遥感技术第八章-图像分类

第八章图像分类，马龙home218QQ:9537675996，遥感图像的计算机分类，利用计算机技术模拟人脑的识别功能，将地球表面及其环境在遥感图像上的特征分类为属性的自动判别，取得不同类别属性的分布信息。 第一节基础知识第二节图像分类第三节特征选择第四节监视分类第五节非监视分类第六节分类结果的精度评价、第一节基础知识、知识点：频谱特征空间、地物的特征空间中的聚类特征的统计记述、分类过程要求：理解知识点，1 .模式和模式识别是指具有空间和几何特征的模式。 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。 可通过分类器(或确定器)来实施xn、自然模式、接收器(传感器)、分类器、x2、x1、模式识别。 某些测量向量x可以基于某些分类规则而被分类为某组的预先确定的类别。 结果2 .频谱特征空间和地物聚类到特征空间的统计特征频谱特征空间：以各频带图像为坐标轴的空间。 同类地物在特征空间中形成相对集中的点群的不同种类的地物的点群一般在特征空间内相互分离。 特征点簇在特征空间内的分布大致可区分为情形：(1)的理想情形，其中不同类型簇在至少一个特征子空间内的投影可完全区分。 (2)一般情况下：在整体特征空间或任意子空间，在不同类别的集群之间总是存在重复现象。 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。 (3)典型情况：不同种类的地物聚类在任何子空间中都存在相互重叠的现象，但在整体特征空间中完全能够区别。 在这种情况下，可以利用特征变换将其分类为理想状态。 相反，图形特征空间中的聚类通常由特征点(或与其对应的随机向量)分布的概率密度函数表示。 在假定特征点的统计分布属于正态分布时，其概率密度函数可以表示为：式中：特征向量，=1，2，平均向量，协方差矩阵，=12222，*图形在特征空间中对特征进行聚类的统计描述，3 .分类过程，第二节图像分类，知识点：监视分类和非监视分类， 参数分类和非参数分类的要求：理解知识点，监视分类和非监视分类是根据分类者是否需要事先提供已知的分类和训练样本来训练和监视计算机分类器进行分类的。 已知样本及其类别不需要监测和训练计算机的分类器，根据图像数据本身的特征，即这些数据所表示的地物辐射特性的相似性和异性来分类，被称作非监测分类(unsupervisedclassification )。 监视分类(supervisedclassification )需要事先知道地物的类别，使用这些样本监视训练计算机的分类器，对图像进行分类。参数分类和非参数分类。 通过估计分布参数来划分类的概率分布函数。 参数分类假设类具有特定的概率分布函数，且通常是正态分布函数，则用训练样本来估计该分布函数的各个参数。 没有必要把具有某个概率分布函数并且估计该参数的分类称为非参数分类(nonparameterricclassifiaiton )。 该分类器有长方体分类、人工神经网络分类、直方图推定分类等。 硬件分类和软件分类是根据一个像素是分为一个类还是分为多个类来进行的。图像的一个像素只能分类为一个类的分类方法称为硬分类(hardclassification )。 传统的分类都是硬分类。 图像上的各像素同时分为2个以上的类别，称为软件分类。 第三节特征选择，基本概念：相似性(similarity )知识点：特征选择的方法要求：把握基本概念，理解知识点，通过特征选择，即原始频带或变换后的频带(主成分)，选择不仅能有效地区分感兴趣的目标，还能减少数据处理量的频带。 特征选择可用图解和统计方法来实现。 另外，特征选择的图解方法、bargraphspectrorldplots是最简单的图解方法，因为以各频带的不同地物的类别或bar的形式来表示，所以能够在视觉上判断频带的类别的区别度。 从图中可知，频带3只能从其他地上物区别水。 带1和带2 (类别5和类别6除外)能区分所有类别。Co-spectralmeanvectorplots、Hodgson和Plews(1989 )提出了在二维或三维特征空间中显示各类平均向量的几种方法。 如图a所示，在二维特征空间(band3和band3)中可见的49个平均向量。 理论上，利用这些数字的特征空间中的距离越大就越容易区分对应的类别的方法，一次只能分析两个带宽。 通过使用数字字体的大小，可以描述三个带宽的统计信息(图b ). 图c显示了三维特征空间中相同的49个平均向量。 另外，Featurespaceplots、二维空间中的Featurespaceplots描述了两个频带中的像素的分布，Featurespaceplots用于选择特征选择的方法。 Featurespaceplots可帮助您了解有关图像的信息与带宽之间的关系。 如下图a所示，看到波段1和3的高度的相关性，波段1 (蓝波段)由于受大气散射的影响，它们在x轴方向上偏移很大。 从图b、c、d可以看出，像素的分布很广，与土地的种类相对应。 特别是在图d中，表示像素范围的分布宽、一部分像素集中的区域。 另外，特征量选择的统计方法遍及3个频带以上，只能用统计方法进行特征量选择。 定量确定选择哪些频带可以正确区分不同的几何图元类别。 必须发现对具有n个带宽的遥感数据区分主要地物类型的方法，其中差错最小，所使用的带宽最小。 通常，在遥感分类中，要分析的带宽越大，所需要的成本、所使用的冗馀信息也越多。 Whenthereisoverlap，anydecisionlhattonecouldusessetoparteddoringuishbetweentwoclassmyscocernedwithotypesoferror :错误分数和错误分数。 因此，必须选择最佳带宽子集，以最佳分类方法减少这两种错误的发生。 当样本数据具有正态分布时，可以使用transformeddivergencence或jeffreys-matusitadistances来确定最佳分类带宽。 