面向?qū)ο蟮倪b感影像分類技術(shù)

關(guān)于面向?qū)ο蟮倪b感影像分類技術(shù)面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究1.面向?qū)ο蟮倪b感分類概述是一種基于目標(biāo)的分類方法，這種方法可以充分利用高分辨率影像的空間信息，綜合考慮光譜統(tǒng)計(jì)特征，形狀，大小，紋理，相鄰關(guān)系等一系列因素，得到較高精度的信息提取結(jié)果。最主要特點(diǎn)：分類的最小單元是由影像分割得到的同質(zhì)影像對(duì)象（圖斑），而不再是單個(gè)像素。技術(shù)關(guān)鍵：多尺度影像分割技術(shù)基于規(guī)則的模糊分類技術(shù)。第2頁,共26頁，星期六，2024年，5月2.面向?qū)ο蟮倪b感分類優(yōu)勢（1）針對(duì)分割形成的影像對(duì)象單元進(jìn)行其特征的提取，可以充分地利用高分影像數(shù)據(jù)的光譜、紋理和形狀特征等空間幾何屬性信息。（2）基于區(qū)域同質(zhì)性原則和多尺度分割的基礎(chǔ)上，減少了影像像元光譜差異影響，針對(duì)不同地物能取得較好的分類效果。（3）以影像分割的對(duì)象單元為單位進(jìn)行影像的分類，將大大地提高遙感影像的分類的速度。（4）有效減少了遙感影像數(shù)據(jù)的“同質(zhì)異譜”及“異質(zhì)同譜”和基于像素分類的“椒鹽”現(xiàn)象。（5）面向?qū)ο蟮姆诸惣夹g(shù)還能促進(jìn)多源GIS數(shù)據(jù)之間的利用和融合。面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究第3頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究3.研究方法將遙感影像分割成與實(shí)際的地物類別相對(duì)應(yīng)的一個(gè)個(gè)影像對(duì)象的實(shí)體單元，然后針對(duì)影像的對(duì)象分割單元提取對(duì)象的多空間特征值進(jìn)行處理分析，建立多特征對(duì)象的分類體系，面向?qū)ο蟮姆诸惣夹g(shù)充分使用了高分遙感影像的空間幾何、紋理特征和光譜等特征屬性信息，最后利用影像的分類算法完成了最終的分類步驟第4頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究4.遙感影像分類技術(shù)方法的總體比較第5頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究5.遙感圖像的分割技術(shù)——面向?qū)ο蠓诸惖年P(guān)鍵技術(shù)之一基本思想是將一幅遙感圖像依據(jù)區(qū)域異質(zhì)性規(guī)則分割成一個(gè)個(gè)有意義的子區(qū)域的集合，分割結(jié)果的質(zhì)量直接決定了分類精度的高低。主要方法

基于邊界分割的方法基于區(qū)域分割的方法第6頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究5.1基于邊緣的分割基本原理

