自动识别分类

1、关于自动识别分类第一页，共78页幻灯片2一一 监督分类监督分类1）确定每个类别的样区2）学习或训练3）确定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函数值5）按规则进行像元的所属判别第二页，共78页幻灯片3原始遥感图像原始遥感图像对应的专题图像对应的专题图像第三页，共78页幻灯片4 (一一) 判决函数和判决规则判决函数和判决规则 1 判决函数判决函数 当各个类别的判别区域确定后，用来表当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函示和鉴别某个特征矢量属于哪个类别的函数。数。 第四页，共78页幻灯片52 判别规则判别规则 这种判断的依据，我们称之为判别规则这种判

2、断的依据，我们称之为判别规则 判断特征矢量属于某类的依据判断特征矢量属于某类的依据第五页，共78页幻灯片6概率判别函数：概率判别函数：把某特征矢量（把某特征矢量（X）落入某类集）落入某类集群群 的条件概率的条件概率 当成分类判决函数（概率判决当成分类判决函数（概率判决函数）函数）贝叶斯判别规则：贝叶斯判别规则：把把X落入某集群落入某集群wi的条件概率的条件概率P (wi/X)最大的类为最大的类为X的类别的类别以错分概率或风险最小为准则的判别规则以错分概率或风险最小为准则的判别规则 1、概率判决函数和贝叶斯判决规则、概率判决函数和贝叶斯判决规则第六页，共78页幻灯片根据贝叶斯公式可得：P (wi

3、) wi 类出现的概率，也称先验概率。类出现的概率，也称先验概率。P (wi/X)在在wi 类中出现类中出现X的条件概率，的条件概率， 也称也称wi 类的似然概率。类的似然概率。P (X/wi) X属于属于wi 的后验概率。的后验概率。 P (X) 对各个类别都是一个常数，对各个类别都是一个常数，故可略去所以，判决函数可用下式表示：故可略去所以，判决函数可用下式表示： )()/()(iiiPXPXd)()()/()/(XPPXPXPiii第七页，共78页幻灯片8为了计算方便，将上式可以用取对数方式来处理。即 同类地物在特征空间服从 正态分布，则类别 的概率密度函数: )(ln|ln212ln2

4、)()(21)(1iiiiTiiPnMXMXXd)(ln)/(ln)(iiiPXPXd)()(21exp)2()/(12/2/ 1MXMXXPTn第八页，共78页幻灯片去掉与去掉与i值无关的项对分类结果没有影响，因此上式值无关的项对分类结果没有影响，因此上式可简化为：可简化为： 相应的贝叶斯判决规则为：相应的贝叶斯判决规则为：若对于所有可能的若对于所有可能的 j =1,2,m; ji 有有 , 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)(1ii

5、iiTiiPMXMXXd第九页，共78页幻灯片贝叶斯判决规则是以错分概率最小的最优准则 第十页，共78页幻灯片112、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。概率判决函数那样偏重于集群分布的概率判决函数那样偏重于集群分布的统统计性质计性质，距离判决函数偏重于集群分布的，距离判决函数偏重于集群分布的几何位置几何位置。 第十一页，共78页幻灯片 根据距离判决函数分类第十二页，共78页幻灯片13距离判别规则是按最小

6、距离判别的原则距离判别规则是按最小距离判别的原则 n 马氏（马氏（Mahalanobis）距离）距离 n 欧氏（欧氏（Euclidean）距离）距离 n 计程（计程（Taxi）距离）距离 基于距离判别函数和判别规则，在实践中以此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。为原理的分类方法称为最小距离分类法。 第十三页，共78页幻灯片1 1）马氏距离）马氏距离 )()(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离到类重心之间的加权距离，其权系数为协方差。，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

7、先验概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第十四页，共78页幻灯片n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n将协方差矩阵限制为对角的将协方差矩阵限制为对角的n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都相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。同情况下的特例。 2 2）欧氏距离）欧氏距离 则有第十五页，共78页幻灯片nX到集群中心在多维空间中距离的绝对到集群中心在多维空间中距离的绝对值之总和来表示值之总和来表示 mjijTiMXd1|3

8、 3）计程（）计程（TaxiTaxi）距离）距离第十六页，共78页幻灯片第十七页，共78页幻灯片183、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思想: 以一个包括该集群的以一个包括该集群的“盒子盒子”作为该作为该集群的集群的判别函数判别函数。判决规则判决规则为若未知矢量为若未知矢量X落入该落入该“盒盒子子”，则，则X分为此类，否则再与其它盒子分为此类，否则再与其它盒子比较。比较。第十八页，共78页幻灯片19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

