遥感图像自动识别分类PPT课件

.第1、9章遥感影像自动识别分类，1，基础知识2，特征变换与特征选择3，监视分类4，非监视分类5，非监视分类与监视分类的结合6，分类后处理与误差分析7，非频谱信息在遥感影像分类中的应用8，句法模式识别概要9，计算机自动分类的新方法，2， 遥感影像的计算机分类利用计算机技术模拟人的识别功能，将地球表面及其环境的遥感影像上的信息分类为属性的自动判别，达到提取必要的地物信息的目的。 遥感图像的自动识别分类主要采用决策理论方法，决策理论方法要求从识别的模式中提取反映模式属性的一组测量值，称为特征，将模式特征定义为一个特征空间，并进一步利用决策原理划分特征空间。3、1、基础知识、1、模式和模式识别、“模式”是指具有空间和几何学特征的东西。 对识别出的模式进行一系列的测定，将测定结果与“模式词典”的“典型”的测定值的集合进行比较，得到必要的分类结果。 这个过程称为模式识别。4、xn、自然模式、接收机(传感器)、分类器(判定器)、x2、x1、结果、模式识别系统的模型、分类器(或判定器)可以根据一定的分类规则将测量向量x分类到一组的预定类别中。 其次，频谱特征空间和地物特征空间中的分簇的统计特性，频谱特征空间：由将各频带图像的亮度分布作为坐标轴的空间构成。 可以很大程度上区分、6、水、土壤、植被、B5、B7、地物与频谱特征空间之间的关系、7、特征点簇在特征空间内的分布，使得理想情况下的不同类型的地物簇向至少一个特征子空间的投影可以完全区分开来。8、一般情况不管是总体特征空间还是子空间，在不同类别的集群之间总是存在重叠现象。 此时，与重叠部分的特征点对应的地上物是在分类时出现某种程度的分类误差在遥感图像中最常见的情况。9、典型情况的不同类型的集群在任何子空间中都存在重叠现象，但是可以在总体特征空间中完全区分。 在这种情况下，可以利用特征变换将其分类为理想状态。10、2、特征量变换与特征量选择、特征量变换对已有的m测量值进行汇总，由某个变换产生n个新的特征量。 特征量选择器按照一个标准从已有m个测量值集合中选择n个特征量。11、特征变换的目的：减少特征之间的相关性，使用尽可能少的特征量来最大程度地包含所有原始数据的信息。 应分类的区分之间的差异在变换后的特征上更加显着，分类效果得到改善。12、特征变换的方法：主成分变换阿达玛变换生物质能指标变换比变换穗帽子变换、13、特征选择的目的：以最小的影像数据最分类。 14、特征选择的方法：定性：知道变换前后图像的特征量：距离测度和散布矩阵测度。15，3，监测分类，自动识别分类，监测分类，非监测分类，16，监测分类是选择代表性试验区培训计算机，按一定的统计判别规则自动分类未知地区的方法。 17、监视分类思想：1)确定每个类别的样本区域；2 )学习或训练；3 )确定与判别函数对应的判别基准；4 )计算未知类别的样本观测值函数值；5 )根据规则进行像素的所属判别这些函数并不描述集群的特征空间形状的数学描述，而是描述某个未知向量属于某个类的情形，例如属于某个类的条件概率。一般而言，每个类别都有不同的判别函数。 另外，20、判别规则：判断为特征向量属于某一种类的依据。 在计算出一个向量、求出不同类判别函数的值之后，必须给出判断该向量属于某一类的依据。 如果所得到的函数值为最大，则其向量属于与最大值对应的类别。 这种判断的依据称为判别规则。 21、监督分类的方法：最大似然法最小距离法盒分类法、22、最大似然法、概率判别函数和基于贝叶斯判别规则的分类称为最大似然分类法。 另外，23、概率判别函数：将某特征向量x落入某簇wi的条件概率P(wi/X )作为分类判定函数(概率判定函数)。 贝叶斯判别规则：将x落入某个集群wi的条件概率P(wi/X )最大的集群作为x的集群。 贝叶斯判别规则是以错误评分概率或风险最小为基准的判别规则。 24、最小距离法、基于距离判别函数和判别规则的分类方法称为最小距离分类法。25并且，距离辨别函数计算从未知向量x到相关联集群的距离，以及哪个类最接近它，该未知向量属于该类。 距离判别函数不像概率判别函数那样偏向簇分布的统计性质，而是偏向几何学位置。 距离判别规则是用最小距离判别的原则。、26、马氏距离计算(Taxi )距离、最小距离法中常用的三个距离判别函数、27、盒分类法、盒分类法基本思想：首先从训练样本区域的数据中找出各类别在特征空间中的位置和形状，将包含该簇的“盒”作为该簇的判别函数。 若未知向量x在该“箱”中，则判别规则x被这样分类，否则与其他箱进行比较。 对于、 28例如类a箱，其边界(最小值和最大值)分别为X1=a、X1=b，即X2=c、X2=d . 这个分类法在箱子重叠的领域是错误的。 差异与比较箱子的优先顺序有关。 29、监督分类的步骤： (1)确定感兴趣的类别数。 首先，决定对哪个图形进行分类，确立这些图形的事先知识。 (2)特征变换和特征选择根据感兴趣的地物特征进行了准确的特征变换，这部分内容在前面的特征选择和特征变换一节中作了详细介绍。 变换后的特征图像和原始图像都进行特征选择，在满足分类需求的同时，尽量选择不参加分类的特征图像，加快分类速度，提高分类精度。