是首先先要確定邊緣的象素，并通過連接這些邊緣像素在一起來形成所要的邊界。邊緣之所以存在就是由于兩個(gè)相鄰的區(qū)域之間具有了不同的大小灰度值，邊緣的檢測主要就是利用一階的導(dǎo)數(shù)和二階的導(dǎo)數(shù)來進(jìn)行檢測。階梯形狀表明了處于圖像里兩個(gè)擁有不等的灰度大小的相鄰區(qū)域，脈沖形狀則表示了對(duì)應(yīng)的灰度值發(fā)生突變的圖像區(qū)域的集合，針對(duì)圖（a）和（b）來說，一階導(dǎo)數(shù)表示了在圖像中從暗變明整個(gè)變化過程的位置處有1個(gè)階躍，即用其來檢測邊界是否是存在的，邊緣位置的檢測則是通過利用求解二階導(dǎo)數(shù)的過0點(diǎn)來具體得到的；相對(duì)(c)來講，其脈沖的上升沿與下降沿正好就分別對(duì)應(yīng)了2個(gè)二階導(dǎo)數(shù)過0點(diǎn)的位置；針對(duì)(d)來說，屋頂形狀的邊緣來檢測屋頂?shù)奈恢脛t是由剖面的一階導(dǎo)數(shù)過0點(diǎn)來統(tǒng)一確定的。第7頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究5.1基于邊緣的分割邊緣檢測梯度算子：是一種矢量，對(duì)應(yīng)的就是圖像的一階單數(shù)算子，檢測邊緣灰度值變化敏銳的效果較好拉普拉斯算子：一個(gè)二階導(dǎo)數(shù)，是沒有方向性的標(biāo)量算子，相比于梯度算子的計(jì)算量要小，由于不提供邊緣方向信息，一般用在邊緣像素已知的情況之后，主要是來確定該像素在圖像的明暗哪個(gè)區(qū)域第8頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究5.1基于邊緣的分割邊緣連接由于邊緣檢測的方法，圖像噪聲會(huì)產(chǎn)生間斷現(xiàn)象，因此需要通過邊緣連接的方法形成完整有意義的封閉邊界主要方法：鄰域連接法全局鏈接法

霍夫變換第9頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究5.2基于區(qū)域的分割基本原理：將各個(gè)圖像象元?jiǎng)潥w到各個(gè)子區(qū)域中，依據(jù)相似性準(zhǔn)則直接取出滿足特征相似條件的圖像區(qū)域。主要方法：

閾值分割

區(qū)域增長

分裂-合并第10頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究5.2基于區(qū)域的分割閾值分割：通過預(yù)設(shè)閾值大小將圖像進(jìn)行分割，基礎(chǔ)則是圖像灰度的直方圖。主要分為全局、自適應(yīng)和最佳的閾值分割區(qū)域增長：是以種子像素為基本單位不斷合并周圍像素進(jìn)行圖像分割的過程，算法基本思想是首先選擇種子點(diǎn)，然后確定區(qū)域增長過程中像元合并的規(guī)則，最后制定區(qū)域增長的停止條件。分裂-合并：是將整幅圖像分裂為小的子區(qū)域再合并相似區(qū)域的過程。算法流程是首先四等份均分圖像中灰度不同的子區(qū)域，然后合并滿足特征相似性準(zhǔn)則的像素，重復(fù)上述操作直到?jīng)]有新的分裂-合并情況為止.第11頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究5.3基于區(qū)域增長的多尺度分割技術(shù)多尺度分割技術(shù)：是一種既能自動(dòng)生成遙感影像的影像對(duì)象，又能將這些影像對(duì)象按等級(jí)結(jié)構(gòu)連接起來的一門技術(shù)。借助于這種技術(shù)，就可以理解遙感影像對(duì)象如何在不同尺度區(qū)域之間相互作用，從而反映地表物體的固有形態(tài)。a.等級(jí)網(wǎng)絡(luò)的底層是像素層，及分割的原始影像；b.小尺度的對(duì)象層“一級(jí)”放在網(wǎng)絡(luò)結(jié)構(gòu)的底部，這一層包括的多邊形最多；c.大尺度的對(duì)象層“二三級(jí)”放在網(wǎng)絡(luò)的最頂部，這些對(duì)象

層中的多邊形面積較大，且對(duì)象的多邊形的數(shù)量較少。

網(wǎng)絡(luò)結(jié)構(gòu)中的不同層可以提取不同尺度的地物信息，如“一級(jí)”主要提取灌木，”三級(jí)“主要提取大尺度的道路等。第12頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究分割的主要參數(shù)：尺度參數(shù)：是分割過程中最重要的一個(gè)參數(shù)，它直接影響影像對(duì)象的大小和數(shù)量，以及最終的分類精度。分割尺度不同，生成的影像對(duì)象的多邊形的大小和數(shù)量也不同。一般而言，分割尺度越大，生成的多邊形數(shù)目越少，面積越大。最適宜的分割尺度值是分割得到的多邊形能將某種地物類型的邊界勾勒清晰，并且能用一個(gè)或者幾個(gè)對(duì)象表現(xiàn)這種地物，分割對(duì)象既不太破碎也不太籠統(tǒng)。均質(zhì)性因子：

