遙感數(shù)字圖像處理教程_13遙感圖像分類

1、1、 模式與模式識別模式與模式識別所謂所謂“模式模式”是指某種具有空間或幾何是指某種具有空間或幾何特征的東西。特征的東西。對被識別的模式作一系列的測量，然后對被識別的模式作一系列的測量，然后將測量結(jié)果與將測量結(jié)果與“模式字典模式字典”中一組中一組“典型典型的的”測量值相比較測量值相比較,得出所需要的分類結(jié)果。得出所需要的分類結(jié)果。這一過程稱為這一過程稱為模式識別模式識別. 分類器（或稱判決器），可以根據(jù)一定分類器（或稱判決器），可以根據(jù)一定的分類規(guī)則，把某一測量矢量的分類規(guī)則，把某一測量矢量X劃入某一組劃入某一組預(yù)先規(guī)定的類別之中去。預(yù)先規(guī)定的類別之中去。 自然模式自然模式接收器接收器(傳感器

2、傳感器)分類器分類器(判決器判決器)模式識別系統(tǒng)的模型模式識別系統(tǒng)的模型 2、 光譜特征空間及地物在特征空間中聚類光譜特征空間及地物在特征空間中聚類的統(tǒng)計特性的統(tǒng)計特性 光譜特征空間光譜特征空間:以各波段圖像的亮度分布為以各波段圖像的亮度分布為坐標(biāo)軸組成的空間坐標(biāo)軸組成的空間. 同類地物在特征空間形成一個相對聚集同類地物在特征空間形成一個相對聚集的點集群的點集群;不同類地物的點集群在特征空間內(nèi)一般不同類地物的點集群在特征空間內(nèi)一般是相互分離的是相互分離的. 水土壤植被B5B7特征點集群在特征空間中的分布大致可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分為如下三種情況:理想情況理想情況不

3、同類別不同類別的點的集群的點的集群至少在一個至少在一個特征子空間中的投影是特征子空間中的投影是完全可以相互區(qū)分開的。完全可以相互區(qū)分開的。 BiBj水植被土壤一般情況一般情況無論在總的特征空間中，還是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在任一子空間中，不同類別的集群之間總是存在是存在重疊重疊現(xiàn)象。這時重疊部分的特征點現(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度的分類誤差，這是遙感圖像中最常見的情況。情況。水植被土壤典型情況典型情況不同類別地物的集群，在不同類別地物的集群，在任一

4、任一子空間中都有相互重疊的現(xiàn)象存在，但在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行分類。采用特征變換使之變成理想情況進行分類。水植被土壤一、特征變換一、特征變換 1、主分量變換、主分量變換 2、穗帽變換、穗帽變換 3、哈達瑪變換、哈達瑪變換 哈達瑪變換定義為：哈達瑪變換定義為：IH=HX1、 K-LK-L變換變換( (Karhunen-Loeve)(Karhunen-Loeve)(主分量變換) K-L變換:它是對某一多光譜圖像X.利用K-L變換矩陣A進行線性組合,而產(chǎn)生一組新的多光譜圖像Y. Y=

5、AXY=AX 特點:變換后的主分量空間與變換前的多光譜空間坐標(biāo)系相比旋轉(zhuǎn)了一個角度。新坐標(biāo)系的坐標(biāo)軸一定指向數(shù)據(jù)量較大的方向。該變換的幾何意義是把原始特征空間的該變換的幾何意義是把原始特征空間的特征軸旋轉(zhuǎn)到平行于混合集群結(jié)構(gòu)軸的方特征軸旋轉(zhuǎn)到平行于混合集群結(jié)構(gòu)軸的方向上去。向上去。 達到數(shù)據(jù)壓縮、提高信噪比、提取相關(guān)達到數(shù)據(jù)壓縮、提高信噪比、提取相關(guān)信息、降維處理和提取原圖像特征信息的信息、降維處理和提取原圖像特征信息的目的。目的。主分量變換計算步驟如下：主分量變換計算步驟如下：（1）計算多光譜圖像的均值向量M和協(xié)方差矩陣 C。（2）計算矩陣C的特征值r和特征向量r ，（r=1，2，,M）,M

