资源描述
,监督分类,,又称训练分类法,即用被确认类别样本像元去识别其它未知类别像元过程。已被确认类别样本像元是指那些位于训练区像元。在这种分类中,分析者在图像上对每一个类别选取一定数量训练区,计算机计算每种训练样区统计或其它信息每个像元和训练样本作比较,按照不一样规则将其划分到和其最相同样本类。,非监督分类,,也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相同光谱集群组过程。非监督分类不需要人工选择训练样本,仅需极少人工输入计算机按一定规则自动地依据像无光谱或空间等特征组成集群组,然后分析者将每个组和参考数据比较,将其划分到某一类别中去。,遥感影像分类,第1页,含糊分类,:,前面讲到各种分类方法都是假设每个像元只能被归入一个类型中像元和类型之间只能是一对一关系。但在实际上,因为遥感图像分辨率及其它原因影响,图像中像元所对应地面实体并不只是一个类别,面是二个或二个以上类别混合体。,含糊分类就是允许依据其混合类型百分比将一个像元归到几个类型。假如一个像元,50,是草地、,20,是房屋、,30,是道路则在含糊分类中,这个像元属于这三种类型成份分别为,0.5,、,0.2,和,0.3,。,算法包含两个主要步骤,:,对来自含糊训练数据含糊参数预计,;,对光谱空间含糊划分。这能够判别混合象元中各组分覆盖类型不完全隶属性以及产生更准确统计参数,从而到达更高分类精度。,遥感影像分类,第2页,空间结构纹理分类,:,单纯光谱分类器只考虑图像光谱特征,但在实际景观中,因为地物是含有一定空间结构特征,如城市居住区多是由树木、草地、道路、房屋顶、停车地等组成。所以在分类中,利用其空间特征纹理差异能够比较轻易地域分不一样类型,而单纯亮度信息则不一定能很好地域分不一样类型。,空间结构分类器主要是利用一些测量空间纹理结构函数得到新层。普通这些函数都是利用一定窗口测量像元和其周围像元之间关系,比如说在,5x 5,窗口内像元之间方差、空间相关系数等,将这些层加到原始图像光谱层中从而对混合图像进行分类。,纹,理特征:中值,(Mean),协方差,(Variance),同质性(或称为逆差距),(Homogeneity),反差,(Contrast),差异性,(Dissimilarity),熵,(Entropy),二阶距,(Angular Second Moment),自相关,(Correlation),。,遥感影像分类,第3页,用于分类辅助数据,:,辅助数据是指用于帮助因像分析和分类非图像信息,包含航空像片、地图、备类专题图、野外考查、汇报等。在数字化图像分析中,辅助数据通常是被转化成数字化格式,如,GIs,中各种地形图、土壤图、植被图等。,数字化辅助数据普通有两种使用方式,一是将辅助层简单地加到图像现有光谱数据中、将辅助层看成是另一个单一图像波段,并将这种复合图像进行监督或非监督分类;二是使用分层分类策略,将光谱图像先进行分类,然后利用辅助数据将其分成几个层将每个层按照一定规则重新分类或者准确化初始分类结果。这种方法能够依据辅助数据将所研究重点类别或者难以分类类别孤立出来,允许复杂分类算法有效地利用于这些类别中,从而提升分类精度。,遥感影像分类,第4页,用于分类辅助数据,:,利用辅助数据一个主要障碍是辅助数据和遥感数据之间不匹配。,因为多数辅助数据并不是用来为遥感数据应用服务,所以其数字化辅助数据对应百分比尺、分辨率、时间、精度以及统计格式极少和遥感图像相匹配。当其应用于遥感图像分类时,有时必须对其进行预处理,以确保其和图像之间物理匹配。,另外,哪种辅助数据也成为一个主要决议问题。,比如对于山区植物分类,其地形高度、坡度和坡向是一些有用辅助信息,帮助确定植被类型。但在其它分类中,地形可能就不是一个关键原因。即使有些人提倡尽可能多利用全部相关辅助数据,但考虑到其中时间和其它代价,这种提议显然并不是最好。仔细地选择和决定主要辅助数据应该是必需。,遥感影像分类,第5页,分类精度评价,方法,精度评价最好是比较两幅图像中每个像元之间一致性。但在多数情况下,我们极难取得一整幅准确参考图,所以大多数精度评价都是对图像采样一部分像元进行评价,其参考类别能够经过野外考查、更详细航空像片,或者其它起源分类图上得到。