遙感圖像分類課件

遙感圖像分類任課教師：楊曉霞2013年3月圖像分類基本概念和原理計算機分類的概念判別函數(shù)與判別規(guī)則影像空間與特征空間特征空間中的距離遙感圖像分類過程監(jiān)督分類方法非監(jiān)督分類方法提高分類精度的方法內(nèi)容大綱2遙感圖像分類是圖像信息提取的一種方法遙感圖像分類是遙感數(shù)字圖像處理的重要環(huán)節(jié)，也是遙感應(yīng)用最廣泛的領(lǐng)域之一遙感圖像自動識別分類計算機分類實例原始遙感圖像對應(yīng)的專題圖像遙感圖像遙感圖像計算機分類流程框圖色調(diào)、顏色、陰影、形狀、紋理、大小、位置、圖型、相關(guān)布局遙感圖像特征集基于光譜的基于空間關(guān)系的統(tǒng)計分類結(jié)構(gòu)分類模糊分類神經(jīng)網(wǎng)絡(luò)分類小波分析專家系統(tǒng)遙感圖像計算機分類光譜模式識別空間模式識別新方法為什么使用計算機分類？將影像數(shù)據(jù)的連續(xù)變化轉(zhuǎn)化為地圖模式，以提供給用戶有意義的信息獲得關(guān)于地面覆蓋和地表特征數(shù)據(jù)的更深刻的認(rèn)識較目視解譯客觀，在分析大數(shù)據(jù)集時比較經(jīng)濟可對復(fù)雜的多波段數(shù)據(jù)及其相互關(guān)系進行有效分析SPOT影像真實二維特征空間示例1-21-31-42-32-43-4特征空間中的距離“物以類聚”，而圖像分類的依據(jù)通常是像元之間的相似性。相似性通常又采用“距離”來度量。距離可以有不同的具體定義幾何距離：歐式距離、絕對值距離統(tǒng)計距離：馬氏距離分類步驟選擇合適的分類算法用所選算法分割特征空間根據(jù)像元在特征空間中的定位對每一個像元賦類別值對分類結(jié)果進行精度評價確定每個類別的樣區(qū)學(xué)習(xí)或訓(xùn)練確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則計算未知類別的樣本觀測值函數(shù)值按規(guī)則進行像元的所屬判別監(jiān)督分類的思想判決函數(shù)：當(dāng)各個類別的判別區(qū)域確定后，用來表示和鑒別某個特征矢量屬于哪個類別的函數(shù)判別規(guī)則：判斷特征矢量屬于某類的依據(jù)。當(dāng)計算完某個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判斷的依據(jù)。這種判斷的依據(jù)，稱之為判別規(guī)則判決函數(shù)和判決規(guī)則監(jiān)督法分類主要步驟選擇訓(xùn)練樣本區(qū)確定類別數(shù)對每類選擇足夠多的有代表性的樣本分類前分析樣本區(qū)質(zhì)量選擇合適的分類算法分類結(jié)果的精度評價準(zhǔn)確性——確保選擇的樣區(qū)與實際地物的一致性代表性——考慮到地物本身的復(fù)雜性，所以必須在一定程度上反映同類地物光譜特性的波動情況統(tǒng)計性——選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元訓(xùn)練樣區(qū)的選擇選擇訓(xùn)練區(qū)水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍255將樣本數(shù)據(jù)在特征空間進行聚類主要的監(jiān)督分類方法距離判別函數(shù)和距離判別規(guī)則最小距離分類法最近鄰分類算法平行六面體分類法概率判別函數(shù)和貝葉斯判別規(guī)則最大似然分類法最近鄰法基本思想是設(shè)法計算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類距離判決函數(shù)偏重于集群分布的幾何位置距離判別規(guī)則是按最小距離判別的原則最小距離分類法最大似然分類法最大似然分類法地物類數(shù)據(jù)在特征空間中構(gòu)成特定的點群每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上為正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個多維正態(tài)分布各類的多維正態(tài)分布模型各有其分布特征利用各類的已知數(shù)據(jù)（訓(xùn)練區(qū)），求出均值、方差及協(xié)方差等特征參數(shù)，從而求出總體的概率密度函數(shù)在此基礎(chǔ)上，對于任何一個像元，通過求出每個像素對于各類別的歸屬概率（對于待分像元x，從屬于分類類別k的概率），把該像素分到歸屬概率最大的類別中去最大似然分類法利用概率判別函數(shù)與貝葉斯判別規(guī)則進行分類優(yōu)點：考慮特征空間中類別的形狀、大小和定位缺點：計算量大，計算時間長假定地物光譜特征呈正態(tài)分布根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要的類別可以控制訓(xùn)練樣本的選擇可以通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精確分類，從而避免分類中的嚴(yán)重錯誤，分類精度高避免了非