遙感圖像分類.pptx

1、第9章 遙感圖像分類,空間信息技術(shù)系 任課教師：楊曉霞 2012年3月,內(nèi)容大綱,圖像分類基本概念和原理 遙感圖像分類過程 監(jiān)督分類方法 非監(jiān)督分類方法 數(shù)字圖像分類新技術(shù) 提高分類精度的方法,分類原理,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 計算機(jī)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,在特征空間中，依據(jù)像元相似度的大小，歸類相似的像元，分離不相似的像元，并給每一個像元賦類別值的過程 分類的總目標(biāo)是將圖像中所有的像元自動進(jìn)行土地覆蓋類型或土地覆蓋專題的分類,什么是遙感圖像計算機(jī)分類？,相同地物具有相同或者相似的光譜特征（光譜相似性

2、）；不同地物具有不同的光譜特征（光譜差異性）,計算機(jī)分類實例,原始遙感圖像,對應(yīng)的專題圖像,為什么使用計算機(jī)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 在分析大數(shù)據(jù)集時比較經(jīng)濟(jì) 較目視解譯客觀 可對復(fù)雜的多波段數(shù)據(jù)及其相互關(guān)系進(jìn)行有效分析,遙感圖像,遙感圖像計算機(jī)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(jī)分類,光譜模式識別,空間模式識別,新方法,分類過程,原始影像數(shù)據(jù)的準(zhǔn)備

3、,圖像變換及特征選擇,分類器的設(shè)計,初始類別參數(shù)的確定,逐個像素的分類判別,形成分類編碼圖像,輸出專題圖,光譜特征空間,光譜特征空間：以各波段圖像的亮度分布為坐標(biāo)軸組成的空間 同類地物在特征空間形成一個相對聚集的點集群 不同類地物的點集群在特征空間內(nèi)一般是相互分離的,特征點集群在特征空間中的分布大致可分為如下三種情況： 理想情況不同 類別地物的集群至 少在一個特征子空 間中的投影是完全 可以相互區(qū)分開的,Bi,Bj,水,植被,土壤,典型情況不同類別地物的集群，在任一子空間中都有相互重疊的現(xiàn)象存在，但在總的特征空間中可以完全區(qū)分的。這時可采用特征變換使之變成理想情況進(jìn)行分類,地物與光譜特征空間的

4、關(guān)系,水,植被,土壤,一般情況無論在總的特征空間中，還是在任一子空間中，不同類別的集群之間總是存在重疊現(xiàn)象 這時重疊部分的特征點所對應(yīng)的地物，在分類時總會出現(xiàn)不同程度的分類誤差，這是遙感圖像中最常見的情況,地物與光譜特征空間的關(guān)系,水,植被,土壤,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,X到集群中心在多維空間中距離的絕對值之總和來表示,幾何距離：絕對值距離,幾何距離：歐氏距離,統(tǒng)計距離：馬氏距離,馬氏距離幾何意義：X到類重心之間的加權(quán)距離，其權(quán)系數(shù)為協(xié)

5、方差,圖像分類方法,按人工干預(yù)的程度不同，可以分為： 監(jiān)督分類法 非監(jiān)督分類法,事先已經(jīng)知道類別的部分信息（即類別的先驗知識），對未知類別的樣本進(jìn)行分類的方法 根據(jù)已知訓(xùn)練場地提供的樣本，通過選擇特征參數(shù)，建立判別函數(shù)，然后把圖像中各個像元點歸劃到給定類中的分類處理,監(jiān)督分類,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 計算未知類別的像元的函數(shù)值 按判別準(zhǔn)則進(jìn)行像元所屬的判別,監(jiān)督分類的思想,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

6、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),訓(xùn)練區(qū)與特征空間的聯(lián)系,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),將樣本數(shù)據(jù)在特征空間進(jìn)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,最小距離分類法,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

7、的原則,最小距離分類法,以一個包括該集群的“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 這種分類法在盒子重疊區(qū)域有錯分現(xiàn)象，錯分與比較盒子的先后次序有關(guān),平行六面體分類法基本思想,平行六面體分類法,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

8、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(jìn)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,監(jiān)督法分類實例,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

9、估花費(fèi)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,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 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,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(jìn)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(jìn)行類別劃分,非監(jiān)督分類,分類：通過對已知類別的訓(xùn)練集的分析，用樣本的特征建立一個關(guān)于類別屬性準(zhǔn)確劃分的模型，以便用來判定新的未知數(shù)據(jù)的類別 聚類：人類一項基本的認(rèn)知活動，通過無監(jiān)督的學(xué)習(xí)過程，把數(shù)