通常把训练样本分为两部分,一部分用于分类,另一部分用于精度评价。,1,采样方法,采样设计应该采取概率采样以确保样本代表性和有效性,使利用样本预计总体参数建立在可靠基础之上。,精度评价中有不一样采样方法,惯用概率采样方法包含简单随机采样、分层采样、聚点式集群采样以及系统采样等。不一样采样方法所采取参数预计详细形式和计算公式不一样,它们各含有一定优缺点。详细采取哪种方法,应考虑分类系统对应用目标影响,依据精度评价目标而定。,遥感影像分类,第6页,1,采样方法,1),简单随机采样,即在分类图上随机地选择一定数量像元,然后比较这些像元类别和其标准,(,或实际,),类别之间一致性。应用此设计,全部样本空间中单元被选中概率都是相同。在此基础上所计算出相关总体参数预计也是无偏。假如所研究区域内各种类型分布均匀,且面积差异不大,则简单随机采样应给予优先考虑。相反,假如地域内类型空间分布不均匀,或出现空间上稀少并群集类型,采取简单随机采样就有可能遗漏这些类型,或抽取不到足够数量样本。,2),分层采样,当图像中一些类别占数量很小时,随机采样往往会丢掉这些类别。为了确保每个类别都能在采样中出现,能够用分层采样即分别对每个类别进行随机采样。分层采样往往是为确保在采样空间或类型选取上均匀性及代表性所采取方法。如没有特殊需要,随机采样可取得很好样本。但在野外调查或采样时有可能碰到一些困难,如是否能抵达采样地点等;如在层内采取系统采样往往也可取得区域中具代表性样本,且较轻易进行野外作。,遥感影像分类,第7页,1,采样方法,3),聚点采样,聚点采样也是一个经常采取较为经济采样方法。聚点采样往往先在样本空间内抽取一定数量主样本(每个主样本能够是一个多边形、一平方公里范围或一张航空像片等),然后在每一个,主,样本内再,抽,取若,干,个二级样本作为地面实地考查对象。比如在每个多边形或每张航片之内抽取一定数量样本。这种采样方式能够在有限空间范围内取得更多样本,以利于野外调查和样本数据搜集,。,采样数量:用于精度评价像无数量通常难以统一决定。不过对每个类别应有一定数量确保,提议精度评价每个类别最少有,50,个像元;当区域很大或者分类类别较多时,每类最小数量应增加到,75,一,100,个;当然这个数量需要依据每个类别各占多少而有所调整。,遥感影像分类,第8页,2,误差矩阵与精度预计量,遥感影像分类,第9页,2,误差矩阵与精度预计量,遥感影像分类,第10页,2,误差矩阵与精度预计量,遥感影像分类,第11页,遥感影像分类,第12页,遥感影像分类,第13页,混合像元分解,一、概念,二、惯用混合像元分解模型,三、线性光谱混合模型,四、应用实例,遥感影像分类,第14页,遥感器所获取地面反射或发射光谱信号是以像元为单位统计。它是嫁元所对应地表物质光谱信号综合。图像中每个像元所对应地表,往往包含不一样覆盖类型,它们有着不一样光谱响应特征。若该像元仅包含一个类型,则为纯像元,(pure pixel),,它所统计正是该类型光谱响应特征或光谱信号;,若该像元包含不止一个土地覆盖类型,则称为混合像元(,mixed pixel),,它统计是所对应不一样土地覆盖类型光谱响应特征综合。,如;野外测得值物光谱多为植物及其下垫面土壤混合光谱,(,往往还包含有阴影,),,即使裸露地表,(,无植被或少植被覆盖,),也是不一样类型土壤、矿物质等混合光谱。,一 概念,遥感影像分类,第15页,为了提升遥感应用精度,就必须处理混合像元分解问题,使遥感应用由像元级到达亚像元级,进入像冗内部,将混合像元分解为不一样“基本组分单元”或称“终端单元”,(end member),,并求得这些基本组分所占百分比。这就是所谓混合像元分解”过程。,一 概念,遥感影像分类,第16页,二、惯用混合像元分解模型,线性光谱混合模型,几何光学模型,随机几何模型,概率模型,含糊模型,神经网络模型,遥感影像分类,第17页,表,1,三种混合像元分解模型比较,二、惯用混合像元分解模型,遥感影像分类,第18页,这些模型中,除几何光学模型和随机几何模型不适合于土地覆盖类型混合像元分解,其它模型均可用于土地覆盖研究。