6、為多光譜圖像的波段數(shù)。（3）將特征值r按由大到小的次序排列，即12m.（4）選擇前幾個特征值對應(yīng)的幾個特征向量構(gòu)造變換矩陣n.（5）根據(jù)nX進行變換，得到的新特征影像就是變換的結(jié)果，X為多光譜圖像的一個光譜特征矢量。 第一分量方差分布最廣，集中最多信息，第二分量次之。2、K-T變換 是kauth-Thomas變換的簡稱，也稱穗帽變換.是一種坐標(biāo)空間發(fā)生旋轉(zhuǎn)的線性變換，旋轉(zhuǎn)后的坐標(biāo)軸指向與地面景物有密切關(guān)系的方向 主要針對TM圖像數(shù)據(jù)和MSS數(shù)據(jù). Y=AX Y=（ISB IGV IY IN）T X=（X4 X5 X6 X7）其中：ISB土壤亮度軸的像元亮度值 IGV植物綠色指標(biāo)軸的像元亮度值

7、IY 黃色軸 IN 噪聲軸 Xi 地物在MSS四個波段上的亮度值穗帽變換的變換矩陣根據(jù)經(jīng)驗確定。Kauth和Thomas研究出的矩陣A具有如下形式： 0.433 0.632 0.586 0.264 -0.290 -0.567 0.600 0.491 -0.824 0.533 -0.050 0.185 0.223 0.012 -0.543 0.809土壤亮度變化軸ISB為穗帽的底邊，帽上面各部分反映了植物生長變化狀況，植物株冠的綠色發(fā)展到頂點（最旺盛時在帽頂）以后逐漸枯黃，枯黃過程是從帽頂沿著一些稱為帽穗的路徑回歸到土壤底線（因此有穗帽之稱）。哈達瑪矩陣為一個對稱的正哈達瑪矩陣為一個對稱的正交矩

8、陣，其變換核為交矩陣，其變換核為 H由哈達瑪變換核可知，哈達由哈達瑪變換核可知，哈達瑪變換實際是將坐標(biāo)軸旋瑪變換實際是將坐標(biāo)軸旋轉(zhuǎn)了轉(zhuǎn)了45的正交變換的正交變換 3、哈達嗎變換、哈達嗎變換哈達瑪矩陣的維數(shù)哈達瑪矩陣的維數(shù)N總是總是2的倍數(shù)，即的倍數(shù)，即N=2m（m=1，2）其中其中m稱為矩陣的階，每個高階哈達瑪矩陣都由其低稱為矩陣的階，每個高階哈達瑪矩陣都由其低一階的哈達瑪矩陣按如下一階的哈達瑪矩陣按如下取二階哈達瑪變換矩陣 以以MSS4，5，6，7四波段的陸地衛(wèi)星圖像的四波段的陸地衛(wèi)星圖像的哈達瑪為換為例哈達瑪為換為例: IH=HXIH=(h0 h3 h1 h2)Th0=(x4+x5)+(x

9、6+x7)h1=( x4+x5)-( x6+x7)h2=( x4-x5)-( x6-x7)h3= ( x4-x5)+( x6-x7) 有: h0 1 1 x4+5 h1 1 -1 x6+7 h2 1 1 x4-5 h3 1 -1 x6-7=將它們投影到以將它們投影到以X4+5 X6+7 和和X4-5 X6-7形成形成的二個二維空間上的二個二維空間上 特征圖像特征圖像h0集中了大量的土壤信息，并且對集中了大量的土壤信息，并且對于把水同土壤與植被的混合體區(qū)分開來是于把水同土壤與植被的混合體區(qū)分開來是有效的。有效的。而而h1則有利于提取植被信息，即有利于把植則有利于提取植被信息，即有利于把植被同水和

