《遙感原理與應(yīng)用》課件-第8章

1、第八章 遙感圖像自動(dòng)識(shí)別分類 1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自動(dòng)分類新方法2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 目視判讀是直接利用人類的自然識(shí)別智能 計(jì)算機(jī)分類是利用計(jì)算機(jī)技術(shù)來人工模擬人類的識(shí)別功能采用決策理論（或統(tǒng)計(jì)）方法從被識(shí)別的模式（即對象）中，提取一組反映模式屬性的量測值，稱之為特征把模式特征定義在一個(gè)特征空間中，進(jìn)而利用決策的原理對特征空間進(jìn)行劃分，以區(qū)分不同特征的模式，達(dá)到分類的目的 光譜特征和紋理特征3遙感圖像分類的理論依據(jù)遙感圖像分類的理論依據(jù)是:遙感圖像中的同

2、類地物在相同的條件下（紋理、地形、光照以及植被覆蓋等），應(yīng)具有相同或相似的光譜信息特征和空間信息特征，從而表現(xiàn)出同類地物的某種內(nèi)在的相似性，即同類地物像素的特征向量將集群在同一特征空間區(qū)域；而不同的地物其光譜信息和空間信息特征將不同，將集群在不同的特征空間區(qū)域。58.1 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68.1.1 模式與模式識(shí)別“模式”是指某種具有空間或幾何特征的東西，它的含義是某種事物的標(biāo)準(zhǔn)形式。 一個(gè)模式識(shí)別系統(tǒng)對被識(shí)別的模式作一系列的測量，然后將測量結(jié)果與“模式字典”中一組“典型的”測量值相比較。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

3、可以得出所需要的分類結(jié)果。這一過程稱為模式識(shí)別 。這一組測量值就是一種模式 。7圖8-1 模式識(shí)別系統(tǒng)的模型8模式與模式識(shí)別9數(shù)據(jù)獲取模式分割模式識(shí)別姚明ROCKETS11模式識(shí)別的應(yīng)用10車牌識(shí)別模式識(shí)別的應(yīng)用11信函分揀模式識(shí)別的應(yīng)用12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，TM713地物與光譜特征空間的關(guān)系 14地物在特征空間中的聚類情

4、況 由于隨機(jī)性因素（如大氣條件，背景，地物朝向，傳感器本身的“噪聲”等）影響，同類地物的各取樣點(diǎn)在光譜特征空間中的特征點(diǎn)將不可能只表現(xiàn)為同一點(diǎn)，而是形成一個(gè)相對聚集的點(diǎn)集群，而不同類地物的點(diǎn)集群在特征空間內(nèi)一般是相互分離的。15特征點(diǎn)集群在特征空間中的分布168.1.3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)來表示 178.2 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 量值集合通過某種變換，然后產(chǎn)生n個(gè)（nm）新的特征。特征選擇從原有的m個(gè)測量值集合中，按某

5、一準(zhǔn)則選擇出n個(gè)特征。 188.2.1 特征變換概念：將原始圖像通過一定的數(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、穗帽變換、比值變換、生物量指標(biāo)變換。1920redNIRScatter Plot reveals relationship between information in two bandshere:correlation coefficient = 0.137redNIRPrincipal Components Analysiscorrelation between a

6、ll bandsTM datacorrelation 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 0.446 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 0.73

7、6 0.800 0.812 0.119 0.891 0.671 1.000211.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說的最佳正交變換 KL變換能夠把原來多個(gè)波段中的有用信息集中到數(shù)目盡可能少的特征圖像組中去，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。22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，

8、X為多光譜圖像的一個(gè)光譜特征矢量。23MSS主分量變換前后的信息量分布24TM主分量變換前后的信息量分布25主分量變換26PC-1PC-72. 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實(shí)施的遙感多光譜域變換。哈達(dá)瑪矩陣的變換核為27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：28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 29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 30h0=(x4+x5)+(x6+x7)h1=(x4+x5)-(

9、x6+x7)h2=(x4-x5)-(x6-x7)h3=(x4-x5)+(x6-x7) 哈達(dá)瑪變換的幾何意義圖8-4 二維哈達(dá)瑪變換31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)分開來特征圖像h1把植被同水和土壤的混合體區(qū)分開來特征圖像h3和特征圖像h2主要表現(xiàn)為噪聲圖像，通常在特征選擇過程中可舍去，達(dá)到數(shù)據(jù)壓縮的目的。323. 穗帽變換又稱K-T變換，由Kauth-Thomas提出，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，隨亮度的變化趨勢沿從坐標(biāo)原點(diǎn)出發(fā)的同一根

