自動識別分類

關于自動識別分類第1頁，講稿共78頁，2023年5月2日，星期三2一監(jiān)督分類1）確定每個類別的樣區(qū)2）學習或訓練3）確定判別函數(shù)和相應的判別準則4）計算未知類別的樣本觀測值函數(shù)值5）按規(guī)則進行像元的所屬判別第2頁，講稿共78頁，2023年5月2日，星期三3原始遙感圖像對應的專題圖像第3頁，講稿共78頁，2023年5月2日，星期三4(一)判決函數(shù)和判決規(guī)則

1判決函數(shù)當各個類別的判別區(qū)域確定后，用來表示和鑒別某個特征矢量屬于哪個類別的函數(shù)。

第4頁，講稿共78頁，2023年5月2日，星期三52判別規(guī)則

這種判斷的依據(jù)，我們稱之為判別規(guī)則

判斷特征矢量屬于某類的依據(jù)第5頁，講稿共78頁，2023年5月2日，星期三6概率判別函數(shù)：把某特征矢量（X）落入某類集群的條件概率當成分類判決函數(shù)（概率判決函數(shù)）貝葉斯判別規(guī)則：把X落入某集群wi的條件概率P(wi/X)最大的類為X的類別以錯分概率或風險最小為準則的判別規(guī)則

1、概率判決函數(shù)和貝葉斯判決規(guī)則第6頁，講稿共78頁，2023年5月2日，星期三根據(jù)貝葉斯公式可得：

P(wi)——wi

類出現(xiàn)的概率，也稱先驗概率。

P(wi/X)——在wi

類中出現(xiàn)X的條件概率， 也稱wi

類的似然概率。

P(X/wi)——X屬于wi

的后驗概率。

P(X)對各個類別都是一個常數(shù)， 故可略去所以，判決函數(shù)可用下式表示：

第7頁，講稿共78頁，2023年5月2日，星期三8為了計算方便，將上式可以用取對數(shù)方式來處理。即

同類地物在特征空間服從 正態(tài)分布，則類別的概率密度函數(shù):

第8頁，講稿共78頁，2023年5月2日，星期三去掉與i值無關的項對分類結果沒有影響，因此上式可簡化為：

相應的貝葉斯判決規(guī)則為：若對于所有可能的j=1,2,···,m;j≠i有

>

,則X屬于

類。根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則來進行的分類通常稱為最大似然分類法。

第9頁，講稿共78頁，2023年5月2日，星期三貝葉斯判決規(guī)則是以錯分概率最小的最優(yōu)準則第10頁，講稿共78頁，2023年5月2日，星期三112、距離判決函數(shù)和判決規(guī)則 基本思想是設法計算未知矢量X到有關類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類。 概率判決函數(shù)那樣偏重于集群分布的統(tǒng)計性質，距離判決函數(shù)偏重于集群分布的幾何位置。

第11頁，講稿共78頁，2023年5月2日，星期三

根據(jù)距離判決函數(shù)分類第12頁，講稿共78頁，2023年5月2日，星期三13距離判別規(guī)則是按最小距離判別的原則

馬氏（Mahalanobis）距離

歐氏（Euclidean）距離

計程（Taxi）距離

基于距離判別函數(shù)和判別規(guī)則，在實踐中以此為原理的分類方法稱為最小距離分類法。

第13頁，講稿共78頁，2023年5月2日，星期三1）馬氏距離

馬氏距離幾何意義：X到類重心之間的加權距離，其權系數(shù)為協(xié)方差。

判別函數(shù)：在各類別先驗概率和集群體積|∑|

都 相同情況下的概率判別函數(shù)則有第14頁，講稿共78頁，2023年5月2日，星期三在馬氏距離的基礎上，作下列限制將協(xié)方差矩陣限制為對角的沿每一特征軸的方差均相等歐氏距離是馬氏距離用于分類集群的形狀都相同情況下的特例。

