計算機信息提取

計算機信息提取第一頁，共五十三頁，編輯于2023年，星期五

違規(guī)建筑的防治第二頁，共五十三頁，編輯于2023年，星期五第三頁，共五十三頁，編輯于2023年，星期五

第四頁，共五十三頁，編輯于2023年，星期五第五頁，共五十三頁，編輯于2023年，星期五一、分類原理與基本過程第六頁，共五十三頁，編輯于2023年，星期五第七頁，共五十三頁，編輯于2023年，星期五第一節(jié)計算機分類基本原理分類的定義分類的基本原理分類的一般步驟第八頁，共五十三頁，編輯于2023年，星期五1.1分類的定義

遙感圖像分類以遙感數字圖像為研究對象，在計算機系統(tǒng)支持下，綜合運用地學分析、遙感圖像處理、地理信息系統(tǒng)、模式識別與人工智能技術，實現專題信息的智能化獲取。其基本目標是將人工目視解譯遙感圖像發(fā)展為計算機支持下的遙感圖像理解。第九頁，共五十三頁，編輯于2023年，星期五1.2分類的意義由于利用遙感圖像可以客觀、真實和快速地獲取地球表層信息，這些現勢性很強的遙感數據在自然資源調查與評價、環(huán)境監(jiān)測、自然災害評估與軍事偵察上具有廣泛應用前景。因此，利用計算機進行遙感圖像智能化解譯，快速獲取地表不同專題信息，并利用這些專題信息迅速地更新地理數據庫，這是實現遙感圖像自動理解的基礎研究之一，因此具有重要的理論意義和應用前景。第十頁，共五十三頁，編輯于2023年，星期五2、分類原理最小距離分類法-示例第十一頁，共五十三頁，編輯于2023年，星期五2、分類原理遙感圖像計算機分類的依據是遙感圖像像素的相似度。常使用距離和相關系數來衡量相似度。采用距離衡量相似度時，距離越小相似度越大。采用相關系數衡量相似度時，相關程度越大，相似度越大。第十二頁，共五十三頁，編輯于2023年，星期五2、分類原理最小距離分類法-示例特征空間水的點群中心水的特征均值第十三頁，共五十三頁，編輯于2023年，星期五2、分類原理1）找像元的分布特征（如點群中心、位置、規(guī)律），并且確定點群的界限。2）點群中心是這一類地物類別像元特征的均值向量。3）點群的范圍這一類地物類別像元特征的標準差向量（協(xié)方差）。它反映了點的離散程度。4）點群的邊界是分類過程中決定像元歸屬的“準則”，稱為判別函數。第十四頁，共五十三頁，編輯于2023年，星期五2、分類原理遙感圖像分類就是利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，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像元劃歸到各個子空間去。

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處理的變量第十五頁，共五十三頁，編輯于2023年，星期五關鍵問題選擇適當的分類規(guī)則，通過分類器把圖像數據劃分為盡可能符合實際情況的不同類別。確定判別函數和相應的判別準則。第十六頁，共五十三頁，編輯于2023年，星期五3、分類基本過程數據準備。根據圖像分類目的選取特定區(qū)域的遙感數字圖像，需考慮圖像的空間分辨率、光譜分辨率、成像時間、圖像質量等。根據研究區(qū)域，收集與分析地面參考信息與有關數據。數據預處理輻射校正和幾何校正。波段選擇和圖像變換、增強處理。分類系統(tǒng)方案

制定分類系統(tǒng)，確定分類類別。分類方法的確定與分類處理

根據分類對象的實際情況選擇合適的分類方法。５精度評價與分類方法的改進６專題圖的制作第十七頁，共五十三頁，編輯于2023年，星期五遙感圖像計算機分類方法監(jiān)督分類法：選擇具有代表性的典型實驗區(qū)或訓練區(qū)，用訓練區(qū)中已知地面各類地物樣本的光譜特性來“訓練”計算機，獲得識別各類地物的判別函數或模式，并以此對未知地區(qū)的像元進行分類處理，分別歸入到已知的類別中。關鍵：選擇樣區(qū)、訓練樣本、建立判別函數（可以是一些列規(guī)則，可是某種數學函數）非監(jiān)督分類：是在沒有先驗類別（訓練場地）作為樣本的條件下，即事先不知道類別特征，主要根據像元間相似度的大小進行歸類合并（即相似度的像元歸為一類）的方法。一、分類原理與基本過程第十八頁，共五十三頁，編輯于2023年，星期五監(jiān)督分類法最小距離法特征曲線窗口分類法線性判別分析最大似然判別法神經網絡分類第十九頁，共五十三頁，編輯于2023年，星期五二、圖像分類方法

