遙感圖像的計算機分類.

1、 理解遙感圖像計算機分類的一般原理 和常用的判別函數(shù) 掌握傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類方 法，以及分類中的輔助處理技術 了解計算機分類的新方法 遙感圖像計算機分類的一般原理遙感圖像計算機分類的一般原理 判別函數(shù)判別函數(shù) 非監(jiān)督分類非監(jiān)督分類 監(jiān)督分類監(jiān)督分類 光譜特征分類中的輔助處理技術光譜特征分類中的輔助處理技術 計算機分類新方法計算機分類新方法 雷達遙感圖像分類新方法雷達遙感圖像分類新方法 v概述概述 v計算機分類的基本原理計算機分類的基本原理 v計算機分類處理的一般過程計算機分類處理的一般過程 一、概述一、概述 遙感圖像的解譯遙感圖像的解譯 通過對遙感圖像所提供的各種識別目標的特征信息進通

2、過對遙感圖像所提供的各種識別目標的特征信息進 行分析、推理與判斷，從而識別目標或現(xiàn)象的過程行分析、推理與判斷，從而識別目標或現(xiàn)象的過程 v目視方法 憑著憑著光譜規(guī)律、地學規(guī)律和解譯者的經(jīng)驗光譜規(guī)律、地學規(guī)律和解譯者的經(jīng)驗從影像的從影像的亮亮 度、色調、位置、時間、紋理、結構度、色調、位置、時間、紋理、結構等特征推出地面等特征推出地面 的景物類型的景物類型 v計算機方法 利用利用計算機模式識別技術計算機模式識別技術對遙感圖像上的信息進行屬對遙感圖像上的信息進行屬 性的識別和分類性的識別和分類 一、概述一、概述 光譜特征光譜特征 v概念 地物電磁波輻射的多波段測量值，通常以地物多光譜地物電磁波輻射

3、的多波段測量值，通常以地物多光譜 圖像上的亮度體現(xiàn)圖像上的亮度體現(xiàn) v遙感圖像分類的主要依據(jù) 不同的地物在同一波段圖像上表現(xiàn)的亮度一般互不相不同的地物在同一波段圖像上表現(xiàn)的亮度一般互不相 同；同時，不同的地物在多個波段圖像上亮度的呈現(xiàn)同；同時，不同的地物在多個波段圖像上亮度的呈現(xiàn) 規(guī)律也不同規(guī)律也不同( (exampleexample） 一、概述一、概述 地物反射率差異圖地物反射率差異圖 若按照地物類別聚集的規(guī)律把多光譜空間劃分為若干個若按照地物類別聚集的規(guī)律把多光譜空間劃分為若干個 子空間，每一個子空間包含一個類別，就可以把圖像中未知像子空間，每一個子空間包含一個類別，就可以把圖像中未知像

4、元進行分類，分配到各自的子空間中元進行分類，分配到各自的子空間中 一、概述一、概述 v相關概念 n光譜類別光譜類別 完全按照光譜特征在多光譜空間內(nèi)聚集的類別完全按照光譜特征在多光譜空間內(nèi)聚集的類別 n信息類別信息類別 與地面實際景物對應的類別與地面實際景物對應的類別 n同物異譜同物異譜 同一種地物包含幾種光譜類別同一種地物包含幾種光譜類別 n異物同譜異物同譜 同一種光譜類別中有不同的信息類別同一種光譜類別中有不同的信息類別 一、概述一、概述 遙感圖像的計算機分類遙感圖像的計算機分類 v概念 將圖像中每一個像元點或區(qū)域歸屬于若干個類別中將圖像中每一個像元點或區(qū)域歸屬于若干個類別中 的一類，或若干

5、個專題要素中的一種，完成將圖像數(shù)的一類，或若干個專題要素中的一種，完成將圖像數(shù) 據(jù)從二維灰度空間轉換到目標模式空間的工作據(jù)從二維灰度空間轉換到目標模式空間的工作 v分類 n統(tǒng)計模式方法統(tǒng)計模式方法傳統(tǒng)方法傳統(tǒng)方法 n句法模式方法句法模式方法新方法新方法 一、概述一、概述 v相關概念 n監(jiān)督分類和非監(jiān)督分類監(jiān)督分類和非監(jiān)督分類 l監(jiān)督分類監(jiān)督分類 基于對于遙感圖像上樣本區(qū)內(nèi)的地物的類屬已基于對于遙感圖像上樣本區(qū)內(nèi)的地物的類屬已有先驗知識有先驗知識， 以已知樣本的特征作為依據(jù)判斷非樣本數(shù)據(jù)的類別以已知樣本的特征作為依據(jù)判斷非樣本數(shù)據(jù)的類別 l非監(jiān)督分類非監(jiān)督分類 遙感圖像地物的屬性遙感圖像地物的屬

6、性不具有先驗知識不具有先驗知識，純粹依靠不同光譜，純粹依靠不同光譜 數(shù)據(jù)組合在統(tǒng)計上的差別進行數(shù)據(jù)組合在統(tǒng)計上的差別進行“盲目分類盲目分類”, ,分類結果并分類結果并 不確定類別的屬性不確定類別的屬性 一、概述一、概述 n分類處理與增強處理 l共同點共同點 增強和提取遙感圖像中的目標信息增強和提取遙感圖像中的目標信息 l異同點異同點 增強主要是增強圖像的目視效果，提高圖像的可解譯增強主要是增強圖像的目視效果，提高圖像的可解譯 性性定性定性 分類著眼于地物類別的區(qū)別分類著眼于地物類別的區(qū)別定量定量 一、概述一、概述 n遙感圖像分類處理的特點 多變量多變量 l特征選擇特征選擇 有選擇地去除多光譜圖

7、像中對分類貢獻不大的波段，從有選擇地去除多光譜圖像中對分類貢獻不大的波段，從 而確定分類的信息源的過程而確定分類的信息源的過程 l特征特征 分類時所使用的波段或波段組合分類時所使用的波段或波段組合 l特征參數(shù)特征參數(shù) 選擇出來的，新的對于表示類別可分性更為有效的變量選擇出來的，新的對于表示類別可分性更為有效的變量 l特征空間特征空間 特征參數(shù)組成的空間特征參數(shù)組成的空間 二、計算機分類的基本原理二、計算機分類的基本原理 相關概念相關概念 v像元的特征值 每個波段上灰度值構成的矢量每個波段上灰度值構成的矢量 v特征空間 包含包含X X的的的的n n維空間維空間 v模式 圖像中某一類目標圖像中某一

