遥感数字图像处理_11遥感图像分类

1、第10讲课 题 ：遥感图像的自动分类(1)目的要求：1.理解遥感图像分类的原理；2.掌握遥感图像分类的工作流程；3.熟悉常用分类方法；4.掌握分类后处理及分类精度分析。重 点 ：监督分类与非监督分类难 点 ：监督分类的过程教学课时：2课时教学方法：授课为主、鼓励课堂交流本次课涉及的学术前沿：遥感图像分类的原理及遥感图像分类方法的最新发展1、 模式与模式识别模式与模式识别所谓所谓“模式模式”是指某种具有空间或几何是指某种具有空间或几何特征的东西。特征的东西。对被识别的模式作一系列的测量，然后对被识别的模式作一系列的测量，然后将测量结果与将测量结果与“模式字典模式字典”中一组中一组“典型典型的的”

2、测量值相比较测量值相比较,得出所需要的分类结果。得出所需要的分类结果。这一过程称为这一过程称为模式识别模式识别. 分类器（或称判决器），可以根据一定分类器（或称判决器），可以根据一定的分类规则，把某一测量矢量的分类规则，把某一测量矢量X划入某一组划入某一组预先规定的类别之中去。预先规定的类别之中去。 自然模式自然模式接收器接收器(传感器传感器)分类器分类器(判决器判决器)模式识别系统的模型模式识别系统的模型 2、 光谱特征空间及地物在特征空间中聚类光谱特征空间及地物在特征空间中聚类的统计特性的统计特性 光谱特征空间光谱特征空间:以各波段图像的亮度分布为以各波段图像的亮度分布为坐标轴组成的空间坐

3、标轴组成的空间. 同类地物在特征空间形成一个相对聚集同类地物在特征空间形成一个相对聚集的点集群的点集群;不同类地物的点集群在特征空间内一般不同类地物的点集群在特征空间内一般是相互分离的是相互分离的. 水土壤植被B5B7特征点集群在特征空间中的分布大致可特征点集群在特征空间中的分布大致可分为如下三种情况分为如下三种情况:理想情况理想情况不同类别不同类别的点的集群的点的集群至少在一个至少在一个特征子空间中的投影是特征子空间中的投影是完全可以相互区分开的。完全可以相互区分开的。 BiBj水植被土壤一般情况一般情况无论在总的特征空间中，还是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

4、在任一子空间中，不同类别的集群之间总是存在是存在重叠重叠现象。这时重叠部分的特征点现象。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度的分类误差，这是遥感图像中最常见的情况。情况。水植被土壤典型情况典型情况不同类别地物的集群，在不同类别地物的集群，在任一任一子空间中都有相互重叠的现象存在，但在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。采用特征变换使之变成理想情况进行分类。水植被土壤一、特征变换一、特征变换 1

5、、主分量变换、主分量变换 2、穗帽变换、穗帽变换 3、哈达玛变换、哈达玛变换 哈达玛变换定义为：哈达玛变换定义为：IH=HX1、 K-LK-L变换变换( (Karhunen-Loeve)(Karhunen-Loeve)(主分量变换) K-L变换:它是对某一多光谱图像X.利用K-L变换矩阵A进行线性组合,而产生一组新的多光谱图像Y. Y=AXY=AX 特点:变换后的主分量空间与变换前的多光谱空间坐标系相比旋转了一个角度。新坐标系的坐标轴一定指向数据量较大的方向。该变换的几何意义是把原始特征空间的该变换的几何意义是把原始特征空间的特征轴旋转到平行于混合集群结构轴的方特征轴旋转到平行于混合集群结构轴

6、的方向上去。向上去。 达到数据压缩、提高信噪比、提取相关达到数据压缩、提高信噪比、提取相关信息、降维处理和提取原图像特征信息的信息、降维处理和提取原图像特征信息的目的。目的。主分量变换计算步骤如下：主分量变换计算步骤如下：（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12m.（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。 第一分量方差分布最广，集中最多信息，第二分量

