遙感圖像分類(lèi);

1、遙感影像分類(lèi),遙感影像計(jì)算機(jī)自動(dòng)解譯,利用計(jì)算機(jī)通過(guò)對(duì)遙感圖像中各類(lèi)地物的光譜信息和空間信息進(jìn)行分析，選擇特征，并用一定的手段將特征空間劃分為互不重疊的子空間，然后將圖像中的各個(gè)像元?jiǎng)潥w到各個(gè)子空間去。 特征能夠反映地物光譜信息和空間信息并可用于圖像分類(lèi)處理的變量,遙感影像分類(lèi),基于統(tǒng)計(jì)的方法和基于規(guī)則的方法 監(jiān)督分類(lèi)和非監(jiān)督分類(lèi) 硬分類(lèi)和軟分類(lèi) 逐像元分類(lèi)和面向?qū)ο蠓诸?lèi),分類(lèi)標(biāo)準(zhǔn),按照邏輯準(zhǔn)則組織的信息類(lèi)別正確的分類(lèi)學(xué)定義 參考標(biāo)準(zhǔn): 美國(guó)規(guī)劃協(xié)會(huì)的土地分類(lèi)標(biāo)準(zhǔn)(lbcs) 美國(guó)國(guó)家植被分類(lèi)系統(tǒng),基于統(tǒng)計(jì)的分類(lèi)方法,遙感影像光譜特征分布特點(diǎn),遙感影像分類(lèi)原理,同類(lèi)地物在相同的條件下（紋理、地

2、形等），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(lèi)地物的某種內(nèi)在的相似性，即同類(lèi)地物像元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特征或空間信息特征將不同，集群在不同的特征空間區(qū)域。,基于光譜特征的分類(lèi)原理,遙感圖像計(jì)算機(jī)分類(lèi)的依據(jù)是遙感圖像像素的相似度。常使用距離和相關(guān)系數(shù)來(lái)衡量相似度。 采用距離衡量相似度時(shí)，距離越小相似度越大。 采用相關(guān)系數(shù)衡量相似度時(shí)，相關(guān)程度越大，相似度越大。,監(jiān)督分類(lèi)和非監(jiān)督分類(lèi),監(jiān)督分類(lèi)法：選擇具有代表性的典型實(shí)驗(yàn)區(qū)或訓(xùn)練區(qū)，用訓(xùn)練區(qū)中已知地面各類(lèi)地物樣本的光譜特性來(lái)“訓(xùn)練”計(jì)算機(jī)，獲得識(shí)別各類(lèi)地物的判別函數(shù)或模式，并以此對(duì)未知地

3、區(qū)的像元進(jìn)行分類(lèi)處理，分別歸入到已知的類(lèi)別中。 非監(jiān)督分類(lèi)：是在沒(méi)有先驗(yàn)類(lèi)別（訓(xùn)練場(chǎng)地）作為樣本的條件下，即事先不知道類(lèi)別特征，主要根據(jù)像元間相似度的大小進(jìn)行歸類(lèi)合并（即相似度的像元?dú)w為一類(lèi)）的方法。,遙感分類(lèi)基本過(guò)程,根據(jù)圖像分類(lèi)目的選取特定區(qū)域的遙感影像，考慮空間分辨率、光譜分辨率、成像時(shí)間、圖像質(zhì)量等。 根據(jù)研究區(qū)域，收集與分析地面參考信息與有關(guān)數(shù)據(jù)。 根據(jù)分類(lèi)要求和影像的特征，選擇合適的圖像分類(lèi)方法和算法。制定分類(lèi)系統(tǒng)，確定分類(lèi)類(lèi)別。 找出代表這些類(lèi)別的統(tǒng)計(jì)特征 測(cè)定總體特征，在監(jiān)督分類(lèi)中可選擇具有代表性的訓(xùn)練場(chǎng)地進(jìn)行采樣。在非監(jiān)督分類(lèi)中，可用聚類(lèi)等方法對(duì)特征相似的像素進(jìn)行歸類(lèi)，測(cè)定其