8、類目標 v樣本 屬于某類別的像素屬于某類別的像素 v樣本觀測值 樣本的多光譜矢量樣本的多光譜矢量 波段波段1 1 波段波段2 2 波段波段n n 多光譜圖像多光譜圖像 T n xxxX),( 21 T n xxxX),( 21 二、計算機分類的基本原理二、計算機分類的基本原理 基本原理基本原理 多光譜圖像和特征空間中的點集具有等價關系。通常多光譜圖像和特征空間中的點集具有等價關系。通常 同一類地面目標的光譜特性比較接近，在特征空間中同一類地面目標的光譜特性比較接近，在特征空間中 的點聚集在該類的中心附近，多類目標在特征空間中的點聚集在該類的中心附近，多類目標在特征空間中 形成多個點族（形成多個

9、點族（exampleexample） 二、計算機分類的基本原理二、計算機分類的基本原理 B X0)( X0)( ，當 ，當 Xf Xf AB AAB 多光譜圖像分類原理多光譜圖像分類原理 設圖像上有兩類設圖像上有兩類 目標目標A A、B B 判別準則為判別準則為： 遙感圖像分類算法的核心就是確定判別函數(shù)和相應的判別準則 fAB(X)0 三、計算機分類處理的一般過程三、計算機分類處理的一般過程 原始圖像的預處理 訓練區(qū)的選擇 特征選擇和特征提取 分類 檢驗結果 結果輸出 原始圖像預處理原始圖像預處理 訓練區(qū)的選擇訓練區(qū)的選擇 特征選擇和特征提取特征選擇和特征提取 圖像分類運算圖像分類運算 檢驗結

10、果檢驗結果 結果輸出結果輸出 三、計算機分類處理的一般過程三、計算機分類處理的一般過程 原始圖像的預處理原始圖像的預處理 對觀測數(shù)據(jù)作成像處理，以及圖像的幾何校正、輻射對觀測數(shù)據(jù)作成像處理，以及圖像的幾何校正、輻射 校正、量化、采樣、預濾波、去噪聲等處理，以便獲校正、量化、采樣、預濾波、去噪聲等處理，以便獲 得一幅比較清晰、對比度強、位置準確的圖像提高分得一幅比較清晰、對比度強、位置準確的圖像提高分 類精度類精度 三、計算機分類處理的一般過程三、計算機分類處理的一般過程 訓練區(qū)的選擇訓練區(qū)的選擇 v要求 普遍性、代表性普遍性、代表性 v方法 n實地調查實地調查 n借助地圖、航片或其他專題資料借

11、助地圖、航片或其他專題資料 n非監(jiān)督分類非監(jiān)督分類 水水 田田 平原水田平原水田 丘陵水田丘陵水田 山區(qū)水田山區(qū)水田 景觀相片景觀相片遙感影像遙感影像 平原旱地平原旱地 山區(qū)旱地山區(qū)旱地 景觀相片景觀相片遙感影像遙感影像 丘陵旱地丘陵旱地 旱旱 地地 有林地有林地 景觀相片景觀相片遙感影像遙感影像 疏林地疏林地 灌木林地灌木林地 林林 地地 低覆蓋度草地低覆蓋度草地 中覆蓋度草地中覆蓋度草地 高覆蓋度草地高覆蓋度草地 景觀相片景觀相片遙感影像遙感影像 草草 地地 河河 渠渠 冰川及永久性積雪冰川及永久性積雪 水庫坑塘水庫坑塘 湖湖 泊泊 河灘地河灘地 水 域 城鎮(zhèn)用地城鎮(zhèn)用地 農(nóng)村居民用地農(nóng)村

12、居民用地 工礦和交通用地工礦和交通用地 景觀相片景觀相片遙感影像遙感影像 城鎮(zhèn)及工礦用地 鹽堿地鹽堿地 沙沙 地地 戈戈 壁壁 沼澤地沼澤地 裸土地裸土地 裸巖裸巖 其他其他 未利用土地 景觀相片景觀相片遙感影像遙感影像景觀相片景觀相片遙感影像遙感影像 三、計算機分類處理的一般過程三、計算機分類處理的一般過程 特征選擇與特征提取特征選擇與特征提取 v特征選擇（feature selection） 從眾多特征中挑選出可以參加分類運算的若干特征從眾多特征中挑選出可以參加分類運算的若干特征 v特征提?。╢eature extraction） 在特征選擇后，利用特征提取算法從原始特征中求出在特征選擇后

13、，利用特征提取算法從原始特征中求出 最能反映其類別特性的一組新特征，完成樣本空間到最能反映其類別特性的一組新特征，完成樣本空間到 特征空間的轉換特征空間的轉換 數(shù)據(jù)壓縮、提高不同類別特征之間的可區(qū)分性數(shù)據(jù)壓縮、提高不同類別特征之間的可區(qū)分性 三、計算機分類處理的一般過程三、計算機分類處理的一般過程 圖像分類運算圖像分類運算核心階段核心階段 根據(jù)影像特點和分類目的設計或選擇恰當?shù)姆诸惛鶕?jù)影像特點和分類目的設計或選擇恰當?shù)姆诸?器及其判別準則，對特征矢量進行劃分，完成分器及其判別準則，對特征矢量進行劃分，完成分 類工作類工作 檢驗結果檢驗結果 分類精度和可靠性評價分類精度和可靠性評價 結果輸出結果

14、輸出 結果圖像的輸出和分類結果的統(tǒng)計值結果圖像的輸出和分類結果的統(tǒng)計值 v距離判別函數(shù)距離判別函數(shù) v最大似然法判別函數(shù)最大似然法判別函數(shù) 一、距離判別函數(shù)一、距離判別函數(shù) 前提前提 地物光譜特征在特征空間中按集群方式分布地物光譜特征在特征空間中按集群方式分布 原理原理 已知各類別集群的中心位置已知各類別集群的中心位置M Mi i（均值），計算光譜特（均值），計算光譜特 征空間中任一點征空間中任一點k k到各類的距離到各類的距離 （i i1 1，2 2，n n） 若若 則則k k i i類；否則類；否則k k j j類類 )( ki xd )()( kjki xdxd 一、距離判別函數(shù)一、距離

