遥感数字图像处理第五章遥感数字图像的计算机分类一高级课堂

《遥感数字图像处理第五章遥感数字图像的计算机分类一高级课堂》由会员分享，可在线阅读，更多相关《遥感数字图像处理第五章遥感数字图像的计算机分类一高级课堂（83页珍藏版）》请在装配图网上搜索。

1、第五章第五章 遥感数字图像计算机分类遥感数字图像计算机分类一、遥感数字图像计算机分类的一般原理一、遥感数字图像计算机分类的一般原理二、遥感分类的常用判别函数二、遥感分类的常用判别函数三、遥感数字图像的分类方法三、遥感数字图像的分类方法四、遥感数字图像的分类后处理四、遥感数字图像的分类后处理五、光谱特征分类中的辅助处理技术五、光谱特征分类中的辅助处理技术六、遥感图像计算机分类新方法六、遥感图像计算机分类新方法1优选课程一、遥感数字图像计算机分类的一般原理一、遥感数字图像计算机分类的一般原理遥感图像解译遥感图像解译 2优选课程一、遥感数字图像计算机分类的一般原理一、遥感数字图像计算机分类的一般原理

2、遥感图像解译遥感图像解译 遥感图像数据专题图像专题地图专业应用解译方法方法计算机分类目视解译光谱规律地学规律解译者的经验解译标志（亮度、色调、位置、时间、纹理、结构等）景物类型属性识别、分类提取信息、识别地物3优选课程图像分类的目的图像分类的目的 将图像中每个像元根据其不同波段的光谱将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种亮度、空间结构特征或其他信息，按照某种规规则则或或算法算法划分为不同的划分为不同的类别类别。遥感图像分类遥感图像分类 利用计算机技术来模拟人类的识别功能利用计算机技术来模拟人类的识别功能,对对地球表面及其环境在遥感图像上的信息进行地球表面及其

3、环境在遥感图像上的信息进行属属性的自动判别和分类性的自动判别和分类，达到提取所需地物信息，达到提取所需地物信息的目的的目的。4优选课程计算机分类计算机分类是通过模式识别理论，利用计算机将遥感图象遥感图象自动分成若干地物类别地物类别的方法。如土地覆盖/土地利用分类、森林类型分类、植被 类型分类、岩性分类、数据数据信息信息 （遥感数据（遥感数据-地物信息）地物信息）主要数据类型：1、原始光谱数据；2、光谱变换后数据；3、非遥感数据5优选课程 理论依据 在理想条件下，图像中同类地物在相同的条件下应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在相似性，即同类地物像元的特征向量

4、将集群在同一特征空间区域，而不同地区的光谱信息特征或空间信息特征应不同，因而将集群在不同的特征空间区域。6优选课程遥感图像分类的实质遥感图像分类的实质 图象分类过程的总目标总目标是，将图象中所有像元所有像元自动地进行土地覆盖类型或土地覆盖专题的分类。7优选课程影响遥感图像分类精度的因素影响遥感图像分类精度的因素u大气状况的影响：大气状况的影响：吸收、散射。u下垫面的影响：下垫面的影响：下垫面的覆盖类型和起伏状态对分类具有一定的影响。u其他因素的影响：其他因素的影响：云朵覆盖；不同时相的光照条件不同，同一地物的电磁辐射能量不同；地物边界的多样性。8优选课程统计模式识别的概念和基本问题统计模式识别

5、的概念和基本问题u模式模式（pattern）:在多波段多波段图象中，每个象元都具有一组对应取值，称为象元模式，即一个像元对应多个值（象元模式，即一个像元对应多个值（地理地理信息的多维性信息的多维性）。）。u特征特征（feature）：在多波段波段图象中，每个波段都可看作一个变量，称为特征变量特征变量。特征变量构成特征空间特征空间。波段波段：光谱波段 其它派生波段（纹理、上下文关系、波段比等）辅助数据(ancillary data)(非遥感数据，如DEM、土壤类型)u特征提取特征提取（feature extraction）：通过变换找出最能反映地物类别差异的特征变量用于分类的过程9优选课程u模式