比较而言,,线性光谱混合模型,是建立在像元内相同地物都有一样光谱特征以及植被指数线性可加性基础上,其物理含义明确,理论上有很好科学性,对于处理像元内混合现象有一定效果,且操作运算较简单、便利,因而被广泛应用。,二、惯用混合像元分解模型,遥感影像分类,第19页,定义:像元光谱亮度值是由组成像元基本组分或称为端元(,endmember,)光谱亮度值以其所占像元面积百分比为系数线性组合,可用下式表示:,:,第,i,像元在,波段上光谱反射值,:,第,k,个基本组分在,波段光谱反射值。,:第,波段第,i,像元对应误差值。,:,i,像元中第,k,个组分所占分量,:,均方根误差图像,(,1,),1,、线性混合光谱模型定义,三、线性光谱混合模型,遥感影像分类,第20页,(,1,),Endmember,类型确实定 (,2,),Endmember,代表值,(,3,)最正确波段选择,2,、关键问题,三、线性光谱混合模型,遥感影像分类,第21页,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,通,道,光谱范围,119nm通道,2036,m通道,信噪比,NE,T,主要用途,分辨率,(m),1,620670,128,陆地、云边界,250,2,841876,201,250,3,459479,243,陆地、云特征,500,4,545565,228,500,5,12301250,74,500,6,16281652,275,500,7,21052135,110,500,8,405420,880,海洋水色、,浮游植物、,生物地理、,化学,同上,1000,9,438448,8380,1000,10,483493,802,1000,11,526536,754,1000,12,546556,750,1000,13,662672,910,1000,14,673683,1087,1000,15,743753,586,1000,16,862877,516,1000,17,890920,167,大气水汽,1000,18,931941,57,1000,19,915965,250,1000,20,3.6603.840,0.05,地球表面和云顶温度,1000,21,3.9293.989,2.00,1000,22,3.9293.989,0.07,1000,23,4.0204.080,0.07,同上,1000,24,4.4434.498,0.25,大气温度,1000,25,4.4824.549,0.25,1000,26,1.3601.390,1504,卷云、水气,1000,27,6.5356.895,0.25,1000,28,7.1757.475,0.25,1000,29,8.4008.700,0.05,1000,30,9.5809.880,0.25,臭氧,1000,31,10.78011.280,0.05,地球表面和云顶温度,1000,32,11.77012.270,0.05,1000,33,13.18513.485,0.25,云顶高度,1000,34,13.48513.785,0.25,1000,35,13.78514.085,0.25,1000,36,14.08514.385,0.35,1000,MODIS,是当前世界上新一代“图谱合一”光学遥感仪器,含有,36,个光谱通道,分布在,0.4,14,m,电磁波谱范围内,波谱范围和主要用途如表,4.1,所表示。,MODIS,空间分辨率分别为,250m,,,500m,和,1000m,,扫描宽度为,2330km,,在对地观察过程中,每秒可同时取得,6.1Mb,来自大气、海洋和陆地表面信息。多波段数据能够同时提供反应陆地、云边界、云特征、海洋水色、浮游植物、生物地理、化学、大气水汽、地表温度、云顶温度、大气温度、臭氧和云顶高度等特征信息,用于地表、生物圈、固体地球、大气和海洋进行长久观察,遥感影像分类,第22页,表,2,各种端元提取算法比较,1.1,提取端元方法:,1,、提取端元:,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,PPI,分析是当前应用比较广泛,而且比较成功方法,主要缺点是含有监督性,需要操作人员具备丰富先验知识,类别确定困难。