15、判別函數(shù) 常用的距離判別函數(shù)常用的距離判別函數(shù) v閔氏距離 n絕對值距離絕對值距離 n歐幾里德距離歐幾里德距離 v馬哈拉諾比斯距離 一、距離判別函數(shù)一、距離判別函數(shù) n絕對值距離（出租汽車距離、絕對值距離（出租汽車距離、 城市塊距離、等混合距離）城市塊距離、等混合距離） 式中 為距離；j為波段序 號；總波段數(shù)為n，i為類別號， xkj為k像元在j波段的亮度值； Mij為均值 n j ijkjki Mxxd 1 )( )( ki xd A(xA,yA) B(xB,yB) y x 特點：各特征參數(shù)以等權參與，計算簡單特點：各特征參數(shù)以等權參與，計算簡單 一、距離判別函數(shù)一、距離判別函數(shù) n歐幾里德

16、距離（歐氏距離歐幾里德距離（歐氏距離） 特點：各特征參數(shù)等權特點：各特征參數(shù)等權 n j ijkjki Mxxd 1 )()( y A(xA,yA) B(xB,yB) x 一、距離判別函數(shù)一、距離判別函數(shù) n注意注意 l閔氏距離與特征參數(shù)的量綱有關閔氏距離與特征參數(shù)的量綱有關 量綱不同時可以通過用標準差或級差標準化的方法量綱不同時可以通過用標準差或級差標準化的方法 解決解決 l閔氏距離沒有考慮特征參數(shù)間的相關性閔氏距離沒有考慮特征參數(shù)間的相關性 一、距離判別函數(shù)一、距離判別函數(shù) n馬哈拉諾比斯距離（馬氏距離）馬哈拉諾比斯距離（馬氏距離） 式中， i為I 集群的協(xié)方差矩陣，其協(xié)方差為 )()()

17、()( 1 iki T ikki MxMxxd T kNkkk xxxx),( 21 T iNiii MMMM),( 21 mNmm N N i 21 22221 11211 ) 1( )( 1 ii n k ilklijkj jl nn MxMx i 一、距離判別函數(shù)一、距離判別函數(shù) )()()( 2 ik T ikki MxMxxd DB DA K MB MA x2 x1 特點：是一種加權的歐特點：是一種加權的歐 氏距離，通過協(xié)方差矩氏距離，通過協(xié)方差矩 陣來考慮變量相關性陣來考慮變量相關性 當當I 時，為歐式距離時，為歐式距離 的平方的平方 二、最大似然法判別函數(shù)二、最大似然法判別函數(shù)

18、最大似然判別規(guī)則最大似然判別規(guī)則 v前提 各類的分布為正態(tài)函數(shù)各類的分布為正態(tài)函數(shù) v依據(jù) 貝葉斯貝葉斯( (BayesBayes) )公式公式 v判別函數(shù) v判別規(guī)則 式中， 似然概率 先驗概率 后驗概率 X 出現(xiàn)的概率 )/(Xp i )()/()( iii PXPXg i X)/()()/()(則若 jjii XPPXPP )/( i Xp )( i p )( )/()( )/( Xp Xpp Xp ii i )(Xp 二、最大似然法判別函數(shù)二、最大似然法判別函數(shù) 正態(tài)分布正態(tài)分布 v多變量概率密度函數(shù) 式中 )()( 2 1 exp )2( 1 )/( 1 2 1 2 ii T i i

19、 p i MXSMX S XP i n j j i i X n M 1 1 i n j T ijij i i MXMX n S 1 )( 1 1 二、最大似然法判別函數(shù)二、最大似然法判別函數(shù) v判別函數(shù) v判別規(guī)則 v判別邊界 類第類否則第，且當jXiXij)()(XgXg ji )()( 2 1 ln 2 1 )(ln)( 1 ii T iiii MXSMXSPXg 0)()( 21 XgXg v概念概念 是在沒有先驗類別知識是在沒有先驗類別知識( (訓練場地訓練場地) )的情況下，根據(jù)圖像本的情況下，根據(jù)圖像本 身的統(tǒng)計特征及自然點群的分布情況來劃分地物類別的分類處理，身的統(tǒng)計特征及自然點

20、群的分布情況來劃分地物類別的分類處理， 也叫做也叫做“邊學習邊分類法邊學習邊分類法” v理論依據(jù)理論依據(jù) 遙感圖像上的同類地物在相同的表面結構特征、植被覆蓋、遙感圖像上的同類地物在相同的表面結構特征、植被覆蓋、 光照等條件下，一般具有相同或相近的光譜特征，從而表現(xiàn)出某光照等條件下，一般具有相同或相近的光譜特征，從而表現(xiàn)出某 種內(nèi)在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光種內(nèi)在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光 譜信息特征不同，歸屬于不同的光譜空間區(qū)域譜信息特征不同，歸屬于不同的光譜空間區(qū)域 v方法方法 聚類分析聚類分析 v主要過程主要過程 確定初始類別參數(shù)確定初始類別

21、參數(shù) （類別數(shù)、集群中心）（類別數(shù)、集群中心） 計算每個像元計算每個像元Xk到各到各 集群中心集群中心j的距離的距離dkj 集群中心是否變化集群中心是否變化 計算新的集群中心計算新的集群中心 dkiMin(dkj) Xk第第i類類 結束結束 Y N v初始類別參數(shù)的選定初始類別參數(shù)的選定 vISODATAISODATA法法 vK-MeanK-Mean算法算法 v應用舉例應用舉例 一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定 初始類別參數(shù)初始類別參數(shù) 基準類別集群中心（數(shù)學期望基準類別集群中心（數(shù)學期望Mi），集群分布的協(xié)方），集群分布的協(xié)方 差矩陣差矩陣i 選定方法選定方法 v像素光譜特征的比

22、較法 v總體直方圖均勻定心法 v最大最小距離選心法 v局部直方圖峰值定心法 一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定 定義一個抽樣集定義一個抽樣集 選定一個像素選定一個像素 作為第作為第1個類別個類別 作為該類的成員作為該類的成員 相似？相似？ 其它像素與已建立的類別比較其它像素與已建立的類別比較 計算類別參數(shù)計算類別參數(shù) YN 作為新的類別作為新的類別 所有像素或所有像素或 按一定間隔抽樣的按一定間隔抽樣的 像素像素 設定閾值設定閾值 v像素光譜特征的比較法 一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定 v總體直方圖均勻定心法 設總體直方圖的均值和方差分別 為 和 其中 每個類別初始類別