10、據(jù)聚集成類，使類間的相似性盡可能小，類內(nèi)相似性盡可能大，找到數(shù)據(jù)的特征,分類與聚類,利用事先定義的參數(shù)確定數(shù)據(jù)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模式點作為聚類的中心 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）將各模式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(yùn)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

11、,K-均值法（K-means Algorithm） 迭代自組織數(shù)據(jù)分析技術(shù)方法（Iterative Self-Organization Data Analysis Techniques，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： 根據(jù)

12、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 將全部數(shù)據(jù)隨機(jī)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(jìn)入下一次迭代,K-均值法,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

13、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,Iterative Self-Organization Data Analysis Techniques“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(jìn)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(dá)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）

14、確認(rèn)類別，對結(jié)果進(jìn)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,選定初始類別中心,輸入迭代限值參數(shù):I,K,L,N, S , C,對樣本像元進(jìn)行聚類并統(tǒng)計ni,m,ni N,取消第i類,是,迭代次數(shù)=I 或相鄰兩次迭代類別中心變動小于限值, S,確定分裂后的中心,DIK C,確定并類后的中心,輸出,否,否,是,否,否,是,ISODATA算法過程框圖,每類集群允許的最大標(biāo)準(zhǔn)差,集群允許的最短距離,每類集群至少的點數(shù),是,迭代次數(shù),期望得到的類別數(shù),每次允許合并的類的對數(shù),K ：希望得到的類別數(shù) N ：所希望的一個類中

15、樣本的最小數(shù)目 S ：類的分散程度的參數(shù)（如標(biāo)準(zhǔn)差、方差） C ：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)N 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S 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

16、 如果迭代次數(shù)達(dá)到了預(yù)設(shè)值I ，那么即使不收斂，也強(qiáng)行結(jié)束,ISODATA判斷迭代結(jié)束,類別數(shù)：20 迭代次數(shù)：20,ISODATA,類別數(shù)：10 迭代次數(shù)：10,ISODATA,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(jī)會減少 缺點： 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(jìn)行“盲目”的分類 其分類的結(jié)果只是對不同類別達(dá)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 難以對產(chǎn)生的類別進(jìn)行控制，得到的類別不一定是想要的類別,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

17、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(jī) 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,面向?qū)ο蟮姆诸惙椒?人工神經(jīng)網(wǎng)絡(luò)分類法 決策樹分類法 專家系統(tǒng)分類法 基于GIS的遙感圖像分類方法 模糊分類方法,數(shù)字圖像分類新技術(shù),基于像素級別的信息提取以單個像素為單位，過于著眼于局部而忽略了附近整片圖斑的幾何結(jié)構(gòu)情況，從而嚴(yán)重制約了信息提取的精度 面向?qū)ο蟮姆诸惙椒ㄊ紫葘D像數(shù)據(jù)進(jìn)行影像分割，影像的最小單元不再是單個的像素，而是一個個對象(圖斑)，后續(xù)的影像分析和處理也都基于對象進(jìn)行 優(yōu)點：面向?qū)ο蟮倪b感信息提取，綜合考慮了光

18、譜統(tǒng)計特征、形狀、大小、紋理、相鄰關(guān)系等一系列因素，因而具有更高精度的分類結(jié)果,面向?qū)ο蟮姆诸惙椒?決策樹分類采取逐次分類的方法，先確定特征明顯的大類別，對每一大類再作進(jìn)一步的劃分，直到所有類別全部分出為止 在不同層次可以更換分類方法，也可以更換分類特征，以提高這類別的可分性,決策樹分類法,城市,非建筑物,建筑物,水體,植被,樹木,草地,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，

19、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地面參考驗證信息與計算機(jī)分類結(jié)果的類別來比較計算的,混淆矩陣（Confusion Matrix）,混淆矩陣的每一行代表了計算機(jī)的分類

20、信息，每一行中的數(shù)值等于計算機(jī)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,有150個樣本數(shù)據(jù)，這些數(shù)據(jù)在計算機(jī)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45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51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54個樣本有49個分類正確，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)，

21、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：被正確分類的總像元數(shù) 除以 總像元數(shù)來計算 (43+45+49)/150=91.3%,總精度,用戶精度：每一類別被正確分類的像元數(shù) 除以 所有被分作該類的總像元數(shù) 這個數(shù)字表示一個像元被分到地面的實際類別的可能性 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%,用戶精度,生產(chǎn)者精度：每一類中正確分類的像元數(shù)（位于主對角線上） 除以 參考數(shù)據(jù)中的該類的像元總數(shù) 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

22、多好，用于比較分類方法的好壞 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%,生產(chǎn)者精度,例：森林類別的生產(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),分類總體精度與Kappa的區(qū)別： 總體精度只用到了位于對角線上的像元數(shù)量