10、土壤的混合體區(qū)分開來。被同水和土壤的混合體區(qū)分開來。而而h2類似于類似于h1。但是由于（。但是由于（X4-5）和（）和（X6-7）的數(shù)值對各類都很小（的數(shù)值對各類都很小（ , 則則X屬于屬于 類。類。根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則來進行的分類根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則來進行的分類通常稱為最大似然分類法。通常稱為最大似然分類法。 )(ln|ln21)()(21)(1iiiiTiiPMXMXXd貝葉斯判決規(guī)則是以錯分概率最小的最優(yōu)準(zhǔn)則 判別邊界 當(dāng)使用概率判別函數(shù)進行分類時，不可避免地會出現(xiàn)錯分現(xiàn)象。2、距離判決函數(shù)和判決規(guī)則、距離判決函數(shù)和判決規(guī)則基本思想是設(shè)法計算未知矢量基本思想是設(shè)法

11、計算未知矢量X到有關(guān)到有關(guān)類別集群之間的距離，哪類距離它最近，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。該未知矢量就屬于那類。距離判決函數(shù)不象概率判決函數(shù)那樣偏距離判決函數(shù)不象概率判決函數(shù)那樣偏重于集群分布的統(tǒng)計性質(zhì)，而是偏重于重于集群分布的統(tǒng)計性質(zhì)，而是偏重于幾幾何位置。何位置。 距離判別規(guī)則是按最小距離判別的原則距離判別規(guī)則是按最小距離判別的原則 馬氏（馬氏（Mahalanobis）距離）距離 歐氏（歐氏（Euclidean）距離）距離 計程（計程（Taxi）距離）距離 基于距離判別函數(shù)和判別規(guī)則，在實踐中以基于距離判別函數(shù)和判別規(guī)則，在實踐中以此為原理的分類方法稱為最小距

12、離分類法。此為原理的分類方法稱為最小距離分類法。 )()(1iiTiMiMXMXd馬氏距離幾何意義：馬氏距離幾何意義：X X到類重心之間的加權(quán)距到類重心之間的加權(quán)距離，其權(quán)系數(shù)為協(xié)方差。離，其權(quán)系數(shù)為協(xié)方差。 判別函數(shù)：在各類別先驗概率和判別函數(shù)：在各類別先驗概率和集群體積集群體積| 都都相同情況下的概率判別函數(shù)相同情況下的概率判別函數(shù)則有 在馬氏距離的基礎(chǔ)上，作下列限制在馬氏距離的基礎(chǔ)上，作下列限制將協(xié)方差矩陣限制為對角的將協(xié)方差矩陣限制為對角的沿每一特征軸的方差均相等沿每一特征軸的方差均相等2)()(iiTiEiMXMXMXd歐氏距離是馬氏距離用于分類集群的形狀歐氏距離是馬氏距離用于分類集

13、群的形狀都相同情況下的特例。都相同情況下的特例。 則有 X到集群中心在多維空間中距離的絕對值到集群中心在多維空間中距離的絕對值之總和來表示之總和來表示 mjijTiMXd1|3、其它的判決函數(shù)和判決規(guī)則、其它的判決函數(shù)和判決規(guī)則 盒式分類法基本思想盒式分類法基本思想:首先通過訓(xùn)練樣區(qū)的數(shù)首先通過訓(xùn)練樣區(qū)的數(shù)據(jù)找出每個類別在特征空間的位置和形狀，據(jù)找出每個類別在特征空間的位置和形狀，然后以一個包括該集群的然后以一個包括該集群的“盒子盒子”作為該作為該集群的判別函數(shù)。集群的判別函數(shù)。判決規(guī)則為若未知矢量判決規(guī)則為若未知矢量X落入該落入該“盒盒子子”，則，則X分為此類，否則再與其它盒子比分為此類，否

