遙感技術(shù)基礎(chǔ)07.ppt

1、遙感技術(shù)基礎(chǔ),學(xué)年學(xué)期：2010-2011學(xué)年第一學(xué)期 學(xué) 院：測(cè)繪與地理科學(xué)學(xué)院 班 級(jí)：地理081-3班 教 師：李 玉,2020/8/30,1,課程內(nèi)容 一、分割（Segmentation）的一般原理 二、非監(jiān)督分割 （Unsupervised） 三、監(jiān)督分割（Supervised）,第七講 遙感圖像分割,2020/8/30,2,一、分割（Segmentation）的一般原理 計(jì)算機(jī)判讀：以計(jì)算機(jī)系統(tǒng)為支撐環(huán)境，利用模式識(shí)別技術(shù)與人工智能技術(shù)相結(jié)合，根據(jù)目標(biāo)地物的影像特征（顏色、形狀、紋理、空間位置），結(jié)合專家知識(shí)庫(kù)中目標(biāo)地物的解譯經(jīng)驗(yàn)和成像規(guī)律等知識(shí)進(jìn)行分析和推理,實(shí)現(xiàn)對(duì)遙感圖象的理解

2、,完成對(duì)遙感圖象的解譯。,第七講 遙感圖像分割,2020/8/30,3,模式(Pattern)：即某種實(shí)物的標(biāo)準(zhǔn)形式或使人可以照著做的標(biāo)準(zhǔn)樣式。舉例：某地物的光譜特征曲線反映了該地物的反射特性，所以，該光譜特征曲線就是該地物的一個(gè)模式。 模式識(shí)別 (Pattern Recognition)：即對(duì)需識(shí)別或分類的對(duì)象，進(jìn)行一系列測(cè)量，例如，對(duì)未知類別的地物，測(cè)量它在等波長(zhǎng)處的反射特性。然后將這一系列測(cè)量所構(gòu)成的模式與已知類別的地物模式作比較，看它與那一個(gè)相同或相似，即判認(rèn)它是屬于哪一個(gè)類別的地物。,第七講 遙感圖像分割,2020/8/30,4,計(jì)算機(jī)判讀與目視判讀目的一樣，但在判讀和識(shí)別地物的模式

3、方面，有著明顯的不同。 目視判讀：主要以圖像的空間特征（地物的幾何特征和光譜特征的空間反映）為判讀依據(jù)。 計(jì)算機(jī)判讀：主要以圖像像元的灰度（地物光譜特征的直接反映）為判讀依據(jù)。,第七講 遙感圖像分割,2020/8/30,5,2020/8/30,6,圖像分割: 所謂圖像分割是指將圖像中具有特殊涵義的不同區(qū)域區(qū)分開(kāi)來(lái)，這些區(qū)域是互相不交叉的，每一個(gè)區(qū)域都滿足特定區(qū)域的一致性。,第七講 遙感圖像分割,2020/8/30,7,圖像分割模型: 對(duì)圖像 X =x1,xn 的分割就是將其劃分為滿足如下條件的子區(qū)域 S1 , Sm,其中m為子區(qū)域的個(gè)數(shù)。 （1）Sj X, Sj , j = 1, , m ;

4、（2）Sj Sk= , j k ; （3）j = 1,mSj = X。 圖像分割的基本問(wèn)題 如何決定子區(qū)域個(gè)數(shù)； 特殊涵義的定義與建模； 實(shí)現(xiàn)分割的方法。,第七講 遙感圖像分割,2020/8/30,8,圖像分割的理論基礎(chǔ) 同類地物具有相同（似）的光譜特征，不同地物的光譜特征具有明顯的差別。由于影響地物光譜特征的因素很多，所以影像的判讀分類都是建立在統(tǒng)計(jì)分析的基礎(chǔ)上的。 同類地物的圖像灰度概率在單波段（一維空間）符合正態(tài)分布規(guī)律。 多維圖像（即多波段）中的一個(gè)像元值（灰度）向量。在幾何上相當(dāng)于多維空間中的一個(gè)點(diǎn)，而同類地物的像元值，既不集中于一點(diǎn)，也絕非是雜亂無(wú)章的分布，而是相對(duì)地密集在一起，形

5、成一個(gè)點(diǎn)群（一個(gè)點(diǎn)群就是地物的一種類別）。一般情況下，點(diǎn)群的邊界不是截然的，有少部分重疊和交錯(cuò)的情況。,第七講 遙感圖像分割,2020/8/30,9,圖像分割的方法 監(jiān)督（Supervised）分割法（訓(xùn)練場(chǎng)地法/先學(xué)習(xí)后分割法）：即先選擇有代表性的實(shí)驗(yàn)區(qū)（訓(xùn)練區(qū)），用已知地面的各種地物光譜特征來(lái)訓(xùn)練計(jì)算機(jī)，取得識(shí)別判別規(guī)則，并以此做標(biāo)準(zhǔn)對(duì)未知地區(qū)的遙感數(shù)據(jù)進(jìn)行自動(dòng)分割識(shí)別。 非監(jiān)督（Unsupervised）分類法：即按照灰度值向量或波譜樣式在特征空間聚集的情況劃分點(diǎn)群或類別。其類屬是通過(guò)對(duì)各類光譜響應(yīng)曲線進(jìn)行分析以及與實(shí)地調(diào)查數(shù)據(jù)相比較后確定的。,第七講 遙感圖像分割,2020/8/30,