,遥感影像分类,第23页,PPI,认为图像数据集合是在,N,维空间中形成一个凸集,像素向量是在,N,维空间上矢量。首先经过最小化噪声方法(,MNF),对数据进行降维,接着生成大量穿过数据集合内部随机测试向量,然后将光谱点分别往各个测试向量上投影,投影结果,用一个确定门限选出在这个方向上极值点,如图,(,在这里举是二维空间例子,),。伴随向量方向不停改变,统计下列图像中每个像素作为极值点次数,最终认定出现频率最高点就是我们要找纯点。,图,2 PPI,示意图,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,1.1,提取端元方法:,遥感影像分类,第24页,MNF(,最小噪声分离,),变换对数据进行降维,它是同主分量变换相同一个方法,它被用来分离数据中噪声,确定数据内在维数,降低随即处理计算量。,图,3 MNF,变换图,从波段能量改变直方图,也能够看出,,1,波段到,2,波段能量改变是最快,,2,到,3,、,3,到,4,次之,,4,到,5,到,6,,能量改变最缓,而后面几个波段能量值也很小,所能利用信息较少,噪声较多。,1.2 MNF,变换:,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,遥感影像分类,第25页,图,5,端元反射光谱曲线图,图,4,端元散点图,1.3 PPI,提取端元:,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,遥感影像分类,第26页,同时,在积雪分量图沿东西方向做一剖面,见积雪分量图中东西向红线,得到积雪盖度剖面图,该图中显示左侧积雪盖度小,右侧积雪盖度大,约在,90%,以上。,2,应用线性光谱模型计算雪盖系数(,FR,):,图,6,积雪分量图,图,7,假彩色合成图,图,8,水平剖面图,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,遥感影像分类,第27页,归一化差分积雪指数,(NDSI),是基于雪对可见光与短波红外波段反射特征和反射差相对大小一个测量方法。,NDSI,类似于归一化植被指数,(NDVI),,对大范围光照条件不敏感,对大气作用可使其局地归一化而且不依赖于单通道反射,,是当前,MODIS,监测积雪通用方法,,其基本运算以下,:,NDSI=,(,CH4-CH6,),/,(,CH4+CH6,),判断:,NDSI0.4 CH4,反射率,10%,3,、雪盖指数介绍:,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,遥感影像分类,第28页,遥感影像分类,第29页,混合像元分解法与,NDSI,相比,计算过程非常复杂,,需要大量时间。,可将雪盖指数法与混合像元分解法结合起来,,探讨雪盖系数,(snow fractional),与雪盖指数关系,深入探索雪盖指数是否能作为,MODIS 250m,一个像元中积雪百分比标准,也就是,用雪盖指数值大小来判断一个像元中积雪所占百分比,提升雪盖指数监测积雪精度。,4,、,雪盖指数(,NDSI,)与雪盖系数(,SF),关系,:,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,遥感影像分类,第30页,SF=0.94*NDSI+0.21,R=0.97,图,9,雪盖指数与雪盖系数散点图,4,、,雪盖指数(,NDSI,)与雪盖系数(,SF),关系,:,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,遥感影像分类,第31页,年,11,月至,年,3,月期间,在研究区选取了,20,处靶区,进行了准确,GPS,定位,测量了积雪覆盖度,计算出对应点雪盖指数,并带入公式中计算出雪盖系数,将二者进行对比,遥感计算所得结果与地面实测数据符合情况见下表:,图,10,野外实测点分布示意图,5,、,模型精度验证,:,四、应用实例:基于线性光谱混合模型积雪面积提取,-,以新疆北疆为例,遥感影像分类,第32页,表,3,雪盖系数误差分析表,25,个点绝对误差平均值是,0.06,,从上图中也能够看出,雪盖指数在,0.4,0.8,之间实测值与计算值吻合情况很好,而当雪盖指数大于和小于这两个值时,会出现一些误差,但误差均值能够符累计算要求。