4、特征。 對(duì)遙感圖像中各像素進(jìn)行分類(lèi)。 分類(lèi)精度檢查。 對(duì)判別分析的結(jié)果進(jìn)行統(tǒng)計(jì)檢驗(yàn)。,非監(jiān)督分類(lèi)特征空間圖形識(shí)別,圖形識(shí)別分類(lèi)就是對(duì)分類(lèi)的地區(qū)事先完全不了解，計(jì)算機(jī)只根據(jù)人們規(guī)定的某些要求和閾值對(duì)圖像進(jìn)行分析，采用對(duì)圖像逐行逐個(gè)像元相比較的無(wú)人管理分類(lèi)方法。,特征空間圖形識(shí)別分類(lèi)特點(diǎn),1不能精確控制分類(lèi)的類(lèi)別數(shù)。 2當(dāng)?shù)匚锕庾V響應(yīng)是不重合的正態(tài)分布時(shí)是可行的，并且容易實(shí)現(xiàn)，但若特征分布出現(xiàn)交疊，則使用這種方法將產(chǎn)生較大的分類(lèi)錯(cuò)誤。 3該分類(lèi)法的主要優(yōu)點(diǎn)是簡(jiǎn)單、速度快。,非監(jiān)督分類(lèi)系統(tǒng)聚類(lèi),1）將圖像中每個(gè)像元看作一類(lèi)，作為分類(lèi)的初始值 2）計(jì)算各類(lèi)均值間的相關(guān)系數(shù)矩陣r 3）從已分類(lèi)別中選取最

5、鄰近的兩類(lèi)進(jìn)行合并 4）重復(fù)步驟2-3，直到合并的新類(lèi)之間符合分類(lèi)的要求為止(各類(lèi)間的相關(guān)系數(shù)小于閥值或是距離大于閥值）,系統(tǒng)聚類(lèi)法的局限性,系統(tǒng)聚類(lèi)過(guò)程中采用的統(tǒng)計(jì)量要視具體情況而定，但也可利用該特點(diǎn)結(jié)合不同統(tǒng)計(jì)量分類(lèi)，提高準(zhǔn)確性,非監(jiān)督分類(lèi)動(dòng)態(tài)聚類(lèi),動(dòng)態(tài)聚類(lèi)就是在開(kāi)始時(shí)先建立一批初始中心，而讓待分類(lèi)的各個(gè)像元依據(jù)某些判決準(zhǔn)則向初始中心凝聚，然后再逐步修改調(diào)整中心，重新分類(lèi)；并根據(jù)各類(lèi)離散性統(tǒng)計(jì)量和兩類(lèi)間可分離性的統(tǒng)計(jì)量再進(jìn)行合并和分裂。此后再修改調(diào)整中心，這樣不斷繼續(xù)下去，直到分類(lèi)比較合理為止。,監(jiān)督分類(lèi),需要事先確定訓(xùn)練場(chǎng)地和選擇訓(xùn)練樣本，訓(xùn)練樣本需要具有一定的代表性 考慮到各種地物光譜

6、輻射的復(fù)雜性和干擾因素的多樣性，需要多考慮一些樣本 在某一地區(qū)建立起來(lái)的判別式只能適用于同一地區(qū)或地學(xué)條件相似的地區(qū),監(jiān)督分類(lèi)-訓(xùn)練樣區(qū)選擇與統(tǒng)計(jì),收集現(xiàn)場(chǎng)信息 在屏訓(xùn)練數(shù)據(jù)多邊形選擇 在屏訓(xùn)練數(shù)據(jù)的種子選擇,監(jiān)督分類(lèi)訓(xùn)練樣本的選取,用于監(jiān)督分類(lèi)地訓(xùn)練場(chǎng)地應(yīng)該是光譜特征比較均一的地區(qū)，一般在圖像顯示中根據(jù)均一的色調(diào)估計(jì)只有一類(lèi)地物，而且一類(lèi)地物的訓(xùn)練場(chǎng)地可選取一塊以上。 訓(xùn)練樣本的數(shù)目至少要能滿足建立分類(lèi)用判別函數(shù)的要求，以克服各種偶然因素的影響，而對(duì)于光譜特征變化較大的地物，訓(xùn)練樣本的數(shù)目要更多一些，以反映其變化范圍。一般情況下，要得出可靠的統(tǒng)計(jì)數(shù)據(jù)，每類(lèi)至少要有10100個(gè)訓(xùn)練樣本數(shù)據(jù)。,

