遥感图像的计算机分类.pptx

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,#,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,#,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,#,第六章,遥感图像的计算机分类,理解遥感图像计算机分类的一般原理和常用的判别函数,掌握传统的监督分类和非监督分类方法，以及分类中的辅助处理技术,了解计算机分类的新方法,教学目的,遥感图像计算机分类的一般原理,判别函数,非监督分类,监督分类,光谱特征分类中的辅助处理技术,计算机分类新方法,雷达遥感图像分类新方法,教学提纲,1,遥感图像计算机分类的一般原理,概述,计算机分类的基本原理,计算机分类处理的一般过程,一、概述,遥感图像的解译,通过对遥感图像所提供的各种识别目标的特征信息进行分析、推理与判断，从而识别目标或现象的过程,目视方法,凭着,光谱规律、地学规律和解译者的经验,从影像的,亮度、色调、位置、时间、纹理、结构,等特征推出地面的景物类型,计算机方法,利用,计算机模式识别技术,对遥感图像上的信息进行属性的识别和分类,一、概述,光谱特征,概念,地物电磁波辐射的多波段测量值，通常以地物多光谱图像上的亮度体现,遥感图像分类的主要依据,不同的地物在同一波段图像上表现的亮度一般互不相同；同时，不同的地物在多个波段图像上亮度的呈现规律也不同,(,example,）,一、概述,地物反射率差异图,若按照地物类别聚集的规律把多光谱空间划分为若干个子空间，每一个子空间包含一个类别，就可以把图像中未知像元进行分类，分配到各自的子空间中,一、概述,相关概念,光谱类别,完全按照光谱特征在多光谱空间内聚集的类别,信息类别,与地面实际景物对应的类别,同物异谱,同一种地物包含几种光谱类别,异物同谱,同一种光谱类别中有不同的信息类别,一、概述,遥感图像的计算机分类,概念,将图像中每一个像元点或区域归属于若干个类别中的一类，或若干个专题要素中的一种，完成将图像数据从二维灰度空间转换到目标模式空间的工作,分类,统计模式方法,传统方法,句法模式方法,新方法,一、概述,相关概念,监督分类和非监督分类,监督分类,基于对于遥感图像上样本区内的地物的类属已,有先验知识,，以已知样本的特征作为依据判断非样本数据的类别,非监督分类,遥感图像地物的属性,不具有先验知识,，纯粹依靠不同光谱数据组合在统计上的差别进行,“,盲目分类,”,分类结果并不确定类别的属性,一、概述,分类处理与增强处理,共同点,增强和提取遥感图像中的目标信息,异同点,增强主要是增强图像的目视效果，提高图像的可解译性,定性,分类着眼于地物类别的区别,定量,一、概述,遥感图像分类处理的特点,多变量,特征选择,有选择地去除多光谱图像中对分类贡献不大的波段，从而确定分类的信息源的过程,特征,分类时所使用的波段或波段组合,特征参数,选择出来的，新的对于表示类别可分性更为有效的变量,特征空间,特征参数组成的空间,二、计算机分类的基本原理,相关概念,像元的特征值,每个波段上灰度值构成的矢量,特征空间,包含,X,的的,n,维空间,模式,图像中某一类目标,样本,属于某类别的像素,样本观测值,样本的多光谱矢量,波段,1,波段,2,波段,n,多光谱图像,二、计算机分类的基本原理,基本原理,多光谱图像和特征空间中的点集具有等价关系。通常同一类地面目标的光谱特性比较接近，在特征空间中的点聚集在该类的中心附近，多类目标在特征空间中形成多个点族（,example,）,二、计算机分类的基本原理,多光谱图像分类原理,设图像上有两类目标,A,、,B,判别准则为,：,遥感图像分类算法的核心就是,确定判别函数和相应的判别准则,f,AB,(X),0,三、计算机分类处理的一般过程,原始图像的预处理,训练区的选择,特征选择和特征提取,分类,检验结果,结果输出,原始图像预处理,训练区的选择,特征选择和特征提取,图像分类运算,检验结果,结果输出,三、计算机分类处理的一般过程,原始图像的预处理,对观测数据作成像处理，以及图像的几何校正、辐射校正、量化、采样、预滤波、去噪声等处理，以便获得一幅比较清晰、对比度强、位置准确的图像提高分类精度,三、计算机分类处理的一般过程,训练区的选择,要求,普遍性、代表性,方法,实地调查,借助地图、航片或其他专题资料,非监督分类,水 