遥感图像计算机自动识别ppt课件.ppt

1 遥感图像 计算机自动识别 2 判读： 对遥感图像上的各种特征进行综合分析、比较、推 理和判断，以提取出所感兴趣的信息。 F目视判读 F自动判读 F遥感图像自动判译专家系统 图像识别（判读）的本质是分类，分好类了，结合对 照地面类型便可对图像进行识别。 3 主要内容： 概念 基本原理 分类过程 概率统计的分类方法 4 遥感图像的计算机分类，是通过模式识别理 论，利用计算机将遥感图像中的像素自动分成 若干种地物类别的方法。是图像信息提取的重 要途径。 遥感数据 地物信息 土地覆盖/土地利用分类、森林类型、植被类型、岩性类型、 一、概念 5 当前多数计计算机图图像处处理系统统，均利用 图图像的光谱谱信息特征进进行统计识别统计识别 分类类 ，色调调信息是其依据，目视视解译译中的逻逻 辑辑推理法只有在能模拟拟人类对类对 信息的观观 察，分析及经过经过 大脑脑加工的条件下，才 能应应用与计计算机图图像识别识别 。 6 二、基本原理 l模式识别理论 模式：某种事物的标准形式。不同类别的事物具有不 同的模式；相同类别的事物模式相同或相近。 模式识别：对待识别识别 的模式做一系列的测量，并将 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“较吻 合”，则将待分类模式归为该类 。 模式识别系统 7 l遥感图像自动分类模式识别理论的应用 理论依据：不同的地物具有不同的光谱特征（数字图像 上的光谱谱差异性）；同类地物具有相同或相似的光谱特 征（数字图像上的光谱谱相似性）。 目标：给图像中的每个像元一个类别。 8 1、模式（Pattern）：即像元模式，指每个像元在多 波段图像中对应的一组值。 2、特征（Feature）：在多波段图像中，每个波段可 看作一个变量，称为特征变量。 波段： 光谱波段、派生波段（纹理、上下文关 系、波段比等）、辅助数据（非遥感数据，如 DEM、土壤类型等）。 遥感图像自动分类 9 3、特征空间：多个特征可构成多维特征空间。 每个像元对应对应 特征空间间中的一个点 图11-2 地物与光谱特征空间的关系 4、同类地物所对应像元在特征空间中呈点集群分布。一个点 群代表何类地物，可以通过和已知地物类别相比较的方法解 决；或通过实地抽样检查的方法来解决。 10 三维光谱特征空间 5、特征点集群在特征空间中的 分布： 理想情况：不同类别地物的集 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，但在总的特征空间中 是可以完全区分的。 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。 11 位置是一个点群的中心，计算图象灰 度的均值向量（即数学期望）； 范围计算图象灰度的标准差向量（或 协方差矩阵），即点群的离散程度； 边界应用判别函数（或边界函数） 鉴别图象像元的类别归属。 6、计算机分类时，只要能确定地物类别在特征空间中的位 置、范围和地物类别的边界就完成了分类的任务。 12 三、分类过程 预处理（大气校正、几何校正、配准） 特征选择（提取） 分类 后处理和精度评价 制作分类专题图 13 特征选择 （Feature Selection） 即在所有的特征影像中，选择一组最佳的用来分类的 特征影像的过程。 结合影像本身的特征，针对所希望 区分的类别问题进行选择。 用定量的方法选择： 距离测度 散布矩阵测度 类内散布矩阵 类间散布矩阵 总体散布矩阵 14 特征提取 （Feature Extraction） 将原有的m个测量值集合通过某种变换，产生n（小 于m）个相关性更弱的、使类别间差异更加明显的新 特征，从而改善分类的效果。 主分量变换 哈达马变换 穗帽变换 比值变换和生物量指标变换 15 遥感图像 16 自动分类结果 17 分类专题图 分类专题图 18 四、分类类方法 （一）监督分类-训练分类法 Supervised Classification 分析者在图像上对每一种类别选取一定数量的训练区，通过 所选择代表各类别的已知样本(训练区)的像元光谱特征，事先 取得各类别的参数，确定判别函数和相应的判别规则，从而 进行分类。 19 判别函数 描述某一未知类别的像元模式属于某个类别的情况的函数，如属 于某个类别的条件概率。不同的类别有各自不同的判别函数。 判别规则 对像元模式所属类别进行判断的依据。对某一未知类别的像元模式 计算出在各个不同类别的判别函数中的值后，就可用判别规则来判定 其所属类别。 分类基本思想 地物类别与特征空间中的区域相联系； 类别划分就相当于用合适的边界对特征空间进行区域划分； 判断像素的类型实际上是看其所对应的特征矢量落入特征空间的哪个区域。 20 1、最大似然法 基本思想：样区内的各类别集群在光谱特 征空间中的概率分布函数为先验已知，对于 样区外的任一未知像元，分别计算它落于各 类别区域内的概率，其概率值最大的相应类 别就是该像元应属的类别。 建立在贝叶斯准则的基础上，错分概率最 小的一种方法。 21 为 类出现的概率，先验概率； 为 类中出现的条件概率，似然概率； 为属于 类的后验概率。 概率判别函数： 某特征矢量落入某类集群 的条件概 率 。 根据贝叶斯准则，有： 贝叶斯判别规则： 若对于所有可能的1，2，m；（j不等于i） 有 ，则X属于 类。 22 类的概率分布计算： 假设同类地物在特征空间服从正态分布 23 24 2、最小距离法 基本思想是计算未知类别的特征矢量X到各 类别集群之间的距离，哪类离它最近，X就 属于哪类。 判别函数 判别规则 若对于所有的比较类j=1，2，m；（j不 等于i），有 ，则X属于第 类 。 25 距离判别函数 1、马氏距离 2、欧氏距离 3、计程距离 4、 26 27 3、平行管道法（盒式分类类法） 28 29 监督分类法主要步骤： （1）确定类别数 （2）特征变换和特征选择 （3）选择训练样区 （4）确定判别函数和判别规则 （5）根据判别函数和判别规则对非训练 样区的图像区域进行分类。 30 31 （二）非监监督分类类聚类类分析 Unsupervised Classification 不施加任何先验知识，仅凭遥感影像上地物 的光谱特征分布规律进行自然“聚类”。 分类结果只是对不同类别达到了区分，但并 不能确定类别的属性。 分类结束后，利用目视判读或实地调查等方 法确定类别属性。 集群分析 直接比较样本中各事物之间的性质，将性质相近的分在同一类， 而将性质差异比较大的分在不同类。 32 聚类算法 计算出像元之间的相似性矩阵，找出最高相关像元，形成集群 心 选择若干个模式点作为聚类的中心，每一中心代表一个类别； 按照某种相似性度量方法将各模式进行归类，形成初始分类； 由聚类准则判断初始分类是否合理，如果不合理就修改分类； 反复迭代，直到分类合理为止。 均值聚类法 ISODATA算法动态分析 平行管道法聚类分析（基于最邻近规则探测法 ） 分级集群法 33 ISODATA算法聚类类分析 34 聚类过 程 类别 中心的变化 35 36 37 4567 12030203 22533194 32231214 42129223 51927182 620406370