,遥感影像分类,第33页,四、应用实例(,2,):基于,MODIS,混合像元分解 冬小麦种植面积提取,遥感影像分类,第34页,大面积农作物种植面积遥感测量关键问题,所以,混合像元,准确,分解是,提升大尺度,农作物种植,面积,遥感测量,精度,关键所在,中高分辨率数据:测量精度高,但数据价格较贵、获取困难,难以连续获取农作物季相改变信息,进行大尺度长久连续监测;,低分辨率数据:覆盖范围广,费用低廉,是我国当前大面积农作物种植面积遥感测量依赖数据源之一。但其像元普通表示都是混合像元信息,需要进行混合像元分解。,遥感影像分类,第35页,研究内容:,以,TM,数据为样本,研究,MODIS,影像上终端像元提取技术,并进行精度分析。,提取研究区,MODIS,影像植被指数时序数据,采取线性光谱混合模型,分别进行混合像元分解。,对冬小麦混合像元分解结果进行精度分析。,遥感影像分类,第36页,技术路线,图像预处理,辐射校正和配准,提取不一样,植被指数,终端像元提,取技术研究,RED,时,序,数,据,NIR,时,序,数,据,DVI,时,序,数,据,NDV,I,时,序,数,据,终端像元及类别,端元精度评价,混合像元分解,冬小麦空间分布信息和面积,精度验证,线性光谱,混合模型,Landsat TM,样本,MODIS,影像,遥感影像分类,第37页,终端像元提取技术,终端像元提取技术流程,初一直端像元及其类别确实定,终端像元,N,维可视化分析,终端像元提取结果精度分析,遥感影像分类,第38页,从光谱库中提取,从遥感影像上直接提取,从外部数据源获取,(,1,)终端像元提取技术流程,对线性光谱分解模型来说,终端像元确实定起着关键性作用。,遥感影像分类,第39页,从遥感影像上直接提取终端像元,PPI,分析是当前应用比较广泛,而且比较成功方法,主要缺点是含有监督性,需要操作人员具备丰富先验知识,类别确定困难。,考虑以更高分辨率,Landsat TM,数据为,样本数据,结合,MODIS,影像数据,PPI,分析结果以及其时间序列数据本身特点来处理单一,MODIS,尺度上获取终端像元困难问题,。,PPI,分析示意图,遥感影像分类,第40页,终端像元提取技术流程,监督分类,植被指数,时序曲线,象素积聚,物,候,特,征,光谱特征,终端像元范围,2,初一直端像元及其类别,N,维可视化,终端像元结果,Landsat TM,样本,MODIS,影像,终端像元范围,1,PPI,分析,MNF,变换,交集,遥感影像分类,第41页,(,2,)初一直端像元及其类别确实定,其中,为基于,PPI,分析终端像元范围,1,,为基于,TM,样本数据分类结果终端像元范围,2,,为,MODIS,图像上初一直端像元,其类别属性直接从,TM,样本分类结果继承。,遥感影像分类,第42页,基于,PPI,分析终端像元范围,E1,MNF,变换:判定图像数据内在维数,分离数据中存在噪声,PPI,分析:统计下列图像中每个像素作为极值点次数,遥感影像分类,第43页,基于,TM,分类终端像元范围,E2,TM,图像分类:监督分类,提取地物类型,象素积聚:将分类结果空间分辨率从,30,米转换到,250,米,提取比率为,100,像元,将其映射到对应,MODIS,像元,象素积聚示意图,遥感影像分类,第44页,(,3,),N,维可视化分析,(,a,)为基于,TM,数据提取终端像元,N,维可视化散点图;,(,b,)为基于,MODIS,影像,PPI,分析后提取终端像元,N,维可视化散点图;,遥感影像分类,第45页,(,4,)终端像元提取结果精度验证,野外测量验证,可分离性分析,应用,Jeffries-Matusita,距离和转换分离度对终端像元进行可分离性分析。