田,平原水田,丘陵水田,山区水田,景观相片,遥感影像,平原旱地,山区旱地,景观相片,遥感影像,丘陵旱地,旱 地,有林地,景观相片,遥感影像,疏林地,灌木林地,林 地,低覆盖度草地,中覆盖度草地,高覆盖度草地,景观相片,遥感影像,草 地,河 渠,冰川及永久性积雪,水库坑塘,湖 泊,河滩地,水 域,城镇用地,农村居民用地,工矿和交通用地,景观相片,遥感影像,城镇及工矿用地,盐碱地,沙 地,戈 壁,沼泽地,裸土地,裸岩,其他,未利用土地,景观相片,遥感影像,景观相片,遥感影像,三、计算机分类处理的一般过程,特征选择与特征提取,特征选择（,feature selection,）,从众多特征中挑选出可以参加分类运算的若干特征,特征提取（,feature extraction,）,在特征选择后，利用特征提取算法从原始特征中求出最能反映其类别特性的一组新特征，完成样本空间到特征空间的转换,数据压缩、提高不同类别特征之间的可区分性,三、计算机分类处理的一般过程,图像分类运算,核心阶段,根据影像特点和分类目的设计或选择恰当的分类器及其判别准则，对特征矢量进行划分，完成分类工作,检验结果,分类精度和可靠性评价,结果输出,结果图像的输出和分类结果的统计值,2,判别函数,距离判别函数,最大似然法判别函数,一、距离判别函数,前提,地物光谱特征在特征空间中按集群方式分布,原理,已知各类别集群的中心位置,M,i,（均值），计算光谱特征空间中任一点,k,到各类的距离,（,i,1,，,2,，,，,n,）,若 则,k,i,类；否则,k,j,类,一、距离判别函数,常用的距离判别函数,闵氏距离,绝对值距离,欧几里德距离,马哈拉诺比斯距离,一、距离判别函数,绝对值距离（出租汽车距离、,城市块距离、等混合距离）,式中 为距离；,j,为波段序号；总波段数为,n,，,i,为类别号，,x,kj,为,k,像元在,j,波段的亮度值；,M,ij,为均值,A(x,A,y,A,),B(x,B,y,B,),y,x,特点：各特征参数以等权参与，计算简单,一、距离判别函数,欧几里德距离（欧氏距离,）,特点：各特征参数等权,y,A(x,A,y,A,),B(x,B,y,B,),x,一、距离判别函数,注意,闵氏距离与特征参数的量纲有关,量纲不同时可以通过用标准差或级差标准化的方法解决,闵氏距离没有考虑特征参数间的相关性,一、距离判别函数,马哈拉诺比斯距离（马氏距离）,式中，,i,为,I,集群的协方差矩阵，其协方差为,一、距离判别函数,D,B,D,A,K,M,B,M,A,x,2,x,1,特点：是一种加权的欧氏距离，通过协方差矩阵来考虑变量相关性,当,I,时，为欧式距离的平方,二、最大似然法判别函数,最大似然判别规则,前提,各类的分布为正态函数,依据,贝叶斯,(Bayes),公式,判别函数,判别规则,式中，,似然概率,先验概率,后验概率,X,出现的概率,二、最大似然法判别函数,正态分布,多变量概率密度函数,式中,二、最大似然法判别函数,判别函数,判别规则,判别边界,概念,是在没有先验类别知识,(,训练场地,),的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理，也叫做,“,边学习边分类法,”,理论依据,遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域,方法,聚类分析,3,非监督分类,3,非监督分类,主要过程,确定初始类别参数,（类别数、集群中心）,计算每个像元,X,k,到各,集群中心,j,的距离,d,kj,集群中心是否变化,计算新的集群中心,d,ki,Min(d,kj,),X,k,第,i,类,结束,Y,N,3,非监督分类,初始类别参数的选定,ISODATA,法,K-Mean,算法,应用举例,一、初始类别参数的选定,初始类别参数,基准类别集群中心（数学期望,M,i,），集群分布的协方差矩阵,i,选定方法,像素光谱特征的比较法,总体直方图均匀定心法,最大最小距离选心法,局部直方图峰值定心法,一、初始类别参数的选定,定义一个抽样集,选定一个像素,作为第,1,个类别,作为该类的成员,相似？