14、則再與其它盒子比較。較。例如例如對于對于A類的盒子，類的盒子，其邊界（最小值和最其邊界（最小值和最大值）分別是大值）分別是X1=a、X1=b；X2=c、X2=d。這種分類法在盒子重這種分類法在盒子重疊區(qū)域有錯分現(xiàn)象。疊區(qū)域有錯分現(xiàn)象。錯分與比較盒子的先錯分與比較盒子的先后次序有關(guān)。后次序有關(guān)。 二分類過程二分類過程 確定判決函數(shù)和判決規(guī)則以后，下一步的工確定判決函數(shù)和判決規(guī)則以后，下一步的工作是計算每一類別對應(yīng)的判決函數(shù)中的各個參數(shù)，作是計算每一類別對應(yīng)的判決函數(shù)中的各個參數(shù)，如使用最大似然法進行分類，必須知道判別函數(shù)如使用最大似然法進行分類，必須知道判別函數(shù)中的均值向量和協(xié)方差矩陣。而這些參

15、數(shù)的計算中的均值向量和協(xié)方差矩陣。而這些參數(shù)的計算是通過使用是通過使用“訓(xùn)練樣區(qū)訓(xùn)練樣區(qū)”的數(shù)據(jù)來獲取的。的數(shù)據(jù)來獲取的。監(jiān)督法分類意味著對類別已有一定的先驗知監(jiān)督法分類意味著對類別已有一定的先驗知識，根據(jù)這些先驗知識，就可以有目的地選擇若識，根據(jù)這些先驗知識，就可以有目的地選擇若干個干個“訓(xùn)練樣區(qū)訓(xùn)練樣區(qū)”。這些。這些“訓(xùn)練樣區(qū)訓(xùn)練樣區(qū)”的類別是的類別是已知的。利用已知的。利用“訓(xùn)練樣區(qū)訓(xùn)練樣區(qū)”的數(shù)據(jù)去的數(shù)據(jù)去“訓(xùn)練訓(xùn)練”判判決函數(shù)就建立了每個類別的分類器決函數(shù)就建立了每個類別的分類器然后按照分類器對未知區(qū)域進行分類。分類然后按照分類器對未知區(qū)域進行分類。分類的結(jié)果不僅使不同的類別區(qū)分開了

16、而且類別的屬的結(jié)果不僅使不同的類別區(qū)分開了而且類別的屬性也知道了。性也知道了。 監(jiān)督分類的主要步驟如下：監(jiān)督分類的主要步驟如下：（1）確定感興趣的類別數(shù)。）確定感興趣的類別數(shù)。首先確定要對哪些地物進行分類，這樣就可首先確定要對哪些地物進行分類，這樣就可以以 建立這些地物的先驗知識。建立這些地物的先驗知識。（2）特征變換和特征選擇）特征變換和特征選擇根據(jù)感興趣地物的特征進行有針對性的特征根據(jù)感興趣地物的特征進行有針對性的特征變換，這部分內(nèi)容在前面特征選擇和特征變換一變換，這部分內(nèi)容在前面特征選擇和特征變換一節(jié)有比較詳細的介紹。變換之后的特征影像和原節(jié)有比較詳細的介紹。變換之后的特征影像和原始影像

