遙感原理與應(yīng)用-第8章-遙感圖像自動(dòng)識(shí)別分類.ppt

1、第八章 遙感圖像自動(dòng)識(shí)別分類,內(nèi)容提綱,基礎(chǔ)知識(shí) 特征變換和特征選擇 監(jiān)督分類 非監(jiān)督分類 監(jiān)督分類和非監(jiān)督分類的結(jié)合 分類后處理和誤差分析 非光譜信息分類 句法模式識(shí)別 自動(dòng)分類新方法,概述,遙感圖像的計(jì)算機(jī)分類，是模式識(shí)別技術(shù)在遙感技術(shù)領(lǐng)域中的具體運(yùn)用 目視判讀是人類的自然識(shí)別智能 計(jì)算機(jī)分類是人工模擬人類的識(shí)別功能 采用決策理論或統(tǒng)計(jì)方法 提取一組反映模式屬性的量測(cè)值，稱之為特征 光譜特征和紋理特征,8.1 基礎(chǔ)知識(shí),模式與模式識(shí)別 光譜特征空間 地物在特征空間中的聚類統(tǒng)計(jì)特性,8.1.1 模式與模式識(shí)別,一個(gè)模式識(shí)別系統(tǒng)對(duì)被識(shí)別的模式作一系列的測(cè)量，然后將測(cè)量結(jié)果與“模式字典”中一組“

2、典型的”測(cè)量值相比較。若和字典中某一“詞目”的比較結(jié)果是吻合或比較吻合，則我們就可以得出所需要的分類結(jié)果。這一過(guò)程稱為模式識(shí)別 。 這一組測(cè)量值就是一種模式 。,模式與模式識(shí)別,姚明 ROCKETS 11,模式識(shí)別的應(yīng)用,車牌識(shí)別,模式識(shí)別的應(yīng)用,信函分揀,模式識(shí)別的應(yīng)用,遙感影像分類,8.1.2 光譜特征空間,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 不同的地物在多個(gè)波段圖像上亮度的呈現(xiàn)規(guī)律也不相同 同名地物點(diǎn)在不同波段圖像中亮度的觀測(cè)量將構(gòu)成一個(gè)多維隨機(jī)向量X，稱為光譜特征向量 如TM圖像上任一個(gè)點(diǎn) TM=TM1，TM2，TM3，TM4，TM5，TM6，TM7,地物與光譜特征空間的

3、關(guān)系,地物在特征空間中的聚類情況,8.1.3地物在特征空間中的聚類統(tǒng)計(jì)特性,地物在特征空間的聚類通常是用特征點(diǎn)（或其相應(yīng)的隨機(jī)矢量）分布的概率密度函數(shù)來(lái)表示,8.2 特征變換和特征選擇,目的：減少參加分類的特征圖像的數(shù)目，從原始信息中抽取能更好進(jìn)行分類的特征圖像。 特征變換將原有的m 量值集合通過(guò)某種變換，然后產(chǎn)生n個(gè)（nm）特征 特征選擇從原有的m個(gè)測(cè)量值集合中，按某一準(zhǔn)則選擇出n個(gè)特征,8.2.1 特征變換,概念：將原始圖像通過(guò)一定的數(shù)字變換生成一組新的特征圖像，這一組新圖像信息集中在少數(shù)幾個(gè)特征圖像上。 目的：數(shù)據(jù)量有所減少，去相關(guān)，有助于分類。 常用的特征變換：主分量變換、哈達(dá)瑪變換、

4、穗帽變換、比值變換、生物量指標(biāo)變換。,Scatter Plot reveals relationship between information in two bands here: correlation coefficient = 0.137,red,NIR,Principal Components Analysis,correlation between all bands TM data correlation coefficients : 1.000 0.927 0.874 0.069 0.593 0.426 0.736 0.927 1.000 0.954 0.172 0.691 0

5、.446 0.800 0.874 0.954 1.000 0.137 0.740 0.433 0.812 0.069 0.172 0.137 1.000 0.369 -0.084 0.119 0.593 0.691 0.740 0.369 1.000 0.534 0.891 0.426 0.446 0.433 -0.084 0.534 1.000 0.671 0.736 0.800 0.812 0.119 0.891 0.671 1.000,1.主分量變換,主分量變換也稱為KL變換，是一種線性變換，是就均方誤差最小來(lái)說(shuō)的最佳正交變換 KL變換能夠把原來(lái)多個(gè)波段中的有用信息集中到數(shù)目盡可能少的特