10、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MSS-5和MSS-6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 。33穗帽變換34Y=AX穗帽變換35Y=AXY=（ISB IGV IY IN）TX=（x4 x5 x6 x7）ISB土壤亮度軸的像元亮度值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PC1和第二主分量PC2 SB分量集中了大部分土壤信息，所以對土壤的分類是有效的 GV分量對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MSS

11、-7和MSS-5圖像的像元亮度值。經(jīng)變換后，植物、土壤和水都分離開來，因此可獨(dú)立地對綠色植物量進(jìn)行統(tǒng)計(jì)。36生物量指標(biāo)變換37Band 3Band 2Band 1多光譜影像利用已知的波段數(shù)建立特征向量空間Band 1 的灰度值Band 2 的灰度值水體植被土壤對原始影像建立的特征空間進(jìn)行特征變換建立新的特征空間V1V2Band1Band2 水體植被土壤V2V1新的特征影像Band 38.2.2 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度 散布矩陣測度類內(nèi)散布矩陣 類間散布矩陣 總體散布矩陣39類別均值間的標(biāo)準(zhǔn)化距離前面所述內(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

12、的數(shù)據(jù)準(zhǔn)備，接下來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，其方式有兩種：一種就是監(jiān)督分類法；另一種稱為非監(jiān)督分類法。408.3 監(jiān)督分類監(jiān)督分類：是基于我們對遙感圖像上樣本區(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)量的已知類別樣本的觀測值求解待定參數(shù)的過程稱之為學(xué)習(xí)或訓(xùn)練，然后將未知類別的樣本的觀測值代入判別函數(shù)，再依據(jù)判別準(zhǔn)則對該樣本的所屬類別作出判定。 41監(jiān)督分類判別函數(shù)和判別規(guī)則分類過程428.3.1判別函數(shù)和判別規(guī)則各個(gè)

13、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應(yīng)的類別。這種判斷的依據(jù)，我們稱之為判別規(guī)則。 43判別函數(shù)判別 當(dāng)且僅當(dāng)g2(x)g1(x), g2(x)g3(x) ，x2 對于更多的類別，當(dāng)且僅當(dāng)gi(x)gj(x)， x i ，其中j=1,2,3,m，ji，m為類別數(shù)44概率判別函數(shù)和貝葉斯判別規(guī)則 可以把某特征矢量（X）落入某類集群的條件概率當(dāng)成分類判別函數(shù)（概率判別函數(shù)），X落入某集群的條件概率最大的類為

14、X的類別，這種判決規(guī)則就是貝葉斯判別規(guī)則。貝葉斯判別規(guī)則是以錯(cuò)分概率或風(fēng)險(xiǎn)最小為準(zhǔn)則的判別規(guī)則。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)為： 45協(xié)方差矩陣均值向量概率判別函數(shù)和貝葉斯判別規(guī)則 根據(jù)貝葉斯公式可得：式中：46（8-21）（8-22）（8-23）概率判別函數(shù)和貝葉斯判別規(guī)則47最大似然法分類的錯(cuò)分概率錯(cuò)分概率是類別判別分界兩側(cè)做出不正確判別的概率之和。貝葉斯判別邊界使這個(gè)數(shù)錯(cuò)誤為最小，因?yàn)檫@個(gè)判別邊界無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。由此可見，貝葉斯判別規(guī)則是錯(cuò)分概率最小的最優(yōu)準(zhǔn)則。根據(jù)概率判別函數(shù)和貝葉斯判別規(guī)則

15、來進(jìn)行的分類通常稱為最大似然分類法。48距離判別函數(shù)和判別規(guī)則 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，哪類距離它最近，該未知矢量就屬于哪類。距離判別規(guī)則：最小距離判別的原則。 若對于所有的比較類j=1,2,m；j i，有di(X)=theta 時(shí) y=1，反之 y=0。請注意輸出可以是連續(xù)的，因?yàn)樗部梢杂梢缓瘮?shù) f判定，該函數(shù)的自變量是 a，函數(shù)值在 0 和 1 之間，y=f(a)。神經(jīng)網(wǎng)絡(luò)方法99第i個(gè)輸入元素；第i個(gè)輸入與處理單元間的互聯(lián)權(quán)重元素；處理單元的內(nèi)部閾值；處理單元的輸出值。圖8-14 一個(gè)人工神經(jīng)元的輸入及輸出神經(jīng)網(wǎng)絡(luò)方法100圖8-15 神經(jīng)網(wǎng)絡(luò)分類器神經(jīng)網(wǎng)絡(luò)方

