遥感原理与应用---第八章 遥感图像自动识别分类.ppt

遥感原理与应用 第八章 遥感图像自动识别分类 o 本章主要内容 基础知识（2） 特征提取与特征选择（2） 分类器设计（2） 监督/非监督分类（2） 分类后处理（1） 其他分类方法简介（1） o 本课主要内容 模式、模式识别 模式的集群性 模式识别系统 模式识别方法 模式识别的复杂性 o 本课重点内容 模式识别系统 1/7 遥感原理与应用 遥感图像自动分类是模式识别在遥感中的具体应用 一、模式、模式识别 模式： 现实中一切可被观察的事物（人） 具有空间或时间分布的信息（机） 计算机处理下的模式 模式识别：按事物相似程度分类（人） 模式类向符号所做的映射（机） 样本、类、分类 图像理解：基于图像的模式识别 第八章 遥感图像自动识别分类 8.1 基础知识 2/7 遥感原理与应用 二、模式的集群性 模式识别的前提： 相似性（人） 空间上的集群性（机） 举例： 集群性的3种情况：理想情况 典型情况 一般情况 模式识别核心问题之一：选择合适特征，使得各类 聚类性最好。 第八章 遥感图像自动识别分类 8.1 基础知识 3/7 遥感原理与应用 序号特征门限分类精度 1体重65kg75% 2身高167cm80% 3头发长度15cm85% 4胸围腰围比1.395% 5喉结99% 6生殖特征100% 成年男女特征分类示例 4/7 遥感原理与应用 第八章 遥感图像自动识别分类 8.1 基础知识 三、模式识别系统 1、数据获取: 图像，波形，物理参量 2、预处理: 去噪、增强、退化复原 3、特征提取与选择 4、分类决策 5/7 遥感原理与应用 四、模式识别基本方法 概括地分为统计识别和句法识别两大类 具体分类如下： 统计模式识别（线性空间+最优化理论） 句法模式识别（基元及它们的结构关系描述对象） 模糊模式识别（隶属函数 ） 人工神经网络（自学习、自适应、容错性） 第八章 遥感图像自动识别分类 8.1 基础知识 6/7 遥感原理与应用 五、模式识别的复杂性 低等动物的分类：遗传，自然淘汰 人类的识别能力：后天学习，经验，行为的成败 1、目前计算机自动识别水平 2、模式识别（工业自动化）对人类生产的巨大贡献 邮件/食品分拣 文字/语音识别 考勤/安检（身份识别） 第八章 遥感图像自动识别分类 8.1 基础知识 7/7 遥感原理与应用 o 本课主要内容 概念及作用 特征提取 特征选择 o 本课重点内容 特征提取与选择概念 类别可分离判据 基于K-L变换的特征提取 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 1/13 遥感原理与应用 一、概念及作用 1、抽取特征目的：降低维数/去相关性/突出特征 2、常见影像特征 形状特征（面积/周长/圆形度/不变矩/欧拉数/链码） 波谱特征（光谱特征，波谱响应曲线） 纹理特征（直方图，共生矩阵，行程统计量） 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 对象的 图片描述 Dim=m*n 客观世 界的对象 Dim= 特征向量 V=(X1,X2,Xk) Dim=km*n 2/13 遥感原理与应用 3/13 遥感原理与应用 4/13 遥感原理与应用 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 3、特征提取与特征选择概念（例：成绩） 特征提取特征选择 本 质 对原n维特征空间坐 标变换，再取子空间 。 直接从原始获得的D 个特征中选出d个特 征 特 点 有新特征产生 化学变化 没有新特征产生 物理变化 方 法 KL变换、类别可分离 判据、Fisher变换、 哈达玛、穗帽变换 穷举法、最优搜索算 法、次优搜索算法、 遗传算法、Tabu算法 5/13 遥感原理与应用 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 二、特征提取 1、基于类别可分离性判据的特征提取 6/13 遥感原理与应用 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 示意图： 原理： 类间/类内 7/13 遥感原理与应用 2、基于K-L变换的特征提取 步骤： （1）计算多光谱图像的均值向量及协方差矩阵 （2）计算矩阵的特征值和特征向量 （3）将特征值按从大到小排列 （4）选择前n个特征值对应特征向量构造变换矩阵n （5）依据Y=nX进行变换，得到新特征影像。 优点： 去相关性；信息集中； 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 8/13 遥感原理与应用 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 3、哈达玛变换 本质：将坐标轴旋转45的正交变换 变换矩阵： 9/13 遥感原理与应用 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 三、特征选择 思路：如何从总体中选择少数特征使得类内 距离尽量小，类间距离尽量大。