7、次之。2、K-T变换 是kauth-Thomas变换的简称，也称穗帽变换.是一种坐标空间发生旋转的线性变换，旋转后的坐标轴指向与地面景物有密切关系的方向 主要针对TM图像数据和MSS数据. Y=AX Y=（ISB IGV IY IN）T X=（X4 X5 X6 X7）其中：ISB土壤亮度轴的像元亮度值 IGV植物绿色指标轴的像元亮度值 IY 黄色轴 IN 噪声轴 Xi 地物在MSS四个波段上的亮度值穗帽变换的变换矩阵根据经验确定。Kauth和Thomas研究出的矩阵A具有如下形式： 0.433 0.632 0.586 0.264 -0.290 -0.567 0.600 0.491 -0.824

8、 0.533 -0.050 0.185 0.223 0.012 -0.543 0.809土壤亮度变化轴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）。哈达玛矩阵为一个对称的正哈达玛矩阵为一个对称的正交矩阵，其变换核为交矩阵，其变换核为 H由哈达玛变换核可知，哈达由哈达玛变换核可知，哈达玛变换实际是将坐标轴旋玛变换实际是将坐标轴旋转了转了45的正交变换的正交变换 3、哈达吗变换、哈达吗变换哈达玛矩阵的维数哈达玛矩阵的维数N总是总是2的倍数，即的倍数，即N=2m（

9、m=1，2）其中其中m称为矩阵的阶，每个高阶哈达玛矩阵都由其低称为矩阵的阶，每个高阶哈达玛矩阵都由其低一阶的哈达玛矩阵按如下一阶的哈达玛矩阵按如下取二阶哈达玛变换矩阵 以以MSS4，5，6，7四波段的陆地卫星图像的四波段的陆地卫星图像的哈达玛为换为例哈达玛为换为例: IH=HXIH=(h0 h3 h1 h2)Th0=(x4+x5)+(x6+x7)h1=( x4+x5)-( x6+x7)h2=( x4-x5)-( x6-x7)h3= ( x4-x5)+( x6-x7) 有: h0 1 1 x4+5 h1 1 -1 x6+7 h2 1 1 x4-5 h3 1 -1 x6-7=将它们投影到以将它们投

10、影到以X4+5 X6+7 和和X4-5 X6-7形成形成的二个二维空间上的二个二维空间上 特征图像特征图像h0集中了大量的土壤信息，并且对集中了大量的土壤信息，并且对于把水同土壤与植被的混合体区分开来是于把水同土壤与植被的混合体区分开来是有效的。有效的。而而h1则有利于提取植被信息，即有利于把植则有利于提取植被信息，即有利于把植被同水和土壤的混合体区分开来。被同水和土壤的混合体区分开来。而而h2类似于类似于h1。但是由于（。但是由于（X4-5）和（）和（X6-7）的数值对各类都很小（的数值对各类都很小（ , 则则X属于属于 类。类。根据概率判决函数和贝叶斯判决规则来进行的分类根据概率判决函数和

11、贝叶斯判决规则来进行的分类通常称为最大似然分类法。通常称为最大似然分类法。 )(ln|ln21)()(21)(1iiiiTiiPMXMXXd贝叶斯判决规则是以错分概率最小的最优准则 判别边界 当使用概率判别函数进行分类时，不可避免地会出现错分现象。2、距离判决函数和判决规则、距离判决函数和判决规则基本思想是设法计算未知矢量基本思想是设法计算未知矢量X到有关到有关类别集群之间的距离，哪类距离它最近，类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类。该未知矢量就属于那类。距离判决函数不象概率判决函数那样偏距离判决函数不象概率判决函数那样偏重于集群分布的统计性质，而是偏重于重于集群分布的统计

