




版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、精選優(yōu)質(zhì)文檔-傾情為你奉上模式識別上機(jī)實習(xí)報告 學(xué) 號: 班級序號: 姓 名: 指導(dǎo)老師: 中國地質(zhì)大學(xué)(武漢)信息工程學(xué)院遙感系2017年4月專心-專注-專業(yè)一、用貝葉斯估計做二類分類【問題描述】 利用貝葉斯估計將某地區(qū)的遙感圖像數(shù)據(jù)做二類分類,將圖像中的裸土和水田加以區(qū)分,并使用envi classic的color mapping工具將分類好的圖像加以顏色?!灸P头椒ā颗c分布有關(guān)的統(tǒng)計分類方法主要有最大似然/ 貝葉斯分類。最大似然分類是圖像處理中最常用的一種監(jiān)督分類方法,它利用了遙感數(shù)據(jù)的統(tǒng)計特征,假定各類的分布函數(shù)為正態(tài)分布,在多變量空間中形成橢圓或橢球分布,也就是和中個方向上散布情況不
2、同,按正態(tài)分布規(guī)律用最大似然判別規(guī)則進(jìn)行判決,得到較高準(zhǔn)確率的分類結(jié)果。否則,用平行六面體或最小距離分類效果會更好?!痉桨冈O(shè)計】(1)確定需要分類的地區(qū)和使用的波段和特征分類數(shù),檢查所用各波段或特征分量是否相互已經(jīng)位置配準(zhǔn);(2)根據(jù)已掌握的典型地區(qū)的地面情況,在圖像上選擇訓(xùn)練區(qū);(3)計算參數(shù),根據(jù)選出的各類訓(xùn)練區(qū)的圖像數(shù)據(jù),計算和確定先驗概率;(4)分類,將訓(xùn)練區(qū)以外的圖像像元逐個逐類代入公式,對于每個像元,分幾類就計算幾次,最后比較大小,選擇最大值得出類別;(5)產(chǎn)生分類圖,給每一類別規(guī)定一個值,如果分10 類,就定每一類分別為1 ,2 10 ,分類后的像元值便用類別值代替,最后得到的分
3、類圖像就是專題圖像. 由于最大灰階值等于類別數(shù),在監(jiān)視器上顯示時需要給各類加上不同的彩色;(6)檢驗結(jié)果,如果分類中錯誤較多,需要重新選擇訓(xùn)練區(qū)再作以上各步,直到結(jié)果滿意為止?!窘Y(jié)果討論】優(yōu)點(diǎn): (1)生成式模型,通過計算概率來進(jìn)行分類,可以用來處理多分類問題, (2)對小規(guī)模的數(shù)據(jù)表現(xiàn)很好,適合多分類任務(wù),適合增量式訓(xùn)練,算法也比較簡單。 缺點(diǎn): (1)對輸入數(shù)據(jù)的表達(dá)形式很敏感。(2)需要計算先驗概率,分類決策存在錯誤率。局部區(qū)域:精度評價步驟:(1)首先需要將外部程序生成的分類文件轉(zhuǎn)化為ENVI可以識別的分類圖,方法如下:Envi打開圖像-Tools-ColorMapping-Densi
4、tySlice-Setdefaultnumerofranges(設(shè)置為聚類數(shù)目)-Applydefaultranges-outputrangestoclassimage(2)對分類結(jié)果進(jìn)行合并與命名(3)從參考影像(高分辨率影像)上選取ROI并命名,方法:Envi打開圖像-Tools-RegionofInterest-ROITools(4)將ROI文件與分類圖像相關(guān)聯(lián),方法:BasicTools-RegionofInterest-ReconcileROIsParameters-輸入?yún)⒖加跋?輸入分類影像(5)Classification-PostClassification-Confusion
