第八章遥感图像自动识别分类.ppt

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,*,第八章 遥感数字图像的计算机解译,本章要点,遥感图像分类的基础知识,特征变换与特征提取,监督分类和非监督分类,遥感图像解译专家系统,遥感图像的计算机分类，就是对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所相应的实际地物，提取所需地物信息的目的。,与遥感图像的目视判读技术相比较，它们的目的是一致的，但手段不同，目视判读是直接利用人类的自然识别智能，而计算机分类是利用计算机技术来人工模拟人类的识别功能。,遥感图像的计算机分类是模式识别中的一个方面，它的主要识别对象是遥感图像及各种变换之后的特征图像，识别目的是国土资源与环境的调查。,第八章 遥感数字图像的计算机解译,遥感图像的自动识别分类主要采用决策理论（或统计）方法，按照决策理论方法，需要从被识别的模式（即对象）中，提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。以区分具有不同特征的模式，达到分类的目的,第八章 遥感数字图像的计算机解译,8.1,、数字图像的基本知识,模式与模式识别,“模式”,通俗的含义是某种事物的标准形式。一个模式识别系统对被识别的模式作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较。若和字典中某一“词目”的比较结果是吻合或比较吻合，则我们就可以得出所需要的分类结果。,这一过程称为,模式识别,，对于模式识别来说，这一组测量值就是一种模式，不管这组测量值是不是属于几何或物理范畴的量值。,8.1,、数字图像的基本知识,模式与模式识别,8.1,、数字图像的基本知识,二 光谱特征空间和地物的聚类性质,遥感图像的光谱特征通常是以地物在多光谱图像上的亮度体现出来的，即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,同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量（,X,），称为光谱特征向量。即,X=x1 x2 x3,T,8.1,、数字图像的基本知识,二 光谱特征空间和地物的聚类性质,8.1,、数字图像的基本知识,特征点集群可以分为三种情况：,理想情况,不同类别地特的集群至少在一个特征子空间中的投影是完全可以相互区分开的。,典型情况,不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中可以完全区分的。这时可采用特征变换使之变成理想情况进行分类。,一般情况,无论在总的特征空间中，还是在任一子空间中，不同类别的集群之间总是存在重叠现象。这时重叠部分的特征点所对应的地物，在分类时总会出现不同程度的分类误差，这是遥感图像中最常见的情况。,8.1,、数字图像的基本知识,地物在特征空间的聚类通常是用特征点（或其相应的随机矢量）分布,的概率密度函数,P,（,X,）,来表示的。假设特征点的统计分布属于正态分,布，则其概率密度函数可表达为：,8.2,、特征变换及特征变换,遥感图像自动识别分类主要依据地物的光谱特性，现在的成像光谱仪的波段数更是达到数百之多，能够用于计算机自动分类的图像数据非常多。,虽然每一种图像数据都可能包含了一些可用于自动分类的信息，但是就某些指定的地物分类而言，并不是全部获得的图像数据都有用，如果不加区别地将大量原始图像直接用来分类，不仅数据量太大，计算复杂，而且分类的效果也不一定好,特征变换,：,将原有的,m,量值集合通过某种变换，然后产生,n,个（,nm,）特征,特征变换的作用,：,一方面减少特征之间的相关性，使得用尽可能,少的特征来最大限度地包含所有原始数据的信,息；,另一方面,:,使得待分类别之间的差异在变换后,的特征中更明显，从而改善分类效果,8.2,、特征变换及特征变换,特征选择,：,从原有的,m,个测量值集合中，按某一准则选择出,n,个特征,特征变换的作用,：,一方面,减少参加分类的特征图像的数目,另一方面,从原始信息中抽取能更好进行分类的特,征图像,8.2,、特征变换及特征变换,特征变换,主分量变换,主分量变换也称为,KL,变换，也是一种线性变换，是就,均方误差最小来说的最佳正交变换；是在统计特征基础,上的线性变换,目的：,KL,变换能够把原来多个波段中的有用信息尽量集中到数目尽可能少的特征图像组中去，达到数据压缩的目的；同时，,KL,变换还能够使新的特征图像之间互不相关，也就是使新的特征图像包含的信息内容不重叠，增加类别的可分性。