6、征圖像組中去，達(dá)到數(shù)據(jù)壓縮的目的。 KL變換還能夠使新的特征圖像間互不相關(guān)，使新的特征圖像包含的信息內(nèi)容不重疊，增加類別的可分性。,主分量變換計(jì)算步驟,（1）計(jì)算均值向量M和協(xié)方差矩陣C； （2）計(jì)算矩陣C的特征值和特征向量； （3）將特征值按由大到小的次序排序 （4）選擇前幾個(gè)特征值對(duì)應(yīng)的幾個(gè)特征向量構(gòu)造變換矩陣n。 （5）根據(jù)nX進(jìn)行變換，得到的新特征影像就是變換的結(jié)果，X為多光譜圖像的一個(gè)光譜特征矢量。,MSS主分量變換前后的信息量分布,TM主分量變換前后的信息量分布,主分量變換,PC-1,PC-7,2. 哈達(dá)瑪變換,哈達(dá)瑪變換是利用哈達(dá)瑪矩陣作為變換矩陣新實(shí)施的遙感多光譜域變換。 哈達(dá)

7、瑪矩陣的變換核為,哈達(dá)瑪變換,哈達(dá)瑪矩陣的維數(shù)N總是2的倍數(shù) 每個(gè)高階哈達(dá)瑪矩陣都由其低一階的哈達(dá)瑪矩陣按如下形式組成 哈達(dá)瑪變換定義為：,哈達(dá)瑪變換的幾何意義,由哈達(dá)瑪變換核可知，哈達(dá)瑪變換實(shí)際是將坐標(biāo)軸旋轉(zhuǎn)了45的正交變換,哈達(dá)瑪變換的幾何意義,以四波段的陸地衛(wèi)星圖像的哈達(dá)瑪為換為例 ，取二階哈達(dá)瑪變換矩陣,h0=(x4+x5)+(x6+x7) h1=( x4+x5)-( x6+x7) h2=( x4-x5)-( x6-x7) h3=( x4-x5)+( x6-x7),哈達(dá)瑪變換的幾何意義,特征圖像h0把水同土壤與植被的混合體區(qū)分開(kāi)來(lái) 特征圖像h1把植被同水和土壤的混合體區(qū)分開(kāi)來(lái) 特征圖像

8、h3和特征圖像h2主要表現(xiàn)為噪聲圖像，通常在特征選擇過(guò)程中可舍去，達(dá)到數(shù)據(jù)壓縮的目的。,3. 穗帽變換,又稱K-T變換，由KauthThomas提出，也是一種線性特征變換。 MSS圖像信息隨時(shí)間變化的空間分布形態(tài)是呈規(guī)律性形狀的，像一個(gè)頂部有纓子的氈帽。 特點(diǎn)1：在MSS圖像中，土壤在特征空間（光譜空間）的集群，隨亮度的變化趨勢(shì)沿從坐標(biāo)原點(diǎn)出發(fā)的同一根輻射線方向上出現(xiàn)。 特點(diǎn)2：若把土壤和植被的混合集群投影到MSS5和MSS6波段圖像所組成的特征子空間中，形成一個(gè)近似的帽狀三角形,穗帽變換,Y=AX Y=（ISB IGV IY IN）T X=（X4 X5 X6 X7） ISB土壤亮度軸的像元亮

9、度值 IGV植物綠色指標(biāo)軸的像元亮度值 IY黃色軸 IN噪聲軸 Xi地物在MSS四個(gè)波段上的亮度值,SB分量和GV分量一般情況下等價(jià)于主分量變換中的第一主分量PCI和第二主分量PC2 SB分量集中了大部分土壤信息，所以對(duì)土壤的分類是有效的 GV分量對(duì)植被的分類是有效的,4. 生物量指標(biāo)變換,Ibio生物量變換后的亮度值。 x7，x5為MSS7和MSS5圖像的像元亮度值。 經(jīng)變換后，植物、土壤和水都分離開(kāi)來(lái)，因此可獨(dú)立地對(duì)綠色植物量進(jìn)行統(tǒng)計(jì)。,生物量指標(biāo)變換,8.2.2 特征選擇,選擇一組最佳的特征影像進(jìn)行分類 定量選擇方法 距離測(cè)度 散布矩陣測(cè)度 類內(nèi)散矩陣 類間散布矩陣 總體散布矩陣,= +