7、監(jiān)督分類(lèi)訓(xùn)練樣本的選取,盡可能地利用一些已知的有用資料，來(lái)確定訓(xùn)練場(chǎng)地和訓(xùn)練樣本。在使用各種圖件資料時(shí)應(yīng)注意以下兩個(gè)方面： （1）各種圖件的成圖日期要盡可能地接近圖像成像日期,以保證地物類(lèi)別分類(lèi)準(zhǔn)確。 （2）空間。要考慮到每一種地物類(lèi)型隨空間變化發(fā)生光譜特征變化的可能性，選擇訓(xùn)練場(chǎng)地應(yīng)當(dāng)能夠反映這種變化。 在監(jiān)督分類(lèi)中由于訓(xùn)練場(chǎng)地是人為選取的，可能不包括所有的自然地物類(lèi)別，因而分類(lèi)后留下無(wú)類(lèi)可歸的像元。對(duì)于這種情況，有兩種解決方法：一是將無(wú)類(lèi)可歸的像元組成一個(gè)未知類(lèi)；二是按最近距離原則劃歸到各個(gè)已知類(lèi)中。,監(jiān)督分類(lèi)-波段特征選取,獲取每個(gè)感興趣類(lèi)在各波段上的訓(xùn)練統(tǒng)計(jì)量后，必須確定能最有效區(qū)分各

8、種類(lèi)的波段 方法： 統(tǒng)計(jì)分析方法 圖形分析方法,監(jiān)督分類(lèi)-最小距離分類(lèi)法,距離作為判別準(zhǔn)則，根據(jù)像點(diǎn)到各類(lèi)中心的距離來(lái)判別分類(lèi),距離公式,歐幾里德距離 絕對(duì)距離,不同類(lèi)別的灰度值的變化范圍即其方差的大小是不同的，不能簡(jiǎn)單地用像元到類(lèi)中心的距離來(lái)劃分像元的歸屬； 自然地物類(lèi)別的點(diǎn)群分布不一定是圓形或球形的，即在不同方向上半徑是不同的，因而距離的量度在不同方向上應(yīng)有所差異。 k-最近鄰分類(lèi)器,監(jiān)督分類(lèi)-最大似然比分類(lèi)法,遙感影像分類(lèi)后處理-小區(qū)合并,分類(lèi)后影像像元值地面物體的類(lèi)別 問(wèn)題：存在零星分布的小面積區(qū)域 解決方法： 1）分類(lèi)前影像平滑 2）分類(lèi)后小區(qū)合并將小于一定面積的像元合并到鄰近區(qū)域,

9、遙感影像分類(lèi)后處理誤差分析,目的：檢驗(yàn)分類(lèi)效果 方法：抽樣檢驗(yàn) 抽樣方法： 1）監(jiān)督分類(lèi)的樣本區(qū) 2）試驗(yàn)場(chǎng)抽樣 3）隨機(jī)抽樣 評(píng)價(jià)方式：混淆矩陣,輔助數(shù)據(jù)改進(jìn)遙感分類(lèi)的方法,地理分層 分類(lèi)器操作 分類(lèi)后處理,遙感信息與非遙感信息的復(fù)合,遙感影像與地圖的復(fù)合 地圖影像化 影像地圖化 dtm與遙感數(shù)據(jù)的復(fù)合 遙感與地球物理、地球化學(xué)數(shù)據(jù)的復(fù)合,遙感信息與地球物理、化學(xué)數(shù)據(jù)復(fù)合,遙感信息-地表空間特征 地球物理、地球化學(xué)特征-不同深度地物的物理性質(zhì)，如內(nèi)部結(jié)構(gòu)、物理組成、基層表面起伏,專(zhuān)題圖柵格化 空間配準(zhǔn) 構(gòu)建信息表達(dá)模型及提取方法,遙感信息與地球物理、化學(xué)數(shù)據(jù)復(fù)合,基于面向?qū)ο笥跋穹指畹姆诸?lèi)方