2）歐氏距離

則有第15頁，講稿共78頁，2023年5月2日，星期三X到集群中心在多維空間中距離的絕對值之總和來表示

3）計程（Taxi）距離第16頁，講稿共78頁，2023年5月2日，星期三第17頁，講稿共78頁，2023年5月2日，星期三183、其它的判決函數(shù)和判決規(guī)則盒式分類法基本思想:

以一個包括該集群的“盒子”作為該集群的判別函數(shù)。

判決規(guī)則為若未知矢量X落入該“盒子”，則X分為此類，否則再與其它盒子比較。第18頁，講稿共78頁，2023年5月2日，星期三19例如 對于A類的盒子，其邊界（最小值和最大值）分別是X1=a、X1=b；X2=c、X2=d。這種分類法在盒子重疊區(qū)域有錯分現(xiàn)象。錯分與比較盒子的先后次序有關。

第19頁，講稿共78頁，2023年5月2日，星期三(二)分類過程

原始影像數(shù)據(jù)的準備圖像變換及特征選擇分類器的設計初始類別參數(shù)的確定逐個像素的分類判別形成分類編碼圖像輸出專題圖第20頁，講稿共78頁，2023年5月2日，星期三21水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域第21頁，講稿共78頁，2023年5月2日，星期三計算每個類別的M和Σ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍255

將樣本數(shù)據(jù)在特征空間進行聚類第22頁，講稿共78頁，2023年5月2日，星期三根據(jù)判別函數(shù)逐個像素的分類判別第23頁，講稿共78頁，2023年5月2日，星期三??????？1老城區(qū)1分類結果影像的形成第24頁，講稿共78頁，2023年5月2日，星期三分類得到的專題圖第25頁，講稿共78頁，2023年5月2日，星期三(三)影響監(jiān)督分類精度的幾個方面:

1.特征變換和特征選擇 根據(jù)感興趣地物的特征進行有針對性的特征變換，加快分類速度，提高分類精度。

2.分類的類別數(shù)與實際是否相符?第26頁，講稿共78頁，2023年5月2日，星期三3.訓練樣區(qū)的選擇 訓練樣區(qū)的選擇要注意準確性、代表性和統(tǒng)計性三個問題。 準確性就是要確保選擇的樣區(qū)與實際地物的一致性 代表性一方面指所選擇區(qū)為某一地物的代表，另一方面還要考慮到地物本身的復雜性，所以必須在一定程度上反映同類地物光譜特性的波動情況 統(tǒng)計性是有足夠多的像元。第27頁，講稿共78頁，2023年5月2日，星期三284.分類方法（判決函數(shù)和判決規(guī)則）第28頁，講稿共78頁，2023年5月2日，星期三29(四)監(jiān)督法分類的優(yōu)缺點優(yōu)點：

.根據(jù)應用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要的類別；

.可以控制訓練樣本的選擇

.可以通過檢查訓練樣本來決定訓練樣本是否被精確分類，從而避免分類中的嚴重錯誤,分類精度高

.避免了非監(jiān)督分類中對光譜集群的重新歸類

.分類速度快第29頁，講稿共78頁，2023年5月2日，星期三30主觀性；由于圖象中間類別的光譜差異，使得訓練樣本沒有很好的代表性；訓練樣本的獲取和評估花費較多人力時間；只能識別訓練中定義的類別。缺點第30頁，講稿共78頁，2023年5月2日，星期三31§8-4非監(jiān)督分類

二非監(jiān)督分類 僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進行“盲目”的分類； 其類別的屬性是通過分類結束后目視判讀或實地調查確定的。第31頁，講稿共78頁，2023年5月2日，星期三32(一)K-均值聚類法