10、,TM 7,4,1,TM 5,7,2,TM 5,4,3,TM 4,3,2,前面所述內(nèi)容主要為分類前的預(yù)處理。預(yù)處理工作結(jié)束后，就將參與分類的數(shù)據(jù)準(zhǔn)備，接下來(lái)的工作就是從這些數(shù)據(jù)提供的信息中讓計(jì)算機(jī)“找”出所需識(shí)別的類別方式有兩種：一種就是監(jiān)督分類法；另一種稱為非監(jiān)督分類法。下面先介紹監(jiān)督分類法。,8.3 監(jiān)督分類,監(jiān)督分類：是基于我們對(duì)遙感圖像上樣本區(qū)內(nèi)地物的類屬已知，于是可以利用這些樣本類別的特征作為依據(jù)來(lái)識(shí)別非樣本數(shù)據(jù)的類別。 監(jiān)督分類的思想：首先根據(jù)已知的樣本類別和類別的先驗(yàn)知識(shí)，確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，其中利用一定數(shù)量的已知類別函數(shù)中求解待定參數(shù)的過(guò)程稱之為學(xué)習(xí)或訓(xùn)練，然后將未知

11、類別的樣本的觀測(cè)值代入判別函數(shù)，再依據(jù)判別準(zhǔn)則對(duì)該樣本的所屬類別作出判定。,監(jiān)督分類,判別函數(shù)和判別規(guī)則 分類過(guò)程,8.3.1判別函數(shù)和判別規(guī)則,各個(gè)類別的判別區(qū)域確定后，某個(gè)特征矢量屬于哪個(gè)類別可以用一些函數(shù)來(lái)表示和鑒別，這些函數(shù)就稱為判別函數(shù)。 當(dāng)計(jì)算完某個(gè)矢量，在不同類別判決函數(shù)中的值后，我們要確定該矢量屬于某類必須給出一個(gè)判斷的依據(jù)。如若所得函數(shù)值最大則該矢量屬于最大值對(duì)應(yīng)的類別。這種判斷的依據(jù)，我們稱之為判別規(guī)則。,概率判別函數(shù)：某特征矢量（X）落入某類集群的條件概率 貝葉斯判別規(guī)則：把X落入某集群 的條件概率 最大的類為X的類別。貝葉斯判別規(guī)則以錯(cuò)分概率或風(fēng)險(xiǎn)最小為準(zhǔn)則的判別規(guī)則。

12、 假設(shè)：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)如式（8-2）所示。根據(jù)貝葉斯公式可得：,最大似然分類法,最大似然分類法,概率判別函數(shù)：,相應(yīng)的貝葉斯判別規(guī)則： 若對(duì)于所有可能的j=1,2 ,m；j i有 ，則X屬于類 。 判決邊界為 （假設(shè)有兩類）。,最大似然法分類的錯(cuò)分概率,錯(cuò)分概率是類別判決分界兩側(cè)做出不正確判決的概率之和。貝葉斯判決邊界使這個(gè)數(shù)錯(cuò)誤為最小，因?yàn)檫@個(gè)判決邊界無(wú)論向左還是向右移都將包括不是1類便是2類的一個(gè)更大的面積，從而增加總的錯(cuò)分概率。，貝葉斯判決規(guī)則是以錯(cuò)分概率最小的最優(yōu)準(zhǔn)則。,最小距離分類法,基本思想：計(jì)算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最

13、近，該未知矢量就屬于哪類。 馬氏距離 歐氏距離 計(jì)程距離,錯(cuò)分概率及判決邊界,盒式分類法,基本思想：首先通過(guò)訓(xùn)練樣區(qū)的數(shù)據(jù)找出每個(gè)類別在特征空間的位置和形狀，然后以一個(gè)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。,8.3.2 分類過(guò)程,（1）確定感興趣的類別數(shù) （2）特征變換和特征選擇 （3）選擇訓(xùn)練樣區(qū) （4）確定判決函數(shù)和判決規(guī)則 （5）根據(jù)判決函數(shù)和判決規(guī)則對(duì)非訓(xùn)練樣區(qū)的圖像區(qū)域進(jìn)行分類,（1）對(duì)訓(xùn)練樣區(qū)的要求,準(zhǔn)確性、代表性和統(tǒng)計(jì)性。 準(zhǔn)確性：要確保選擇的樣區(qū)與實(shí)際地物一致； 代表性：所選樣區(qū)為某一地物的代表，還要

14、考慮到地物本身的復(fù)雜性，反映同類地物光譜特性的波動(dòng)情況； 統(tǒng)計(jì)性：指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元，以保證由此計(jì)算出的類別參數(shù)符合統(tǒng)計(jì)規(guī)律。,（2）初始類別參數(shù)的形成,（3）樣本數(shù)據(jù)的訓(xùn)練,計(jì)算每個(gè)類別的M 和，建立類別的判別函數(shù),（4）逐像素分類判別,分類得到專題圖,監(jiān)督分類流程,監(jiān)督分類的缺點(diǎn),主觀性 由于圖像中間類別的光譜差異，使得訓(xùn)練樣本沒(méi)有很好的代表性 訓(xùn)練樣本的獲取和評(píng)估花費(fèi)較多人力時(shí)間 只能識(shí)別訓(xùn)練中定義的類別,8.4 非監(jiān)督分類,非監(jiān)督分類：也稱聚類分析，是事先對(duì)分類過(guò)程不施加任何先驗(yàn)知識(shí)，僅憑遙感圖像地物的光譜特征的分布規(guī)律，進(jìn)行自動(dòng)分類。 分類方法： K-均值聚類法 I