,8.2,、特征变换及特征变换,特征变换,主分量变换步骤：,（,1,）计算多光谱图像的均值向量,M,和协方差矩阵,C,。,（,2,）计算矩阵,C,的特征值,r,和特征向量,r,，（,r=1,，,2,，,M,）,M,为多光谱图像的波段数。,（,3,）将特征值,r,按由大到小的次序排列，即,12,m,.,（,4,）选择前几个特征值对应的几个特征向量构造变换矩阵,n,.,（,5,）根据,nX,进行变换，得到的新特征影像就是变换的结果，,X,为多光谱图像的一个光谱特征矢量。,8.2,、特征变换及特征变换,特征变换,主分量变换,8.2,、特征变换及特征变换,特征变换,主分量变换,主分量变换具有以下两个好的性质：,（,1,）变换后的矢量,Y,的协方差矩阵是对角阵，对角矩阵表明新特征矢量之间彼此不相关。,（,2,）经过主分量变换后得到几个变量，可以证明此时具有的均方误差在所有正交变换中是最小的。由于,nm,这样就比较少的变量代替了原来的几个变量，实现了数据压缩。,8.2,、特征变换及特征变换,8.2,、特征变换及特征变换,特征变换,主分量变换,光谱波段,方差,占总信息量,%,主分量结构轴,方差,占总信息量,%,4,74.212.6,1,533.3,94.1,5,249.9,42.5,2,29.9,5.1,6,219.5,37.3,3,3.7,0.6,7,44.5,7.6,4,1.2,0.2,8.2,、特征变换及特征变换,特征变换,2,哈达玛变换,哈达玛变换是利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域,变换。哈达玛矩阵为一个对称的正交矩阵，其变换核为,8.2,、特征变换及特征变换,特征变换,2,哈达玛变换,由哈达玛变换核可知，哈达玛变换实际是将坐标轴旋转,了,45,的正交变换,8.2,、特征变换及特征变换,特征变换,2,哈达玛变换,8.2,、特征变换及特征变换,特征变换,3,穂帽变换,穗帽变换又称,K-T,变换，由,Kauth,Thomas,研究后提出,的。它也是一种线性特征变换。在,MSS,图像中，土壤类,地物各波段亮度值的比值相对地不受太阳入射角，大气,朦翳或土壤类型的变化影响，这就意味着土壤在特征空,间（光谱空间）的集群，随亮度的变化趋势沿从坐标原,点出发的同一根辐射线方向上出现,8.2,、特征变换及特征变换,特征变换,3,穂帽变换,若把土壤和植被的混合集群投影到,MSS5,和,MSS6,波段,图像所组成的特征子空间中，形成一个近似的帽状三角,形，见图。土壤亮度变化轴（上面讲的辐射线）,ISB,为穗帽的底边，帽上面各部分反映了植物生长变化状,况，植物株冠的绿色发展到顶点（最旺盛时在帽顶）以后逐渐枯黄，枯黄过程是从帽顶沿着一些称为帽穗的路,径回归到土壤底线（因此有穗帽之称）,8.2,、特征变换及特征变换,特征变换,3,穂帽变换,8.2,、特征变换及特征变换,特征变换,4,比值变换,比值变换图像用作分类有许多优点，它可以增强土壤，植被，水之间的辐射差别，压抑地形坡度和方向引起的辐射量变化。由于地形的影响，一般情况下各种地物光谱反射率,i,乘上一个相近的因子,当使用比值变换时，,R12=x1/x2=1/2=1/2,8.2,、特征变换及特征变换,特征变换,5,生物量指标变换,8.2,、特征变换及特征变换,特征变换,5,生物量指标变换,8.2,、特征变换及特征变换,特征选择,在遥感图像自动分类过程中，不仅使用原始遥感图像进,行分类，还使用如上节所述多种特征变换之后的影像。,我们总希望能用最少的影像数据最好地进行分类。这样,就需在这些特征影像中，选择一组最佳的特征影像进行,分类，这就称为,特征选择,。