23、集群中心位置 T n 22 2 2 1 , T n mmmM, 21 N j iiji N j iji mx N x N m 1 22 1 )( 1 1 1 1) 1/() 1(2QqmZ iiqi iiiiii iiiiii mZmZ mZmZ 43 21 ; 3 1 3 1 ; 一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定 v最大最小距離選心法 n原則原則 使各初始類別之間，盡可能地保持遠距離使各初始類別之間，盡可能地保持遠距離 n過程過程 一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定 定義一個抽樣集定義一個抽樣集 選定一個像素選定一個像素X1 作為第一個初始類別中心作為第一個初始類別中心

24、Z1 X Xj j作為第作為第2 2個初始類別中心個初始類別中心Z Z2 2 D1j=Max(D1i) 計算計算X X1 1與其它抽樣點與其它抽樣點X Xi i距離距離D D1i 1i 結束結束 Y 計算剩余抽樣點計算剩余抽樣點X Xk k到已建立到已建立 的初始類別中心的初始類別中心m m距離距離d dkm km dkMin(dkm) dj=max(dk) Xj作為新類別作為新類別 達到需要的類別數(shù)達到需要的類別數(shù) Y N 一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定 與光譜特征相似法相比，具有不受閾值選定影響的好處與光譜特征相似法相比，具有不受閾值選定影響的好處 與總體直方圖均勻定心法相比

25、，具有更接近實際各類集群分與總體直方圖均勻定心法相比，具有更接近實際各類集群分 布位置狀況的優(yōu)點布位置狀況的優(yōu)點 nexample 局部直方圖峰值定心法局部直方圖峰值定心法 v基本原理 每個類別的集群中心一般位于本類別直方圖的峰值位每個類別的集群中心一般位于本類別直方圖的峰值位 置，而在該位置處的總體直方圖往往會出現(xiàn)局部峰值置，而在該位置處的總體直方圖往往會出現(xiàn)局部峰值 v基本過程 一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定 獲取圖像數(shù)據(jù)獲取圖像數(shù)據(jù) 抽樣集抽樣集 建立總體建立總體 直方圖直方圖 搜索直方圖搜索直方圖 局部峰值局部峰值 一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定 v注意 n

26、為了減少數(shù)據(jù)量，通常為了減少數(shù)據(jù)量，通常按一定距離間隔按一定距離間隔的取樣方式來獲的取樣方式來獲 得圖像的抽樣數(shù)據(jù)集得圖像的抽樣數(shù)據(jù)集 n為了保證被抽樣的像素亮度為非噪聲亮度，可以為了保證被抽樣的像素亮度為非噪聲亮度，可以選定一選定一 個個“純度純度”閾值閾值，當抽樣像素亮度與周圍像素亮度之差，當抽樣像素亮度與周圍像素亮度之差 別超出該純度閾值時，把該像素摒棄別超出該純度閾值時，把該像素摒棄 n為了減少直方圖的存儲量，可采取以下措施為了減少直方圖的存儲量，可采取以下措施 l限定直方圖各維亮度的取值范圍限定直方圖各維亮度的取值范圍 l用亮度分辨力用亮度分辨力K K把直方圖分切為一系列直方圖局部單

27、元把直方圖分切為一系列直方圖局部單元 二、二、ISODATAISODATA法（迭代自組織數(shù)據(jù)分析技術）法（迭代自組織數(shù)據(jù)分析技術） 過程過程 輸入控制參數(shù)輸入控制參數(shù) niTs Ni i DikTc Y Y Y Y Y N N N N N 二、二、ISODATAISODATA法法 example 二、二、ISODATAISODATA法法 實質實質 v以初始類別為以初始類別為“種子種子”進行自動迭代聚類的過程，進行自動迭代聚類的過程， 可以自動地進行類別的可以自動地進行類別的“合并合并”和和“分裂分裂”，其參，其參 數(shù)也在不斷地聚類調整中逐漸確定，并最終構建所數(shù)也在不斷地聚類調整中逐漸確定，并最

28、終構建所 需要的判別函數(shù)需要的判別函數(shù) v基準類別參數(shù)的確定過程，也正是利用光譜特征本基準類別參數(shù)的確定過程，也正是利用光譜特征本 身的統(tǒng)計性質對判別函數(shù)不斷調整和身的統(tǒng)計性質對判別函數(shù)不斷調整和“訓練訓練”過程過程 三、三、K-MeanK-Mean算法算法 聚類準則聚類準則 使每一聚類中，多模式點到該類別的中心的距離的平使每一聚類中，多模式點到該類別的中心的距離的平 方和最小方和最小 基本思想基本思想 通過迭代，逐次移動各類的中心，直至得到最好的聚通過迭代，逐次移動各類的中心，直至得到最好的聚 類結果為止類結果為止 三、三、K-MeanK-Mean算法算法 開始開始 選擇初始類別的中心選擇初

29、始類別的中心 將所有像元分到將所有像元分到c個類別中個類別中 聚類中心不變聚類中心不變 計算新的集群中心計算新的集群中心 結束結束 N Y 過程過程 四、應用舉例四、應用舉例 打開非監(jiān)督分類模打開非監(jiān)督分類模 塊，選擇輸入、塊，選擇輸入、 輸出影像輸出影像 確定相關參數(shù)執(zhí)確定相關參數(shù)執(zhí) 行非監(jiān)督分類行非監(jiān)督分類 一般一般最終分最終分 類個數(shù)的類個數(shù)的2倍倍 四、應用舉例四、應用舉例 確定類別確定類別 四、應用舉例四、應用舉例 Swipe v訓練區(qū)的選擇訓練區(qū)的選擇 v判別分析分類判別分析分類 v檢驗檢驗 v應用實例應用實例 一、訓練區(qū)的選擇一、訓練區(qū)的選擇 注意注意 v訓練區(qū)必須具有典型性和代

30、表性 v對所有使用的圖件要求時間和空間上的一致性 選取方式選取方式 v坐標輸入式 v人機對話式 訓練區(qū)樣本分析訓練區(qū)樣本分析 一般要求是單峰，近似于正態(tài)分布一般要求是單峰，近似于正態(tài)分布 訓練樣本數(shù)的確定訓練樣本數(shù)的確定 根據(jù)對圖像的了解程度和圖像本身的情況確定根據(jù)對圖像的了解程度和圖像本身的情況確定 理論最小值理論最小值N N1 1（N N為特征數(shù)為特征數(shù)） 二、判別分析分類二、判別分析分類 線性判別分析分類線性判別分析分類 逐步判別分析分類逐步判別分析分類 平行多面體分類平行多面體分類 最小距離分類最小距離分類 最大的似然比分類最大的似然比分類 二、判別分析分類二、判別分析分類 線性判別分