30、(3)选择训练样本区应注意准确性、代表性和统计性三个问题。 准确性是指确保选定的采样区域与实际图元之间的一致性。 代表性的是所选择的区域是某地物的代表，另一方面也考虑地物本身的复杂性，所以必须在一定程度上反映同种地物的频谱特性的变动状况。 统计特性是所选择的训练样本区域中必须有足够的元素以确保由此计算出的类参数适合于统计规则。 在实际应用中，每类样本数量为102位左右。 在选择、31、水、新城区、老城区、耕地、植被、样本区域并确定32、(4)判别函数和判别规则后，可以用训练区的样本数据统计相应地物种类的频谱特征。 (5)根据判别函数和判别规则对非训练样本区域的图像区域进行分类。33，分类得到的主题图，34，监视分类的优点：根据应用目的和地区，可以选择分类类别，控制不出现不需要的类别的训练样本的选择。通过检查训练样本来决定训练样本是否被正确分类， 避免分类中的重大错误，避免分类精度高的非监视分类中频谱聚类的重新分类的分类很快。. 35、监督分类的缺点：主观影像中间类别的频谱差异会导致训练样本需要很长时间才能撷取和评估非常有代表性的训练样本。您只能识别在训练中定义的类别。36、4、非监督分类、非监督分类是指事先在分类过程中不给予任何事先知识，而仅根据遥感图像地物的频谱特征的分布规律，即自然簇的特性进行“盲目”的分类。 其分类的结果只是区别不同的类别，无法确定类别的属性，该类别的属性是通过分类结束后目视判断，或者现场调查来确定的。37、非监测分类又称聚类分析。 典型的聚类算法首先选择若干模式点作为聚类的中心。 各中心表示类别，按照某相似性的测定方法(最小距离法等)，将各图案分类到各簇中心表示的类别中，形成初始分类。 然后，根据聚类标准判断初始分类是否合理，如果不合理则修正分类，重复反复运算直到合理为止。38、非监测分类方法：K-平均聚类法ISODATA聚类法平行管道聚类法，39、K-平均聚类法、K-平均算法的聚类标准是使每个聚类中从多个模式点到聚类中心的距离的平方和最小化基本思想：通过反复，逐步移动各种中心，直到得到最高聚类结果为止。 算法的结果是，40，41，缺点：是根据不同初始分类可能获得不同结果的方法，因为它们受到所选集群中心数目及其初始位置、模式分布的几何性质和读取顺序之类的因素的影响，而在迭代过程中没有措施来调节集群数目。 通过在其他简单的聚类中心(如最大最小距离定位法)寻找方法，可以找到初始中心，提高分类效果。42、ISODATA聚类分析法和ISODATA (交互自组织数据分析)算法也称为迭代自组织数据分析算法。 43 .第一，它与K-平均算法有两点不同，不是每次调节一个样本类别时都重新计算每个样本的平均值，而是每次调节所有样本时都重新计算每个样本的平均值。 前者称为逐样本修正法，后者称为批量样本修正法，其次，ISODATA算法不仅能够通过调整样本所属的类别来完成样本的聚类分析，还能够自动地进行类别的“合并”和“分裂”，从而得到相对合理的聚类结果、44、平行配管聚类分析法根据地上物的分光特性曲线，假设类似地上物的分光特性曲线类似，作为判别的基准。 一种所谓的“平行管道”，用于设置相似阈值，使相似图元在特征空间中表示为以特征曲线为中心、以相似阈值为半径的管道。 这种聚类方法基本上是基于最近规则的启发式方法。45、与监测分类相比，非监测分类具有以下优点：不需要事先知道所研究的地区，在分类的结果和精度要求相同的条件下能够节省时间和成本。 但是，实际上，非监视分类比监视分类的精度高，因此监视分类被广泛使用。46、5、非监督分类与监督分类的组合，根据非监督法将一定区域分类为不同的单一区域，监督法重用这些单一区域的“训练”计算机。 “训练”后的计算机对其他领域进行分类，避免了以较慢的非监督法对整个影像领域进行分类，在保证分类精度的基础上，提高了分类速度。 47，步骤：第一步：选择一些代表性地区进行非监督分类。 这些区域的选择与监督法分类训练样本区域的选择要求相反，监督法分类训练样本区域的要求尽量单一。 这里选择的区域包含尽可能多的类别，以使感兴趣的地上物的所有类别聚类。步骤2 :获得多个聚类类别的先验知识。 这些先验知识的获得可以通过辨认和实地调查获得。 集群的类别为监视分类的训练样本区。48、步骤3 :特征选择。 选择最佳特征图像进行后续分类。 步骤4 :使用监视方法对整个图像进行分类。 根据几步前得到的先验知识和聚类后的样本数据设计分类器。 对整个图像区域进行分类。 步骤5 :输出标记图像。 分类结束后的影像的类别信息也已确定。 因此，可以将整个图像标记为适当的类输出。49、6、分类后处理和误差分析、1 .分类后处理、分类后主题图像的格式分类后处理、50、分类后主题图像的格式、遥感图像分类而形成的主题图通过编号、文字、记号或者颜色表示各种类别。51、原始遥感图像、对应的主题图像、52、分类后处理、图像按频谱信息一维分类，结果在分类地图中出现“噪声”。 发生噪声的原因是原图像本身的噪声，地上类的边界的像素包含各种各样的种类，其混合的放射量被错误地分类以及其他的原因等。 另一种现象是分类正确，但是有些种类散布在地面上，占有面积小，对大面积类型感兴趣，希望以综合的方法从图纸上消失。 另外，53、