中國(guó)地質(zhì)大學(xué)-模式識(shí)別實(shí)習(xí)報(bào)告

1、精選優(yōu)質(zhì)文檔-傾情為你奉上模式識(shí)別上機(jī)實(shí)習(xí)報(bào)告 學(xué) 號(hào)： 班級(jí)序號(hào)： 姓 名： 指導(dǎo)老師： 中國(guó)地質(zhì)大學(xué)（武漢）信息工程學(xué)院遙感系2017年4月專心-專注-專業(yè)一、用貝葉斯估計(jì)做二類分類【問(wèn)題描述】 利用貝葉斯估計(jì)將某地區(qū)的遙感圖像數(shù)據(jù)做二類分類，將圖像中的裸土和水田加以區(qū)分，并使用envi classic的color mapping工具將分類好的圖像加以顏色?！灸Ｐ头椒ā颗c分布有關(guān)的統(tǒng)計(jì)分類方法主要有最大似然/ 貝葉斯分類。最大似然分類是圖像處理中最常用的一種監(jiān)督分類方法,它利用了遙感數(shù)據(jù)的統(tǒng)計(jì)特征,假定各類的分布函數(shù)為正態(tài)分布,在多變量空間中形成橢圓或橢球分布,也就是和中個(gè)方向上散布情況不

2、同,按正態(tài)分布規(guī)律用最大似然判別規(guī)則進(jìn)行判決,得到較高準(zhǔn)確率的分類結(jié)果。否則,用平行六面體或最小距離分類效果會(huì)更好。【方案設(shè)計(jì)】（1）確定需要分類的地區(qū)和使用的波段和特征分類數(shù),檢查所用各波段或特征分量是否相互已經(jīng)位置配準(zhǔn)；（2）根據(jù)已掌握的典型地區(qū)的地面情況,在圖像上選擇訓(xùn)練區(qū)；（3）計(jì)算參數(shù),根據(jù)選出的各類訓(xùn)練區(qū)的圖像數(shù)據(jù),計(jì)算和確定先驗(yàn)概率；（4）分類,將訓(xùn)練區(qū)以外的圖像像元逐個(gè)逐類代入公式,對(duì)于每個(gè)像元,分幾類就計(jì)算幾次,最后比較大小,選擇最大值得出類別；（5）產(chǎn)生分類圖,給每一類別規(guī)定一個(gè)值,如果分10 類,就定每一類分別為1 ,2 10 ,分類后的像元值便用類別值代替,最后得到的分

3、類圖像就是專題圖像. 由于最大灰階值等于類別數(shù),在監(jiān)視器上顯示時(shí)需要給各類加上不同的彩色；（6）檢驗(yàn)結(jié)果,如果分類中錯(cuò)誤較多,需要重新選擇訓(xùn)練區(qū)再作以上各步,直到結(jié)果滿意為止?！窘Y(jié)果討論】?jī)?yōu)點(diǎn)： （1）生成式模型，通過(guò)計(jì)算概率來(lái)進(jìn)行分類，可以用來(lái)處理多分類問(wèn)題， （2）對(duì)小規(guī)模的數(shù)據(jù)表現(xiàn)很好，適合多分類任務(wù)，適合增量式訓(xùn)練，算法也比較簡(jiǎn)單。 缺點(diǎn)： （1）對(duì)輸入數(shù)據(jù)的表達(dá)形式很敏感。（2）需要計(jì)算先驗(yàn)概率，分類決策存在錯(cuò)誤率。局部區(qū)域：精度評(píng)價(jià)步驟：（1）首先需要將外部程序生成的分類文件轉(zhuǎn)化為ENVI可以識(shí)別的分類圖，方法如下：Envi打開圖像-Tools-ColorMapping-Densi

4、tySlice-Setdefaultnumerofranges(設(shè)置為聚類數(shù)目)-Applydefaultranges-outputrangestoclassimage（2）對(duì)分類結(jié)果進(jìn)行合并與命名（3）從參考影像（高分辨率影像）上選取ROI并命名，方法：Envi打開圖像-Tools-RegionofInterest-ROITools（4）將ROI文件與分類圖像相關(guān)聯(lián)，方法：BasicTools-RegionofInterest-ReconcileROIsParameters-輸入?yún)⒖加跋?輸入分類影像（5）Classification-PostClassification-Confusion