5、Matrix-UsingGroundTruthROIs二、用Fisher估計做二類分類【問題描述】 利用Fisher估計將某地區(qū)的遙感圖像數(shù)據(jù)做二類分類,將圖像中的裸土和水田加以區(qū)分,并使用envi classic的color mapping工具將分類好的圖像加以顏色?!灸P头椒ā吭O(shè)計線性分類器首先要確定準(zhǔn)則函數(shù),然后再利用訓(xùn)練樣本集確定該分類器的參數(shù),以求使所確定的準(zhǔn)則達(dá)到最佳。在使用線性分類器時,樣本的分類由其判別函數(shù)值決定,而每個樣本的判別函數(shù)值是其各分量的線性加權(quán)和再加上一閾值w0。如果我們只考慮各分量的線性加權(quán)和,則它是各樣本向量與向量W的向量點(diǎn)積。如果向量W的幅度為單位長度,則線性
6、加權(quán)和又可看作各樣本向量在向量W上的投影。顯然樣本集中向量投影的分布情況與所選擇的W向量有關(guān),圖3.3表示了在一個二維空間兩個類別樣本在兩個不同的向量w1與w2上投影分布的情況。其中用紅點(diǎn)及藍(lán)點(diǎn)分別表示不同類別的樣本。顯然對向量的投影能使這兩類有明顯可分開的區(qū)域,而對向量的投影,則使兩類數(shù)據(jù)部分交迭在一起,無法找到一個能將它們截然分開的界面。Fisher準(zhǔn)則的基本原理,就是要找到一個最合適的投影軸,使兩類樣本在該軸上投影的交迭部分最少,從而使分類效果為最佳?!痉桨冈O(shè)計】(1)計算各類樣本的均值向量mi,Ni 是類i 的樣本個數(shù) (2)計算樣本類內(nèi)離散度矩陣Si 和總類內(nèi)離散度矩陣Sw 。 (3
7、)計算樣本類間離散度矩陣Sb 。Sb=(m1m2)(m1m2)T 。 (4) 求向量w 。為此定義Fisher準(zhǔn)則函數(shù) 使得JF(W) 取的最大值的w 為:w=S1w(m1m2) 。 (5)將訓(xùn)練集內(nèi)所有樣本進(jìn)行投影。 (6)計算在投影空間上的分割閾值y0 。閾值的選取可以有不同的方案,比較常用的一種為 (7)對于給定的X ,計算它在 上的投影點(diǎn)y 。(8)根據(jù)決策規(guī)則分類,有 【結(jié)果討論】優(yōu)點(diǎn):(1)一般對于線性可分的樣本,總能找到一個投影方向,使得降維后樣本仍然線性可分,而且可分性更好即不同類別的樣本之間的距離盡可能遠(yuǎn),同一類別的樣本盡可能集中分布。 (2) Fisher方法可直接求解權(quán)向
8、量(3)Fisher的線性判別式不僅適用于確定性模式分類器的訓(xùn)練,而且對于隨機(jī)模式也是適用的,F(xiàn)isher還可以進(jìn)一步推廣到多類問題中去 缺點(diǎn): (1)對線性不可分的情況,F(xiàn)isher方法無法確定分類局部區(qū)域:精度評估:三、用k-means算法對圖像進(jìn)行分類【問題描述】 利用k-means算法對某地區(qū)的遙感圖像數(shù)據(jù)進(jìn)行分類,將圖像中的裸土和水田加以區(qū)分,并使用envi classic的color mapping工具將分類好的圖像加以顏色?!灸P头椒ā?K-Means是聚類算法中的一種,其中K表示類別數(shù),Means表示均值。顧名思義K-Means是一種通過均值對數(shù)據(jù)點(diǎn)進(jìn)行聚類的算法。K-Mean
9、s算法通過預(yù)先設(shè)定的K值及每個類別的初始質(zhì)心對相似的數(shù)據(jù)點(diǎn)進(jìn)行劃分。并通過劃分后的均值迭代優(yōu)化獲得最優(yōu)的聚類結(jié)果。K值是聚類結(jié)果中類別的數(shù)量。簡單的說就是我們希望將數(shù)據(jù)劃分的類別數(shù)。K值決定了初始質(zhì)心的數(shù)量。K值為幾,就要有幾個質(zhì)心。選擇最優(yōu)K值沒有固定的公式或方法,需要人工來指定,建議根據(jù)實際的業(yè)務(wù)需求,或通過層次聚類的方法獲得數(shù)據(jù)的類別數(shù)量作為選擇K值的參考。這里需要注意的是選擇較大的K值可以降低數(shù)據(jù)的誤差,但會增加過擬合的風(fēng)險?!痉桨冈O(shè)計】(1)未聚類的初始點(diǎn)集(2)隨機(jī)選取兩個點(diǎn)作為聚類中心(3)計算每個點(diǎn)到聚類中心的距離,并聚類到離該點(diǎn)最近的聚類中去(4)計算每個聚類中所有點(diǎn)的坐標(biāo)平