,混合像元分解结果反演验证,遥感影像分类,第46页,基于,MODIS,时序数据混合像元分解,研究区概况,遥感数据起源及预处理,混合像元分解因子选择,终端像元确实定,混合像元分解结果,遥感影像分类,第47页,研究区地理位置图,(,1,)研究区概况,遥感影像分类,第48页,(,2,)遥感数据起源及预处理,TM,数据:,选取时相为,年,12,月,4,日,该时相上草地、树木等植被均处于枯萎状态,光谱信息近似于裸地状态,影像上绿色植被主要为冬小麦和极少许菜类作物(包含蔬菜、油菜等),适合冬小麦提取。,遥感影像分类,第49页,MODIS,为,年,11,月,-,年,6,月,数据,。依据影像质量,,采取通道合成方法,将,4,,,5,,,6,,,7,四个时间通道图像合成一个质量很好、可代表这个时段冬小麦生长情况图像。,遥感影像分类,第50页,(,3,)混合像元分解因子选择,输入因子,简称,计算公式,物理意义,红光波段,RED,对绿色植物强吸收,近红波段,NIR,对绿色植物高反射、透射,归一化植被指数,NDVI,植被生长状态及植被覆盖度最正确指示因子,差值植被指数,DVI,适适用于低中覆盖度植被检测,其中,NDVI,为非线性植被指数,,DVI,为线性植被指数,遥感影像分类,第51页,(,4,)终端像元确实定,序号,地物类型,详细地物类型,1,目标作物,冬小麦,2,非目标作物,油菜,大蒜,其它菜地,3,建筑用地,城镇用地,居民点,交通用地,4,裸地,休耕地,沙化地,未利用地,5,水体,水体,6,林地,林地,园地,终端像元类型,遥感影像分类,第52页,PPI,分析结果,基于,PPI,分析终端像元范围,遥感影像分类,第53页,RED,和,NIR,纯度指数图像在农作物区域被判定为纯像元像素较少,而,DVI,和,NDVI,纯度指数图像上判定为纯像元像素较多,说明,DVI,和,NDVI,突出了植被信息。,四种纯度指数图像在居民建筑用地域域判定为纯像元像素极少,这说明,PPI,分析会把建筑用地端元忽略掉,这种类型端元需要直接从下面,TM,分类结果得到。,遥感影像分类,第54页,基于,TM,分类终端像元范围,基于,TM,影像分类图和终端像元范围,遥感影像分类,第55页,对,TM,图像分类结果需进行野外调查精度验证,以确定结果可用性。,将两种终端像元范围进行叠加,取其交集作为初一直端像元,其类型属性继承自,TM,分类结果。其中建筑用地类型直接由,TM,得到。,遥感影像分类,第56页,(,4,)混合像元分解结果,以四种,MODIS,时间序列影像数据作为混合像元分解因子,分别输入线性光谱混合模型中,进行混和像元分解。,RMS,图像,小 麦,林 地,水 体,菜 地,建筑用地,裸 地,NDVI,终端像元组分图,遥感影像分类,第57页,不一样,MODIS,时序数据冬小麦覆盖度图,遥感影像分类,第58页,(,5,)不一样终端像元提取方法精度对比,数据类型,冬小麦面积,(平方公里),基于,TM,冬小麦面积(平方公里),总量,精度,像元,精度,RED,时间序列数据,1,3813.69,2880.63,67.6%,75.6%,2,3639.88,2880.63,73.7%,77.5%,3,2522.55,2880.63,87.6%,75.6%,NIR,时间序列数据,1,3488.70,2880.63,78.9%,78.4%,2,2642.93,2880.63,91.8%,81.5%,3,3155.07,2880.63,90.5%,81.3%,DVI,时间序列数据,1,3209.28,2880.63,88.6%,80.7%,2,3421.67,2880.63,81.2%,81.0%,3,3048.32,2880.63,94.2%,83.4%,NDVI,时间序列数据,1,3262.61,2880.63,86.7%,81.5%,2,3426.90,2880.63,81.1%,80.6%,3,3087.97,2880.63,92.9%,83.7%,其中,1,基于,PPI,分析,2,基于,TM,样本,3,基于本文应用技术方法,遥感影像分类,第59页,总量精度对比图,遥感影像分类,第60页,决议树分类,一、概念,二、分类步骤,三、应用实例,遥感影像分类,第61页,一、概念,决议树,(Decision Tree),顾名思义就是一个类似于流程图树型结构。