6、10,二、非監(jiān)督分割 以聚類分析的方法為例 主要過(guò)程 (1) 確定最初類別數(shù)和類別中心; (2)計(jì)算每個(gè)像元多對(duì)應(yīng)的特征矢量與各聚類中心的距離; (3)選與其中心距離最近的類別作為這一矢量(像元)的所屬類別; (4)計(jì)算新的類別均值向量; (5)比較新的類別均值與原中心位置的變化, 形成新的聚類中心; (6)重復(fù)II-IV, 反復(fù)迭代; (7)如聚類中心不再變化, 停止計(jì)算.,第七講 遙感圖像分割,2020/8/30,11,常用的非監(jiān)督分割方法 K-MEANS方法 ISODATA（Iterative Self-Organizing Data Analysis Technique，迭代自組織數(shù)據(jù)

7、分析技術(shù)）方法 K-均值分割 在數(shù)據(jù)空間內(nèi)平均計(jì)算各類的均值，使用最小距離法，將未知像元?jiǎng)澐值侥骋活愔校僬{(diào)整均值，直到迭代次數(shù)滿足，或者距離閾值滿足。,第七講 遙感圖像分割,2020/8/30,12,K-均值分割的步驟 1. 任意選擇K個(gè)聚類中心，一般選前K個(gè)樣本； 2. 迭代，未知樣本X分到距離最近的類中； 3. 根據(jù)Step2的結(jié)果，重新計(jì)算聚類中心； 4. 每一類的像元數(shù)變化少于選擇的像元變化閾值或已經(jīng)到了迭代的最多次數(shù)，算法結(jié)束。 K-均值分割的輸入?yún)?shù) 類別數(shù)目: 要分成幾類； 變化閾值Change threshold% (0-100): 如果每一類的像元數(shù)目變化小于此數(shù)值，則迭代

8、停止。,第七講 遙感圖像分割,2020/8/30,13,ISODATA分割 在K-均值算法的基礎(chǔ)上，加入了試探性的步驟，能夠吸取中間結(jié)果的經(jīng)驗(yàn)，在迭代的過(guò)程中可以進(jìn)行類別的分離和合并，具有“自組織”性。,第七講 遙感圖像分割,2020/8/30,14,ISODATA分割的步驟 1. 在整幅圖像的特征空間上，隨機(jī)地選擇初始的集群組（即類別）中心 2. 計(jì)算其它像元離這些中心的距離，按照最小距離法劃入其對(duì)應(yīng)的類別中； 3. 計(jì)算集群像元總數(shù)，如數(shù)目太少，刪除該類別； 4. 重新計(jì)算每個(gè)類別的均值，按照定義的參數(shù)合并或分開(kāi)類別； 5. 重復(fù)以上過(guò)程，直到有關(guān)參量的變動(dòng)在容忍的范圍內(nèi)（每一類的像元數(shù)變

9、化少于選擇的像元變化閾值或已經(jīng)到了迭代的最多次數(shù)）為止。,第七講 遙感圖像分割,2020/8/30,15,ISODATA分割的的輸入?yún)?shù) 類別數(shù)目; 變化閾值; 最長(zhǎng)的時(shí)間或迭代次數(shù); 每個(gè)集群組中最小的像元數(shù)量; 集群分裂標(biāo)準(zhǔn)：每類集群所容許的最大標(biāo)準(zhǔn)差; 集群合并標(biāo)準(zhǔn)：兩集群均值間允許的最小距離.,第七講 遙感圖像分割,2020/8/30,16,人工神經(jīng)網(wǎng)絡(luò)法 人工神經(jīng)網(wǎng)絡(luò)是基于生物神經(jīng)系統(tǒng)分布式存儲(chǔ)、并行處理、自適應(yīng)學(xué)習(xí)這些現(xiàn)象構(gòu)造出具有一些低級(jí)智慧的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。 目前代表性的神經(jīng)網(wǎng)絡(luò)模型有： BP（Back Propagation）神經(jīng)網(wǎng)絡(luò) 模糊自組織神經(jīng)網(wǎng)絡(luò) RBF（Radia