,8.2,、特征变换及特征变换,特征选择,1,距离测度,距离是最基本的类别可分性测度，如果所选择的一组特,征能使感兴趣类别的类内距离最小，而与其它类别的类,间距离最大，那么根据距离测度；用这组特征设计的分,类器分类效果最好,8.2,、特征变换及特征变换,特征选择,2,散布矩阵测度,表示模式类别在特征空间中的散布情况,1,）类内散布矩阵：,类内散布矩阵表示属于某一类别的模式在其均值周围的,散布情况,8.2,、特征变换及特征变换,特征选择,散布矩阵测度,2,）类间散布矩阵：,类间散布矩阵表示了不同类别间相互散布的程度,8.2,、特征变换及特征变换,特征选择,散布矩阵测度,3,）总体散布矩阵：,类间散布矩阵表示了不同类别间相互散布的程度,1,分类原理,2,图像分类的方法,监督分类及其过程,非监督分类及其过程,3,图像分类的具体方法,非监督分类：,ISODATA,迭代自组织数据分析算法,监督分类：,平行管道分类、,最小距离分类、,最大似然分类、,马氏距离分类、,神经网络分类方法、,光谱角分类、,二值编码分类,4,分类精度的评价,分类评价的方法,提高分类精度的方法,8.3,、监督分类和非监督分类,8.3.1,分类原理,分类原理,遥感图像分类的主要依据是地物的光谱特征,，即地物的辐射亮度值，这些亮度值就是遥感图像分类的原始特征变量。,不同地物具有不同的光谱特征,，同类地物具有相同或相似的光谱特征。图像分类就是依据遥感图像像素光谱特征的相似性来划分种类的过程。,就某些特定地物的分类而言，多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及,K-T,变换等），以寻找能有效描述地物类别的特征变量，然后利用这些特征变量对数字图像进行分类。,图像分类的基本原理,遥感数字图像分类的依据就是数字图像中反映的同类地物的光谱相似性和异类地物的光谱差异性。,8.3.2,图像分类的方法,监督分类法：,首先需要从研究区域选取代表各类别的已知样本作为训练场地（训练区）。根据已知训练区提供的样本，在样本上选择提取特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。,非监督分类法,：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法。,监督分类法,监督分类（,supervised classification,）,:,通过选择代表各类别的已知样本，即训练区，事先取得各类别的特征参数，确定判别函数，从而进行分类。,在监督分类中，要先定义信息类，然后检验它们的光谱可分性。即首先利用训练区样本建立图像分类的判别函数，然后再把待分像元带入到判别函数进行判别。,定义信息类,检验待分像元的光谱信息的归类,训练区是图像上已知覆盖类型的代表样区，具有描述主要特征类型的光谱属性；,训练区所包含的样本在种类上要与待分区域的类别一致。训练样本应在各类目标地物面积较大的中心选取，这样才能体现代表性。,训练样本的选取应能够提供各类足够的信息和克服各种偶然因素的影响。训练区的数目最少要满足建立判别函数的要求。,样本选择要具有完整性、代表型，选择多个样区，分布均匀。,训练区选择的精度直接影像分类结果。,监督分类对训练区选择的要求,训,练,区,的,选,择,分,类,结,果,监督分类的过程,分类预处理：,大气校正、几何校正与配准,特征选择（提取）：,波段比较多的时候，可以通过图像处理来提取特征,分类,（监督分类训练区的选择）,分类后处理,，包括精度评价,专题图的制作,原始图像,分类图像,专题制图,非监督分类法,在非监督分类中，先确定光谱可分的类别，然后定义它们的信息类别。,非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别，即“物以类聚”。它们的目的使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。,非监督分类,（,unsupervised classification,）,:,根据事先指定的某一准则，进行计算机自动判别归类的方法。