31、析分類線性判別分析分類 v線性判別函數(shù) v算法 n由已知均值向量及協(xié)方差矩陣計算歸并的協(xié)方差矩陣由已知均值向量及協(xié)方差矩陣計算歸并的協(xié)方差矩陣S S及其逆矩陣及其逆矩陣S S 1 1 n計算系數(shù)計算系數(shù)a ai i及及c ci i n計算計算d di i，如果假定，如果假定g gi i都相同，則都相同，則lnglngi iln(1/k)ln(1/k) n把把X X分到分到d di i最大的一類最大的一類 )(gln i11iiipipii pgCXaXad式中 i i i ii kn Sm S 1 1 ) 1( 11 2 1 SM a a a i ip i i ), 2 , 1( 2 1 11

32、 kiMSMC ii 二、判別分析分類二、判別分析分類 逐步判別分析分類逐步判別分析分類 選擇少數(shù)貢獻最大的自變量建立判別函數(shù)選擇少數(shù)貢獻最大的自變量建立判別函數(shù) v比較和選擇自變量 單因素方差分析或單因素方差分析或F F檢驗檢驗 v建立判別函數(shù) 同線性判別分析同線性判別分析 二、判別分析分類二、判別分析分類 平行多面體分類平行多面體分類 v原理 只有當只有當 否則排除，否則排除，Class(xClass(xi i) ) 0 0 ijiji STMx ki * 相當于在數(shù)據(jù)空間中劃分出若干個平行多面體塊段，相當于在數(shù)據(jù)空間中劃分出若干個平行多面體塊段， 每一塊段為一類每一塊段為一類 二、判別分

33、析分類二、判別分析分類 v優(yōu)點 分類標準簡單，計算速度比較快分類標準簡單，計算速度比較快 v缺點 按照各個波段的均值和標準差劃分的平行多面體與按照各個波段的均值和標準差劃分的平行多面體與 實際地物類別數(shù)據(jù)點的分布的點群形態(tài)不一致實際地物類別數(shù)據(jù)點的分布的點群形態(tài)不一致 v改進 將自然點群分割為幾個較小的平行多面體將自然點群分割為幾個較小的平行多面體 二、判別分析分類二、判別分析分類 最小距離分類最小距離分類 v原理 n由訓練組數(shù)據(jù)得出每一類別由訓練組數(shù)據(jù)得出每一類別 的均值向量及標準差向量的均值向量及標準差向量 n以均值向量作為該類在多維以均值向量作為該類在多維 空間中的中心位置，計算輸空間中

34、的中心位置，計算輸 入圖像中每個像元到各類中入圖像中每個像元到各類中 心的距離（歐幾里德距離、心的距離（歐幾里德距離、 折線距離）折線距離） n到哪一類中心的距離最小，到哪一類中心的距離最小， 則該像元就歸入哪一類則該像元就歸入哪一類 二、判別分析分類二、判別分析分類 v缺陷 n不同類別的亮度值（或其它特性）的變化范圍，其方差不同類別的亮度值（或其它特性）的變化范圍，其方差 的大小不同，不能簡單地用到類中心的距離來劃分像元的大小不同，不能簡單地用到類中心的距離來劃分像元 的歸屬的歸屬 n自然地物類別的點群分布不一定是圓形或球形，即不同自然地物類別的點群分布不一定是圓形或球形，即不同 方向上半徑

35、是不等的，因而距離的量度在不同方向上應方向上半徑是不等的，因而距離的量度在不同方向上應 有所差異有所差異 v改進 在距離算法上改進在距離算法上改進 二、判別分析分類二、判別分析分類 最大似然比分類最大似然比分類 v基本前提 每一類的概率密度分布都是正態(tài)分布每一類的概率密度分布都是正態(tài)分布 v判別函數(shù) v說明 n分類的準確程度不僅取決于方法的選擇，還與地區(qū)的分類的準確程度不僅取決于方法的選擇，還與地區(qū)的 特點、有關參數(shù)的選擇、應用人員的經(jīng)驗，特別是訓特點、有關參數(shù)的選擇、應用人員的經(jīng)驗，特別是訓 練數(shù)據(jù)的代表性有關練數(shù)據(jù)的代表性有關 n訓練組統(tǒng)計數(shù)的可靠性程度比分類器算法的選擇對分訓練組統(tǒng)計數(shù)的

36、可靠性程度比分類器算法的選擇對分 類的準確度影響更大類的準確度影響更大 )()( 2 1 ln 2 1 )(ln)( 1 ii T iiii MXSMXSPXg 二、判別分析分類二、判別分析分類 example 三、檢驗三、檢驗 0 )/()( 2221 x dxXppE 0 )/()( 1112 x dxXppE 一維空間錯誤概率一維空間錯誤概率 1221 EEE 總錯誤概率總錯誤概率 )()/()( )()/()( 222 111 pXpxg pXpxg 三、檢驗三、檢驗 錯誤概率估計錯誤概率估計 （先驗概率相同時較準確）（先驗概率相同時較準確） 混淆矩陣混淆矩陣 v一個一個m mm m的

37、矩陣，的矩陣，m m為分類的類別數(shù)，矩陣的列通常表示為分類的類別數(shù)，矩陣的列通常表示 參考類別，行表示分類類別參考類別，行表示分類類別 v基于混淆矩陣可以得到基于混淆矩陣可以得到以下以下一些統(tǒng)計指標來衡量分類的一些統(tǒng)計指標來衡量分類的 精度精度 N N E err 三、檢驗三、檢驗 先驗概率相同）總精度 %(100 n m 1k kkn R Omission漏分誤差 生產(chǎn)精度%100 n k kkn ommissionC %100 n k kkn 錯分誤差 使用者精度 （先驗概率不同）總精度 m i ii RPR 1 )( m k kk m k kk m k kk nnn nnnn Kappa

38、 1 2 11 系數(shù) 式中，式中，n n為樣本總數(shù)，為樣本總數(shù)，n nkk kk為矩陣對角線上的元素， 為矩陣對角線上的元素，n nk+ k+為 為 矩陣的行數(shù)據(jù)之和，矩陣的行數(shù)據(jù)之和，n n+k +k為矩陣的列數(shù)據(jù)之和 為矩陣的列數(shù)據(jù)之和 三、檢驗三、檢驗 類型類型水體水體 建設建設 用地用地 荒草荒草 地地 園地園地水田水田林地林地總和總和 使用者使用者 精度精度 未分類未分類0000000 水體水體24200323177.42 建設用地建設用地0113402912888.28 荒草地荒草地091509114434.09 園地園地010152123050 水田水田3410108311990

