第八章遥感图像自动识别分类_精品文档.ppt

第八章遥感图像自动识别分类_精品文档.ppt

《第八章遥感图像自动识别分类_精品文档.ppt》由会员分享，可在线阅读，更多相关《第八章遥感图像自动识别分类_精品文档.ppt（77页珍藏版）》请在冰豆网上搜索。

第八章遥感数字图像的计算机解译本章要点遥感图像分类的基础知识遥感图像分类的基础知识特征变换与特征提取特征变换与特征提取监督分类和非监督分类监督分类和非监督分类遥感图像解译专家系统遥感图像解译专家系统遥感图像的计算机分类，就是对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所相应的实际地物，提取所需地物信息的目的。

与遥感图像的目视判读技术相比较，它们的目的是一致的，但手段不同，目视判读是直接利用人类的自然识别智能，而计算机分类是利用计算机技术来人工模拟人类的识别功能。

遥感图像的计算机分类是模式识别中的一个方面，它的主要识别对象是遥感图像及各种变换之后的特征图像，识别目的是国土资源与环境的调查。

第八章遥感数字图像的计算机解译遥感图像的自动识别分类主要采用决策理论（或统计）方法，按照决策理论方法，需要从被识别的模式（即对象）中，提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。

以区分具有不同特征的模式，达到分类的目的第八章遥感数字图像的计算机解译8.1、数字图像的基本知识1模式与模式识别模式与模式识别“模式”通俗的含义是某种事物的标准形式。

一个模式识别系统对被识别的模式作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较。

若和字典中某一“词目”的比较结果是吻合或比较吻合，则我们就可以得出所需要的分类结果。

这一过程称为模式识别，对于模式识别来说，这一组测量值就是一种模式，不管这组测量值是不是属于几何或物理范畴的量值。

8.1、数字图像的基本知识1模式与模式识别模式与模式识别8.1、数字图像的基本知识二二光谱特征空间和地物的聚类性质光谱特征空间和地物的聚类性质遥感图像的光谱特征通常是以地物在多光谱图像上的亮度体现出来的，即不同的地物在同一波段图像上表现的亮度一般互不相同；同时，不同的地物在多个波段图像上亮度的呈现规律也不同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。

即X=x1x2x3T8.1、数字图像的基本知识二二光谱特征空间和地物的聚类性质光谱特征空间和地物的聚类性质8.1、数字图像的基本知识二二特征点集群可以分为三种情况：

特征点集群可以分为三种情况：

理想情况理想情况不同类别地特的集群至少在一个特征子空间中的投影是完全可以相互区分开的。

典型情况典型情况不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中可以完全区分的。

这时可采用特征变换使之变成理想情况进行分类。

一般情况一般情况无论在总的特征空间中，还是在任一子空间中，不同类别的集群之间总是存在重叠现象。

这时重叠部分的特征点所对应的地物，在分类时总会出现不同程度的分类误差，这是遥感图像中最常见的情况。

8.1、数字图像的基本知识地物在特征空间的聚类通常是用特征点（或其相应的随机矢量）分布的概率密度函数P（X）来表示的。

假设特征点的统计分布属于正态分布，则其概率密度函数可表达为：

8.2、特征变换及特征变换遥感图像自动识别分类主要依据地物的光谱遥感图像自动识别分类主要依据地物的光谱特性，现在的成像光谱仪的波段数更是达到特性，现在的成像光谱仪的波段数更是达到数百之多，能够用于计算机自动分类的图像数百之多，能够用于计算机自动分类的图像数据非常多。

数据非常多。

虽然每一种图像数据都可能包含了一些可用虽然每一种图像数据都可能包含了一些可用于自动分类的信息，但是就某些指定的地物于自动分类的信息，但是就某些指定的地物分类而言，并不是全部获得的图像数据都有分类而言，并不是全部获得的图像数据都有用，如果不加区别地将大量原始图像直接用用，如果不加区别地将大量原始图像直接用来分类，不仅数据量太大，计算复杂，而且来分类，不仅数据量太大，计算复杂，而且分类的效果也不一定好分类的效果也不一定好特征变换特征变换：