1、監(jiān)督分類

（1）、最小距離分類法

第一步：計算訓練樣本的平均值第二步：計算待分類像元與樣本均值的距離Step2–foreachunclassifiedpixel,calculatethedistancetoaverageforeachtrainingarea第二十頁，共五十三頁，編輯于2023年，星期五二、圖像分類方法

1、監(jiān)督分類

（1）、最小距離分類法最近鄰域分類法

NearestNeighbour

。DefinesatypicalpixelforeachclassAssignspixelsonthebasisofspectraldistanceCanseparatediverseclassesBoundaryproblemsremainunresolved第二十一頁，共五十三頁，編輯于2023年，星期五二、圖像分類方法

1、監(jiān)督分類

（２）、特征曲線窗口分類法特征曲線是地物光譜特征曲線參數構成的曲線。以特征曲線為中心取一個條帶，構造一個窗口，凡是落在此窗口內的地物即被認為是一類，反之，則不屬于該類。特征曲線可是實測的，也可是圖像訓練樣本分類窗口可是曲線上某一特定的位置，如反射峰、谷、特征參數的上、下限等第二十二頁，共五十三頁，編輯于2023年，星期五二、圖像分類方法

1、監(jiān)督分類

（３）、最大似然比分類法(MaximumLikelihood)通過求出每個像素對于各類別的歸屬概率，把該像素分到歸屬概率最大的類別中去的方法。假定訓練區(qū)地物的光譜特征和自然界大部分隨機現象一樣，近似服從正態(tài)分布。第二十三頁，共五十三頁，編輯于2023年，星期五最大似然法判別函數第二十四頁，共五十三頁，編輯于2023年，星期五二、圖像分類方法

1、監(jiān)督分類

（３）、最大似然比分類法(MaximumLikelihood)第二十五頁，共五十三頁，編輯于2023年，星期五二、圖像分類方法

1、監(jiān)督分類

（３）、最大似然比分類法(MaximumLikelihood)第二十六頁，共五十三頁，編輯于2023年，星期五選取樣本像元分類結果第二十七頁，共五十三頁，編輯于2023年，星期五監(jiān)督分類實例TM432第二十八頁，共五十三頁，編輯于2023年，星期五監(jiān)督分類的步驟首先找出影像中各種類別具有代表性的像元集合，作為樣本（訓練樣區(qū)）；求出每種類別樣本像元集的統(tǒng)計特征，然后選擇特征參數（如樣本像元的平均值、方差）；根據特征參數建立判別函數；根據判別函數對已知類別的樣本像元進行分類，反復調整判別函數；最后用判別函數對所有未知像元進行判斷，劃分像元的類別歸屬。樣本像元的選取，通常需要人參與；對判別函數要用樣本進行反復驗證和訓練，就像有人在監(jiān)督一樣第二十九頁，共五十三頁，編輯于2023年，星期五第三十頁，共五十三頁，編輯于2023年，星期五第三十一頁，共五十三頁，編輯于2023年，星期五第三十二頁，共五十三頁，編輯于2023年，星期五第三十三頁，共五十三頁，編輯于2023年，星期五第三十四頁，共五十三頁，編輯于2023年，星期五第三十五頁，共五十三頁，編輯于2023年，星期五非監(jiān)督分類實例二、圖像分類方法第三十六頁，共五十三頁，編輯于2023年，星期五二、圖像分類方法