12、性质，而是偏重于几几何位置。何位置。 距离判别规则是按最小距离判别的原则距离判别规则是按最小距离判别的原则 马氏（马氏（Mahalanobis）距离）距离 欧氏（欧氏（Euclidean）距离）距离 计程（计程（Taxi）距离）距离 基于距离判别函数和判别规则，在实践中以基于距离判别函数和判别规则，在实践中以此为原理的分类方法称为最小距离分类法。此为原理的分类方法称为最小距离分类法。 )()(1iiTiMiMXMXd马氏距离几何意义：马氏距离几何意义：X X到类重心之间的加权距到类重心之间的加权距离，其权系数为协方差。离，其权系数为协方差。 判别函数：在各类别先验概率和判别函数：在各类别先验概

13、率和集群体积集群体积| 都都相同情况下的概率判别函数相同情况下的概率判别函数则有 在马氏距离的基础上，作下列限制在马氏距离的基础上，作下列限制将协方差矩阵限制为对角的将协方差矩阵限制为对角的沿每一特征轴的方差均相等沿每一特征轴的方差均相等2)()(iiTiEiMXMXMXd欧氏距离是马氏距离用于分类集群的形状欧氏距离是马氏距离用于分类集群的形状都相同情况下的特例。都相同情况下的特例。 则有 X到集群中心在多维空间中距离的绝对值到集群中心在多维空间中距离的绝对值之总和来表示之总和来表示 mjijTiMXd1|3、其它的判决函数和判决规则、其它的判决函数和判决规则 盒式分类法基本思想盒式分类法基本

14、思想:首先通过训练样区的数首先通过训练样区的数据找出每个类别在特征空间的位置和形状，据找出每个类别在特征空间的位置和形状，然后以一个包括该集群的然后以一个包括该集群的“盒子盒子”作为该作为该集群的判别函数。集群的判别函数。判决规则为若未知矢量判决规则为若未知矢量X落入该落入该“盒盒子子”，则，则X分为此类，否则再与其它盒子比分为此类，否则再与其它盒子比较。较。例如例如对于对于A类的盒子，类的盒子，其边界（最小值和最其边界（最小值和最大值）分别是大值）分别是X1=a、X1=b；X2=c、X2=d。这种分类法在盒子重这种分类法在盒子重叠区域有错分现象。叠区域有错分现象。错分与比较盒子的先错分与比较

15、盒子的先后次序有关。后次序有关。 二分类过程二分类过程 确定判决函数和判决规则以后，下一步的工确定判决函数和判决规则以后，下一步的工作是计算每一类别对应的判决函数中的各个参数，作是计算每一类别对应的判决函数中的各个参数，如使用最大似然法进行分类，必须知道判别函数如使用最大似然法进行分类，必须知道判别函数中的均值向量和协方差矩阵。而这些参数的计算中的均值向量和协方差矩阵。而这些参数的计算是通过使用是通过使用“训练样区训练样区”的数据来获取的。的数据来获取的。监督法分类意味着对类别已有一定的先验知监督法分类意味着对类别已有一定的先验知识，根据这些先验知识，就可以有目的地选择若识，根据这些先验知识，

16、就可以有目的地选择若干个干个“训练样区训练样区”。这些。这些“训练样区训练样区”的类别是的类别是已知的。利用已知的。利用“训练样区训练样区”的数据去的数据去“训练训练”判判决函数就建立了每个类别的分类器决函数就建立了每个类别的分类器然后按照分类器对未知区域进行分类。分类然后按照分类器对未知区域进行分类。分类的结果不仅使不同的类别区分开了而且类别的属的结果不仅使不同的类别区分开了而且类别的属性也知道了。性也知道了。 监督分类的主要步骤如下：监督分类的主要步骤如下：（1）确定感兴趣的类别数。）确定感兴趣的类别数。首先确定要对哪些地物进行分类，这样就可首先确定要对哪些地物进行分类，这样就可以以 建立

17、这些地物的先验知识。建立这些地物的先验知识。（2）特征变换和特征选择）特征变换和特征选择根据感兴趣地物的特征进行有针对性的特征根据感兴趣地物的特征进行有针对性的特征变换，这部分内容在前面特征选择和特征变换一变换，这部分内容在前面特征选择和特征变换一节有比较详细的介绍。变换之后的特征影像和原节有比较详细的介绍。变换之后的特征影像和原始影像共同进行特征选择，以选出既能满足分类始影像共同进行特征选择，以选出既能满足分类需要，又尽可能少参与分类的特征影像，加快分需要，又尽可能少参与分类的特征影像，加快分类速度，提高分类精度。类速度，提高分类精度。（3）选择训练样区）选择训练样区训练样区的选择要注意训练