監(jiān)督分類中對光譜集群的重新歸類分類速度快監(jiān)督法分類的優(yōu)點主觀性由于圖像中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性訓(xùn)練樣本的獲取和評估花費較多人力時間只能識別訓(xùn)練中定義的類別監(jiān)督法分類的缺點非監(jiān)督分類的思想主要非監(jiān)督分類方法K-均值法ISODATA非監(jiān)督分類的特點分類后處理分類后的誤差分析內(nèi)容大綱在沒有先驗類別（訓(xùn)練場地）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進行歸類合并（將相似度大的像元歸為一類）的方法根據(jù)圖像數(shù)據(jù)本身的統(tǒng)計特征及點群的分布情況，從純統(tǒng)計學(xué)的角度對圖像數(shù)據(jù)進行類別劃分非監(jiān)督分類利用事先定義的參數(shù)確定特征空間中類別的位置，然后確定單個像元是否屬于某個類別聚類一般的聚類算法是先選擇若干個點作為聚類的中心每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各點歸于各聚類中心所代表的類別，形成初始分類然后由聚類準(zhǔn)則判斷初始分類是否合理，如果不合理就修改分類，如此反復(fù)迭代運算，直到合理為止聚類過程按照某個原則選擇一些初始聚類中心計算像元與初始類別中心的距離，把像素分配到最近的類別中聚類過程計算并改正重新組合的類別中心過程重復(fù)直到滿足迭代結(jié)束的條件聚類過程僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進行“盲目”的分類其分類的結(jié)果只是對不同類別達到了區(qū)分，但并不能確定類別的屬性；其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的非監(jiān)督分類K-均值法（K-meansAlgorithm）迭代自組織數(shù)據(jù)分析技術(shù)方法（IterativeSelf-OrganizationDataAnalysisTechniques，ISODATA）主要的非監(jiān)督分類方法K-均值法通過自然的聚類，把它分成8類K-均值算法的聚類準(zhǔn)則是使每一聚類中，像元到該類別中心的距離的平方和最小基本思想：通過迭代，逐次移動各類的中心，直至得到最好的聚類結(jié)果為止K-均值法（1）確定類別數(shù)并各類的初始中心：z1(0),z2(0),…,zK(0)，K為類別數(shù)。初始中心可任意選取初始中心的選擇對聚類結(jié)果有一定影響，初始中心的選擇一般有以下方法：①根據(jù)問題的性質(zhì)，用經(jīng)驗的方法確定類別數(shù)K，從數(shù)據(jù)中找出從直觀上看來比較適合的K個類的初始中心②將全部數(shù)據(jù)隨機地分為K個類別，對計算每類的重心，將這些重心作為K個類的初始中心K-均值法（2）擇近分類，即將所有像元按照與各中心的距離最小的原則分到K個聚類中心（3）計算新中心。待所有樣本第i次劃分完畢后，重新計算新的集群中心zj(i+1),j=1,2,…,K（4）如果聚類中心不變，則算法收斂，聚類結(jié)束；否則回到（2），進入下一次迭代K-均值法優(yōu)點：實現(xiàn)簡單缺點：過分依賴初值，容易收斂于局部極值在迭代過程中沒有調(diào)整類數(shù)的措施，產(chǎn)生的結(jié)果受到所選聚類中心的數(shù)目、初始位置、類分布的幾何性質(zhì)和讀入次序等因素影響較大初始分類選擇不同，最后的分類結(jié)果可能不同K-均值法IterativeSelf-OrganizationDataAnalysisTechniques“迭代自組織數(shù)據(jù)分析技術(shù)方法”的簡稱可以自動地進行類別的“合并”和“分裂”，從而得到比較合理的聚類結(jié)果

ISODATA（1）初始化，設(shè)置參數(shù)；（2）選擇初始聚類中心；（3）按一定規(guī)則(如距離最小)對所有像元分配類別；（4）計算并改正重新組合的類別中心；（5）類別的分裂和合并；（6）如果達到迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值，則結(jié)束迭代；否則，重復(fù)（3）-（6）；（7）確認(rèn)類別，對結(jié)果進行精度評估ISODATA基本同K-均值法，但K-均值法的類別數(shù)是從始至終固定的，而ISODATA方法則是動態(tài)調(diào)整類別數(shù)的K：希望得到的類別數(shù)θN：所希望的一個類中樣本的最小數(shù)目θS：類的分散程度的參數(shù)（如標(biāo)準(zhǔn)差、方差）θC：類間距離的參數(shù)（如最小距離）L：每次允許合并的類的對數(shù)I：允許迭代的次數(shù)ISODATA參數(shù)的設(shè)定決定類的“分裂”與“合并”