39、.76 林地林地0000315716098.13 總和總和271292015127194512 生產(chǎn)精度生產(chǎn)精度 88.8987.607510085.0480.93 總精度總精度84.3884.38 KappaKappa系數(shù)系數(shù)0.79240.7924 四、應用實例四、應用實例 打開待分類影像打開待分類影像 打開模板窗口打開模板窗口 四、應用實例四、應用實例 定義分類模板定義分類模板 四、應用實例四、應用實例 評價分類模板評價分類模板 誤差矩陣精度誤差矩陣精度85%85%， 模板需要要重建模板需要要重建 四、應用實例四、應用實例 監(jiān)督分類監(jiān)督分類 林地林地 旱地旱地 建設用地建設用地 水澆地水

40、澆地 水域水域 果園果園 未利用地未利用地 四、應用實例四、應用實例 精度評價精度評價 比較比較 非監(jiān)督分類主要優(yōu)點非監(jiān)督分類主要優(yōu)點 v不需要預先對所要分類的區(qū)域有廣泛的了解和熟悉，不需要預先對所要分類的區(qū)域有廣泛的了解和熟悉， 而監(jiān)督分類則需要分析者對所研究區(qū)域有很好的了解而監(jiān)督分類則需要分析者對所研究區(qū)域有很好的了解 從而才能選擇訓練樣本。但是在非監(jiān)督分類中分析者從而才能選擇訓練樣本。但是在非監(jiān)督分類中分析者 仍需要一定的知識來解釋非監(jiān)督分類得到的集群組仍需要一定的知識來解釋非監(jiān)督分類得到的集群組 v人為誤差的機會減少，即使分析者對分類圖像有很強人為誤差的機會減少，即使分析者對分類圖像有

41、很強 的看法偏差，也不會對分類結果有很大影響。因此非的看法偏差，也不會對分類結果有很大影響。因此非 監(jiān)督分類產(chǎn)生的類別比監(jiān)督分類所產(chǎn)生的更均質監(jiān)督分類產(chǎn)生的類別比監(jiān)督分類所產(chǎn)生的更均質 v獨持的、覆蓋量小的類別均能夠被識別，而不會像監(jiān)獨持的、覆蓋量小的類別均能夠被識別，而不會像監(jiān) 督分類那樣被分析者的失誤所丟失督分類那樣被分析者的失誤所丟失 比較比較 非監(jiān)督分類主要缺點非監(jiān)督分類主要缺點來自于對其來自于對其“自然自然” 的依賴性的依賴性 v非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對應于分析者想非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對應于分析者想 要的類別，因此分析者面臨著如何將它們和想要的類別要的類別，

42、因此分析者面臨著如何將它們和想要的類別 相匹配的問題，實際上幾乎很少有一對一的對應關系相匹配的問題，實際上幾乎很少有一對一的對應關系 v分析者較難對產(chǎn)生的類別進行控制，因此其產(chǎn)生的類別分析者較難對產(chǎn)生的類別進行控制，因此其產(chǎn)生的類別 也許并不能讓分析者滿意也許并不能讓分析者滿意 v圖像中各類別的光譜特征會隨時間、地形等變化，不同圖像中各類別的光譜特征會隨時間、地形等變化，不同 圖像以及不同時段的圖像之間的光譜集群組無法保持其圖像以及不同時段的圖像之間的光譜集群組無法保持其 連續(xù)性，從而使其不同圖像之間的對比變得困難連續(xù)性，從而使其不同圖像之間的對比變得困難 比較比較 監(jiān)督分類的主要優(yōu)點監(jiān)督分類

43、的主要優(yōu)點 v可根據(jù)應用目的和區(qū)域，有選擇地決定分類類別，避可根據(jù)應用目的和區(qū)域，有選擇地決定分類類別，避 免出現(xiàn)一些不必要的類免出現(xiàn)一些不必要的類 v可控制訓練樣本的選擇可控制訓練樣本的選擇 v可通過檢查訓練樣本來決定訓練樣本是否被精確分類可通過檢查訓練樣本來決定訓練樣本是否被精確分類 v避免了非監(jiān)督分類中對光譜集群組的重新歸類避免了非監(jiān)督分類中對光譜集群組的重新歸類。 比較比較 監(jiān)督分類的缺點監(jiān)督分類的缺點 v分類系統(tǒng)的確定、訓練樣本的選擇，均人為主觀因素較分類系統(tǒng)的確定、訓練樣本的選擇，均人為主觀因素較 強，分析者定義的類別也許并不是圖像中存在的自然類強，分析者定義的類別也許并不是圖像中

44、存在的自然類 別，導致多維數(shù)據(jù)空間中各類別間并非獨一無二，而是別，導致多維數(shù)據(jù)空間中各類別間并非獨一無二，而是 有重疊；分析者所選擇的訓練樣本也可能并不代表圖像有重疊；分析者所選擇的訓練樣本也可能并不代表圖像 中的真實情形中的真實情形 v由于圖像中同一類別的光譜差異，造成訓練樣本并沒有由于圖像中同一類別的光譜差異，造成訓練樣本并沒有 很好的代表性很好的代表性 v訓練樣本的選取和評估需花費較多的人力、時間訓練樣本的選取和評估需花費較多的人力、時間 v只能識別訓練樣本中所定義的類別，若某類別由于訓練只能識別訓練樣本中所定義的類別，若某類別由于訓練 者不知道或者其數(shù)量太少未被定義，則不能識別者不知道

45、或者其數(shù)量太少未被定義，則不能識別 v上下文分析方法上下文分析方法 v基于地形信息的計算機分類處理基于地形信息的計算機分類處理 v輔以紋理特征的光譜特征分類法輔以紋理特征的光譜特征分類法 一、上下文分析方法一、上下文分析方法 基本概念基本概念 v點獨立 遙感圖像中每一像元的信息來自于地面上與像元對應區(qū)域遙感圖像中每一像元的信息來自于地面上與像元對應區(qū)域 v類別噪聲 分類圖像中出現(xiàn)一大片同類地物中夾雜著散點分布的異類分類圖像中出現(xiàn)一大片同類地物中夾雜著散點分布的異類 地物的不一致現(xiàn)象地物的不一致現(xiàn)象 v上下文分析 基于鄰近像元特征的比較分析基于鄰近像元特征的比較分析 方法方法 v預處理法 v后處