10、均值,并將這個平均值作為新的聚類中心(5)重復(fù)(3),計算每個點(diǎn)到聚類中心的距離,并聚類到離該點(diǎn)最近的聚類中去(6)重復(fù)(4),計算每個聚類中所有點(diǎn)的坐標(biāo)平均值,并將這個平均值作為新的聚類中心【結(jié)果討論】優(yōu)點(diǎn): 原理簡單,實現(xiàn)容易,聚類效果中上缺點(diǎn):(1)無法確定K的個數(shù) (2)對離群點(diǎn)敏感 (容易導(dǎo)致中心點(diǎn)偏移)(3)算法復(fù)雜度不易控制, 迭代次數(shù)可能較多(4)局部最優(yōu)解而不是全局優(yōu) (這個和初始點(diǎn)選誰有關(guān))(5)結(jié)果不穩(wěn)定 (受輸入順序影響)局部區(qū)域精度評估:實習(xí)心得經(jīng)過一個學(xué)期對模式識別的學(xué)習(xí),我學(xué)習(xí)到了基本的理論知識,了解到了計算機(jī)處理圖像的思想,了解到了神經(jīng)網(wǎng)絡(luò),深度學(xué)習(xí)的原理,這些知識都為我的課程實踐和進(jìn)一步的學(xué)習(xí)打下了堅實的基礎(chǔ)。在本次實習(xí)上機(jī)中,我體會頗多,學(xué)到了很多東西。我加強(qiáng)了對模式識別這門課程的認(rèn)識,并且復(fù)習(xí)了自己以前學(xué)習(xí)到的知識。這些都使得我對計算機(jī)有了更深入的認(rèn)識!總之,通過這次課程設(shè)計,我收獲頗豐,相信會為自己以后的學(xué)習(xí)和工作帶來很大的好處。通過上機(jī)實習(xí)的訓(xùn)練,我進(jìn)一步學(xué)習(xí)和掌握了對程序的設(shè)計和編寫,從中體會到了各種算法的方便和巧妙。像k-means算法就是一個原理很簡單但分類效果很好的算法,這種借助計算機(jī)進(jìn)行數(shù)據(jù)處理的思維,讓我開闊了視野,也鍛煉了我的動手能力。由于時
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 知識產(chǎn)權(quán)保護(hù)與企業(yè)合規(guī)的共贏模式
- 投資風(fēng)險的識別與防范
- 2025年人力資源共享策劃戰(zhàn)略協(xié)議樣本
- 提升農(nóng)業(yè)科技創(chuàng)新體系的背景意義及必要性
- 春分節(jié)氣的社交媒體營銷
- 10.1 三維繪圖基礎(chǔ)(課件)-高二《Auto+CAD》同步課堂(機(jī)工社)
- 小寒節(jié)氣解讀
- 工程維保協(xié)議書范本
- 大蒜兒童美術(shù)課件
- 2025年汽車零部件供應(yīng)協(xié)議
- 6隨機(jī)信號-4(非平穩(wěn)隨機(jī)信號的分析)
- 全過程造價咨詢服務(wù) 投標(biāo)方案(技術(shù)方案)
- 釹鐵硼材料倒角公差標(biāo)準(zhǔn)
- 2021新譯林版新教材高中英語必修三全冊單詞默寫(漢譯英)
- 業(yè)務(wù)往來明細(xì)表
- 成品出貨檢驗報告模板
- 網(wǎng)絡(luò)營銷7微博營銷
- 蘇科版物理八年級上冊學(xué)期期末試卷(附答案)
- 插花學(xué)習(xí)通超星課后章節(jié)答案期末考試題庫2023年
- 測繪技術(shù)和質(zhì)量保證體系
- 手術(shù)室護(hù)理實踐指南側(cè)臥位的擺放
評論
0/150
提交評論