K-均值算法的聚類準則是使每一聚類中，多模式點到該類別的中心的距離的平方和最小。

基本思想是：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。第32頁，講稿共78頁，2023年5月2日，星期三第33頁，講稿共78頁，2023年5月2日，星期三34第34頁，講稿共78頁，2023年5月2日，星期三35第35頁，講稿共78頁，2023年5月2日，星期三36

缺點:這種算法的結果受到所選聚類中心的數(shù)目和其初始位置以及模式分布的幾何性質和讀入次序等因素的影響，并且在迭代過程中又沒有調整類數(shù)的措施，因此可能產生不同的初始分類得到不同的結果。第36頁，講稿共78頁，2023年5月2日，星期三37(二)ISODATA算法聚類分析可以自動地進行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結果。

第37頁，講稿共78頁，2023年5月2日，星期三選定初始類別中心輸入迭代限值參數(shù):I,Tn,TS,TC對樣本像素進行聚類并統(tǒng)計ni,m,σni<Tn取消第i類是迭代次數(shù)=I或相鄰兩次迭代類別中心變動小于限值σ>TS

確定分裂后的中心DIK<TC

確定并類后的中心輸出否否是否否是ISODATA算法過程框圖

每類集群允許的最大標準差

集群允許的最短距離

每類集群至少的點數(shù)是迭代次數(shù)第38頁，講稿共78頁，2023年5月2日，星期三第39頁，講稿共78頁，2023年5月2日，星期三40(三)平行管道法聚類分析 它以地物的光譜特性曲線為基礎，同類地物在特征空間上表現(xiàn)為以特征曲線為中心，以相似閾值為半徑的管子，此即為所謂的“平行管道”。 這種聚類方法實質上是一種基于最鄰近規(guī)則的試探法。第40頁，講稿共78頁，2023年5月2日，星期三第41頁，講稿共78頁，2023年5月2日，星期三42§8-5非監(jiān)督分類與監(jiān)督分類的結合

通過非監(jiān)督法將一定區(qū)域聚類成不同的單一類別監(jiān)督法再利用這些單一類別區(qū)域“訓練”計算機使分類精度得到保證的前提下，分類速度得到了提高

第42頁，講稿共78頁，2023年5月2日，星期三43§8-6分類后處理和誤差分析一分類后處理1、分類后專題圖像的格式遙感影像經分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別。第43頁，講稿共78頁，2023年5月2日，星期三44

原始遙感圖像對應的專題圖像第44頁，講稿共78頁，2023年5月2日，星期三2、分類后處理

用光譜信息對影像逐個像元地分類，在結果的分類地圖上會出現(xiàn)“噪聲”

第45頁，講稿共78頁，2023年5月2日，星期三46

“噪聲”√地類交界處的像元中包括有多種類別，其混合的幅射量造成錯分類√分類是正確的，但某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣。第46頁，講稿共78頁，2023年5月2日，星期三47平滑時中心像元值取周圍占多數(shù)的類別第47頁，講稿共78頁，2023年5月2日，星期三平滑前后的一個例子第48頁，講稿共78頁，2023年5月2日，星期三49二、分類后的誤差分析

利用一些樣本對分類誤差進行估計。 采集樣本的方式有三種類型：

﹡來自監(jiān)督分類的訓練樣區(qū)；

﹡專門選定的試驗場；

﹡隨機取樣。

第49頁，講稿共78頁，2023年5月2日，星期三50混淆矩陣分類精度的評定實際類別

試驗像元的百分比%類別1類別2類別3

試驗像元12384.34.910.88.580.311.26.14.189.8100%102100%152100%49第50頁，講稿共78頁，2023年5月2日，星期三51平均精度S=（84.3%+80.3%+89.8%）/3=84.8%加權平均精度S=84.3%*102+80.3%*152+89.8%*49） /(102+152+49)=83.2%第51頁，講稿共78頁，2023年5月2日，星期三52檢驗混淆矩陣實測數(shù)據(jù)類型