6、识别模式识别 是人们沿着仿生学的道路，用计算机系统作为工具来是人们沿着仿生学的道路，用计算机系统作为工具来模拟模拟人类的感知和识别智能，它是人类的感知和识别智能，它是人工智能人工智能的一个分支。的一个分支。xn 分类器（或称判决器），可以根据一定的分类规则，分类器（或称判决器），可以根据一定的分类规则，把某一测量矢量把某一测量矢量X划入某一组预先规定的类别之中去。划入某一组预先规定的类别之中去。自然模式自然模式接收器接收器(传感器传感器)分类器分类器(判决器判决器)模式识别系统的模型模式识别系统的模型 10优选课程u遥感图像目视判读与计算机分类的比较遥感图像目视判读与计算机分类的比较 相同点：

7、目的一致；相同点：目的一致；不同点：目视判读不同点：目视判读直接利用人类的自然识别智能；直接利用人类的自然识别智能；计算机分类计算机分类利用计算机模拟人类的识别能力。利用计算机模拟人类的识别能力。u遥感图像的计算机分类遥感图像的计算机分类 它是对地球表面及其环境在遥感图像上的信息进行它是对地球表面及其环境在遥感图像上的信息进行属属性的识别和分类性的识别和分类，从而达到识别图像信息所相应的实际地，从而达到识别图像信息所相应的实际地物，提取所需地物信息。物，提取所需地物信息。11优选课程u遥感图像的模式特征及其分类方法遥感图像的模式特征及其分类方法 光谱特征光谱特征 纹理特征纹理特征 基于光谱特征

8、的统计识别方法基于光谱特征的统计识别方法 基于纹理特征的统计识别方法基于纹理特征的统计识别方法 （主要）（主要）（次要、补充）（次要、补充）12优选课程u统计模式识别的基本含义统计模式识别的基本含义 （1）把识别对象的特征的每一个观测量观测量视为从属于一定分布规律的随机变量随机变量；（2）在多维观测的情况下，把识别对象特征的各维观测值的总体视为一个随机矢量随机矢量，每一个随机矢量随机矢量在一个多维特征空间中都有一个特征点特征点与之相对应；（3）所有特征点的全体在特征空间中将形成一系列的分布群体，每个分布群体中的特征点被认为具有相似特征每个分布群体中的特征点被认为具有相似特征，并可以划为同一类别

9、；（4）找到各个分布群体的边界线边界线（面）或确定任意特征点落入每个分布群体中的条件概率条件概率，并以此依据来确定特征点（或相应的识别对象）的分类。13优选课程光谱特征向量与特征点集群光谱特征向量与特征点集群 u基于统计模式识别的分类方法基于统计模式识别的分类方法 监督分类与非监督分类分类处理与增强处理的异同共同点：共同点：增强和提取遥感图像中目标物的信息不同点：不同点：增强处理增强视觉效果提高图像的可解译性（定性定性）图像分类地物类别的区分（定量信息定量信息）14优选课程光谱特征向量与特征点集群光谱特征向量与特征点集群 TnxxxX,21图像波段总数地物图像点在第 波段图像中的亮度值u光谱特

10、征向量光谱特征向量 光谱特征变量光谱特征变量：由于受外界各种因素的影响，使得同类地物的成像亮度值总是带有随机误差，导致图像亮度值（即光谱特征）的观测值为一个随机变量（x）。光谱特征向量光谱特征向量：同名地物点同名地物点在不同波段不同波段图像中亮度的观测量构成一个多维的随机向量（X），称为光谱特征向量。即15优选课程光谱特征向量与特征点集群光谱特征向量与特征点集群 u光谱特征空间光谱特征空间 为度量地物的光谱特征，建立的以各波段图像的亮度分布为子空间的多维空间。16优选课程光谱特征向量与特征点集群光谱特征向量与特征点集群 u特征点集群特征点集群 每个地物点依其在各个波段所具有的光谱值可以在一个多