15、SODATA算法聚類分析 平行管道發(fā)聚類分析,8.4.1 K-均值聚類法,算法準(zhǔn)則：多模式點(diǎn)到類別中心的距離的平方和最小。 算法步驟： (1)選擇m個(gè)類的初始中心 (2)按照到類中心距離最小的原則對(duì)像元分類 (3)重新計(jì)算類中心 (4)類中心不變，算法結(jié)束；否則返回(2),8.4.1 K-均值聚類法,8.4.2 ISODATA算法聚類分析,第一，它不是每調(diào)整一個(gè)樣本的類別就重新計(jì)算一次各類樣本的均值，而是在每次把所有樣本都調(diào)整完畢之后才重新計(jì)算一次各類樣本的均值，前者稱為逐個(gè)樣本修正法，后者稱為成批樣本修正法。 第二，ISODATA算法不僅可以通過(guò)調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自

16、動(dòng)地進(jìn)行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。,ISODATA算法,1.初始化； 2.選擇初始中心； 3.按一定規(guī)則(如距離最小)對(duì)所有像元?jiǎng)澐郑?4.重新計(jì)算每個(gè)集群的均值和方差；按初始化的參數(shù)進(jìn)行分裂和合并； 5.結(jié)束，迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值； 6.否則，重復(fù)3-5； 7.確認(rèn)類別，精度評(píng)定.,8.4.3 平行管道發(fā)聚類分析,以地物的光譜特性曲線為基礎(chǔ)，假定同類地物的光譜特性曲線相似作為判決的標(biāo)準(zhǔn)。設(shè)置一個(gè)相似閾值 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”。,非監(jiān)督分類結(jié)果,非監(jiān)督分類特點(diǎn),優(yōu)點(diǎn)

17、不需要預(yù)先對(duì)所分類別的區(qū)域有廣泛的了解，需要用一定的知識(shí)來(lái)解釋得到的集群組； 人為誤差的機(jī)會(huì)減少； 量小的類別能被區(qū)分。 缺點(diǎn) 得到的集群組類別不一定對(duì)應(yīng)分析者想要的類別； 難對(duì)產(chǎn)生的類別進(jìn)行控制； 不同圖像之間的對(duì)比困難。,8.5 非監(jiān)督分類和監(jiān)督分類的結(jié)合,選擇一些有代表性的區(qū)域進(jìn)行非監(jiān)督分類。 獲得多個(gè)聚類類別的先驗(yàn)知識(shí)。 特征選擇。選擇最適合的特征圖像進(jìn)行后續(xù)分類。 使用監(jiān)督法對(duì)整個(gè)影像進(jìn)行分類。 輸出標(biāo)記圖像。,8.6 分類后處理和誤差分析,分類后處理 誤差分析,8.6.1 分類后處理,用光譜信息對(duì)影像逐個(gè)像元地分類，在結(jié)果的分類地圖上會(huì)出現(xiàn)“噪聲” 。 分類是正確的，但某種類別零星分布于地面，占的面積很小 ，希望用綜合的方法使它從圖面上消失。 分類平滑技術(shù)可以解決以上的問(wèn)題。 邏輯運(yùn)算，非代數(shù)運(yùn)算。 處理原則服從多數(shù)原則。,多數(shù)平滑過(guò)程,多數(shù)平滑,8.6.2 分類后誤差分析,采用混淆矩陣來(lái)進(jìn)行分類精度的評(píng)定。 對(duì)檢核分類精度的樣區(qū)內(nèi)所有的像元，統(tǒng)計(jì)其分類圖中的類別與實(shí)際類別之間的混淆程度。 混淆矩陣中，對(duì)角線上元素為被正確分類的樣本數(shù)目，非對(duì)角線上的元素為被混分的樣本數(shù)。,混淆矩陣,表中每一項(xiàng)都是實(shí)際檢驗(yàn)的像元占該類總像元數(shù)的百分率。根據(jù)這個(gè)混淆矩陣可以算出平均精度，對(duì)角線元素之和取平均：S=（84.3%+80.3%+89.8%）/3=8