Divergence，该方法用于从n个带宽中选择q个带宽，并对分类进行监视。 从n个频带中选择q个频带的组合的数目：首先，仅考虑两个类别(c和d )的统计的可分性。 c和d的分支度(thedegeeoffdiversity )，是矩阵的跟踪(对角线要素的和)和所研究的类别的协方差矩阵。 和是班级的平均向量。 请注意，总和大小与用于采样的带宽数量有关(例如，如果有六个带宽用于训练采样，则总和大小为66 )。 在这种情况下，差异使用来自6个带宽的样本数据来确定两个训练样本的统计可能性。 Divergence值越大，表示所选择的频带越适当。此外，如果类数大于或等于两类，则需要计算的值的范围为0到02000，其他方法，例如bhattacharyadistance，假定类c和d遵循高斯分布，针对m类问题，针对m(m-1)/2类对的bhattacharyadistance asaturatingtransformappliedtothebhattacharydistanceseyieldsthejeffreys-matusitadistance (简称JM距离):Mausel等人(1990 )评价了上述几种方法此外，相似性(similarity )在任何分类中，在分类时总是将相似度大的元或元组分类为相同类，将相似度小的元或元组分类为不同类。 分类基于此原则，构建元组与元组或类与类之间的判别函数。 单元或元组信号的相似性可以表示为不同的波形、测量，例如距离值、概率值、频谱角度值等。分光角(SpectralAngle )、第四节监视分类、基本概念：监视分类知识点：特征选择的方法、训练样本选择请求、分类后处理请求：掌握基本概念，理解知识点，也称为监视分类(supervised )、训练分类，即确认的类别的样本图像要素识别其他未知的类别图像要素所谓已确认类别的样本单元，是指位于训练区域的单元。 在该分类中，分析者在图像上按类别选择一定数量的训练区域，计算机计算各训练样本区域的统计和其他信息，比较各像素和训练样本，按照不同的规则分类为最类似的样本类。 1 .选择训练样本的数据，选择训练样本是分析人员知道有分类图像的区域还是进行了初步的野外调查，研究了图纸和高精度的航空照片。 其最终选择的训练样本应该准确地代表了整个区域的每个类别的频谱特征的差异。 (1)训练样本的选择是同一类训练样本应当是均质的，而不应当包括其他类而不应当是与其他类的边界或混合像素的样本数据的尺寸、形状和位置，可以通过图像和现场(或者其他参考图)容易地同时被识别和定位由此，能够满足通过几种分类算法计算方差和协方差的要求(2)训练样本的评价能够表现为每类的每个像素的测量矢量，能够根据能够得到其平均值的测量矢量来计算每类的协方差矩阵。 最大似然法将遥感图像多带数据的分布作为多维正态分布，构建判别分类函数。 每个类别的每个维数据都在其数据轴上形成正态分布，其中每个类别的样本图像元素是平面上或空间上构成一定点云的，而每个类别的多维数据或者构成该类别的多维正态分布的每种多维正态分布模型都具有它们的分布特征。 例如位置、形状、密集、分散程度等. 在三维正态分布中，各类数据几乎形成钟型立方体。 不同种类形成的“钟表”的高低、粗细、尖宽等形状不同，2 .最大似然分类法可以根据已知各类的已知数据(通过现场调查或其他方法确定地物类及其训练区获得)，构建各类的多维正态分布模型。 实际上，作为各类的概率函数的各种多维分布模型，对于哪个未知种类的数据向量，相反地比较能够求出属于该种类的概率的这些概率的大小，比较这些概率的大小，看属于哪个类的概率大，就能够看出该数据此外，根据该分布密度函数，在第k类中出现随机变量1的概率的大小可以有g个概率密度函数(也称作类分布函数)，对于任何已知的m维数据向量x (即，1个像素)，都可以相反地计算属于第g类的概率。 根据有条件概率公式，公式中的任意一个m维的数据向量(即像素)属于第k类的概率即第k类的m维正态分布密度(概率密度)函数，即被考虑到的所有数据中都考虑了该数据向量x出现的概率即第k类的所有数据g类先验概率的总和等于1。 3 .分类后处理，无论监督分类还是非监督分类，结果都会产生一些面积较小的斑点。 无论从主题制图的角度还是实际应用的角度，都需要去除这些小斑点。 该处理方法类似于卷积滤波器，在Majority/Minority分析Majority/Minority分析中对大类别的假元进行分类，定义变换核的大小，并将变换核中的主要(元最多)元类别替换为中心元类别。 如果使用次分析，则将元类别替换为中心元类别，该类别占转换内核的次位置。 另外，聚类处理(clump )聚类处理(clump )使用形态学运算符将相邻的类似分类区域聚类并集成。 分类图像多缺少空间上的连续性(分类区域内的斑点和孔的存在)。 可以使用低通滤波器来对这些图像进行平滑，但是相邻类的编码通常阻止类信息的编码，并且聚类处理解决了该问题。 首先，将选择的分类通过一个放大操作进行综合，然后通过参数对话框中指定的大小的变换对照分类图像进行侵蚀操作。 过滤(Sieve ) usesesicclassestossolvetheproblemofisionallessoccurruninginclassificationimages.seivnclusersaservistionallicsissecomssisssusis ffilteringcouldeusedtoremovethesearea bttheshaclissinfortinforldbectonatedbyadjacentclassscodes.theseciveclassesmethodlooksatth ddetermineifpixiesgroupedwithpixel softhesameclass.ifthenumberprofpixelsinaclassthataregrouppedislessthannthevaluethyouenter thow dfrom the class.whennpanixelsareremovedfromcl