17、共同進行特征選擇，以選出既能滿足分類始影像共同進行特征選擇，以選出既能滿足分類需要，又盡可能少參與分類的特征影像，加快分需要，又盡可能少參與分類的特征影像，加快分類速度，提高分類精度。類速度，提高分類精度。（3）選擇訓(xùn)練樣區(qū)）選擇訓(xùn)練樣區(qū)訓(xùn)練樣區(qū)的選擇要注意訓(xùn)練樣區(qū)的選擇要注意準(zhǔn)確性、代表性和統(tǒng)準(zhǔn)確性、代表性和統(tǒng)計性計性三個問題。三個問題。準(zhǔn)確性就是要確保選擇的樣區(qū)與實際地物的準(zhǔn)確性就是要確保選擇的樣區(qū)與實際地物的一致性一致性代表性一方面指所選擇區(qū)為某一地物的代表，代表性一方面指所選擇區(qū)為某一地物的代表，另一方面還要考慮到地物本身的復(fù)雜性，所以必另一方面還要考慮到地物本身的復(fù)雜性，所以必須在一

18、定程度上反映同類地物光譜特性的波動情須在一定程度上反映同類地物光譜特性的波動情況況統(tǒng)計性是指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多統(tǒng)計性是指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元，以保證由此計算出的類別參數(shù)符合統(tǒng)計的像元，以保證由此計算出的類別參數(shù)符合統(tǒng)計規(guī)律。實際應(yīng)用中，每一類別的樣本數(shù)都在規(guī)律。實際應(yīng)用中，每一類別的樣本數(shù)都在102數(shù)量級左右。數(shù)量級左右。 選擇樣本區(qū)域（4）確定判決函數(shù)和判決規(guī)則）確定判決函數(shù)和判決規(guī)則一旦訓(xùn)練樣區(qū)被選定后，相應(yīng)地物類別的光一旦訓(xùn)練樣區(qū)被選定后，相應(yīng)地物類別的光譜特征便可以用訓(xùn)練區(qū)中的樣本數(shù)據(jù)進行統(tǒng)計。譜特征便可以用訓(xùn)練區(qū)中的樣本數(shù)據(jù)進行統(tǒng)計。如果使用最大似然法進行分類

19、。那么就可以如果使用最大似然法進行分類。那么就可以用樣區(qū)中的數(shù)據(jù)計算判別函數(shù)所需的參數(shù)用樣區(qū)中的數(shù)據(jù)計算判別函數(shù)所需的參數(shù) 和和 。如果使用盒式分類法則用樣區(qū)數(shù)據(jù)算出盒子如果使用盒式分類法則用樣區(qū)數(shù)據(jù)算出盒子的邊界。判決函數(shù)確定之后的邊界。判決函數(shù)確定之后，再選擇一定的判決再選擇一定的判決規(guī)則就可以對其它非樣區(qū)的數(shù)據(jù)進行分類。規(guī)則就可以對其它非樣區(qū)的數(shù)據(jù)進行分類。計算每個類別的 M 和 ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅紅255255耕地0藍藍255？老城區(qū)老城區(qū)優(yōu)點：優(yōu)點： .根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別，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；

20、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重錯誤確分類，從而避免分類中的嚴重錯誤,分類精分類精度高度高 . 避免了非監(jiān)督分類中對光譜集群的重新歸類避免了非監(jiān)督分類中對光譜集群的重新歸類 .分類速度快分類速度快 主觀性；主觀性； 由于圖象中間類別的光譜差異，使得訓(xùn)練樣本由于圖象中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性；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；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。只能

21、識別訓(xùn)練中定義的類別。 監(jiān)督法分類的基本思想 最大似然法和最小距離法分類的原理 錯分情況分析非監(jiān)督分類非監(jiān)督分類是指人們事先對分類過程不施加任何的是指人們事先對分類過程不施加任何的先驗知識，而僅憑遙感影像地物的光譜特先驗知識，而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，進行征的分布規(guī)律，即自然聚類的特性，進行“盲目盲目”的分類；的分類；其分類的結(jié)果只是對不同類別達到了區(qū)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)屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的。查確定的。一般的聚類算法是