5、Matrix-UsingGroundTruthROIs二、用Fisher估計(jì)做二類分類【問(wèn)題描述】 利用Fisher估計(jì)將某地區(qū)的遙感圖像數(shù)據(jù)做二類分類，將圖像中的裸土和水田加以區(qū)分，并使用envi classic的color mapping工具將分類好的圖像加以顏色?！灸Ｐ头椒ā吭O(shè)計(jì)線性分類器首先要確定準(zhǔn)則函數(shù)，然后再利用訓(xùn)練樣本集確定該分類器的參數(shù)，以求使所確定的準(zhǔn)則達(dá)到最佳。在使用線性分類器時(shí)，樣本的分類由其判別函數(shù)值決定，而每個(gè)樣本的判別函數(shù)值是其各分量的線性加權(quán)和再加上一閾值w0。如果我們只考慮各分量的線性加權(quán)和，則它是各樣本向量與向量W的向量點(diǎn)積。如果向量W的幅度為單位長(zhǎng)度，則線性

6、加權(quán)和又可看作各樣本向量在向量W上的投影。顯然樣本集中向量投影的分布情況與所選擇的W向量有關(guān)，圖3.3表示了在一個(gè)二維空間兩個(gè)類別樣本在兩個(gè)不同的向量w1與w2上投影分布的情況。其中用紅點(diǎn)及藍(lán)點(diǎn)分別表示不同類別的樣本。顯然對(duì)向量的投影能使這兩類有明顯可分開的區(qū)域，而對(duì)向量的投影，則使兩類數(shù)據(jù)部分交迭在一起，無(wú)法找到一個(gè)能將它們截然分開的界面。Fisher準(zhǔn)則的基本原理，就是要找到一個(gè)最合適的投影軸，使兩類樣本在該軸上投影的交迭部分最少，從而使分類效果為最佳?！痉桨冈O(shè)計(jì)】（1）計(jì)算各類樣本的均值向量mi，Ni 是類i 的樣本個(gè)數(shù) （2）計(jì)算樣本類內(nèi)離散度矩陣Si 和總類內(nèi)離散度矩陣Sw 。 （3

7、）計(jì)算樣本類間離散度矩陣Sb 。Sb=(m1m2)(m1m2)T 。 （4） 求向量w 。為此定義Fisher準(zhǔn)則函數(shù) 使得JF(W) 取的最大值的w 為：w=S1w(m1m2) 。 （5）將訓(xùn)練集內(nèi)所有樣本進(jìn)行投影。 （6）計(jì)算在投影空間上的分割閾值y0 。閾值的選取可以有不同的方案，比較常用的一種為 （7）對(duì)于給定的X ，計(jì)算它在 上的投影點(diǎn)y 。（8）根據(jù)決策規(guī)則分類，有 【結(jié)果討論】?jī)?yōu)點(diǎn)：（1）一般對(duì)于線性可分的樣本，總能找到一個(gè)投影方向，使得降維后樣本仍然線性可分，而且可分性更好即不同類別的樣本之間的距離盡可能遠(yuǎn)，同一類別的樣本盡可能集中分布。 （2） Fisher方法可直接求解權(quán)向

8、量（3）Fisher的線性判別式不僅適用于確定性模式分類器的訓(xùn)練，而且對(duì)于隨機(jī)模式也是適用的，F(xiàn)isher還可以進(jìn)一步推廣到多類問(wèn)題中去 缺點(diǎn)： （1）對(duì)線性不可分的情況，F(xiàn)isher方法無(wú)法確定分類局部區(qū)域：精度評(píng)估：三、用k-means算法對(duì)圖像進(jìn)行分類【問(wèn)題描述】 利用k-means算法對(duì)某地區(qū)的遙感圖像數(shù)據(jù)進(jìn)行分類，將圖像中的裸土和水田加以區(qū)分，并使用envi classic的color mapping工具將分類好的圖像加以顏色?！灸Ｐ头椒ā?K-Means是聚類算法中的一種，其中K表示類別數(shù)，Means表示均值。顧名思義K-Means是一種通過(guò)均值對(duì)數(shù)據(jù)點(diǎn)進(jìn)行聚類的算法。K-Mean