10、法,遙感信息認(rèn)知中的對(duì)象,對(duì)象,對(duì)象,面向基元的遙感信息提取方案,遙感信息認(rèn)知中的尺度問(wèn)題,地表信息多層次結(jié)構(gòu) 尺度依賴(lài) 認(rèn)知過(guò)程-不同的地物 實(shí)體有不同的最佳提取 尺度,選擇適當(dāng)?shù)某叨?，才能有效、完整地提取信?影像對(duì)象的尺度表示,鄰對(duì)象,子對(duì)象,父對(duì)象,35,影像對(duì)象構(gòu)建方法,多尺度影像分割首先通過(guò)初始分割將影像像元合并成較小的初始影像對(duì)象,然后通過(guò)多次循環(huán)將較小的影像對(duì)象合并成較大的多邊形對(duì)象,尺度空間內(nèi)影像對(duì)象構(gòu)建,考慮遙感、高程、專(zhuān)題矢量圖層等多源信息的構(gòu)建模型 多種約束的基元構(gòu)建方法保證基元的準(zhǔn)確性 閾值控制基元所在尺度層次,37,影像對(duì)象構(gòu)建方法與參數(shù)優(yōu)化,對(duì)象合并準(zhǔn)則 在初始分

11、割基礎(chǔ)上，通過(guò)將初始影像對(duì)象逐步合并為較大的對(duì)象來(lái)實(shí)現(xiàn)多尺度對(duì)象的構(gòu)建，對(duì)象合并的停止條件是由其尺度準(zhǔn)則決定的,38,影像對(duì)象構(gòu)建方法,尺度為：16 平均面積：867.6,尺度為：32 平均面積：2131.1,尺度為：128 平均面積：8274.8,尺度為：256 平均面積：30171,影像對(duì)象的特征描述,基于對(duì)象的信息識(shí)別,人工神經(jīng)網(wǎng)絡(luò)分類(lèi),生物神經(jīng)網(wǎng)絡(luò)(biological neural network, bnn)，特別是人腦 人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ann)：由大量神經(jīng)元經(jīng)廣泛互聯(lián)組成的非線性網(wǎng)絡(luò)（功能模塊，數(shù)學(xué)模型） 自底向上的綜合方法：,4

12、3,神經(jīng)元-neuron,神經(jīng)網(wǎng)絡(luò)-artificial neural network,神經(jīng)元模型,neuron model： 多輸入，單輸出，帶偏置,r個(gè)輸入pir，即r維輸入矢量p n: net input, n=wp+b。 r個(gè)權(quán)值wir，即r維權(quán)矢量w 閾值b 輸出a=f(n), f: transfer function,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)：從環(huán)境中獲取知識(shí)并改進(jìn)自身性能，主要指調(diào)節(jié)網(wǎng)絡(luò)參數(shù)使網(wǎng)絡(luò)達(dá)到某種度量，又稱(chēng)為網(wǎng)絡(luò)的訓(xùn)練 學(xué)習(xí)方式： 監(jiān)督學(xué)習(xí) 非監(jiān)督學(xué)習(xí) 再勵(lì)學(xué)習(xí) 學(xué)習(xí)規(guī)則(learning rule)： hebb學(xué)習(xí)算法 誤差糾正學(xué)習(xí)算法 競(jìng)爭(zhēng)學(xué)習(xí)算法,監(jiān)督學(xué)習(xí)

13、,對(duì)訓(xùn)練樣本集中的每一組輸入能提供一組目標(biāo)輸出 網(wǎng)絡(luò)根據(jù)目標(biāo)輸出與實(shí)際輸出的誤差信號(hào)來(lái)調(diào)節(jié)網(wǎng)絡(luò)參數(shù),第八章 人工神經(jīng)網(wǎng)絡(luò),48,誤差糾正學(xué)習(xí),對(duì)于輸出層第k個(gè)神經(jīng)元的實(shí)際輸出: ak(n)目標(biāo)輸出: tk(n) 誤差信號(hào): ek(n) = tk(n) - ak(n)目標(biāo)函數(shù)為基于誤差信號(hào)ek(n)的函數(shù)，如誤差平方和判據(jù)(sum squared error, sse)，或均方誤差判據(jù)(mean squared error, mse, 即sse對(duì)所有樣本的期望),sse,mse,誤差糾正學(xué)習(xí),梯度下降法：,對(duì)于感知器和線性網(wǎng)絡(luò)：,delta學(xué)習(xí)規(guī)則,對(duì)于多層感知器網(wǎng)絡(luò)：擴(kuò)展的delta學(xué)習(xí)規(guī)則，