22、先選擇若干個模式點一般的聚類算法是先選擇若干個模式點作為聚類的作為聚類的中心中心。每一中心代表一個類別，按照某種相似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，形成歸于各聚類中心所代表的類別，形成初始初始分類。分類。然后由聚類準(zhǔn)則判斷初始分類是否合理，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，如此如果不合理就修改分類，如此反復(fù)迭代運反復(fù)迭代運算算，直到合理為止。，直到合理為止。一一 K-均值聚類法均值聚類法K-均值算法的聚類均值算法的聚類準(zhǔn)則準(zhǔn)則是使每一聚類中，是使每一聚類中，多模式點到該

23、類別的中心的距離的平方和多模式點到該類別的中心的距離的平方和最小。最小。 基本思想基本思想是：通過迭代，逐次移動各類的是：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。中心，直至得到最好的聚類結(jié)果為止。ISODATA算法聚類分析算法聚類分析 ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法）算法也稱為迭代自組織數(shù)據(jù)分析算法。也稱為迭代自組織數(shù)據(jù)分析算法。它與它與K均值算法有兩點不同均值算法有兩點不同:第一，它不是每調(diào)整一個樣本的類別就重新計第一，它不是每調(diào)整一個樣本的類別就重新計算一次各類

24、樣本的均值，而是在每次把所有樣算一次各類樣本的均值，而是在每次把所有樣本都調(diào)整完畢之后才重新計算一次各類樣本的本都調(diào)整完畢之后才重新計算一次各類樣本的均值，前者稱為均值，前者稱為逐個樣本修正法逐個樣本修正法，后者稱為，后者稱為成成批樣本修正法；批樣本修正法；第二，第二，ISODATA算法不僅可以通過調(diào)整樣本算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以所屬類別完成樣本的聚類分析，而且可以自動地進行類別的自動地進行類別的“合并合并”和和“分裂分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。從而得到類數(shù)比較合理的聚類結(jié)果。 平行管道法聚類分析平行管道法聚類分析 它以地物的它以地物的光譜特性曲

25、線為基礎(chǔ)光譜特性曲線為基礎(chǔ)，假，假定同類地物的光譜特性曲線相似作為判定同類地物的光譜特性曲線相似作為判決的標(biāo)準(zhǔn)。設(shè)置一個相似閾值，這樣，決的標(biāo)準(zhǔn)。設(shè)置一個相似閾值，這樣，同類地物在特征空間上表現(xiàn)為以特征曲同類地物在特征空間上表現(xiàn)為以特征曲線為中心，以相似閾值為半徑的管子，線為中心，以相似閾值為半徑的管子，此即為所謂的此即為所謂的“平行管道平行管道”。 這種聚類方法實質(zhì)上是一種基于最鄰這種聚類方法實質(zhì)上是一種基于最鄰近規(guī)則的試探法。近規(guī)則的試探法。 與監(jiān)督分類相比，非監(jiān)督分類具有下列與監(jiān)督分類相比，非監(jiān)督分類具有下列優(yōu)點：不需要對被研究的地區(qū)有事先的了優(yōu)點：不需要對被研究的地區(qū)有事先的了解，對分

26、類的結(jié)果與精度要求相同的條件解，對分類的結(jié)果與精度要求相同的條件下，在時間和成本上較為節(jié)省下，在時間和成本上較為節(jié)省但實際上，非監(jiān)督分類不如監(jiān)督分類的但實際上，非監(jiān)督分類不如監(jiān)督分類的精度高，所以監(jiān)督分類使用的更為廣泛。精度高，所以監(jiān)督分類使用的更為廣泛。第11講課 題 ：遙感圖像的自動分類(2)目的要求：1.理解遙感圖像分類的原理；2.掌握遙感圖像分類的工作流程；3.熟悉常用的分類方法；4.掌握分類后處理及分類精度分析。重 點 ：監(jiān)督分類與非監(jiān)督分類的結(jié)合難 點 ：分類后處理和誤差分析教學(xué)課時：2課時教學(xué)方法：授課為主、鼓勵課堂交流本次課涉及的學(xué)術(shù)前沿：遙感圖像分類的原理及遙感圖像分類方法的