顏色因子為影像的光譜特征，對(duì)很多地物而言，如水體和植被，顏色因子是生成對(duì)象的重要因子，通常被設(shè)為較高的值?？梢愿鶕?jù)各個(gè)波段對(duì)分割結(jié)果的貢獻(xiàn)程度而取不同的權(quán)重。某個(gè)波段的權(quán)重越高,在分割過程中這個(gè)層的信息使用的越多,對(duì)分割結(jié)果的影響越大。

形狀因子形狀因子由光滑度、緊密度兩個(gè)參數(shù)構(gòu)成，可以避免影像對(duì)象過于破碎，使分割出的影像具有實(shí)際物體的形狀特征。提取道路時(shí)應(yīng)更加注重形狀因子。5.3基于區(qū)域增長的多尺度分割技術(shù)第13頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究分割的主要參數(shù)——尺度參數(shù)5.3基于區(qū)域增長的多尺度分割技術(shù)第14頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究分割的主要參數(shù)——均質(zhì)因子之形狀因子5.3基于區(qū)域增長的多尺度分割技術(shù)影像對(duì)象多邊形的大小與形狀(shape)因子成正比，隨著shape不斷增大，形狀規(guī)則的道路、建筑物和農(nóng)田被完整分割，但當(dāng)shape>0.4時(shí)，由于光譜因子過小，會(huì)把鄉(xiāng)間道路和裸地分割成一個(gè)影像對(duì)象，忽略了影像的光譜信息，所以此實(shí)驗(yàn)區(qū)分割的形狀(shape)參數(shù)選擇0.1~0.4的取值范圍比較合適，具體的數(shù)值取決于其實(shí)際提取的地物類別。第15頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究分割的主要參數(shù)——均質(zhì)因子之緊致度因子5.3基于區(qū)域增長的多尺度分割技術(shù)當(dāng)緊致度(compact)因子逐步增加時(shí)，道路和建筑物更趨近于規(guī)則矩形，且分割結(jié)果比較完整，但當(dāng)緊致度過大時(shí)，水體或一些不規(guī)則地物邊緣被分割的不夠準(zhǔn)確光滑第16頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究建立多尺度分割的層次結(jié)構(gòu)5.3基于區(qū)域增長的多尺度分割技術(shù)Level1：能夠較好的區(qū)分林地和非林地，分割產(chǎn)生的影像對(duì)象單元對(duì)應(yīng)多邊形的面積比較大，主要考慮根據(jù)顏色的不同進(jìn)行分割，此時(shí)光譜因子所占比重較大，不太考慮形狀因子。Level2：在此分割尺度下能較好地區(qū)分裸地、建筑物和道路，此時(shí)較多考慮形狀因素

Level3：此層主要區(qū)分建筑物和周邊較窄的道路第17頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究6面向?qū)ο蟮倪b感影像分類技術(shù)模糊分類體系基本思想：是一種軟分類，是以模糊集合論為基礎(chǔ)，針對(duì)不確定性事物的分析方法。優(yōu)點(diǎn)：特征值像模糊值的轉(zhuǎn)化，實(shí)際上是一個(gè)特征標(biāo)準(zhǔn)化的過程，允許特征之間的組合，甚至是范圍和大小非常不同的特征也可以組合起來；提供了明確的和可調(diào)整的特征描述；通過模糊運(yùn)算和層次類型的描述，能夠進(jìn)行復(fù)雜的特征描述。