14、bp算法,前饋神經(jīng)網(wǎng)絡(luò)及其主要方法,前饋神經(jīng)網(wǎng)絡(luò)(feed forward nn)：各神經(jīng)元接受前級(jí)輸入，并輸出到下一級(jí)，無(wú)反饋，可用一有向無(wú)環(huán)圖表示。 特點(diǎn)：前饋網(wǎng)絡(luò)通常分為不同的層(layer)，第i層的輸入只與第i-1層的輸出聯(lián)結(jié)。 層的分類(lèi)： 可見(jiàn)層：輸入層(input layer)和輸出層(output layer) 隱層(hidden layer) ：中間層,感知器,感知器(perceptron)：?jiǎn)螌泳W(wǎng)絡(luò)，通過(guò)監(jiān)督學(xué)習(xí)建立模式識(shí)別能力,感知器目標(biāo)輸出的編碼方法,一個(gè)輸出單元對(duì)應(yīng)一個(gè)類(lèi)別，如果輸入訓(xùn)練樣本的類(lèi)別標(biāo)號(hào)是i，則對(duì)應(yīng)的目標(biāo)輸出編碼為：第i個(gè)輸出節(jié)點(diǎn)為1，其余節(jié)點(diǎn)均為0,多

15、層感知器,多層感知器: multi-layer perceptron, mlp architecture：,多層感知器的一致逼近性,單個(gè)閾值神經(jīng)元可以實(shí)現(xiàn)任意多輸入的與、或及與非、或非邏輯門(mén) 任何邏輯函數(shù)可由兩層前饋網(wǎng)絡(luò)實(shí)現(xiàn) 當(dāng)神經(jīng)元的輸出函數(shù)為sigmoid等函數(shù)時(shí)，兩層前饋網(wǎng)絡(luò)可以逼近任意的多元非線性函數(shù) mlp的適用范圍大大超過(guò)單層網(wǎng)絡(luò),反向傳播(bp)算法,問(wèn)題：多層感知器的中間隱層不直接與外界連接，其誤差無(wú)法直接計(jì)算。 反向傳播(backpropagation)算法：從后向前（反向）逐層“傳播”輸出層的誤差，以間接算出隱層誤差。分兩個(gè)階段： 正向過(guò)程：從輸入層經(jīng)隱層逐層正向計(jì)算各單元

16、的輸出。 反向過(guò)程：由輸出層誤差逐層反向計(jì)算隱層各單元的誤差，并用此誤差修正當(dāng)前層的權(quán)值。,初始值選擇 前向計(jì)算，求出所有神經(jīng)元的輸出 對(duì)輸出層計(jì)算 從后向前計(jì)算各隱層 計(jì)算并保存各權(quán)值修正量： 修正權(quán)值： 判斷是否收斂，如果收斂則結(jié)束，不收斂則轉(zhuǎn)至step 2,bp算法的步驟,模糊分類(lèi),模糊聚類(lèi)分析具體步驟如下： 首先確定xi 與xj間的相關(guān)程度rij=(xi , xj)，然后建立模糊相似矩陣。 將相似矩陣改造成等價(jià)矩陣。為此作矩陣合成運(yùn)算。當(dāng)某一步出現(xiàn)r2k=rk時(shí)，便是一個(gè)模糊等價(jià)矩陣。 有了等價(jià)矩陣rk，根據(jù)聚類(lèi)需細(xì)分還是粗分的要求，在0，1中選取一個(gè)數(shù)，凡rij的元素變?yōu)閘，否則變?yōu)?，從而達(dá)到分類(lèi)的目的。,模糊聚類(lèi)分析, 建立模糊矩陣：fuzzy聚類(lèi)分析的第一步叫標(biāo)定，即使用普通聚類(lèi)分析中的確定相似系數(shù)的方法來(lái)建立fuzzy相似方陣： r11 r12 r13r1n r2