27、最新發(fā)展通過非監(jiān)督法將一定區(qū)域聚類成不同的通過非監(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)單一類別，監(jiān)督法再利用這些單一類別區(qū)域域“訓(xùn)練訓(xùn)練”計算機。通過計算機。通過“訓(xùn)練訓(xùn)練”后的計后的計算機將其它區(qū)域分類完成，這樣避免了使算機將其它區(qū)域分類完成，這樣避免了使用速度比較慢的非監(jiān)督法對整個影像區(qū)域用速度比較慢的非監(jiān)督法對整個影像區(qū)域進行分類，使分類進行分類，使分類精度精度得到保證的前提下，得到保證的前提下，分類分類速度速度得到了提高。得到了提高。 步驟步驟:第一步：選擇一些有代表性的區(qū)域進行非監(jiān)督分第一步：選擇一些有代表性的區(qū)域進行非監(jiān)督分類。類。這些區(qū)域的選擇與監(jiān)督法分

28、類訓(xùn)練樣區(qū)的選這些區(qū)域的選擇與監(jiān)督法分類訓(xùn)練樣區(qū)的選擇要求擇要求相反相反，監(jiān)督法分類訓(xùn)練樣區(qū)要求盡可能單，監(jiān)督法分類訓(xùn)練樣區(qū)要求盡可能單一。而這里選擇的區(qū)域包含類別盡可能地多，以一。而這里選擇的區(qū)域包含類別盡可能地多，以便使所有感興趣的地物類別都能得到聚類。便使所有感興趣的地物類別都能得到聚類。第二步：獲得多個聚類類別的先驗知識。這些先驗第二步：獲得多個聚類類別的先驗知識。這些先驗知識的獲取可以通過判讀和實地調(diào)查來得到。聚知識的獲取可以通過判讀和實地調(diào)查來得到。聚類的類別作為監(jiān)督分類的訓(xùn)練樣區(qū)。類的類別作為監(jiān)督分類的訓(xùn)練樣區(qū)。第三步：特征選擇。選擇最適合的特征圖像第三步：特征選擇。選擇最適合的

29、特征圖像進行后續(xù)分類。進行后續(xù)分類。第四步：使用監(jiān)督法對整個影像進行分類。第四步：使用監(jiān)督法對整個影像進行分類。根據(jù)前幾步獲得的先驗知識以及聚類后的根據(jù)前幾步獲得的先驗知識以及聚類后的樣本數(shù)據(jù)設(shè)計分類器。并對整個影像區(qū)域樣本數(shù)據(jù)設(shè)計分類器。并對整個影像區(qū)域進行分類。進行分類。第五步：輸出標(biāo)記圖像。由于分類結(jié)束后影第五步：輸出標(biāo)記圖像。由于分類結(jié)束后影像的類別信息也已確定。所以可以將整幅像的類別信息也已確定。所以可以將整幅影像標(biāo)記為相應(yīng)類別輸出。影像標(biāo)記為相應(yīng)類別輸出。一分類后處理一分類后處理1、分類后專題圖像的格式、分類后專題圖像的格式遙感影像經(jīng)分類后形成的專題圖，用編號、遙感影像經(jīng)分類后形成

30、的專題圖，用編號、字符、圖符或顏色表示各種類別。字符、圖符或顏色表示各種類別。原始遙感圖像對應(yīng)的專題圖像2、 分類后處理分類后處理用光譜信息對影像逐個像元地分類，在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)結(jié)果的分類地圖上會出現(xiàn)“噪聲噪聲”產(chǎn)生噪聲的原因有原始影像本身的噪聲，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，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，以及其它原其混合的幅射量造成錯分類，以及其它原因等。因等。另外還有一種現(xiàn)象，分類是正確的，但另外還有一種現(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，某種類別零星