常用判据有： 把D个特征每个单独使用时可分离判据按大小 排列： 前d个最有效特 征组合在一起是否就是最优组合? 10/13 遥感原理与应用 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 11/13 遥感原理与应用 1、穷举法 从m个特征中通过组合的方式求出n个特征，使 得该组的判据J最大。（缺点 ） 2、最优搜索算法（分支定界法） 自上而下，具有回溯功能，每个特征都被考虑 3、次优搜索法 顺序前进法：自下而上，逐个增加（缺点） 顺序后退法：自上而下，逐个剔除（缺点） 4、其它方法：模拟退火法、遗传算法等。 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 12/13 遥感原理与应用 小结： 特征提取与选择的概念、作用 特征提取的方法 特征选择的方法 第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 13/13 遥感原理与应用 o 本课主要内容 分类器概念 最小错误率分类器（Bayes 准则） 线性判别分类器 （Fisher准则） 非线性判别分类器（最短距离法） o 本课重点内容 Bayes判别准则 最短距离分类器 第八章 遥感图像自动识别分类 8.3 分类器设计 1/11 遥感原理与应用 一、分类器概念 判别准则（函数）；例子 1、分类器的分类 线性：Fisher、MSE、感知准则 非线性：最小距离、二次判别函数、近邻法 2、分类器和特征空间维数的关系 第八章 遥感图像自动识别分类 8.3 分类器设计 2/11 遥感原理与应用 第八章 遥感图像自动识别分类 8.3 分类器设计 二、最小错误率准则（Bayes判别准则） 1、本质： 2、前提：类条件概率密度已知 3、 Bayes判别规则 3/11 遥感原理与应用 第八章 遥感图像自动识别分类 8.3 分类器设计 Bayes判别规则如下： （1） （2） （3） 4/11 遥感原理与应用 4、求类条件概率密度的方法（了解） 将分类器设计问题转化为求类条件概率密度问题 概率密度估计问题（真正的困难） 常用的方法： 参数估计：点估计/区间估计/最大似然估计 非参数估计：Parzen窗法、k-近邻估计法 Bayes分类器的理论作用大于实际作用 能否直接利用特征设计分类器呢？ 第八章 遥感图像自动识别分类 8.3 分类器设计 5/11 遥感原理与应用 第八章 遥感图像自动识别分类 8.3 分类器设计 三、线性判别分类器 1、原理： 以两类为例 2、本质： 根据实际情况确定一个准则函数J,并求出准 则函数的极值解w和w0。对于未知样本xk，只要计 算g(xk)，根据上面的原理就可判断xk的类别。 6/11 遥感原理与应用 第八章 遥感图像自动识别分类 8.3 分类器设计 3、fisher线性判别 将Sb/Sw作为准则函数，求解w，即寻找最好的投 影方向问题。 7/11 遥感原理与应用 四、非线性判别分类器（以最短距离分类器为例 ） 对未知样本x，我们只要比较x与c个已知类别 之间的欧氏距离，并决策x与离它最近的类别 同类。 问题：v=(0.41 4.30 45 421) v=(0.14 0.15 0.2 0.18) 第八章 遥感图像自动识别分类 8.3 分类器设计 8/11 遥感原理与应用 特征提取的案例（PPT155页） 为了对影像进行分类，共提取出影像的15个（ 见280及281页）纹理特征，这些特征对分类都有不 同程度的贡献，通过KL变换或Fisher变换，从中提 取出2个（为什么？）最有效的特征用于分类，分 类效果不错。 第八章 遥感图像自动识别分类 8.3 分类器设计 9/11 遥感原理与应用 遥感原理与应用 小结 基于最小错误率的分类方法（Bayes） 线性分类器（fisher、感知器、MSE） 非线性分类器（最短距离法） 祝同学们周末愉快 第八章 遥感图像自动识别分类 8.3 分类器设计 11/11 遥感原理与应用 o 上节主要内容 贝叶斯分类器 线性分类器（以Fisher准则为例） 非线性分类器（以最短距离方法为例） o 本节主要内容 监督分类的思想 监督/非监督分类的区别 监督分类步骤 K-均值聚类算法 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 1/17 遥感原理与应用 分类方法：监督分类、非监督分类,有何区别？ 监督分类精度一般高于后者，是最常用的方法 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 分类前 （要求） 分类中 （算法） 分类后 （结果） 监督 分类 事先知道 样区类别 信息 与样本特 征匹配的 过程 在分类基础上 获得类别属性 信息 非监督 分类 不知道样 区的类别 信息 聚类分析仅区分出类别 ，未确定类别 属性 2/17 遥感原理与应用 一、监督分类 1、监督分类的思想 根据已知的样本类别和类别的先验知识， 确定判别函数和相应的判别准则，其中利用 一定数量的已知类别函数中求解待定参数的 过程称之为学习或训练，然后将未知类别的 样本的观测值代入判别函数，再依据判别准 则对该样本的所属类别作出判定。 