9、s算法通過(guò)預(yù)先設(shè)定的K值及每個(gè)類別的初始質(zhì)心對(duì)相似的數(shù)據(jù)點(diǎn)進(jìn)行劃分。并通過(guò)劃分后的均值迭代優(yōu)化獲得最優(yōu)的聚類結(jié)果。K值是聚類結(jié)果中類別的數(shù)量。簡(jiǎn)單的說(shuō)就是我們希望將數(shù)據(jù)劃分的類別數(shù)。K值決定了初始質(zhì)心的數(shù)量。K值為幾，就要有幾個(gè)質(zhì)心。選擇最優(yōu)K值沒(méi)有固定的公式或方法，需要人工來(lái)指定，建議根據(jù)實(shí)際的業(yè)務(wù)需求，或通過(guò)層次聚類的方法獲得數(shù)據(jù)的類別數(shù)量作為選擇K值的參考。這里需要注意的是選擇較大的K值可以降低數(shù)據(jù)的誤差，但會(huì)增加過(guò)擬合的風(fēng)險(xiǎn)?！痉桨冈O(shè)計(jì)】(1)未聚類的初始點(diǎn)集(2)隨機(jī)選取兩個(gè)點(diǎn)作為聚類中心(3)計(jì)算每個(gè)點(diǎn)到聚類中心的距離，并聚類到離該點(diǎn)最近的聚類中去(4)計(jì)算每個(gè)聚類中所有點(diǎn)的坐標(biāo)平

10、均值，并將這個(gè)平均值作為新的聚類中心(5)重復(fù)(3),計(jì)算每個(gè)點(diǎn)到聚類中心的距離，并聚類到離該點(diǎn)最近的聚類中去(6)重復(fù)(4),計(jì)算每個(gè)聚類中所有點(diǎn)的坐標(biāo)平均值，并將這個(gè)平均值作為新的聚類中心【結(jié)果討論】?jī)?yōu)點(diǎn)： 原理簡(jiǎn)單，實(shí)現(xiàn)容易，聚類效果中上缺點(diǎn)：（1）無(wú)法確定K的個(gè)數(shù) （2）對(duì)離群點(diǎn)敏感 （容易導(dǎo)致中心點(diǎn)偏移）（3）算法復(fù)雜度不易控制， 迭代次數(shù)可能較多（4）局部最優(yōu)解而不是全局優(yōu) （這個(gè)和初始點(diǎn)選誰(shuí)有關(guān)）（5）結(jié)果不穩(wěn)定 （受輸入順序影響）局部區(qū)域精度評(píng)估：實(shí)習(xí)心得經(jīng)過(guò)一個(gè)學(xué)期對(duì)模式識(shí)別的學(xué)習(xí)，我學(xué)習(xí)到了基本的理論知識(shí)，了解到了計(jì)算機(jī)處理圖像的思想，了解到了神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的原理，這些知識(shí)都為我的課程實(shí)踐和進(jìn)一步的學(xué)習(xí)打下了堅(jiān)實(shí)的基礎(chǔ)。在本次實(shí)習(xí)上機(jī)中，我體會(huì)頗多，學(xué)到了很多東西。我加強(qiáng)了對(duì)模式識(shí)別這門課程的認(rèn)識(shí)，并且復(fù)習(xí)了自己以前學(xué)習(xí)到的知識(shí)。這些都使得我對(duì)計(jì)算機(jī)有了更深入的認(rèn)識(shí)！總之，通過(guò)這次課程設(shè)計(jì)，我收獲頗豐，相信會(huì)為自己以后的學(xué)習(xí)和工作帶來(lái)很大的好處。通過(guò)上機(jī)實(shí)習(xí)的訓(xùn)練，我進(jìn)一步學(xué)習(xí)和掌握了對(duì)程序的設(shè)計(jì)和編寫，從中體會(huì)到了各種算法的方便和巧妙。像k-means算法就是一個(gè)原理很簡(jiǎn)單但分類效果很好的算法，這種借助計(jì)算機(jī)進(jìn)行數(shù)據(jù)處理的思維，讓我開闊了視野，也鍛煉了我的動(dòng)手能力。由于時(shí)