,其它像素与已建立的类别比较,计算类别参数,Y,N,作为新的类别,所有像素或,按一定间隔抽样的像素,设定阈值,像素光谱特征的比较法,一、初始类别参数的选定,总体直方图均匀定心法,设总体直方图的均值和方差分别为 和 其中,每个类别初始类别集群中心位置,一、初始类别参数的选定,最大最小距离选心法,原则,使各初始类别之间，尽可能地保持远距离,过程,一、初始类别参数的选定,定义一个抽样集,选定一个像素,X,1,作为第一个初始类别中心,Z,1,X,j,作为第,2,个初始类别中心,Z,2,D,1j,=Max(D,1i,),计算,X,1,与其它抽样点,X,i,距离,D,1i,结束,Y,计算剩余抽样点,X,k,到已建立的初始类别中心,m,距离,d,km,d,k,Min(d,km,),d,j,=max(d,k,),X,j,作为新类别,达到需要的类别数,Y,N,一、初始类别参数的选定,与光谱特征相似法相比，具有不受阈值选定影响的好处,与总体直方图均匀定心法相比，具有更接近实际各类集群分布位置状况的优点,example,局部直方图峰值定心法,基本原理,每个类别的集群中心一般位于本类别直方图的峰值位置，而在该位置处的总体直方图往往会出现局部峰值,基本过程,一、初始类别参数的选定,获取图像数据抽样集,建立总体直方图,搜索直方图局部峰值,一、初始类别参数的选定,注意,为了减少数据量，通常,按一定距离间隔,的取样方式来获得图像的抽样数据集,为了保证被抽样的像素亮度为非噪声亮度，可以,选定一个“纯度”阈值,，当抽样像素亮度与周围像素亮度之差别超出该纯度阈值时，把该像素摒弃,为了减少直方图的存储量，可采取以下措施,限定直方图各维亮度的取值范围,用亮度分辨力,K,把直方图分切为一系列直方图局部单元,二、,ISODATA,法（迭代自组织数据分析技术）,过程,输入控制参数,n,i,T,s,N,i,D,ik,T,c,Y,Y,Y,Y,Y,N,N,N,N,N,二、,ISODATA,法,example,二、,ISODATA,法,实质,以初始类别为“种子”进行自动迭代聚类的过程，可以自动地进行类别的“合并”和“分裂”，其参数也在不断地聚类调整中逐渐确定，并最终构建所需要的判别函数,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不断调整和“训练”过程,三、,K-Mean,算法,聚类准则,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,基本思想,通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止,三、,K-Mean,算法,开始,选择初始类别的中心,将所有像元分到,c,个类别中,聚类中心不变,计算新的集群中心,结束,N,Y,过程,四、应用举例,打开非监督分类模块，选择输入、输出影像,确定相关参数执行非监督分类,一般,最终分类个数的,2,倍,四、应用举例,确定类别,四、应用举例,Swipe,4,监督分类,训练区的选择,判别分析分类,检验,应用实例,一、训练区的选择,注意,训练区必须具有,典型性,和,代表性,对所有使用的图件要求,时间和空间上的一致性,选取方式,坐标输入式,人机对话式,训练区样本分析,一般要求是单峰，近似于正态分布,训练样本数的确定,根据对图像的了解程度和图像本身的情况确定,理论最小值,N,1,（,N,为特征数,）,二、判别分析分类,线性判别分析分类,逐步判别分析分类,平行多面体分类,最小距离分类,最大的似然比分类,二、判别分析分类,线性判别分析分类,线性判别函数,算法,由已知均值向量及协方差矩阵计算归并的协方差矩阵,S,及其逆矩阵,S,1,计算系数,a,i,及,c,i,计算,d,i,，如果假定,g,i,都相同，则,lng,i,ln(1/k),把,X,分到,d,i,最大的一类,二、判别分析分类,逐步判别分析分类,选择少数贡献最大的自变量建立判别函数,比较和选择自变量,单因素方差分析或,F,检验,建立判别函数,同线性判别分析,二、判别分析分类,平行多面体分类,原理,只有当,否则排除，,Class(x,i,),0,相当于在数据空间中划分出若干个平行多面体块段，每一块段为一类,二、判别分析分类,优点,分类标准简单，计算速度比较快,缺点,按照各个波段的均值和标准差划分的平行多面体与实际地物类别数据点的分布的点群形态不一致,改进,将自然点群分割为几个较小的平行多面体,二、判别分析分类,最小距离分类,原理,由训练组数据得出每一类别的均值向量及标准差向量,以均值向量作为该类在多维空间中的中心位置，计算输入图像中每个像元到各类中心的距离（欧几里德距离、折线距离）,到哪一类中心的距离最小，则该像元就归入哪一类,二、判别分析分类,缺陷,不同类别的亮度值（或其它特性）的变化范围，其方差的大小不同，不能简单地用到类中心的距离来划分像元的归属,自然地物类别的点群分布不一定是圆形或球形，即不同方向上半径是不等的，因而距离的量度在不同方向上应有所差异,改进,在距离算法上改进,二、判别分析分类,最大似然比分类,Maximum