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 3/17 遥感原理与应用 2、监督分类步骤 1）选择样区：根据已知的样本类别和先验知识 2）学习或训练：利用一定数量的已知类别函数 中求解待定参数； 3）确定每一类的判别函数和相应的判别准则； 4）计算未知类别的样本观测值在每一类函数值 5）判别：按一定准则对该样本作出判。 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 4/17 遥感原理与应用 3、对训练样区的要求 准确性：要确保选择的样区与实际地物一致； 代表性：所选样区为某一地物的代表，还要考 虑到地物本身的复杂性，反映同类地物光谱特 性的波动情况； 统计性：指选择的训练样区内必须有足够多的 像元，以保证由此计算出的类别参数符合统计 规律 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 5/17 遥感原理与应用 6/17 遥感原理与应用 计算每个类别的均值和方差，建立类别的判别函数 7/17 遥感原理与应用 根据判别函数逐个像素分类 8/17 遥感原理与应用 分类得到的专题图 9/17 遥感原理与应用 4、监督分类的优缺点 优点：1）根据应用目的和区域，有选择的决定分类类 别，避免出现一些不必要的类别； 2）可以控制训练样本的选择； 3）避免了非监督分类中对光谱集群的重新归类 。 缺点：1）由于图像中间类别的光谱差异，使得训练样 本没有很好的代表性； 2）训练样本的获取和评估花费较多人力时间； 3）只能识别训练中定义的类别。 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 10/17 遥感原理与应用 二、非监督分类 非监督分类是指人们事先对分类过程不施加任 何的先验知识，而仅凭数据遥感影像地物的光 谱特征的分布规律，即自然聚类的特性进行盲 目的分类。其分类的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。其类别的 属性是通过分类结束后目视判读或实地调查确 定的。非监督分类也称聚类分析。 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 11/17 遥感原理与应用 1、K-均值聚类法 K-均值算法的聚类准则是使每一聚类中， 多模式点到该类别的中心的距离的平方和最小 。其基本思想是，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。 这种算法的结果受到所选聚类中心的数目 和其初始位置以及模式分布的几何性质和读入 次序等因素的影响，并且在迭代过程中又没有 调整类数的措施，因此可能产生不同的初始分 类得到不同的结果，这是这种方法的缺点。 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 12/17 遥感原理与应用 K-均值聚类法 13/17 遥感原理与应用 2、ISODATA聚类算法 也称为迭代自组织数据分析算法。它与K均 值算法有两点不同，第一，它不是每调整一个样本 的类别就重新计算一次各类样本的均值，而是在每 次把所有样本都调整完毕之后才重新计算一次各类 样本的均值，前者称为逐个样本修正法，后者称为 成批样本修正法；第二，ISODATA算法不仅可以通 过调整样本所属类别完成样本的聚类分析，而且可 以自动地进行类别的“合并”和“分裂”，从而得 到类数比较合理的聚类结果。 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 14/17 遥感原理与应用 ISODATA算法（了解） 1）初始化； 2）选择初始中心； 3）按一定规则(如距离最小)对所有像元划分； 4）重新计算每个集群的均值和方差；按初始化的 参数进行分裂和合并； 5）结束，迭代次数或者两次迭代之间类别均值变 化小于阈值； 6）否则，重复3-5； 7）确认类别，精度评定. 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 15/17 遥感原理与应用 3、非监督分类优缺点 优点：1）不需要对所分类别的区域有广泛的了解； 2）人为误差的机会减少； 3）量小的类别能被区分。 缺点：1）分类结果不一定是分析者想要的类别； 2）难对产生的类别进行控制； 3）需要用一定的知识来解释得到的集群组。 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 16/17 遥感原理与应用 小结 监督分类： 概念； 原理； 步骤； 非监督分类：概念； 常用聚类方法； 两者之间的比较 第八章 遥感图像自动识别分类 8.4 监督/非监督分类 17/17 遥感原理与应用 分类后处理目的 过滤分析 专题图制作 栅格/矢量转化 精度评定 一、过滤分析 将分类结果中产生的一些面积很小的图斑或单个像 素“剔除”。 （两类图