結(jié)束迭代的條件合并（類數(shù)-1）每一類中的像元個數(shù)少于期望的類別最少像元數(shù)θN類別的個數(shù)大于期望的類別數(shù)K的2倍分裂（類數(shù)+1）類別的標(biāo)準(zhǔn)差大于類別標(biāo)準(zhǔn)差閾值θS類別的個數(shù)小于期望的類別數(shù)K的1/2當(dāng)類別數(shù)在一定范圍內(nèi)，類別中心間的距離在閾值以上，類別內(nèi)的方差的最大值在閾值以下ISODATA調(diào)整類別數(shù)的準(zhǔn)則兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個閾值，說明聚類結(jié)束如果迭代次數(shù)達到了預(yù)設(shè)值I，那么即使不收斂，也強行結(jié)束ISODATA判斷迭代結(jié)束類別數(shù)：20迭代次數(shù)：20ISODATA類別數(shù)：10迭代次數(shù)：10ISODATA優(yōu)點：不需要預(yù)先對待分類區(qū)域有廣泛的了解需要較少的人工參與，人為誤差的機會減少小的類別能夠被區(qū)分出來缺點：盲目的聚類難以對產(chǎn)生的類別進行控制，得到的類別不一定是想要的類別計算速度慢非監(jiān)督分類方法的特點監(jiān)督分類的缺陷在于，必須在分類前確定樣本，難度大、效率低通過非監(jiān)督法將一定區(qū)域聚類成不同的單一類別，監(jiān)督法再利用這些單一類別區(qū)域“訓(xùn)練”計算機使分類精度得到保證的前提下，分類速度得到了提高非監(jiān)督分類與監(jiān)督分類的結(jié)合遙感影像經(jīng)分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別分類后處理原始遙感圖像對應(yīng)的專題圖像用光譜信息對影像逐個像元地分類，在結(jié)果的分類地圖上會出現(xiàn)“噪聲”分類后處理產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括有多種類別，其混合的幅射量造成錯分類，以及其它原因等另外還有一種現(xiàn)象，分類是正確的，但某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣，因此希望用綜合的方法使它從圖面上消失分類后處理分類后處理多數(shù)平滑：平滑時中心像元值取周圍占多數(shù)的類別（少數(shù)服從多數(shù)原則）平滑前后的一個例子分類精度評價混淆矩陣Kappa系數(shù)制約分類精度的因素提高分類精度的方法分類后的誤差分析混淆矩陣是由n行n列組成的矩陣，用來表示分類結(jié)果的精度混淆矩陣是通過將每個像元的位置和地面參考驗證信息與計算機分類結(jié)果中的相應(yīng)位置和類別來比較計算的混淆矩陣（ConfusionMatrix）混淆矩陣的每一列代表了地表實測值（參考驗證信息），每一列中的數(shù)值等于地表真實像元在分類圖像中對應(yīng)于相應(yīng)類別的數(shù)量混淆矩陣的每一行代表了計算機的分類信息，每一行中的數(shù)值等于計算機分類像元在地表真實像元相應(yīng)類別中的數(shù)量混淆矩陣63有150個樣本數(shù)據(jù)，這些數(shù)據(jù)在計算機分類結(jié)果中被分成3類，每類50個。分類結(jié)束后得到的混淆矩陣為：類1的50個樣本有43個分類正確，5個錯分為類2，2個錯分為類3類2的50個樣本有45個分類正確，2個錯分為類1，3個錯分為類3類3的50個樣本有49個分類正確，0個錯分為類1，1個錯分為類2混淆矩陣矩陣主對角線上的數(shù)字就是分類正確的像元數(shù)，主對角線上的數(shù)字越大，分類精度越高；主對角線以外的數(shù)字就是錯分的像元數(shù)，這些數(shù)字越小，錯分率就越小，精度就越高精度評估的指標(biāo)總精度用戶精度生產(chǎn)者精度（制圖精度）混淆矩陣總精度：由正確分類的總像元數(shù)（沿著主對角線上的元素的和）除以所包含的總像元數(shù)來計算(43+45+49)/150=91.3%混淆矩陣用戶精度由每一類別被正確分類的像元數(shù)目除以被分作該類的總像元數(shù)（行元素之和）這個數(shù)字表示一個像元被分到指定類別的可能性，這個指定類別代表了地面的實際類別類1的用戶精度：43/50=86%類2的用戶精度：45/50=90%類3的用戶精度：49/50=98%混淆矩陣生產(chǎn)者精度由每一類中正確分類的像元數(shù)（位于主對角線上）除以該類用做訓(xùn)練樣區(qū)的像元數(shù)目（列元素之和）這個數(shù)字表明指定覆蓋類型的訓(xùn)練樣區(qū)集的像元被分類后，它的效果有多好類1的生產(chǎn)者精度：43/45=96%類2的生產(chǎn)者精度：45/51=88%類3的生產(chǎn)者精度：49/54=91%混淆矩陣?yán)荷诸悇e的生產(chǎn)者精度為84%，用戶精度為60%。表示在分類結(jié)果中有84%的森林被正確的分類為森林，但所有分類為森林的地區(qū)只有60%的地區(qū)真正屬于森林這個類別混淆矩陣m=誤差矩陣中行的數(shù)量（即總的類別數(shù)）xii=第i行第i列上的像元數(shù)量（即主對角線上正確分類的數(shù)量）xi+=在第i行的總像元數(shù)量x+i=在第i列的總像元數(shù)量N=用于精度評估的總像元數(shù)量Kappa系數(shù)