Likelihood,基本前提,每一类的概率密度分布都是正态分布,判别函数,说明,分类的准确程度不仅取决于方法的选择，还与地区的特点、有关参数的选择、应用人员的经验，特别是训练数据的代表性有关,训练组统计数的可靠性程度比分类器算法的选择对分类的准确度影响更大,二、判别分析分类,example,三、检验,一维空间错误概率,总错误概率,三、检验,错误概率估计,（先验概率相同时较准确）,混淆矩阵,一个,mm,的矩阵，,m,为分类的类别数，矩阵的列通常表示参考类别，行表示分类类别,基于混淆矩阵可以得到,以下,一些统计指标来衡量分类的精度,三、检验,式中，,n,为样本总数，,n,kk,为矩阵对角线上的元素，,n,k+,为矩阵的行数据之和，,n,+k,为矩阵的列数据之和,三、检验,类型,水体,建设,用地,荒草地,园地,水田,林地,总和,使用者,精度,未分类,0,0,0,0,0,0,0,水体,24,2,0,0,3,2,31,77.42,建设用地,0,113,4,0,2,9,128,88.28,荒草地,0,9,15,0,9,11,44,34.09,园地,0,1,0,15,2,12,30,50,水田,3,4,1,0,108,3,119,90.76,林地,0,0,0,0,3,157,160,98.13,总和,27,129,20,15,127,194,512,生产精度,88.89,87.60,75,100,85.04,80.93,总精度,84.38,Kappa,系数,0.7924,四、应用实例,打开待分类影像,打开模板窗口,四、应用实例,定义分类模板,四、应用实例,评价分类模板,误差矩阵精度,85%,，模板需要要重建,四、应用实例,监督分类,林地,旱地,建设用地,水浇地,水域,果园,未利用地,四、应用实例,精度评价,比较,非监督分类主要优点,不需要预先对所要分类的区域有广泛的了解和熟悉，而监督分类则需要分析者对所研究区域有很好的了解从而才能选择训练样本。但是在非监督分类中分析者仍需要一定的知识来解释非监督分类得到的集群组,人为误差的机会减少，即使分析者对分类图像有很强的看法偏差，也不会对分类结果有很大影响。因此非监督分类产生的类别比监督分类所产生的更均质,独持的、覆盖量小的类别均能够被识别，而不会像监督分类那样被分析者的失误所丢失,比较,非监督分类主要缺点,来自于对其“自然”的依赖性,非监督分类产生的光谱集群组并不一定对应于分析者想要的类别，因此分析者面临着如何将它们和想要的类别相匹配的问题，实际上几乎很少有一对一的对应关系,分析者较难对产生的类别进行控制，因此其产生的类别也许并不能让分析者满意,图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使其不同图像之间的对比变得困难,比较,监督分类的主要优点,可根据应用目的和区域，有选择地决定分类类别，避免出现一些不必要的类,可控制训练样本的选择,可通过检查训练样本来决定训练样本是否被精确分类,避免了非监督分类中对光谱集群组的重新归类,。,比较,监督分类的缺点,分类系统的确定、训练样本的选择，均人为主观因素较强，分析者定义的类别也许并不是图像中存在的自然类别，导致多维数据空间中各类别间并非独一无二，而是有重叠；分析者所选择的训练样本也可能并不代表图像中的真实情形,由于图像中同一类别的光谱差异，造成训练样本并没有很好的代表性,训练样本的选取和评估需花费较多的人力、时间,只能识别训练样本中所定义的类别，若某类别由于训练者不知道或者其数量太少未被定义，则不能识别,5,光谱特征分类中的辅助处理技术,上下文分析方法,基于地形信息的计算机分类处理,辅以纹理特征的光谱特征分类法,一、上下文分析方法,基本概念,点独立,遥感图像中每一像元的信息来自于地面上与像元对应区域,类别噪声,分类图像中出现一大片同类地物中夹杂着散点分布的异类地物的