11、维空间中找到一个相应的特征点，但由于随机性所致，同类地物的各取样点在光谱特征空间中的特征点将不可能表现为一个点，而是表现为一个相对聚集的点集群点集群，不同类地物点集群在特征空间中一般相互分离，这些点集群称为特征点集群特征点集群。17优选课程特征点集群在空间中的分布情况特征点集群在空间中的分布情况 最理想情况最理想情况 不同类别集群至少在一个特征子空间（某一波段图像）中的投影（即亮度范围）是完全可以相互区分开的可以用简单的图像密度分割实现。BiBj水植被土壤18优选课程典型情况典型情况 不同类别地物的集群，在任一个子空间都有重叠现象存在，但在总的特征空间中却是可以完全分开的。即单波段的图像不能实

12、现图像的分类，只有利用多波段图像在多维空间中才能实现精确分类。水植被土壤19优选课程一般情况一般情况 不论是在总的特征空间还是任一子空间，不同类别的集群之间总有重叠现象，这时重叠部分的特征点所相应的地物，在分类时会出现不同程度的分类误差，这是遥感图像分类中最常见的现象。水植被土壤20优选课程地物与光谱特征空间的关系地物与光谱特征空间的关系21优选课程计算机分类的基本原理计算机分类的基本原理 基本原理基本原理 不同的地物具有不同的光谱特征，同类地物具有相同或相似的光谱特征将图像中的每个像元或区域划归为若干类别是的一种，即通过光谱特征分析光谱特征分析选择特征参数将特征空间划分为不重叠的子空间将影像

13、像元划分到各个子空间实现分类 图象分类：基于数字图象中反映的同类地物的光谱相似性和异类地物的光谱差异性。依据依据是遥感图像像素的相似度。距离相关系数22优选课程计算机分类的基本原理计算机分类的基本原理 基本思想基本思想 同类地物的光谱特征比同类地物的光谱特征比较接近，在特征空间中的点较接近，在特征空间中的点聚集在该类的中心附近；多聚集在该类的中心附近；多类目标聚集多个点族。类目标聚集多个点族。分类算法的核心分类算法的核心 判别函数判别函数 判别准则判别准则 方法方法 判别函数判别函数：找到一个函数使找到一个函数使fAB(X)=0判别准则判别准则：fAB(X)0，X为为A类；类；fAB(X)n+

14、1,甚至可以达到3n。B、代表性、代表性训练样本应该反映该类地物的亮度特征；且需注意同类地物空间分布的不连续性（如，可以分别在块草地中选取训练样本）。、亮度分布、亮度分布从亮度特征角度而言，对于同一类地物具有不同亮度特征情况，通常都要选取（同物异谱）。39优选课程、纯度的把握、纯度的把握一般来说，在已知类别的一般来说，在已知类别的中间部位纯度较高中间部位纯度较高；如果如果过纯过纯，则方差过小，导致许多此类地物的像元被，则方差过小，导致许多此类地物的像元被拒分；如果拒分；如果不纯不纯，则方差过大，导致不是此类地物的，则方差过大，导致不是此类地物的像元被分到该类别中，导致出现像元被分到该类别中，导

15、致出现“错分错分”的情况；的情况；把握纯度的方法：把握纯度的方法：读像元的亮度值，确定该类读像元的亮度值，确定该类地物的亮度分布区间；同时，注意其它地物亮度值与地物的亮度分布区间；同时，注意其它地物亮度值与其近似部分的像元亮度分布区间，依其近似部分的像元亮度分布区间，依“错分损失最小错分损失最小”的原则的原则，确定，确定“分类界限分类界限”。40优选课程训练区的选择训练区的选择41优选课程水体高层建筑水泥地面裸地林地选择训练样区选择训练样区-直接在图像上选取直接在图像上选取42优选课程TM Band 38284969901435567788TM Band 4水泥地面水体选择训练样区选择训练样区