10、l Basis Function）神經(jīng)網(wǎng)絡(luò) Kohonen自組織神經(jīng)網(wǎng)絡(luò),第七講 遙感圖像分割,2020/8/30,17,第七講 遙感圖像分割,2020/8/30,18,決策樹(shù)分類法 決策樹(shù)是一樹(shù)狀結(jié)構(gòu), 依據(jù)規(guī)則把遙感數(shù)據(jù)集 一級(jí)級(jí)往下細(xì)分以定義 決策樹(shù)的各個(gè)分支。,第七講 遙感圖像分割,2020/8/30,19,基本思想：從“原級(jí)”（根結(jié)點(diǎn)）開(kāi)始，利用表達(dá)式，每一個(gè)決策將影像中的像元分成兩類，使用另一表達(dá)式，每個(gè)新類又能被分成另外的兩個(gè)新類，如此不斷地通過(guò)選擇不同的特征用于進(jìn)一步地有效細(xì)分類，直到所要求的“終極”（葉結(jié)點(diǎn)）類別分出為止. 在決策樹(shù)分類中經(jīng)常采用的特征 光譜值； 通過(guò)光譜值算

11、出來(lái)的指標(biāo)（如NDVI）； 光譜值的算術(shù)運(yùn)算值（如，和、差、比值等）； 主成分. 由于決策樹(shù)分類法中的運(yùn)算幾乎都是由比較大小而組成的，所以與采用復(fù)雜計(jì)算公式的最大似然比分類法等相比，可以用很短的時(shí)間進(jìn)行分類處理,第七講 遙感圖像分割,2020/8/30,20,專家系統(tǒng)方法 專家系統(tǒng)也是人工智能的一個(gè)分支，它采用人工智能語(yǔ)言將某一領(lǐng)域（如地學(xué)知識(shí)）的專家分析方法或經(jīng)驗(yàn)，對(duì)地物的多種屬性進(jìn)行分析、判斷，從而確定各地物的歸屬。 利用這樣的系統(tǒng)就可以把判讀專家的經(jīng)驗(yàn)性知識(shí)綜合起來(lái)進(jìn)行分類。 其它方法：除了以上常用的方法之外，還有多時(shí)相數(shù)據(jù)分類方法、模糊分類法、亞像元分類法，基于紋理的分類法等等。,第七

12、講 遙感圖像分割,2020/8/30,21,三、監(jiān)督分割 常用的監(jiān)督分類方法 平行算法 最小距離法 最大似然法 馬氏距離分類 波譜角分類法,第七講 遙感圖像分割,2020/8/30,22,訓(xùn)練區(qū)選擇 規(guī)則 訓(xùn)練區(qū)要具有典型性和代表性； 樣本要保證一定數(shù)量； 選取訓(xùn)練區(qū)使用的參考圖件與分類數(shù)據(jù)在時(shí)間上和空間上最好保持一致或相近。 方法 實(shí)地調(diào)查 屏幕選擇：參考實(shí)地調(diào)查結(jié)果、研究區(qū)其它相關(guān)圖件資料、輔助遙感資料等信息，進(jìn)行目視解譯。,第七講 遙感圖像分割,2020/8/30,23,最小距離法（Minimum Distance） 利用訓(xùn)練樣本中各類別在各波段的均值，根據(jù)各像元離訓(xùn)練樣本平均值 距離的

13、 大小來(lái) 決定其 類別。,第七講 遙感圖像分割,2020/8/30,24,第七講 遙感圖像分割,2020/8/30,25,平行管道分類（平行六面體） 規(guī)定每個(gè)特征的范圍,第七講 遙感圖像分割,2020/8/30,26,最大似然法（Maximum Likelihood） 計(jì)算每個(gè)像元屬于各個(gè)類別的似然度，該像元分到似然度最大的類別中。 設(shè) P(X|i)為某一類別 i 的特征矢量分布函數(shù)，它是把模式X分類到為最大的類別中的分類方法。 式中P(i)表示類別i 模式的先驗(yàn)概率，P(X |i)表示條件概率密度函 數(shù)，P(i|X)為在觀測(cè)模式 X 時(shí)，該模式屬于類別 i 的似然度。 這一方法稱為最大似然法

14、，它是理論上誤差最小的分類方法。,第七講 遙感圖像分割,2020/8/30,27,(a)所示是一個(gè)用某值將特征空間分為兩個(gè)區(qū)域的例子，因此而產(chǎn)生 的錯(cuò)誤分類概率如圖（b）中的陰影部分的面積表示。T值對(duì)應(yīng)的錯(cuò)分概 率最小 。,第七講 遙感圖像分割,(a),(b),2020/8/30,28,第七講 遙感圖像分割,2020/8/30,29,監(jiān)督分類與非監(jiān)督分類 監(jiān)督分類的優(yōu)點(diǎn) 可充分利用對(duì)分類地區(qū)的先驗(yàn)知識(shí)，預(yù)先確定分類的類； 可控制訓(xùn)練樣本的選擇，并可通過(guò)反復(fù)檢驗(yàn)訓(xùn)練樣本，以提高分類精度（避免分類中的嚴(yán)重錯(cuò)誤）； 可避免非監(jiān)督分類中對(duì)光譜集群組的重新歸類。 監(jiān)督分類的缺點(diǎn) 人為主觀因素較強(qiáng)； 訓(xùn)練樣本的選取和評(píng)估需花費(fèi)較多的人力、時(shí)