分類數(shù)據(jù)類型實測總和12……n1……2…….……………….………………n……分類總和……第52頁，講稿共78頁，2023年5月2日，星期三53為分類所得到的第i類的總和；

為實際觀測的第j類的總和；

樣本總數(shù)總體分類精度制圖精度：正確分類/參考數(shù)據(jù)中的該類用戶精度：正確分類/所有分為該類與分類精度有關的參數(shù)第53頁，講稿共78頁，2023年5月2日，星期三54Kappa分析（系數(shù)）第54頁，講稿共78頁，2023年5月2日，星期三55遙感數(shù)據(jù)本身制約光譜：相似性，時相與環(huán)境空間分辨力分類方法單點分類空間結構信息沒有利用知識回顧：監(jiān)督分類與非監(jiān)督分類制約分類精度的原因第55頁，講稿共78頁，2023年5月2日，星期三56提高分類精度的方法1.分類前預處理校正（輻射和幾何）變換空間信息提?。y理）2.分類樹與分層分類一次分類不能滿足精度要求時，進行多次分類第56頁，講稿共78頁，2023年5月2日，星期三57提高分類精度的方法3.混合分類（多分類器結合）監(jiān)督法與非監(jiān)督法4.多種信息復合遙感信息非遙感信息5.與GIS集成GIS與遙感數(shù)據(jù)復合分類間接支持分類用于選樣區(qū)，檢驗樣區(qū)，糾正等第57頁，講稿共78頁，2023年5月2日，星期三58提高分類精度的方法6.基于目標的遙感圖像分類E-COGNITION軟件圖象分割模糊分類精度評定第58頁，講稿共78頁，2023年5月2日，星期三59§8-7非光譜信息在遙感圖像分類中的應用一高程信息在遙感圖像分類中的應用

1.地面高程“影像”可以直接與多光譜影像一起對分類器進行訓練

第59頁，講稿共78頁，2023年5月2日，星期三607.5米等高線第60頁，講稿共78頁，2023年5月2日，星期三61DEM影像第61頁，講稿共78頁，2023年5月2日，星期三622.將地形分成一些較寬的高程帶，將多光譜影像按高程帶切片（或分層），然后分別進行分類。第62頁，講稿共78頁，2023年5月2日，星期三63

二紋理信息在遙感圖像分類中的應用

紋理信息提取:目前用得比較多的方法包括：共生矩陣法、分形維方法、馬爾可夫隨機場方法等。第63頁，講稿共78頁，2023年5月2日，星期三Cosmo-SkyMed高分辨率雷達圖像第64頁，講稿共78頁，2023年5月2日，星期三651.紋理影像直接與多光譜影像一起對分類器進行訓練2.先利用多光譜信息對遙感圖像進行自動分類。再利用紋理特征對光譜分類的結果進行進一步的細分3.智能的方法(神經元網絡方法等)第65頁，講稿共78頁，2023年5月2日，星期三66§8－9計算機自動分類的新方法一面向對象的遙感信息提取

問題的提出基于像素級別的信息提取以單個像素為單位,過于著眼于局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重制約了信息提取的精度

第66頁，講稿共78頁，2023年5月2日，星期三67方法首先對圖像數(shù)據(jù)進行影像分割,影像的最小單元不再是單個的像素，而是一個個對象(圖斑),

后續(xù)的影像分析和處理也都基于對象進行。第67頁，講稿共78頁，2023年5月2日，星期三68

優(yōu)點

面向對象的遙感信息提取，綜合考慮了光譜統(tǒng)計特征、形狀、大小、紋理、相鄰關系等一系列因素，因而具有更高精度的分類結果。第68頁，講稿共78頁，2023年5月2日，星期三69二神經元網絡方法（ArtificialNeuralNetwroks，簡稱ANN）

人工神經網絡是由具有適應性的簡單單元組成的廣泛并行互連的網絡，它的組織能夠模擬生物神經系統(tǒng)對真實世界物體作出交互反應。第6