16、法101面向?qū)ο蠓诸惣夹g(shù)102影像對象具有的特征：- 光譜信息 - 形狀信息- 拓?fù)潢P(guān)系 - 紋理信息- 上下文關(guān)系影像像素具有的特征： - 光譜信息面向?qū)ο蟮姆椒嫦蛳袼氐姆椒嫦驅(qū)ο蠓诸惣夹g(shù)103特點(diǎn)：1.利用對象的多特征（光譜、形狀、紋理、陰影、空間位置、相關(guān)布局等）；2.多尺度分割，不同地物類別的分類在各自最佳尺度上進(jìn)行。多尺度影像分割104多尺度影像分割105圖8-16 面向?qū)ο蠓指顚哟螆D多尺度影像分割106相鄰對象異質(zhì)度合并前后異質(zhì)度變化形狀異質(zhì)度緊致度光滑度多尺度影像分割光譜與形狀特征空間內(nèi)的異質(zhì)度107多尺度影像分割108面向?qū)ο蠓指顚哟螆D面向?qū)ο蠓诸惣夹g(shù)面向?qū)ο蠓诸惙椒ㄗ罱?/p>

17、分類 對于每一個(gè)影像對象，在特征空間中尋找最近的樣本對象。 109面向?qū)ο蠓诸惣夹g(shù)面向?qū)ο蠓诸惙椒Q策支持的模糊分類(基于隸屬度函數(shù)分類) 對于某個(gè)類別，針對某個(gè)特征 建立隸屬度函數(shù)，根據(jù)待分類 對象的特征計(jì)算屬于該類別 的 隸屬度，根據(jù)隸屬度判別類別。 可以利用多個(gè)特征的隸屬度函 數(shù)一起判別。 110面向?qū)ο蠓诸惣夹g(shù)面向?qū)ο蠓诸惙椒Q策支持的模糊分類運(yùn)用繼承機(jī)制、模糊邏輯概念和方法以及語義模型，建立用于分類的決策知識(shí)庫。首先建立不同尺度的分類層次，在每一層次上分別定義對象的：光譜特征（均值、方差、灰度比值）形狀特征（面積、長度、寬度、邊界長度、長寬比、形狀因子等）紋理特征及相鄰關(guān)系特征通過定

18、義多種特征并指定不同的權(quán)重，給出每個(gè)對象隸屬于某一類的概率，建立分類標(biāo)準(zhǔn)，并按照最大概率原則，先在大尺度上分出“父類”，再根據(jù)需要對感興趣的地物在小尺度上定義特征，分出“子類”，最終產(chǎn)生確定的分類結(jié)果。111面向?qū)ο蠓诸惣夹g(shù)112 ADS40彩紅外影像 （a）分割尺度為100 （b）分割尺度60 不同尺度分割的局部細(xì)節(jié)對比面向?qū)ο蠓诸惣夹g(shù)113面向?qū)ο蠓诸惣夹g(shù)114類分類中所用的特征建筑物光譜特征；Length / Width樹木光譜特征；NDVI值；紋理農(nóng)田光譜特征；NDVI值；紋理 裸地bare index；紋理特征水泥地面光譜特征瀝青公路光譜特征；Shape指數(shù)；Length / Width塑膠操場光譜特征（均值）; 紋理特征建筑陰影光譜特征; 鄰接特征樹木陰影光譜特征; 鄰接特征面向?qū)ο蠓诸惣夹g(shù)115 通過多尺度分割得到多個(gè)影像對象層，可以構(gòu)建一個(gè)層次分明、結(jié)構(gòu)清晰、獨(dú)特的分類層次等級網(wǎng)絡(luò)體系 ADS40影像的分類層次圖面向?qū)ο蠓诸惣夹g(shù)116 建筑物 植被 農(nóng)田 塑膠操場 瀝青公路 水泥路面 面向?qū)ο蠓诸惙?最大似然法分類裸地本章結(jié)束1178.1 基礎(chǔ)知識(shí)118小結(jié)第八章 遙感圖像自動(dòng)識(shí)別分類8.2 特征變換及特征選擇概念：特征變換、特征選擇及其目的常用的