46、理法 v概率松弛法 一、上下文分析方法一、上下文分析方法 v預處理法 式中，X(P)為P的原始光譜特征向量，X(P)為調整后的 光譜特征向量，X(C)為P周邊最鄰近的6個點構成的集 群中心點C的光譜特征向量，dpc為P與C在特征空間中 距離，T為比較閾值 N1N2N3 N8PN4 N7N6N5 TdPX TdCX pX pc pc ),( ),( )( 一、上下文分析方法一、上下文分析方法 v后處理法 是在分類處理之后，對分類結果類別分布的一致性檢是在分類處理之后，對分類結果類別分布的一致性檢 查和調整，調整的原理服從查和調整，調整的原理服從“多數(shù)多數(shù)”原則，即原則，即 在分類圖像中，若某像元

47、的在分類圖像中，若某像元的8 8個鄰接像元中至少有個鄰接像元中至少有6 6個像個像 元同屬于某一類，則該像元的類別屬性也調整為該類；元同屬于某一類，則該像元的類別屬性也調整為該類； 否則，保持該像元已分的類別屬性不變否則，保持該像元已分的類別屬性不變 一、上下文分析方法一、上下文分析方法 v概率松弛法 n基本思想基本思想 利用鄰接像元從屬于各類別的概率，來調整中心像元從利用鄰接像元從屬于各類別的概率，來調整中心像元從 屬于各類別的概率，并根據(jù)調整后的概率按屬于各類別的概率，并根據(jù)調整后的概率按BayesBayes分類分類 法對各像元進行分類。該過程是一個多次迭代的過程法對各像元進行分類。該過程

48、是一個多次迭代的過程 n基本過程基本過程 一、上下文分析方法一、上下文分析方法 l假設假設 各類別的光譜特征服從正態(tài)分布各類別的光譜特征服從正態(tài)分布 屬于同一類別的像元屬于該類的概率趨于同一個先驗概率屬于同一類別的像元屬于該類的概率趨于同一個先驗概率 對于某個像元屬于對于某個像元屬于i i類而鄰近像元屬于類而鄰近像元屬于j j類的聯(lián)合事件類的聯(lián)合事件 的概率，與本像元的點位無關，而只與的概率，與本像元的點位無關，而只與“本鄰像元對本鄰像元對”8 8 個方向有關且在每個方向上趨同于一個先驗概率個方向有關且在每個方向上趨同于一個先驗概率 j n k jk j i p n p 1 0 )( 1 )(

49、 ),.,2 , 1,; 8,.,2 , 1( )()( 1 ),( 1 00 mjiNpp n p kij n k jNik kij jiN 一、上下文分析方法一、上下文分析方法 l定義概率兼容系數(shù)定義概率兼容系數(shù) l估計某一類估計某一類i i的某像元的某像元k k在在N N方向鄰近像元影響下的調整方向鄰近像元影響下的調整 概率概率 式中，式中， ),.,2 , 1,; 8,.,2 , 1( )()( ),( ),(mjiN pp p r ji jiN jiN m j jikNj l Ni l ki l kN rppQ 1 1 ),()()()( ),.,2 , 1,; 8,.,2 , 1(

50、 )( )( )( 1 1 1 1 mjiN Q Q q m j j l kN i l kN i l kN 一、上下文分析方法一、上下文分析方法 l計算第計算第l1次迭代時，像元次迭代時，像元k屬于屬于i類的概率調整值類的概率調整值 l當當 變動小于給定的閾值或有變動的像元個數(shù)小變動小于給定的閾值或有變動的像元個數(shù)小 于給定的閾值時，迭代結束于給定的閾值時，迭代結束 8 1 11 )( 8 1 )( N i l kNi l k qp i k)()(，則若 jkik pp )( ik p 一、上下文分析方法一、上下文分析方法 v比較 n優(yōu)點優(yōu)點 l預處理方法和后處理方法算法比較簡單預處理方法和后

51、處理方法算法比較簡單 l概率松弛算法充分利用了各像元從屬于某一類別的概率概率松弛算法充分利用了各像元從屬于某一類別的概率 信息，因而比前兩種方法理論依據(jù)更充實、算法更精細信息，因而比前兩種方法理論依據(jù)更充實、算法更精細 n缺點缺點 l預處理法不可避免地會產(chǎn)生某些不希望有的圖像平滑效預處理法不可避免地會產(chǎn)生某些不希望有的圖像平滑效 果，以致?lián)p失了必要的類別邊界或紋理細節(jié)信息果，以致?lián)p失了必要的類別邊界或紋理細節(jié)信息 l后處理法所能依據(jù)的信息僅是各像元的分類結果，而不后處理法所能依據(jù)的信息僅是各像元的分類結果，而不 知各像元從屬某類的可靠程度知各像元從屬某類的可靠程度( (概率概率) )，因而近似

52、性較大，因而近似性較大 l概率松弛算法所需計算機容量和計算時間較費概率松弛算法所需計算機容量和計算時間較費 二、基于地形信息的計算機分類處理二、基于地形信息的計算機分類處理 不同地物類別在不同高程中出現(xiàn)的先驗概率不同地物類別在不同高程中出現(xiàn)的先驗概率 不同不同 exampleexample 高程高程 帶帶 類別類別 高程高程m 1234567 耕地耕地園地園地林地林地草地草地水域水域城鎮(zhèn)城鎮(zhèn)裸地裸地 10208611111 2215067418453 351100426452221 410120021169414 520190013551283 全縣全縣494366321 二、基于地形信息的計

53、算機分類處理二、基于地形信息的計算機分類處理 方法方法 v作為先驗條件概率，在判別函數(shù)中引入高程信息 v按高程帶分層分類 注意注意 類似其它信息也可以輔助分類，但輔助信息的先驗概類似其它信息也可以輔助分類，但輔助信息的先驗概 率必須能如實反映地物在區(qū)域中的分布特點，并對不率必須能如實反映地物在區(qū)域中的分布特點，并對不 同類別的區(qū)分普遍有效同類別的區(qū)分普遍有效 )( )/(),/( ),/( Xp rprXp rXp nini ni 三、輔以紋理特征的光譜特征分類法三、輔以紋理特征的光譜特征分類法 紋理特征紋理特征 v概念 圖像上細部結構以一定頻率重復出現(xiàn)，是單一特征的圖像上細部結構以一定頻率重