模糊隸屬函數(shù)高斯型隸屬函數(shù)具有很好的光滑性和對(duì)稱性，圖形沒有零點(diǎn)并具有比較清晰的物理意義，能很好地描述和逼近隸屬函數(shù)。三角形隸屬函數(shù)，若在設(shè)計(jì)分類器中，選用寬度固定的等腰三角形，這樣隸屬的特征參數(shù)可以減少到一個(gè)，便于規(guī)則產(chǎn)生和學(xué)習(xí)，但可能降低分類性能。若采用任意形狀的三角形作為隸屬函數(shù)，需要三個(gè)特征參數(shù)，可以較好的反應(yīng)客觀事實(shí)，可以提升分類系統(tǒng)的性能。但學(xué)習(xí)分類規(guī)則參數(shù)時(shí)，因參數(shù)較多，學(xué)習(xí)代價(jià)較大。梯形隸屬函數(shù)隸屬度為1的模式x分布比三角形隸屬函數(shù)的x分布要多。這使得梯形更適合模糊分類器的設(shè)計(jì)，但特征參數(shù)也要多一些。Don’tcare隸屬函數(shù)即在隸屬函數(shù)的分布范圍內(nèi)的隸屬度均為1，而不再的模式x不列入設(shè)計(jì)考慮，如此可以精簡模糊規(guī)則。第18頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究6面向?qū)ο蟮倪b感影像分類技術(shù)最鄰近規(guī)則(KNN)分類核心思想：是基于歐幾里得的定理基礎(chǔ)上，判斷待分的影像對(duì)象特征與已知地物類別的對(duì)象特征最接近，是廣泛應(yīng)用的多維的特征向量的分類算法?；舅悸罚杭偃缫粋€(gè)樣本其在對(duì)象的特征空間中的k個(gè)最鄰近的樣本值，其中大多數(shù)都劃歸為了某一個(gè)具體的類別，那么就劃歸為這個(gè)類別。第19頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究6.基于影像對(duì)象的特征提取對(duì)象特征的提取是指對(duì)原始影像的對(duì)象特征進(jìn)行重組和優(yōu)化運(yùn)算，其是空間降維的過程，提取特征的基本原則是滿足類別的可分性，要求提取出的新特征空間是能更好地區(qū)分地物類別的特征向量，建立分類規(guī)則和規(guī)則集，典型的影像特征的提取方法主要是包括有經(jīng)典的主成分法(PCA)、最小噪聲分散法(MNF)和噪聲適應(yīng)主成分法(NAPC)。第20頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究7.影像分類結(jié)果比較——分類結(jié)果的評(píng)價(jià)精度評(píng)價(jià)：遙感影像分類結(jié)果質(zhì)量的好壞需要進(jìn)行精度的評(píng)價(jià)，精度評(píng)價(jià)是指分類后專題圖像中的特定對(duì)象與該類型代表實(shí)際地物來進(jìn)行精度比較，以正確分類的百分比表示分類精度。目前針對(duì)遙感影像的分類結(jié)果進(jìn)行精度評(píng)價(jià)的有效方法包括有混淆矩陣和Kappa系數(shù)這兩種評(píng)價(jià)指標(biāo)?；煜仃嚕–onfusionMatrix）是由m行Xm列個(gè)元素組成，利用誤差矩陣可以知道每個(gè)類別的樣本數(shù)量、樣本錯(cuò)分和漏分?jǐn)?shù)目，并可以進(jìn)行單一類別及總體類別相應(yīng)的精度分析。Kappa系數(shù)考慮了漏分和錯(cuò)分的情況，充分利用了整個(gè)混淆矩陣的數(shù)據(jù)信息總體精度OA(OverallAccuracy)表示的就是分類圖像中正確分類數(shù)所占樣本總數(shù)的比例生產(chǎn)者精度PA(ProducerAccuracy)表示的是實(shí)測地物類型第i類中正確分類數(shù)目所占的比例用戶精度UA(UserAccuracy)表示的是某一類別分類正確數(shù)目在用戶解譯中所占的比例第21頁,共26頁，星期六，2024年，5月面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究7.影像分類結(jié)果比較——分類結(jié)果的評(píng)價(jià)面向?qū)ο蠓诸惙椒ǖ木认鄬?duì)于傳統(tǒng)的分類結(jié)果有了比較明顯的提高，且抑制了椒