一个决议树由一个根节点、一系列内部节点和分支以及若干个叶节点组成,每个内部节点只有一个父节点和两个或多个子节点。其中树每个内部节点代表一个决议过程中所要测试属性,;,每个分支代表测试一个结果,不一样属性值形成不一样分支,;,而每个叶节点就代表一个类别,即图像分类结果。树最高层节点称为根节点,是整个决议树开始。图,1,就是一棵用于遥感影像分类二叉决议分类器简单示意图。从中能够看到决议树基本组成部分,:,根节点、节点、分支和叶节点。,遥感影像分类,第62页,一、概念,决议树以其直观、清楚、计算效率高等特点受到遥感教授们青睐。尤其是,它在处理多维属性时,较传统遥感分类方法有了一定提升,它能利用除光谱特征以外其它属性,(,包含相关几何、纹理特征以及数字地形模型等背景信息,),在图像处理过程中确定各属性主要程度,从而能够提取必要属性进行分类。,遥感影像分类,第63页,二、分类步骤,输入遥感图像,确定图像待分区域中主要地物类型,;,统计训练区内各地物类型特征,包含光谱特征,每个地类信息各个波段统计分析,(,均值、方差、协方差等,),以及波段间各个地类之间可分性,;,还包含非光谱特征,:,各个地类几何信息,(,形状、大小等,),、高程信息、纹理信息等,;,依据步统计分析,确定可分性最大特征及波段,(,或波段组合,),作为根节点,选择分类器开始进行分类,;,对上一步得到每一个类别分别选择可分性相对较大特征及波段,(,或波段组合,),建立决议树一个内部节点,依据不一样属性值进行分类,;,重复步过程,递规形成每个划分上样本子决议树,直到出现以下情况之一,停顿递规,:,该节点上全部像元属性值相同或没有剩下属性能进行下一步划分或分支中没有样本,;,检验分类结果是否满足确定地物类型,假如不能满足要求,需要对决议树进行调整,如剪枝或增加节点,直到建立一棵正确决议树。,遥感影像分类,第64页,应用一、基于,TM,数据及决议树地物分类,试验选取数据是徐州市,1994,年卫星影像截取图像,大小为,338,列,332,行,波段,1,为,94TM,图像中,BAND5,、波段,2,为,BAND4,、波段,3,为,BAND3,。详细步骤为,:1),在图像中,依据地物、地貌色彩差异选择,4,个感兴趣区。经过对感兴趣区可分性计算,(,表,1),能够看出这,4,个区域之间可分性系数,Jeffried Matusita,和,Transformed Divergence,都大于,1.19,满足对感兴趣区选择要求。所以,能够将这些区域作为分类样本。,遥感影像分类,第65页,应用一、基于,TM,数据及决议树地物分类,遥感影像分类,第66页,确定分类系统,分类方法,分类特征分析与筛选,最优波段组合,选取训练样本,初始分类结果,波谱特征分析,基于决议树分类后处理,应用二、基于,SPOT,数据及决议树吐鲁番绿洲土地利用分类,分类流程,遥感影像分类,第67页,土地利用现实状况调查技术规程,将土地利用类型分为八大类别:耕地、园地、林地、牧草地、居民点及工矿用地、交通用地、水域、未利用土地。,分类系统,全国荒漠化普查地类划分表,遥感影像分类,第68页,分类系统,遥感影像分类,第69页,SPOT,原始波段、,K-L-1,、,K-L-2,、,DEM,、,SLOPE,、,NDVI,、,TC1,、,TC2,、,TC3,、,NDMI,、,MNF-1,共,14,个波段作为分类特征,.,土壤湿度特征选择湿度指数(,NDMI,)来表示,湿度指数,NDMI,已成功地应用到生态环境中对土壤湿度监测中。该指数依据短波红外波段,(,相当于,SPOT,Band4,波段,),受水吸收带影响,对湿度、含水量信息非常敏感,且绿波段,(,相当于,SPOT,Bandl,波段,1,对水体发射较高特点,选取这两个波段经标准化处理构建而成,表示式为:,NDMI=(Band1-Band4)/(Band1+Band4),分类特征,遥感影像分类,第70页,最小噪声分离变换(,MNF,变换),MNF(,最小噪声分离,),变换是同主分量变换相同一个方法,它被用来分离数据中噪声,确定数据内在维数,降低随即处理计算量。,MNF,实质上是两次层叠主成份变换。