不一致现象,上下文分析,基于邻近像元特征的比较分析,方法,预处理法,后处理法,概率松弛法,一、上下文分析方法,预处理法,式,中，,X(P),为,P,的原始光谱特征向量，,X(P),为调整后的光谱特征向量，,X(C),为,P,周边最邻近的,6,个点构成的集群中心点,C,的光谱特征向量，,d,pc,为,P,与,C,在特征空间中距离，,T,为比较阈值,N,1,N,2,N,3,N,8,P,N,4,N,7,N,6,N,5,一、上下文分析方法,后处理法,是在分类处理之后，对分类结果类别分布的一致性检查和调整，调整的原理服从,“,多数,”,原则，即,在分类图像中，若某像元的,8,个邻接像元中至少有,6,个像元同属于某一类，则该像元的类别属性也调整为该类；否则，保持该像元已分的类别属性不变,一、上下文分析方法,概率松弛法,基本思想,利用邻接像元从属于各类别的概率，来调整中心像元从属于各类别的概率，并根据调整后的概率按,Bayes,分类法对各像元进行分类。该过程是一个多次迭代的过程,基本过程,一、上下文分析方法,假设,各类别的光谱特征服从正态分布,属于同一类别的像元属于该类的概率趋于同一个先验概率,对于某个像元属于,i,类而邻近像元属于,j,类的联合事件的概率，与本像元的点位无关，而只与,“,本邻像元对,”,8,个方向有关且在每个方向上趋同于一个先验概率,一、上下文分析方法,定义概率兼容系数,估计某一类,i,的某像元,k,在,N,方向邻近像元影响下的调整概率,式中，,一、上下文分析方法,计算第,l,1,次迭代时，像元,k,属于,i,类的概率调整值,当 变动小于给定的阈值或有变动的像元个数小于给定的阈值时，迭代结束,一、上下文分析方法,比较,优点,预处理方法和后处理方法算法比较简单,概率松弛算法充分利用了各像元从属于某一类别的概率信息，因而比前两种方法理论依据更充实、算法更精细,缺点,预处理法不可避免地会产生某些不希望有的图像平滑效果，以致损失了必要的类别边界或纹理细节信息,后处理法所能依据的信息仅是各像元的分类结果，而不知各像元从属某类的可靠程度,(,概率,),，因而近似性较大,概率松弛算法所需计算机容量和计算时间较费,二、基于地形信息的计算机分类处理,不同地物类别在不同高程中出现的先验概率不同,example,高程带,类别,高程,m,1,2,3,4,5,6,7,耕地,园地,林地,草地,水域,城镇,裸地,1,0,20,86,1,1,11,1,2,21,50,67,4,18,4,5,3,3,51,100,42,6,45,2,2,2,1,4,101,200,21,1,69,4,1,4,5,201,900,13,5,51,28,3,全县,49,4,36,6,3,2,1,二、基于地形信息的计算机分类处理,方法,作为先验条件概率，在判别函数中引入高程信息,按高程带分层分类,注意,类似其它信息也可以辅助分类，但辅助信息的先验概率必须能如实反映地物在区域中的分布特点，并对不同类别的区分普遍有效,三、辅以纹理特征的光谱特征分类法,纹理特征,概念,图像上细部结构以一定频率重复出现，是单一特征的集合,实地为同类地物聚集分布,类型,侧重于对地物形态（大小、形状、结构轴的方向、具体形态的地物在空间中的分布规律）的具体描述,侧重于描述图像区域中总体亮度变化的特点,三、辅以纹理特征的光谱特征分类法,辅助分类过程,提取纹理特征,方法结果,进行纹理特征的辅助分类,直接参与,间接参与,后处理,自相关函数法、数学变换法、数学形态法、,灰度相关矩阵法、灰度延长法、单位面积边缘数法、纹理变换法、,自回归模型法,纹理特征量度参数,纹理分类图像,6,计算机分类新方法,神经网络分类器,基于小波神经网络遥感图像分类,模糊聚类法,树分类器,专家系统方法的应用,一、神经网络分类器,概念,神经元网络模型用于模拟人脑神经元活动的过程，包括对信息的加工、处理、存储和搜索等过程,特点,分布式存储信息,对信息的并行处理及推理,具有自组织、自学习,类型,BP,、,Hopfield,、,ART,、自组织特征映射模型,一、神经网络分类器,f(a),f(b),f(n),y,1,y,2,y,n,x,1,x,2,x,m,输入层,输出层,隐含层,BP,网结构,W,1k,k,一、神经网络分类器,BP,网基本原理,正向传播,输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐层之后，传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。