31、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。綜合的方法使它從圖面上消失。多數(shù)平滑多數(shù)平滑:平滑時中心像元值取周圍占多數(shù)的 類別。 二分類后的誤差分析二分類后的誤差分析利用一些樣本對分類誤差進行估計。利用一些樣本對分類誤差進行估計。采集樣本的方式有三種類型：采集樣本的方式有三種類型： 來自監(jiān)督分類的訓(xùn)練樣區(qū)；來自監(jiān)督分類的訓(xùn)練樣區(qū)； 專門選定的試驗場；專門選定的試驗場； 隨機取樣。隨機取樣。 混淆矩陣 分類精度的評定 實際類別 試驗像元的百分比%類別1 類別2 類別3 試驗像元 1 2 3 84.3 4.9 10.

32、8 8.5 80.3 11.2 6.1 4.1 89.8100% 102100% 152100% 49根據(jù)這個混淆矩陣可以算出平均精度，對角線元素之和取平均： S =（84.3%+80.3%+89.8%）/3=84.8%由于各種類別樣本元素的總數(shù)不一致，所以更合理的方法應(yīng)加權(quán)平均，以總精度S表示加權(quán)平均，則： S =（84.3%*102+80.3%*152+89.8%*49）/(102+152+49)=83.2%一、面向?qū)ο蟮倪b感信息提取一、面向?qū)ο蟮倪b感信息提取基于像素級別的信息提取以單個像素為基于像素級別的信息提取以單個像素為單位單位,過于著眼于局部而忽略了附近整片圖過于著眼于局部而忽略了

33、附近整片圖斑的幾何結(jié)構(gòu)情況，從而嚴重制約了信息斑的幾何結(jié)構(gòu)情況，從而嚴重制約了信息提取的精度，而面向?qū)ο蟮倪b感信息提取，提取的精度，而面向?qū)ο蟮倪b感信息提取，綜合考慮了光譜統(tǒng)計特征、形狀、大小、綜合考慮了光譜統(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。更高精度的分類結(jié)果。方法如下：方法如下： 首先對圖像數(shù)據(jù)進行影像分割，從二維首先對圖像數(shù)據(jù)進行影像分割，從二維化了的圖像信息陣列中恢復(fù)出圖像所反映化了的圖像信息陣列中恢復(fù)出圖像所反映的景觀場景中的目標(biāo)地物的空間形狀及組的景觀場景中的目標(biāo)地物的空間形狀及組合方式。影像的最小單元不

34、再是單個的像合方式。影像的最小單元不再是單個的像素，而是一個個對象，后續(xù)的影像分析和素，而是一個個對象，后續(xù)的影像分析和處理也都基于對象進行。處理也都基于對象進行。光譜特征包括均值、方差、灰度比值光譜特征包括均值、方差、灰度比值形狀特征包括面積、長度、寬度、邊界長度、形狀特征包括面積、長度、寬度、邊界長度、長寬比、形狀因子、密度、主方向、對稱長寬比、形狀因子、密度、主方向、對稱性，位置性，位置對于線狀地物包括線長、線寬、線長寬比、對于線狀地物包括線長、線寬、線長寬比、曲率、曲率與長度之比等曲率、曲率與長度之比等 對于面狀地物包括面積、周長、緊湊度、對于面狀地物包括面積、周長、緊湊度、多邊形邊數(shù)、各邊長度的方差、各邊的平多邊形邊數(shù)、各邊長度的方差、各邊的平均長度、最長邊的長度均長度、最長邊的長度紋理特征包括對象方差、面積、密度、對稱紋理特征包括對象方差、面積、密度、對稱性、主方向的均值和方差性、主方向的均值和方差等。通過定義多種特征并指定不同權(quán)重，建通過定義多種特征并指定不同權(quán)重，建立分類標(biāo)準(zhǔn)，然后對影像分類。分類時先立分類標(biāo)準(zhǔn)，然后對影像