将原有的m量值集合通过某种变换，然后产生n个（nm）特征特征变换的作用特征变换的作用：

一方面一方面:

减少特征之间的相关性，使得用尽可能减少特征之间的相关性，使得用尽可能少的特征来最大限度地包含所有原始数据的信少的特征来最大限度地包含所有原始数据的信息；息；另一方面另一方面:

使得待分类别之间的差异在变换后使得待分类别之间的差异在变换后的特征中更明显，从而改善分类效果的特征中更明显，从而改善分类效果8.2、特征变换及特征变换特征选择特征选择：

从原有的m个测量值集合中，按某一准则选择出n个特征特征变换的作用特征变换的作用：

一方面一方面减少参加分类的特征图像的数目减少参加分类的特征图像的数目另一方面另一方面从原始信息中抽取能更好进行分类的特从原始信息中抽取能更好进行分类的特征图像征图像8.2、特征变换及特征变换一一特征变换特征变换1主分量变换主分量变换也称为KL变换，也是一种线性变换，是就均方误差最小来说的最佳正交变换；是在统计特征基础上的线性变换目的：

KL变换能够把原来多个波段中的有用信息尽量集中到数目尽可能少的特征图像组中去，达到数据压缩的目的；同时，KL变换还能够使新的特征图像之间互不相关，也就是使新的特征图像包含的信息内容不重叠，增加类别的可分性。

8.2、特征变换及特征变换一一特征变换特征变换1主分量变换步骤：

（1）计算多光谱图像的均值向量）计算多光谱图像的均值向量M和协方差矩阵和协方差矩阵C。

（2）计算矩阵）计算矩阵C的特征值的特征值r和特征向量和特征向量r，（，（r=1，2，,M）,M为多光谱图像的波段数。

为多光谱图像的波段数。

（3）将特征值）将特征值r按由大到小的次序排列，即按由大到小的次序排列，即12m.（4）选择前几个特征值对应的几个特征向量构造变换矩）选择前几个特征值对应的几个特征向量构造变换矩阵阵n.（5）根据）根据nX进行变换，得到的新特征影像就是变进行变换，得到的新特征影像就是变换的结果，换的结果，X为多光谱图像的一个光谱特征矢量。

为多光谱图像的一个光谱特征矢量。

8.2、特征变换及特征变换一一特征变换特征变换1主分量变换8.2、特征变换及特征变换一一特征变换特征变换1主分量变换主分量变换具有以下两个好的性质：

主分量变换具有以下两个好的性质：

（1）变换后的矢量Y的协方差矩阵是对角阵，对角矩阵表明新特征矢量之间彼此不相关。

（2）经过主分量变换后得到几个变量，可以证明此时具有的均方误差在所有正交变换中是最小的。

由于nm,这样就比较少的变量代替了原来的几个变量，实现了数据压缩。

8.2、特征变换及特征变换8.2、特征变换及特征变换一一特征变换特征变换1主分量变换光谱波段方差占总信息量%主分量结构轴方差占总信息量%474.212.61533.394.15249.942.5229.95.16219.537.333.70.6744.57.641.20.28.2、特征变换及特征变换一一特征变换特征变换2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。

哈达玛矩阵为一个对称的正交矩阵，其变换核为变换。

哈达玛矩阵为一个对称的正交矩阵，其变换核为8.2、特征变换及特征变换一一特征变换特征变换2哈达玛变换由哈达玛变换核可知，哈达玛变换实际是将坐标轴旋转了45的正交变换8.2、特征变换及特征变换一一特征变换特征变换2哈达玛变换8.2、特征变换及特征变换一一特征变换特征变换3穂帽变换穗帽变换又称K-T变换，由KauthThomas研究后提出的。

它也是一种线性特征变换。

在MSS图像中，土壤类地物各波段亮度值的比值相对地不受太阳入射角，大气朦翳或土壤类型的变化影响，这就意味着土壤在特征空间（光谱空间）的集群，随亮度的变化趋势沿从坐标原点出发的同一根辐射线方向上出现8.2、特征变换及特征变换一一特征变换特征变换3穂帽变换若把土壤和植被的混合集群投影到MSS5和MSS6波段图像所组成的特征子空间中，形成一个近似的帽状三角形，见图。