54、復出現(xiàn)，是單一特征的 集合集合,實地為同類地物聚集分布實地為同類地物聚集分布 v類型 n側重于對地物形態(tài)（大小、形狀、結構軸的方向、具側重于對地物形態(tài)（大小、形狀、結構軸的方向、具 體形態(tài)的地物在空間中的分布規(guī)律）的具體描述體形態(tài)的地物在空間中的分布規(guī)律）的具體描述 n側重于描述圖像區(qū)域中總體亮度變化的特點側重于描述圖像區(qū)域中總體亮度變化的特點 三、輔以紋理特征的光譜特征分類法三、輔以紋理特征的光譜特征分類法 v輔助分類過程 n提取紋理特征提取紋理特征 l方法方法結果結果 n進行紋理特征的輔助分類進行紋理特征的輔助分類 l直接參與直接參與 l間接參與間接參與 l后處理后處理 自相關函數(shù)法、數(shù)學

55、變 換法、數(shù)學形態(tài)法、 灰度相關矩陣法、灰度 延長法、單位面積邊緣 數(shù)法、紋理變換法、 自回歸模型法 紋理特征量度參數(shù) 紋理分類圖像 v神經(jīng)網(wǎng)絡分類器神經(jīng)網(wǎng)絡分類器 v基于小波神經(jīng)網(wǎng)絡遙感圖像分類基于小波神經(jīng)網(wǎng)絡遙感圖像分類 v模糊聚類法模糊聚類法 v樹分類器樹分類器 v專家系統(tǒng)方法的應用專家系統(tǒng)方法的應用 一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器 概念概念 神經(jīng)元網(wǎng)絡模型用于模擬人腦神經(jīng)元活動的過程，包括對神經(jīng)元網(wǎng)絡模型用于模擬人腦神經(jīng)元活動的過程，包括對 信息的加工、處理、存儲和搜索等過程信息的加工、處理、存儲和搜索等過程 特點特點 v分布式存儲信息 v對信息的并行處理及推理 v具有自組織、自

56、學習 類型類型 BP、Hopfield、ART、自組織特征映射模型、自組織特征映射模型 一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器 f(a) f(b) f(n) y1 y2 yn x1 x2 xm 輸入層輸入層輸出層輸出層隱含層隱含層 BP網(wǎng)結構網(wǎng)結構 W1k k 一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器 BP網(wǎng)基本原理網(wǎng)基本原理 v正向傳播 輸入的樣本從輸入層經(jīng)過隱單元一層一層進行處理，輸入的樣本從輸入層經(jīng)過隱單元一層一層進行處理， 通過所有的隱層之后，傳向輸出層；在逐層處理的過通過所有的隱層之后，傳向輸出層；在逐層處理的過 程中，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)程中，每一層神經(jīng)元的狀態(tài)只對下

57、一層神經(jīng)元的狀態(tài) 產(chǎn)生影響。到輸出層時，再把現(xiàn)行輸出和期望輸出進產(chǎn)生影響。到輸出層時，再把現(xiàn)行輸出和期望輸出進 行比較，如果現(xiàn)行輸出不等于期望輸出，則進入反向行比較，如果現(xiàn)行輸出不等于期望輸出，則進入反向 傳播過程傳播過程 v反向傳播 把誤差信號按原來正向傳播的通路方向傳回，并對每把誤差信號按原來正向傳播的通路方向傳回，并對每 個隱層的各個神經(jīng)元的權系數(shù)進行修改，從而使誤差個隱層的各個神經(jīng)元的權系數(shù)進行修改，從而使誤差 信號趨向于最小信號趨向于最小 一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器 具體過程具體過程 對權系數(shù)置初值對權系數(shù)置初值 給定訓練數(shù)據(jù)集給定訓練數(shù)據(jù)集 計算各層實際輸出計算各層實際輸

58、出 計算學習誤差計算學習誤差 修正權系數(shù)和閾值修正權系數(shù)和閾值 誤差是否滿足要求誤差是否滿足要求 分類分類 N Y 一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器 結論結論 n可以在一定程度上消除傳統(tǒng)的遙感影像分類所帶來的?？梢栽谝欢ǔ潭壬舷齻鹘y(tǒng)的遙感影像分類所帶來的模 糊性和不確定性糊性和不確定性 n從分類所需的時間上來講，已經(jīng)過訓練的神經(jīng)網(wǎng)絡所具從分類所需的時間上來講，已經(jīng)過訓練的神經(jīng)網(wǎng)絡所具 有的速度不會低于傳統(tǒng)的遙感影像分類方法，如果隱節(jié)有的速度不會低于傳統(tǒng)的遙感影像分類方法，如果隱節(jié) 點的數(shù)目選擇合適，神經(jīng)網(wǎng)絡模型的建立合理，速度還點的數(shù)目選擇合適，神經(jīng)網(wǎng)絡模型的建立合理，速度還 會超過傳統(tǒng)

59、的遙感影像分類方法會超過傳統(tǒng)的遙感影像分類方法 n存在許多有待解決的問題存在許多有待解決的問題 二、基于小波神經(jīng)網(wǎng)絡遙感圖像分類二、基于小波神經(jīng)網(wǎng)絡遙感圖像分類 小波變換小波變換 v基本思想 用一族函數(shù)去表示或接近一信號或函數(shù)，這一族函數(shù)稱為用一族函數(shù)去表示或接近一信號或函數(shù)，這一族函數(shù)稱為 小波函數(shù)系。它是通過基本小波函數(shù)的不同尺寸的平移和小波函數(shù)系。它是通過基本小波函數(shù)的不同尺寸的平移和 伸縮構成的。若設基本小波函數(shù)為伸縮構成的。若設基本小波函數(shù)為h(xh(x) )，伸縮和平移因子，伸縮和平移因子 分別為分別為a a和和b b，則小波變換基底定義為，則小波變換基底定義為 函數(shù)函數(shù)f(xf(

60、x) )的小波變換為的小波變換為 v優(yōu)點 線性疊加性、平移共變性、尺度共變性、能量守恒性、局線性疊加性、平移共變性、尺度共變性、能量守恒性、局 域正則性域正則性 a bx haxh ba 2 1 , )( dxxfxhfW baba )()()( , 二、基于小波神經(jīng)網(wǎng)絡遙感圖像分類二、基于小波神經(jīng)網(wǎng)絡遙感圖像分類 r j m k j j kiji a bk htxWfty 11 )()( f(a) f(b) f(n) y1 y2 yn w11 w1n j=1 r x1 x2 xm 1 1 1 a b h r r a bm h 結構結構 三、模糊聚類法三、模糊聚類法 基本原理基本原理 利用模糊