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：測繪與地理科學(xué)學(xué)院 班 級：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 計算機判讀：以計算機系統(tǒng)為支撐環(huán)境，利用模式識別技術(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)合專家知識庫中目標(biāo)地物的解譯經(jīng)驗和成像規(guī)律等知識進行分析和推理,實現(xiàn)對遙感圖象的理解

2、,完成對遙感圖象的解譯。,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模式。 模式識別 (Pattern Recognition)：即對需識別或分類的對象，進行一系列測量，例如，對未知類別的地物，測量它在等波長處的反射特性。然后將這一系列測量所構(gòu)成的模式與已知類別的地物模式作比較，看它與那一個相同或相似，即判認(rèn)它是屬于哪一個類別的地物。,第七講 遙感圖像分割,2020/8/30,4,計算機判讀與目視判讀目的一樣，但在判讀和識別地物的模式

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)。 計算機判讀：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)分開來，這些區(qū)域是互相不交叉的，每一個區(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。 圖像分割的基本問題 如何決定子區(qū)域個數(shù)； 特殊涵義的定義與建模； 實現(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）中的一個像元值（灰度）向量。在幾何上相當(dāng)于多維空間中的一個點，而同類地物的像元值，既不集中于一點，也絕非是雜亂無章的分布，而是相對地密集在一起，形

5、成一個點群（一個點群就是地物的一種類別）。一般情況下，點群的邊界不是截然的，有少部分重疊和交錯的情況。,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)練場地法/先學(xué)習(xí)后分割法）：即先選擇有代表性的實驗區(qū)（訓(xùn)練區(qū)），用已知地面的各種地物光譜特征來訓(xùn)練計算機，取得識別判別規(guī)則，并以此做標(biāo)準(zhǔn)對未知地區(qū)的遙感數(shù)據(jù)進行自動分割識別。 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群或類別。其類屬是通過對各類光譜響應(yīng)曲線進行分析以及與實地調(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 主要過程 (1) 確定最初類別數(shù)和類別中心; (2)計算每個像元多對應(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)平均計算各類的均值，使用最小距離法，將未知像元劃分到某一類中，再調(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個聚類中心，一般選前K個樣本； 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，在迭代的過程中可以進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，隨機地選擇初始的集群組（即類別）中心 2. 計算其它像元離這些中心的距離，按照最小距離法劃入其對應(yīng)的類別中； 3. 計算集群像元總數(shù)，如數(shù)目太少，刪除該類別； 4. 重新計算每個類別的均值，按照定義的參數(shù)合并或分開類別； 5. 重復(fù)以上過程，直到有關(guān)參量的變動在容忍的范圍內(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; 最長的時間或迭代次數(shù); 每個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、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,決策樹分類法 決策樹是一樹狀結(jié)構(gòu), 依據(jù)規(guī)則把遙感數(shù)據(jù)集 一級級往下細(xì)分以定義 決策樹的各個分支。,第七講 遙感圖像分割,2020/8/30,19,基本思想：從“原級”（根結(jié)點）開始，利用表達式，每一個決策將影像中的像元分成兩類，使用另一表達式，每個新類又能被分成另外的兩個新類，如此不斷地通過選擇不同的特征用于進一步地有效細(xì)分類，直到所要求的“終極”（葉結(jié)點）類別分出為止. 在決策樹分類中經(jīng)常采用的特征 光譜值； 通過光譜值算

11、出來的指標(biāo)（如NDVI）； 光譜值的算術(shù)運算值（如，和、差、比值等）； 主成分. 由于決策樹分類法中的運算幾乎都是由比較大小而組成的，所以與采用復(fù)雜計算公式的最大似然比分類法等相比，可以用很短的時間進行分類處理,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分支，它采用人工智能語言將某一領(lǐng)域（如地學(xué)知識）的專家分析方法或經(jīng)驗，對地物的多種屬性進行分析、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)驗性知識綜合起來進行分類。 其它方法：除了以上常用的方法之外，還有多時相數(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)在時間上和空間上最好保持一致或相近。 方法 實地調(diào)查 屏幕選擇：參考實地調(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 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） 計算每個像元屬于各個類別的似然度，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 模式的先驗概率，P(X |i)表示條件概率密度函 數(shù)，P(i|X)為在觀測模式 X 時，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)所示是一個用某值將特征空間分為兩個區(qū)域的例子，因此而產(chǎn)生 的錯誤分類概率如圖（b）中的陰影部分的面積表示。T值對應(yīng)的錯分概 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 可充分利用對分類地區(qū)的先驗知識，預(yù)先確定分類的類； 可控制訓(xùn)練樣本的選擇，并可通過反復(fù)檢驗訓(xùn)練樣本，以提高分類精度（避免分類中的嚴(yán)重錯誤）； 可避免非監(jiān)督分類中對光譜集群組的重新歸類。 監(jiān)督分類的缺點 人為主觀因素較強； 訓(xùn)練樣本的選取和評估需花費較多的人力、時