不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。,非监督分类,432,假彩色合成图像（香港九龙）,聚类结果（,10,类）,最终结果（类别颜色改变）,聚类结果合并（,5,类）,8.3.3,图像分类的具体方法,1,非监督分类的具体方法,最常用的方法：迭代自组织数据分析技术,ISODATA,（,ISODATA,，,Iteractive,Self-Organizing Data Analysis Technique,）,在初始设定基础上，在分类过程中根据一定原则不断重新计算类别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条件，分类完毕。,非监督分类的基本过程,确定最初类别数和类别中心（任意的，随机的）；,计算每个像元对应的特征矢量与各聚类中心的距离；,选与其中心距离最近的类别作为这一矢量（像元）的所属类别；,计算新的类别均值向量；,比较新的类别均值与原中心位置的变化，形成新的聚类中心；重复,2,，反复迭代；,如聚类中心不再变化，停止计算。,8.3.3,图像分类的具体方法,1,非监督分类的具体方法,聚类过程：类别中心的变化,聚类过程：类别中心的变化,2,监督分类的具体方法,平行管道分类,最小距离分类,最大似然分类,马氏距离分类,神经网络分类方法,光谱角分类,二值编码分类,平行管道分类,使用简单的分类规则进行多光谱遥感图像的分类；,决策线在,n,维光谱空间中是一个平行的管道；,管道的直径根据距离平均值的标准差确定；,如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中；,如果落在多个类中，则将这个像元划分到最匹配的类别中；,落不到任何管道中，则识别为未分类像元。,平行管道分类,训练样本的分布（不同的训练样本代表不同的特征，不同的分布）,非样本像元的落位,最小距离法分类,一种相对简化了的分类方法。前提是假设图像中各类地物光谱信息呈多元正态分布；,假设,N,维空间存在M,个类别，某一像元距哪类,距离,最小，则判归该类；,通过训练样本事先确定类别数、类别中心，然后进行分类。分类的精度取决于训练样本的准确与否。,最小距离法分类,每一类别中的“”代表这一类别的中心向量,最大似然法分类,类的概率分布计算,最大似然法分类,概率等值线，落到哪一类等值线上，就属于哪一类,训练区的选择,训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获取的信息的价值；,用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中光谱类别的所有组成；,代表性、完整性；,分布：多个样区,4,分类精度的评价,1,）分类精度评价的方法,图像分类精度评价是分类过程中不可或缺的组成部分。分类精度的评价通常是用分类图与标准数据（图件或地面实测值）进行比较，以正确的百分比来表示精度。,方法：,非位置精度：以一个简单的数值，如面积、像元数目等表示分类精度，未考虑位置因素，所获得的精度值偏高。,位置精度：将分类的类别与其所在的空间位置进行统一检查。目前普遍采用,混淆矩阵方法,。,混淆矩阵,混淆矩阵：用图件或某些实测值（样本）,混淆矩阵中，,对角线上元素为被正确分类的样本数目,，非对角线上的元素为被混分的样本数。实际类型（地面实况数据，,ground truth data,）指地表实测值或标准数据或图件上对应的抽样样本，,行,总数代表分类数据各样的抽样样本数目总和，,列,总数代表实际类型的各类抽样样本数据总和。,表示分类精度的几个概念,生产者精度（,producers accuracy,）,某类中正确分类的像元数除以参考数据中所有该类的像元数（列方向）,用户精度（,users accuracy,）,某类中正确分类的像元数除以所有的被分为该类的像元数（行方向）,总体精度（,overall accuracy,）,对角线上所有样本的像元数（正确分类的像元数）除以所有像元素，只考虑混淆矩阵中沿对角线方向的数据，而忽略了非对角线方向的数据,8.4,、遥感图像专家解译系统,专家系统：把某一特定领域的专家知识与经验形式化后输入到计算机中，由计算机模仿专家思考问题与解决问题，是代替专家解决专业问题的技术系统。