18、样区的选择要注意准确性、代表性和统准确性、代表性和统计性计性三个问题。三个问题。准确性就是要确保选择的样区与实际地物的准确性就是要确保选择的样区与实际地物的一致性一致性代表性一方面指所选择区为某一地物的代表，代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情须在一定程度上反映同类地物光谱特性的波动情况况统计性是指选择的训练样区内必须有足够多统计性是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的像元，以保证由此计算出的类别参数符合统计规律。实际应用中，每

19、一类别的样本数都在规律。实际应用中，每一类别的样本数都在102数量级左右。数量级左右。 选择样本区域（4）确定判决函数和判决规则）确定判决函数和判决规则一旦训练样区被选定后，相应地物类别的光一旦训练样区被选定后，相应地物类别的光谱特征便可以用训练区中的样本数据进行统计。谱特征便可以用训练区中的样本数据进行统计。如果使用最大似然法进行分类。那么就可以如果使用最大似然法进行分类。那么就可以用样区中的数据计算判别函数所需的参数用样区中的数据计算判别函数所需的参数 和和 。如果使用盒式分类法则用样区数据算出盒子如果使用盒式分类法则用样区数据算出盒子的边界。判决函数确定之后的边界。判决函数确定之后，再选

20、择一定的判决再选择一定的判决规则就可以对其它非样区的数据进行分类。规则就可以对其它非样区的数据进行分类。计算每个类别的 M 和 ，建立类别的判别函数水老城区新城区植被红红255255耕地0蓝蓝255？老城区老城区优点：优点： .根据应用目的和区域，有选择的决定分类类别，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；避免出现一些不必要的类别； .可以控制训练样本的选择可以控制训练样本的选择 .可以通过检查训练样本来决定训练样本是否被精可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误确分类，从而避免分类中的严重错误,分类精分类精度高度高 . 避免了非

21、监督分类中对光谱集群的重新归类避免了非监督分类中对光谱集群的重新归类 .分类速度快分类速度快 主观性；主观性； 由于图象中间类别的光谱差异，使得训练样本由于图象中间类别的光谱差异，使得训练样本没有很好的代表性；没有很好的代表性； 训练样本的获取和评估花费较多人力时间；训练样本的获取和评估花费较多人力时间； 只能识别训练中定义的类别。只能识别训练中定义的类别。 监督法分类的基本思想 最大似然法和最小距离法分类的原理 错分情况分析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是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特先验知识，而仅凭遥感影像地物的光谱特征的分布规

22、律，即自然聚类的特性，进行征的分布规律，即自然聚类的特性，进行“盲目盲目”的分类；的分类；其分类的结果只是对不同类别达到了区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属性是通过分类结束后目视判读或实地调查确定的。查确定的。一般的聚类算法是先选择若干个模式点一般的聚类算法是先选择若干个模式点作为聚类的作为聚类的中心中心。每一中心代表一个类别，按照某种相似每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成归于各聚

23、类中心所代表的类别，形成初始初始分类。分类。然后由聚类准则判断初始分类是否合理，然后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，如此如果不合理就修改分类，如此反复迭代运反复迭代运算算，直到合理为止。，直到合理为止。一一 K-均值聚类法均值聚类法K-均值算法的聚类均值算法的聚类准则准则是使每一聚类中，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多模式点到该类别的中心的距离的平方和最小。最小。 基本思想基本思想是：通过迭代，逐次移动各类的是：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。中心，直至得到最好的聚类结果为止。ISODATA算法聚类分析算法聚类分析 ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法）算法也称为迭代自组织数据分析算法。也称为迭代自组织数据分析算法。它与它与K均值算法有两点不同均值算法