计算机信息提取-课件PPT

1、2021/8/261遥感数字图像的计算机解译遥感图像的分类原理遥感图像分类方法遥感图像分类存在问题遥感图像信息提取的发展趋势2021/8/262 违规建筑的防治2021/8/2632021/8/264 2021/8/2652021/8/266一、分类原理与基本过程2021/8/2672021/8/268第一节计算机分类基本原理n分类的定义n分类的基本原理n分类的一般步骤2021/8/2691.1分类的定义 遥感图像分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发

2、展为计算机支持下的遥感图像理解。2021/8/26101.2分类的意义n由于利用遥感图像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。因此，利用计算机进行遥感图像智能化解译，快速获取地表不同专题信息，并利用这些专题信息迅速地更新地理数据库，这是实现遥感图像自动理解的基础研究之一，因此具有重要的理论意义和应用前景。2021/8/26112、分类原理n最小距离分类法-示例2021/8/26122、分类原理遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，

3、距离越小相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。2021/8/26132、分类原理n最小距离分类法-示例特征空间水的点群中心水的特征均值2021/8/26142、分类原理1）找像元的分布特征（如点群中心、位置、规律），并且确定点群的界限。2）点群中心是这一类地物类别像元特征的均值向量。3）点群的范围这一类地物类别像元特征的标准差向量（协方差）。它反映了点的离散程度。4）点群的边界是分类过程中决定像元归属的“准则”，称为判别函数。2021/8/26152、分类原理n遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特

4、征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间去。n n特征能够反映地物光谱信息和空间信息并可用于图像分类处理的变量2021/8/2616关键问题关键问题n选择适当的分类规则，通过分类器分类器把图像数据划分为尽可能符合实际情况的不同类别。n确定判别函数和相应的判别准则。2021/8/26173、分类基本过程v数据准备。数据准备。根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。根据研究区域，收集与分析地面参考信息与有关数据。v数据预处理数据预处理辐射校正和几何校正。波段选择和图像变换、增强处理。v分类系统方案分类系统方案

5、制定分类系统，确定分类类别。v分类方法的确定与分类处理分类方法的确定与分类处理根据分类对象的实际情况选择合适的分类方法。精度评价与分类方法的改进精度评价与分类方法的改进专题图的制作专题图的制作2021/8/2618遥感图像计算机分类方法监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。n关键：选择样区、训练样本、建立判别函数（可以是一些列规则，可是某种数学函数）非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根

6、据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。一、分类原理与基本过程2021/8/2619监督分类法n最小距离法n特征曲线窗口分类法n线性判别分析n最大似然判别法n神经网络分类2021/8/2620二、图像分类方法 1、监督分类 （1）、最小距离分类法 第一步：计算训练样本的平均值第一步：计算训练样本的平均值 第二步：计算待分类像元与样本均值的距离第二步：计算待分类像元与样本均值的距离Step 2 for eachunclassified pixel,calculate the distance toaverage for each trainingarea2021/8/2

7、621二、图像分类方法 1、监督分类 （1）、最小距离分类法 最近邻域分类法 。2021/8/2622二、图像分类方法 1、监督分类、监督分类 （）、特征曲线窗口分类法特征曲线是地物光谱特征曲线参数构成的曲特征曲线是地物光谱特征曲线参数构成的曲线。线。以特征曲线为中心取一个条带，构造一个窗以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口内的地物即被认为是一口，凡是落在此窗口内的地物即被认为是一类，反之，则不属于该类。类，反之，则不属于该类。特征曲线可是实测的，也可是图像训练样本特征曲线可是实测的，也可是图像训练样本分类窗口可是曲线上某一特定的位置，如反分类窗口可是曲线上某一特定的位置，

8、如反射峰、谷、特征参数的上、下限等射峰、谷、特征参数的上、下限等2021/8/2623二、图像分类方法 1、监督分类 （）、最大似然比分类法(通过求出每个像素对于各类别的归属概率，把通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。该像素分到归属概率最大的类别中去的方法。假定训练区地物的光谱特征和自然界大部分随假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。机现象一样，近似服从正态分布。2021/8/2624最大似然法判别函数12121112/12/)()(|ln)(ln)( )()()2/1exp() |(|)2)()|()()()(/ )

9、|()()|()(iiTiiiiiiTiiniiiiiiiixxPxgxxPxPPxgxPxPPxPxg矩阵）。的协方差矩阵（为类别维列向量）；的平均向量（为类别为像元向量；为波段数的先验概率；为类别出现的概率为与类别无关的情况下观测到的条件概率为在的归属概率；归并到类别为像元nninixnPxPxPxxgiiiiiiii,)()()/()(2021/8/2625二、图像分类方法 1、监督分类 （）、最大似然比分类法(2021/8/2626二、图像分类方法 1、监督分类 （）、最大似然比分类法(2021/8/2627选取样本像元选取样本像元分类结果分类结果2021/8/2628n监督分类实例T

10、M4322021/8/2629监督分类的步骤n首先找出影像中各种类别具有代表性的像元集合，作为样本（训练样区）；n求出每种类别样本像元集的统计特征，然后选择特征参数（如样本像元的平均值、方差）；n根据特征参数建立判别函数；n根据判别函数对已知类别的样本像元进行分类，反复调整判别函数；n最后用判别函数对所有未知像元进行判断，划分像元的类别归属。样本像元的选取，通常需要人参与；对判别函数要用样本进行反复验证和训练，就像有人在监督一样2021/8/26302021/8/26312021/8/26322021/8/26332021/8/26342021/8/26352021/8/2636n非监督分类实