到输出层时，再把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程,反向传播,把误差信号按原来正向传播的通路方向传回，并对每个隐层的各个神经元的权系数进行修改，从而使误差信号趋向于最小,一、神经网络分类器,具体过程,对权系数置初值,给定训练数据集,计算各层实际输出,计算学习误差,修正权系数和阈值,误差是否满足要求,分类,N,Y,一、神经网络分类器,结论,可以在一定程度上消除传统的遥感影像分类所带来的模糊性和不确定性,从分类所需的时间上来讲，已经过训练的神经网络所具有的速度不会低于传统的遥感影像分类方法，如果隐节点的数目选择合适，神经网络模型的建立合理，速度还会超过传统的遥感影像分类方法,存在许多有待解决的问题,二、基于小波神经网络遥感图像分类,小波变换,基本思想,用一族函数去表示或接近一信号或函数，这一族函数称为小波函数系。它是通过基本小波函数的不同尺寸的平移和伸缩构成的。若设基本小波函数为,h(x),，伸缩和平移因子分别为,a,和,b,，则小波变换基底定义为,函数,f(x),的小波变换为,优点,线性叠加性、平移共变性、尺度共变性、能量守恒性、局域正则性,二、基于小波神经网络遥感图像分类,f(a),f(b),f(n),y,1,y,2,y,n,w,11,w,1n,j=1,r,x,1,x,2,x,m,结构,三、模糊聚类法,基本原理,利用模糊矩阵,A,a,ij,对样本集,U,进行划分,软分类,A,的定义,a,ij,0,1,，表示样本,U,j,属于第,i,类的隶属度,A,中每列元素之和为,1,，即一个样本对各类的隶属度之和为,1,A,中每行元素之和大于,0,，表示每类不为空,聚类准则,一般,b1,，,b,越大，分类越模糊，当,b,1,时为硬分类,三、模糊聚类法,给出初始划分,A,计算聚类中心,V,i,计算新的分类矩阵,A,*,分类,N,Y,具体过程,四、树分类器,基本思想,首先计算所有类别间的距离，合并距离最近的两类形成一个新类；然后计算新类与其他类别之间的距离，重复前面的工作，直到最终所有类别都合并为一大类，形成整个树结构的根部,这种树结构反映了各地物的光谱特征的相似程度，因此这种树的形成，实质上是按光谱特征的相似程度由强到弱逐步合并的,类别,1,类别,2,类别,3,类别,4,其它,根节点,终端节点,四、树分类器,具体过程,选择类别样本,计算类别参数,定义类间距离,确定结点,确定结点判别函数,确定结点统计参数,分类,选择光谱特征子空间,合并为,1,类,Y,N,五、专家系统方法的应用,概念,是模式识别与人工智能技术相结合的产物。应用人工智能技术，运用遥感图像解译专家的经验和方法，模拟遥感图像目视解译的具体思维过程，进行遥感图像解译。它使用人工智能语言描述某一领域的专家分析方法或经验，对对象的多种属性进行分析判断，确定事物的归属,组成,图像处理与特征提取子系统,知识获取系统,狭义的专家系统,五、专家系统方法的应用,知识获,取界面,地理名词,数据字典,完整性一致性检查,框架产生器,规则产生器,图像解译知识库,知识库管理,公共数据区,推理机,解释器,用户界面,图像处理,图形输入,图像几何精校正,图像分类,区域分割与特征提取,数据库管理,遥感数据库,遥感图像解译专家,CCT,数据磁带,地形图,查询,解释,属性数据,空间数据,联,合,式,遥,感,图,像,解,译,专,家,系,统,7,雷达遥感图像分类新方法,技术流程,新方法,对同物异谱、异物同谱、,混合像元解译的改进,农作物的精细分类,遥感估产面积的精确计算,灾害损失评估,土地利用分类,森林面积制图,等,SAR,图像分类技术,SAR,图像,预处理,SAR,信息提取,与特征选择,SAR,图像分类,算法与设计,具体应用研究,分层算法,改进的最大似然法,上下文分析法,神经网络分类法,散射系数,纹理信息提取,极化信息提取,干涉信息提取,多时相信息提取,其它辅助信息与特征,一、技术流程,二、新方法,采用新信息、新特征,多波段、多极化信息,极化雷达信息,干涉雷达信息,极化干涉信息,多时相信息,其它辅助信息,应用新理论,小波理论,分形理论,模糊理论,设计新的算法,分层算法,改进的最大似然算法,上下文分析法,人工神经网络分类,Thank you,！,