16、在特征空间上选取在特征空间上选取43优选课程训练样本中的各个像素在特征空间中的分布情况训练样本中的各个像素在特征空间中的分布情况Band 1 DNsBand 1 DNsCluster 1Cluster 2Cluster 3Band 1 DNsBand 1 DNs44优选课程最小距离分类法 最小距离分类法是以特征空间中的距离作为像元分类最小距离分类法是以特征空间中的距离作为像元分类的依据。原理简单，计算速度快，分类精度不高。的依据。原理简单，计算速度快，分类精度不高。Step 2 for eachunclassified pixel,calculate the distance to avera

17、ge for each training area45优选课程特点：特点：原理简单，容易理解，计算速度快。缺点：缺点：因只考虑每一类样本的均值，而不用管类别内部的方差（每一类样本的分布），也不用考虑类别之间的协方差（类别和类别之间的相关关系），所以分类精度不高。主要用途：主要用途：一般不用它作为分类对精度有高要求的分类，但它可以在快速浏览分类概况中使用。46优选课程 改进方法改进方法47优选课程 多级切割分类法多级切割分类法n通过设定在各轴上的一系列分割点，将多维特征空间划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。n对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子

18、空间中。n多级切割分类法要求训练区样本的选择必须覆盖所有的类型。n运用多级分割法分类前，需要先进行主成分分析，或采用其他方法对各轴进行相互独立的正交变换。48优选课程用多级切割法分割三维特征空间49优选课程平行多面体分类平行多面体分类02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest12 要求分割面总是与各特征轴正交，如果各类别

19、在特征要求分割面总是与各特征轴正交，如果各类别在特征空间中呈倾斜分布，就会产生分类误差。可先采用各轴的空间中呈倾斜分布，就会产生分类误差。可先采用各轴的正交变换后，再进行多级分割。正交变换后，再进行多级分割。50优选课程 最大最大似然比似然比分类法分类法(Maximum Likelihood)通过求出每个像素对于各类别的通过求出每个像素对于各类别的归属概率归属概率，把该，把该像素分到像素分到归属概率最大归属概率最大的类别中去的方法。的类别中去的方法。假定训练区地物的光谱特征和自然界大部分随机假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从现象一样，近似服从正态分布正态分布。利用训练

20、区可求出利用训练区可求出均值、方差以及协方差均值、方差以及协方差等特征等特征参数，从而可求出总体的先验概率密度函数。参数，从而可求出总体的先验概率密度函数。然后，每一个像素归为某一类别的然后，每一个像素归为某一类别的归属概率归属概率可求可求出。出。51优选课程02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest1202550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest52优选课程53

21、优选课程使用最大似然比分类法的注意事项使用最大似然比分类法的注意事项u各类别的训练数据至少要为特征维数的2-3倍以上，这样才能统计出具有较高精度的均值、方差与协方差；u如果2个以上的波段相关性很强，那么方差协方差矩阵的逆矩阵就不存在，或非常不稳定。在训练数据几乎都取相同值的均质性数据组的情况下也是如此。此时，最好采用主成分分析法，把维数减到仅剩相互独立的波段。u当总体分布不符合正态分布时，不适于采用以正态分布的假设为基础的最大似然比分类法。其分类精度也将下降。54优选课程分类结果分类结果55优选课程u非监督分类法不必使用训练样区数据作为分类的基础。通非监督分类法不必使用训练样区数据作为分类的基

22、础。通过检验大量的未知像元并根据多光谱空间中的自然集群将过检验大量的未知像元并根据多光谱空间中的自然集群将它们分为若干类。它们分为若干类。u基本前提基本前提：同种地物类型的值在测量空间上应该相互接近，：同种地物类型的值在测量空间上应该相互接近，而不同的地物类型应该具有比较明显的可分性，即：而不同的地物类型应该具有比较明显的可分性，即：假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。u主要方法主要方法：采用聚类分析方法，聚类是把一组像素按照相相似性似性归成若干类别，即“物以类聚”。非监督分类非监督分类(unsupervised classification)(unsupervised