第一次变换(基于预计噪声协方差矩阵)用于分离和重新调整数据中噪声。第一步操作使变换后噪声数据只有最小方差而且没有波段间相关。第二步是对噪声白化数据,(noise-whitened),标准主成份变换。所以,它将数据空间分为两部分:一部分为大特征值和相干特征影像;另一部分为近似为,1,特征值和噪声占主导地位影像。最终,经过,MNF,变换数据,按最感兴趣到最不感兴趣次序排列出变换后波段,感兴趣信息处于前几个光谱波段中。,分类特征,最小噪音分离变换,遥感影像分类,第71页,基于类间可分性分类波段优化,伴随参加分类像元矢量特征维度增加,分类代价也会对应增加。所以,那些对光谱类别可分性贡献很小因而无助于分类识别特征在进行分类前应该被抛弃,这实际就是分类波段优化子集确实定问题。,当前,有各种分类特征筛选及优化方法,如波段间相关性比较、最正确指数法(,OIF,)、各波段数据信息熵和联合熵、协方差矩阵特征值法、波段指数法等。,进行分类波段选优通常能够依据,类间可分性,来进行考量。基于类间可分性方法首先选择各类样本,然后经过样本光谱值统计波段组合地类光谱距离,最终计算全部地类间距离平均值,并进行比较,平均距离值最大者,从总体说,地类间可区分性越好,则波段组合最正确。所以从这里能够看出,同一研究区,相同波段组合,因为不一样研究者选取训练区不一样,计算出平均可分性会不一样。惯用方法主要有,Euclidean,距离、离散度,(Divergence),、转置离散度,(Transformed Divergence),、,Jeffries,一,Matusita(JM),距离等。,遥感影像分类,第72页,基于类间可分性分类波段优化,在详细应用中应依据分类器不一样选择不一样方法。如最大似然法分类器,在分类时不但考虑了变量协方差矩阵,而且要求地类光谱显正态分布,所以,选择,Jeffries,一,Matusia(JM),法和转置离散度法进行特征影像组合选择。如采取分类器为最小距离法,则应采取,Euclidean,距离法。,遥感影像分类,第73页,SPOT,遥感影像原始波段、,K-L-1,、,T-C-1,、,T-C-2,、,T-C-3,和,DEM,组成,9,层组合分类效果最好。,基于类间可分性分类波段优化,表,3.4,不一样特征组合类别可分性,遥感影像分类,第74页,(,1,)耕地、园林地、盐漠、水体、白板地、沙漠六种地物分类效果很好,未与其它地物发生混同;,(,2,)城镇居民地与砾石、裸岩发生混同;,(,3,)盐碱地与荒地发生较严重混同,尤其是轻度盐碱地与荒地较难区分;,(,4,)草地因为植被盖度不一样与荒地发生混同。,初始分类结果,遥感影像分类,第75页,地物光谱特征曲线,决议树模型,遥感影像分类,第76页,遥感影像分类,第77页,城镇居民地与砾石和裸岩在,DEM,特征波段含有显著差异。城镇居民地主要分布于绿洲内部,地势较低。而砾石和裸岩主要分布于绿洲边缘及外围,地势相对较高。从表,3.5,能够看出,裸岩最大高程为,590.72m,,最小高程为,551.72m,,砾石最大高程,459.01m,,最小高程,0m,;而城镇居民地高程介于,-38.91140.38m,之间,因而经过设定阈值,将首次分类结果中裸岩和砾石高程小于,140.38m,地物分离出来,将其定义为城镇居民地,即可完成城镇居民地提取。,缨帽变换前三个分量分别反应土壤亮度、绿度和湿度特征。从表,3.5,能够看出,湿度分量,tc3,能够很好将草地与荒地域相分离。草地在,tc3,特征波段上值非常低,位于,-18-68m,之间,而荒地和盐碱地特征值均高于,-18,,将初始分类荒地和盐碱地中,tc3-18,像元提取出来,将其划分为草地。,最终一步就是荒地和盐碱地划分。荒地和盐碱在最小噪声分离指数,MNF,上差异较大,从表,3.5,能够看出,荒地在,MNF,特征波段分布范围为,-59.32-41.23,,而盐碱地分布范围为,-38.54-26.97,,以,-40,为阈值,能够将两种地物分离开来。,初始分类结果,遥感影像分类,第78页,决议树模型,遥感影像分类,第79页,分类结果,遥感影像分类,第80页,遥感影像分类,第81页,
展开阅读全文