土壤亮度变化轴（上面讲的辐射线）ISB为穗帽的底边，帽上面各部分反映了植物生长变化状况，植物株冠的绿色发展到顶点（最旺盛时在帽顶）以后逐渐枯黄，枯黄过程是从帽顶沿着一些称为帽穗的路径回归到土壤底线（因此有穗帽之称）8.2、特征变换及特征变换一一特征变换特征变换3穂帽变换8.2、特征变换及特征变换一一特征变换特征变换4比值变换比值变换图像用作分类有许多优点，它可以增强土壤，植被，水之间的辐射差别，压抑地形坡度和方向引起的辐射量变化。

由于地形的影响，一般情况下各种地物光谱反射率i乘上一个相近的因子,当使用比值变换时，R12=x1/x2=1/2=1/28.2、特征变换及特征变换一一特征变换特征变换5生物量指标变换8.2、特征变换及特征变换一一特征变换特征变换5生物量指标变换8.2、特征变换及特征变换二二特征选择特征选择在遥感图像自动分类过程中，不仅使用原始遥感图像进行分类，还使用如上节所述多种特征变换之后的影像。

我们总希望能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。

8.2、特征变换及特征变换二二特征选择特征选择1距离测度距离测度距离是最基本的类别可分性测度，如果所选择的一组特距离是最基本的类别可分性测度，如果所选择的一组特征能使感兴趣类别的类内距离最小，而与其它类别的类征能使感兴趣类别的类内距离最小，而与其它类别的类间距离最大，那么根据距离测度；用这组特征设计的分间距离最大，那么根据距离测度；用这组特征设计的分类器分类效果最好类器分类效果最好8.2、特征变换及特征变换二二特征选择特征选择2散布矩阵测度散布矩阵测度表示模式类别在特征空间中的散布情况表示模式类别在特征空间中的散布情况1）类内散布矩阵：

）类内散布矩阵：

类内散布矩阵表示属于某一类别的模式在其均值周围的类内散布矩阵表示属于某一类别的模式在其均值周围的散布情况散布情况8.2、特征变换及特征变换二二特征选择特征选择散布矩阵测度散布矩阵测度2）类间散布矩阵：

）类间散布矩阵：

类间散布矩阵表示了不同类别间相互散布的程度类间散布矩阵表示了不同类别间相互散布的程度8.2、特征变换及特征变换二二特征选择特征选择散布矩阵测度散布矩阵测度3）总体散布矩阵：

）总体散布矩阵：

类间散布矩阵表示了不同类别间相互散布的程度类间散布矩阵表示了不同类别间相互散布的程度1分类原理2图像分类的方法监督分类及其过程非监督分类及其过程3图像分类的具体方法非监督分类：

ISODATA迭代自组织数据分析算法监督分类：

平行管道分类、最小距离分类、最大似然分类、马氏距离分类、神经网络分类方法、光谱角分类、二值编码分类4分类精度的评价分类评价的方法提高分类精度的方法8.3、监督分类和非监督分类、监督分类和非监督分类8.3.1分类原理分类原理分类原理遥感图像分类的主要依据是地物的光谱特征，即地物的辐射亮度值，这些亮度值就是遥感图像分类的原始特征变量。

不同地物具有不同的光谱特征，同类地物具有相同或相似的光谱特征。

图像分类就是依据遥感图像像素光谱特征的相似性来划分种类的过程。

就某些特定地物的分类而言，多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K-T变换等），以寻找能有效描述地物类别的特征变量，然后利用这些特征变量对数字图像进行分类。

图像分类的基本原理图像分类的基本原理遥感数字遥感数字图像分类的依图像分类的依据就是数字图据就是数字图像中反映的同像中反映的同类地物的光谱类地物的光谱相似性和异类相似性和异类地物的光谱差地物的光谱差异性。

异性。

8.3.2图像分类的方法图像分类的方法监督分类法：

首先需要从研究区域选取代表各类别的已知样本作为训练场地（训练区）。

根据已知训练区提供的样本，在样本上选择提取特征参数（如像素亮度均值、方差等），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。

非监督分类法：

是在没有先验类别（训练场地）作为样本的条