11、例二、图像分类方法2021/8/2637二、图像分类方法 2、非监督分类 （）、动态聚类法在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。2021/8/2638非监督分类步骤：非监督分类步骤：n设定分类判定方法参数，分类数设定分类判定方法参数，分类数n设定初始分类中心设定初始分类中心n将各个像元归入设定的各类中将各个像元归入设定的各类中n计算各类的新中心值计算各类的新中心值n比较前后中心值是否一致：比较前后中心值是否一致：不一致，调整各类中心及域值，回到步骤；不一致，调整各类中心及域值，回到步骤；一致，分类图象输出一致，分类图象输出2021/8/263

12、92021/8/26402021/8/2641二、图像分类方法3、监督分类与非监督分类方法比较n根本区别在于是否利用训练场地来获取先验的类别知根本区别在于是否利用训练场地来获取先验的类别知识。识。监督分类的关键是选择训练场地。训练场地要有代监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分表性，样本数目要能够满足分类要求。此为监督分类的不足之处。类的不足之处。非监督分类不需要更多的先验知识，据地物的光谱非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如

13、监督分类效果好。差异很小时，分类效果不如监督分类效果好。2021/8/2642三分类精度评价与提高n精度评价方法n分类中存在的问题n分类精度提高方法2021/8/2643遥感图像分类精度评价方法基于面积的评价。基于位置的评价，误差矩阵的评价2021/8/2644分类误差矩阵n 对角线元素便是正确分类，非对角线便是错误分类；分类 行总计用户精度实际农田城市湖泊农田89439689/96城市9329893/98湖泊39510695/106列总计100100100300生产精度89/10093/10095/100总体精度(89+93+95)/3002021/8/2645nKAPPA系数的计算n，总样

14、本数nr，类别数ni+为某一类的行总计n+i为某一类的列总计2021/8/2646计算机解译的问题：计算机解译的问题：存在错分、漏分现象存在错分、漏分现象正确率一般只有正确率一般只有6070%不同的研究区域，采用不同的方法，不同的不同的研究区域，采用不同的方法，不同的参数参数如何选取好的训练区如何选取好的训练区三、图像分类中的有关问题2021/8/2647三、图像分类中的有关问题 1、未充分利用遥感图像提供的多种信息 只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。 统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光

15、谱特征分类.水体的分类. 2021/8/2648三、图像分类中的有关问题2 2、提高遥感图像分类精度受到限制、提高遥感图像分类精度受到限制大气状况的影响：大气状况的影响：吸收、散射。吸收、散射。下垫面的影响：下垫面的影响：下垫面的覆盖类型和起伏状态对下垫面的覆盖类型和起伏状态对分类具有一定的影响。分类具有一定的影响。其他因素的影响：其他因素的影响：云朵覆盖；不同时相的光照条云朵覆盖；不同时相的光照条件不同，同一地物的电磁辐射能量不同；地物边件不同，同一地物的电磁辐射能量不同；地物边界的多样性。界的多样性。2021/8/2649四、计算机解译的主要技术发展趋势1 1、抽取遥感图像多种特征、抽取遥

16、感图像多种特征 对高分辨率卫星图像的自动解译来说，一般分别对目标地物采用地、中、高三个层次进行特征抽取和表达。 低层次的对象是像素，每个像素对应的 数值是该地物波谱特征的表征； 中层次主要抽取和描述目标的形态、纹理等空间特征； 高层次主要抽取和描述识别目标与相邻地物之间的空间关系。2021/8/26502、逐步完成GIS各种专题数据库的建设，利用GIS数据减少自动解译中的不确定性 GISGIS数据库在计算机自动解译中发挥以下重要作用：数据库在计算机自动解译中发挥以下重要作用：（1）对遥感图像进行辐射校正，消除或降低地形差异的影对遥感图像进行辐射校正，消除或降低地形差异的影响；响；（2 2）作为

17、解译的直接证据，增加遥感图像的信息量；）作为解译的直接证据，增加遥感图像的信息量；（3 3）作为解译的辅助证据，减少自动解译中的不确定性；）作为解译的辅助证据，减少自动解译中的不确定性；（4 4）作为解译结果的检验数据，降低误判率。）作为解译结果的检验数据，降低误判率。四、计算机解译的主要技术发展趋势2021/8/26513、建立适用于遥感图像自动解译的专家系统，提高自动解译的灵活性 需要从以下两方面开展工作：建立解译知识库和背景知识库。 解译知识库是遥感图像解译认识和经验经形式化后记录在贮存 介质上的。背景知识库是有关遥感解译背景知识与经验的集合，以地学知识为主。 根据遥感图像解译的特点来构造专家系统。四、计算机解译的主要技术发展趋势2021/8/26524、模式识别与专家系统相结合 既可以发挥图像解译专家知识的指导作用，在一定程度上为模式识别提供经验性的知识，又可以利用数字遥感图像本身提供的特征，有助于提高计算机解译的灵活性。四、计算机解译的主要技术发展趋势2021/8/26535、计算机解译新方法的应用（1 1）人工