2、非監(jiān)督分類

（１）、動態(tài)聚類法在初始狀態(tài)給出圖像粗糙的分類，然后基于一定原則在類別間重新組合樣本，直到分類比較合理為止。第三十七頁，共五十三頁，編輯于2023年，星期五非監(jiān)督分類步驟：設定分類判定方法參數，分類數設定初始分類中心將各個像元歸入設定的各類中計算各類的新中心值比較前后中心值是否一致：不一致，調整各類中心及域值，回到步驟３；一致，分類圖象輸出第三十八頁，共五十三頁，編輯于2023年，星期五第三十九頁，共五十三頁，編輯于2023年，星期五第四十頁，共五十三頁，編輯于2023年，星期五二、圖像分類方法3、監(jiān)督分類與非監(jiān)督分類方法比較根本區(qū)別在于是否利用訓練場地來獲取先驗的類別知識。監(jiān)督分類的關鍵是選擇訓練場地。訓練場地要有代表性，樣本數目要能夠滿足分類要求。此為監(jiān)督分類的不足之處。非監(jiān)督分類不需要更多的先驗知識，據地物的光譜統(tǒng)計特性進行分類。當兩地物類型對應的光譜特征差異很小時，分類效果不如監(jiān)督分類效果好。第四十一頁，共五十三頁，編輯于2023年，星期五三分類精度評價與提高精度評價方法分類中存在的問題分類精度提高方法第四十二頁，共五十三頁，編輯于2023年，星期五遙感圖像分類精度評價方法基于面積的評價。基于位置的評價，誤差矩陣的評價第四十三頁，共五十三頁，編輯于2023年，星期五分類誤差矩陣對角線元素便是正確分類，非對角線便是錯誤分類；分類行總計用戶精度實際農田城市湖泊農田89439689/96城市３9329893/98湖泊８39510695/106列總計100100100300生產精度89/10093/10095/100總體精度(89+93+95)/300第四十四頁，共五十三頁，編輯于2023年，星期五KAPPA系數的計算Ｎ，總樣本數r，類別數Ｘi+為某一類的行總計Ｘ+i為某一類的列總計第四十五頁，共五十三頁，編輯于2023年，星期五計算機解譯的問題：–存在錯分、漏分現象–正確率一般只有60~70%–不同的研究區(qū)域，采用不同的方法，不同的參數–如何選取好的訓練區(qū)三、圖像分類中的有關問題第四十六頁，共五十三頁，編輯于2023年，星期五三、圖像分類中的有關問題

1、未充分利用遙感圖像提供的多種信息

只考慮多光譜特征，沒有利用到地物空間關系、圖像中提供的形狀和空間位置特征等方面的信息。統(tǒng)計模式識別以像素為識別的基本單元,未能利用圖像中提供的形狀和空間位置特征,其本質是地物光譜特征分類.水體的分類.

第四十七頁，共五十三頁，編輯于2023年，星期五三、圖像分類中的有關問題2、提高遙感圖像分類精度受到限制大氣狀況的影響：吸收、散射。下墊面的影響：下墊面的覆蓋類型和起伏狀態(tài)對分類具有一定的影響。其他因素的影響：云朵覆蓋；不同時相的光照條件不同，同一地物的電磁輻射能量不同；地物邊界的多樣性。第四十八頁，共五十三頁，編輯于2023年，星期五四、計算機解譯的主要技術發(fā)展趨勢1、抽取遙感圖像多種特征

對高分辨率衛(wèi)星圖像的自動解譯來說，一般分別對目標地物采用地、中、高三個層次進行特征抽取和表達。

低層次的對象是像素，每個像素對應的數值是該地物波譜特征的表征；中層次主要抽取和描述目標的形態(tài)、紋理等空間特征；高層次主要抽取和描述識別目標與相鄰地物之間的空間關系。第四十九頁，共五十三頁，編輯于2023年，星期五2、逐步完成GIS各種專題數據庫的建設，利用GIS數據減少自動解譯中的不確定性

GIS數據庫在計算機自動解譯中發(fā)揮以下重要作用：（1）對遙感圖像進行輻射校正，消除或降低地形差異的影響；（2）作為解譯的直接證據，增加遙感圖像的信息量；（3）作為解譯的輔助證據，減少自動解譯中的不確定性；（4）作為解譯結果的檢驗數據，降低誤判率。四、計算機解譯的主要技術發(fā)展趨勢第五十頁，共五十三頁，編輯于2023年，星期五3、建立適用于遙感圖像自動解譯的專家系統(tǒng)，提高自動解譯的靈活性

需要從以下兩方面開展工作：建立解譯知識庫和背景知識庫。解譯知識庫是遙感圖像解譯認識和經驗經形式化后記錄在貯存介質上的。背景知識庫是有關遙感解譯背景知識與經驗的集合，以地學知識為主。根據遙感圖像解譯的特點來構造專家系統(tǒng)。四、計算機解譯的主要技術發(fā)展趨勢第五十一頁，共五十三頁，編輯于2023年，星期五4、模式識別與專家系統(tǒng)相結合

既可以發(fā)揮圖像解譯專家知識