,遥感图像解译专家系统的组成,图像处理与特征提取子系统,遥感图像解译知识获取子系统,遥感图像解译专家系统的机理,计算机解译的主要技术发展趋势,8.4,、遥感图像专家解译系统,一、遥感图像解译专家系统的组成,1,、,图像处理与特征提取子系统：,包括图像处理、地形图数字化、精纠正、特征提取，结果存贮在遥感数据库内。,2,、,遥感图像解译知识获取系统：,获取遥感图像解译专家知识，并把专家知识形式化表示，存贮在知识库中。,3,、,狭义的遥感图像解译专家系统。,8.4,、遥感图像专家解译系统,二、图像处理与特征提取子系统,1,、图像处理：,图像滤波可消除图像的噪声；,图像增强可突出目标物体与背景的差异；,大气纠正可消除大气散射、雾霁等影响；,几何精校正后的数字影像可与专题图精确复合；,2,、分类与特征提取子系统,从图像中抽取光谱特征、图像特征和空间特征，为专家系统进行推理、判断及分析提供依据。,8.4,、遥感图像专家解译系统,三、遥感图像解译知识获取子系统,1,、遥感图像解译知识获取系统的主要功能是知识获取,.,2,、知识获取有三个层次,:,增加遥感解译新知识,发现原有错误知识,修改或补充新知识,根据解译结果,自动总结经验，修改错误知识,增加新知识,.,4,、遥感图像解译描述性知识可以采用框架式方法表示,框架知识表示方法的特点,5,、过程性知识采用产生式规则知识表示方法,产生式规则的特点,8.4,、遥感图像专家解译系统,四、遥感图像解译专家系统的机理,1,、遥感图像数据库包括遥感图像数据和每个地物单元的不同特征，由数据管理系统管理。,2,、解译知识库包括专家解译知识和背景知识，由知识库管理系统管理。,3,、推理机采用正向推理和反向推理相结合的方式进行遥感图像解译。,推理机具有两种运行形式,咨询式：用户和系统进行人机对话，解译系统根据用户提供的区域信息和任务要求，完成遥感图像解译。,隐蔽式：解译过程中图像数据同解译知识的结合在专家系统内部进行。数据的传递、知识的调用都在系统内部独立完成,8.4,、遥感图像专家解译系统,五、计算机解译的主要技术发展趋势,1,、抽取遥感图像多种特征,对高分辨率卫星图像的自动解译来说，一般分别对目标地物采用地、中、高三个层次进行特征抽取和表达。,低层次的对象是像素，每个像素对应的 数值是该地物波谱特征的表征；,中层次主要抽取和描述目标的形态、纹理等空间特征；,高层次主要抽取和描述识别目标与相邻地物之间的空间关系。,8.4,、遥感图像专家解译系统,五、计算机解译的主要技术发展趋势,2,、逐步完成,GIS,各种专题数据库的建设，利用,GIS,数据减少自动解译中的不确定性,GIS,数据库在计算机自动解译中发挥以下重要作用：,（,1,）,对遥感图像进行辐射校正，消除或降低地形差异的影响；,（,2,）作为解译的直接证据，增加遥感图像的信息量；,（,3,）作为解译的辅助证据，减少自动解译中的不确定性；,（,4,）作为解译结果的检验数据，降低误判率。,8.4,、遥感图像专家解译系统,五、计算机解译的主要技术发展趋势,3,、建立适用于遥感图像自动解译的专家系统，提高自动解译的灵活性,需要从以下两方面开展工作：,建立解译知识库和背景知识库。,解译知识库是遥感图像解译认识和经验经形式化后记录在贮存 介质上的。背景知识库是有关遥感解译背景知识与经验的集合，以地学知识为主。,根据遥感图像解译的特点来构造专家系统。,8.4,、遥感图像专家解译系统,五、计算机解译的主要技术发展趋势,4,、模式识别与专家系统相结合,既可以发挥图像解译专家知识的指导作用，在一定程度上为模式识别提供经验性的知识，又可以利用数字遥感图像本身提供的特征，有助于提高计算机解译的灵活性。,8.4,、遥感图像专家解译系统,五、计算机解译的主要技术发展趋势,5,、计算机解译新方法的应用,（,1,）人工神经网络,(,Artificial Neural Networks),在遥感图像识别中的应用。,（,2,）,小波分析在遥感图像识别中的应用。,（,3,）分形技术在遥感图像识别中的应用。,（,4,）模糊分类方法遥感图像识别中的应用。,