23、classification)56优选课程u主要目的是使得同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。u分类标准的确定不需要人的参与，由计算机根据自动按照某一标准（例如距离距离最短）自动进行。需要确定要分几种类别，或者类似的输入条件。分类后的结果，还需要再给出具体的涵义，即先分类后确定属性即先分类后确定属性。u区别区别：监督分类法确定有用信息类别，然后再检：监督分类法确定有用信息类别，然后再检验它们的光谱可分性；而非监督分类法先确定光验它们的光谱可分性；而非监督分类法先确定光谱的可分性，然后再确定它们的有用信息。谱的可分性，然后再确定它们的有用信息。57优选课程u分

24、类算法的思路分类算法的思路 先选择若干个模式点作为聚类的中心，每一个中先选择若干个模式点作为聚类的中心，每一个中心代表一个类别，按照某种相似性度量方法将各模式心代表一个类别，按照某种相似性度量方法将各模式归于各聚类中心所代表的类别，形成初始分类。然后归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。改分类，如此反复迭代运算，直到合理为止。58优选课程 根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别。在非监督分类中，先确定光谱可分的

25、类先确定光谱可分的类别，然后定义它们的别，然后定义它们的信息类。信息类。59优选课程u非监督分类的核心：初始类别参数的选定（基准类别集群中心（数学期望），集群分布的协方差矩）；迭代调整。u非监督分类的主要过程60优选课程非监督分类基本过程非监督分类基本过程确定初始类别参数计算像元至集群中心距离确定像元类别计算新的类别均值向量均值中心变化？计算结束否是61优选课程u初始类别参数的选定方法像素光谱特征的比较法图像抽样任一像元f1作为第一类别给定阈值T第i像元fi与第一类比较|f1-fi|TYNfi属于f1类Fi产生新的f2类62优选课程总体直方图均匀定心法在总体直方图的基础上选在总体直方图的基础上

26、选定类别中心定类别中心63优选课程64优选课程最大最小距离选心法（效果最好效果最好）选心原则选心原则：各初始类别之间尽可能保持远距离：各初始类别之间尽可能保持远距离65优选课程先抽样，设有先抽样，设有n个样本，计算步骤：个样本，计算步骤：66优选课程u非监督分类的主要算法ISODATA法（迭代自组织数据分析技术）基本思想基本思想：在初始类别参数选定的基础上，通过逐：在初始类别参数选定的基础上，通过逐步趋近求出实际的基准类别参数。步趋近求出实际的基准类别参数。67优选课程算法流程算法流程：68优选课程69优选课程70优选课程71优选课程 总结总结：以初始类别为：以初始类别为“种子种子”进行自动迭

27、代聚进行自动迭代聚类过程，它可以自动地进行类别的类过程，它可以自动地进行类别的“合并合并”与与“分分裂裂”，其各个参数也在不断地聚类调整中逐渐确定，其各个参数也在不断地聚类调整中逐渐确定，并最终构成所需要的判别函数。并最终构成所需要的判别函数。因此，基准类别参数的确定过程，也正是利用因此，基准类别参数的确定过程，也正是利用光谱特征本身的统计性质对判别函数的不断调整和光谱特征本身的统计性质对判别函数的不断调整和“训练训练”的过程。的过程。72优选课程K-mean算法算法 基本思想：基本思想：通过迭代，通过迭代，移动各个基准类别的中心移动各个基准类别的中心，得到最好的聚类结果。得到最好的聚类结果。

28、聚类准则（收敛条件）聚类准则（收敛条件）：使每一聚类中，多模式点：使每一聚类中，多模式点到该类别的中心的距离的平方和最小。即：到该类别的中心的距离的平方和最小。即：对于图像中对于图像中互不相交的任意一类，计算该类中的像素值与该类均值互不相交的任意一类，计算该类中的像素值与该类均值差的平方和。将图像中所有类的差的平方和相加，并使差的平方和。将图像中所有类的差的平方和相加，并使相加后的值达到最小！相加后的值达到最小！73优选课程第i类中，所有像元到该类中心差的平方和总类数m，所有像元到该类中心差的平方和74优选课程K-mean算法的计算步骤：75优选课程K-mean算法与算法与ISODATA算法的

