谱特征向量：
同名地物点在不同波段图像中亮度观测量将构成一个多维的随机向量。
6.特征空间：
为了度量图像中地物的光谱特征，建立一个以各波段图像的亮点分布的为子空间的多维光谱特征空间。
7.特征变换：
将原始图像通过一定的数字变换生成一组新的特征图像。
8.特征选择：
在特征影像中，选择一组最佳的特征影像进行分类。
9.主分量变换：
是指由原始图像数据协方差矩阵的特征值和特征向量建立起来的变换核，将光谱特征空间原始数据向量投影到平行于地物集群椭球体各结构轴的主成分方向，突出和保留主要地物类别信息，用来进行图像增强、特征选择和图像压缩的处理方法。
10.哈达玛变换：
哈达玛变换是利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换。
11.穗帽变换：
穗帽变换是指根据经验确定的变换矩阵将图像投影综合变换到三维空间，其立体形态形似带缨穗的帽子，变换后能看到穗帽的最大剖面，充分反映植物生长枯萎程度、土地信息变化，大气散射物理影响和其它景物变化程度的一种线性特征变换的图像处理方法。
12.生物量指标变换：
以两图像间相应亮度差与其亮度和之比作为处理后的图像亮度值的图像处理方法。
13.标准化距离：
标准化欧氏距离是针对欧氏距离的缺点而作的一种改进。
14.类间离散度：
不同类模式点集内，观测变量各个取值之间的差异程度。
15.类内离散度：
同一类模式点集内，观测变量各个取值之间的差异程度。
16.判别函数：
用来表示和鉴别某个特征矢量属于哪个类别的函数。
17.判别边界：
所谓判别边界就是能够把样本正确分类的一条边界。
18.条件概率：
事件A在另外一个事件B已经发生条件下的发生概率。
19.先验概率：
是指根据以往经验和分析得到的概率，如全概率公式，它往往作为"由因求果"问题中的"因"出现的概率。
20.后验概率：
后验概率是指在得到“结果”的信息后重新修正的概率；
21.贝叶斯判别规则：
把特征向量X落入某类集群wi的条件概率平P（wi/X）当成分类判别函数，把X落入某集群的条件概率最大的类。
22.马氏距离：
两个服从同一分布并且其协方差矩阵为Σ的随机变量之间的差异程度。
23.欧氏距离：
是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。
24.错分概率：
ET=QE1T+1-QE2（T）
25.训练样区:
指图像上那些已知其类别属性，可以用来统计类别参数的区域。
.
26.最小距离法分类:
求出未知类别向量到要识别各类别代表向量中心点的距离，将未知类别向量归属于距离最小一类的一种图像分类方法。
27.ISODATA法分类:
ISODATA算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。
28.混淆矩阵:
用表格的方式检核分类精度的样区内所有像元，统计分类图中的类别与实际类别之间的混淆程度.
二、问答题
1.地物在特征空间聚类有哪些特性？
答：
特征：
1.不同地物由于光谱特征不同，将分布在特征空间的不同位置。
2.同类地物的各取样点在光谱特征空间中的特征点将不可能只表现为同一点，而是形成一个相对聚集的点集群，不同类地物的点集群在特征空间内一般是相互分离的。
3.地物在特征空间的聚类通常用特征点分布的概率密度函数表示。
2.作图并说明遥感影像主分量变换的原理和它在遥感中的主要作用。
答：
主分量变换，是指由原始图像数据协方差矩阵的特征值和特征向量建立起来的变换核，将光谱特征空间原始数据向量投影到平行于地物集群椭球体各结构轴的主成分方向，突出和保留主要地物类别信息，用来进行图像增强、特征选择和图像压缩的处理方法。
3.叙述生物量指标变换的原理及其作用。
答：
以两图像间相应亮度差与其亮度和之比作为处理后的图像亮度值的图像处理方法。
生物指标变换后可以将植物、土壤和水等地物分开，因此可以对其中一种进行独立统计。
4.为什么要进行特征选择？
列举几种特征选择的主要方法和原理。
答：
一方面能减少参加分类的特征图像的数目，另一方面从原始信息中抽取能更好进行分类的特征图像方法距离测量散布矩阵测度方面能减少参加分类的特征图像的数目，另一方面从原始信息中抽取能更好进行分类的特征图像。
方法：
距离测量散布矩阵测度。
5.叙述监督分类与非监督分类的区别。
答：
监督法分类：
通过所选择代表各类别的已知样本（训练区）的像元光谱特征，事先取得各类别的参数，确定判别函数和相应的判别规则，从而进行分类。
非监督法分类：
不施加任何先验知识，仅凭遥感影像上地物的光谱特征分布规律进行自然“聚类”。
6.叙述最大似然法分类原理及存在的缺点。
答：
最大似然法分类原理：
根据Bayes准则对遥感图像进行分类，把某特征矢量（X）落入某类集群的条件概率当成分类判决函数（概率判决函数），把X落入某集群的条件概率最大的类为X的类别,以错分概率或风险最小为准则的判决规则。
相似性概率＊先验概率＝最后归属时的概率。
不足：
它假设分类数据符合多元高斯分布，要求具体类型的协方差矩阵为非奇异矩阵。
而事实点群的分布并不一定满足上述条件，且同一类的像元可能分布在多光谱空间的多个位置上。
而且它需要先验概率，这增大了分类难度。
7.叙述最小距离法分类的原理和步骤。
答：
是计算未知类别的特征矢量X到各类别集群之间的距离，哪类离它最近，X就属于哪类。
8.叙述ISODATA法非监督分类的原理和步骤。
答：
原理：
①它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法；②ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。
步骤：
1.初始化；2.选择初始中心；3.按一定规则（如距离最小）对所有像元划分；4.重新计算每个集群的均值和方差；按初始化的参数进行分裂和合并；5.结束，迭代次数或者两次迭代之间类别均值变化小于阈值；6.否则，重复3-5；7.确认类别，精度评定。
9.叙述改善仅用光谱特征的统计模式识别自动分类的主要方法和基本原理。
10.根据以下的混淆矩阵，计算每一类的用户精度、生产者精度、总体精度和Kappa系数。
类别
水体
裸地
植被
建筑物
道路
水体
33245
388
0
12158
673
裸地
690
101128
3248
5192
3388
植被
1
2691
22061
1197
2404
建筑物
3154
365
0
172967
3126
道路
17
2864
0
14799
20745
三、能力训练题
升级会员 