29、区别算法的区别：（1）ISODATA算法它不是每调整一个样本的类别就重新计算一次各样本的均值，而是在把所有的样本都调整完之后才重新计算。（2）K-mean算法是逐个样本修正法，ISODATA算法是成批样本修正法；（3）ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别“合并合并”与“分裂分裂”，从而得到类数比较合理的聚类结果。76优选课程4-3-2假彩色合成图像假彩色合成图像非监督分类非监督分类(聚类聚类)结果结果:15个光谱类个光谱类非监督分类非监督分类77优选课程 非监督分类非监督分类1.4-3-2假彩色合成图象假彩色合成图象(香港九龙香港九龙);2.

30、聚类结果聚类结果(10类类)78优选课程3.聚类结果合并(5类);4.最终结果(类别颜色改变)79优选课程 监督分类与非监督分类的比较监督分类与非监督分类的比较u根本区别：根本区别：是否利用训练场地训练场地来获取先验的类别知识。u监督分类的关键是选择训练场地。监督分类法优点：简单实用，运算量小。缺点：受训练场地个数个数和训练场典型性典型性的影响较大。受环境影响较大，随机性大。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分类的不足之处。p非监督分类优点：事先不需要对研究区了解，减少人为因减少人为因素影响素影响，减少时间，降低成本。不需要更多的先验知识，据地物的光谱统计特性进行分类。p

31、缺点：运算量大。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。80优选课程非监督分类与监督分类的结合非监督分类与监督分类的结合 通过非监督法将一定区域聚类成不同的通过非监督法将一定区域聚类成不同的单一单一类别类别，监督法再利用这些单一类别区域，监督法再利用这些单一类别区域“训练训练”计算机。通过计算机。通过“训练训练”后的计算机将其它区域分后的计算机将其它区域分类完成，这样避免了使用速度比较慢的非监督法类完成，这样避免了使用速度比较慢的非监督法对整个影像区域进行分类，使分类对整个影像区域进行分类，使分类精度精度得到保证得到保证的前提下，分类的前提下，分类速度速度得到了提高。

32、得到了提高。81优选课程步骤步骤:第一步：选择一些有代表性的区域第一步：选择一些有代表性的区域进行非监督分进行非监督分类。类。这些区域的选择与监督法分类训练样区的选择要这些区域的选择与监督法分类训练样区的选择要求求相反相反，监督法分类训练样区要求尽可能单一。而这，监督法分类训练样区要求尽可能单一。而这里选择的区域包含类别尽可能地多，以便使所有感兴里选择的区域包含类别尽可能地多，以便使所有感兴趣的地物类别都能得到聚类。趣的地物类别都能得到聚类。第二步：获得多个聚类类别的第二步：获得多个聚类类别的先验知识先验知识。这些先这些先验知识的获取可以通过判读和实地调查来得到。聚类验知识的获取可以通过判读和

33、实地调查来得到。聚类的类别作为监督分类的训练样区。的类别作为监督分类的训练样区。82优选课程 第三步：第三步：特征选择。特征选择。选择最适合的特征图像进选择最适合的特征图像进行后续分类。行后续分类。第四步：使用第四步：使用监督法监督法对整个影像进行对整个影像进行分类分类。根。根据前几步获得的先验知识以及聚类后的样本数据设据前几步获得的先验知识以及聚类后的样本数据设计分类器。并对整个影像区域进行分类。计分类器。并对整个影像区域进行分类。第五步：第五步：输出标记图像输出标记图像。由于分类结束后影像。由于分类结束后影像的类别信息也已确定。所以可以将整幅影像标记为的类别信息也已确定。所以可以将整幅影像标记为相应类别输出。相应类别输出。83优选课程