9、法。这种分类法在盒子重叠区域有错在盒子重叠区域有错分现象。分现象。错分与比较错分与比较盒子的先后次序有关。盒子的先后次序有关。 第十九页，共78页幻灯片(二二) 分类过程分类过程 原始影像数据的准备原始影像数据的准备图像变换及特征选择图像变换及特征选择分类器的设计分类器的设计初始类别参数的确定初始类别参数的确定逐个像素的分类判别逐个像素的分类判别形成分类编码图像形成分类编码图像输出专题图输出专题图第二十页，共78页幻灯片21n 选择样本区域第二十一页，共78页幻灯片计算每个类别的 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 将样本数据在特征空间进行聚类第二十

10、二页，共78页幻灯片根据判别函数逐个像素的分类判别第二十三页，共78页幻灯片？老城区老城区分类结果影像的形成分类结果影像的形成第二十四页，共78页幻灯片分类得到的专题图第二十五页，共78页幻灯片(三三) 影响监督分类精度的几个方面影响监督分类精度的几个方面: 1. 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根据感兴趣地物的特征进行有针对性的特征变换，加快分类速度，提高分类精度。特征变换，加快分类速度，提高分类精度。 2. 分类的类别数与实际是否相符分类的类别数与实际是否相符?第二十六页，共78页幻灯片 3. 训练样区的选择训练样区的选择训练样区的选择要注意训练样区的

11、选择要注意准确性、代表性准确性、代表性和统计性和统计性三个问题。三个问题。准确性就是要确保选择的样区与实际地准确性就是要确保选择的样区与实际地物的一致性物的一致性代表性一方面指所选择区为某一地物的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代表，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况物光谱特性的波动情况统计性是有足够多的像元。统计性是有足够多的像元。第二十七页，共78页幻灯片284 . 分类方法（判决函数和判决规则）分类方法（判决函数和判决规则）第二十八页，共78页幻灯片29( (四四

12、) )监督法分类的优缺点监督法分类的优缺点优点：优点： .根据应用目的和区域，有选择的决定分类类别，避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；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精确分类，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第二十九页，共78页幻灯片30n主观性；主观性；n由于图象中间类别的光谱差异，

13、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；n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；n只能识别训练中定义的类别。只能识别训练中定义的类别。缺点缺点第三十页，共78页幻灯片318-4非监督分类非监督分类二二 非监督分类非监督分类仅凭遥感影像地物的光谱特征的分布仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行规律，即自然聚类的特性，进行“盲目盲目”的分类；的分类；其类别的属性是通过分类结束后目视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。判读或实地调查确定的。第三十一页，共78页幻灯片32(一一

14、) 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是使每一聚类中，多模式点到该类别的中心的距离的中，多模式点到该类别的中心的距离的平方和最小。平方和最小。 基本思想基本思想是：通过迭代，逐次移动各类是：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。的中心，直至得到最好的聚类结果为止。第三十二页，共78页幻灯片第三十三页，共78页幻灯片34第三十四页，共78页幻灯片35第三十五页，共78页幻灯片36缺点缺点:这种算法的结果受到所选聚类中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

15、的影响，并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，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因此可能产生不同的初始分类得到不同的结果。的结果。第三十六页，共78页幻灯片37(二二) ISODATA算法聚类分析算法聚类分析 可以可以自动地进行类别的自动地进行类别的“合并合并”和和“分裂分裂”，从而得到类数比较合理的，从而得到类数比较合理的聚类结果。聚类结果。 第三十七页，共78页幻灯片选定初始类别中心选定初始类别中心输入迭代限值参数输入迭代限值参数:I,Tn, TS ,TC对样本像素进行聚类并统计对样本像素进行聚类并统计ni,m,ni T

16、S 确定分裂后的中心确定分裂后的中心DIK TC 确定并类后的中心确定并类后的中心输出输出否否否否是是否否否否是是ISODATA算法过程框图算法过程框图 每类集群允许每类集群允许 的最大标准差的最大标准差 集群允许的最集群允许的最 短短距离距离 每类集群至少的每类集群至少的点数点数 是是迭代次数迭代次数第三十八页，共78页幻灯片第三十九页，共78页幻灯片40(三三) 平行管道法聚类分析平行管道法聚类分析 它以地物的它以地物的光谱特性曲线为基础光谱特性曲线为基础，同类地物在特征空间上表现为以特征同类地物在特征空间上表现为以特征曲线为中心，以相似阈值为半径的管曲线为中心，以相似阈值为半径的管子，此

17、即为所谓的子，此即为所谓的“平行管道平行管道”。 这种聚类方法实质上是一种基于这种聚类方法实质上是一种基于最邻近规则的试探法。最邻近规则的试探法。 第四十页，共78页幻灯片第四十一页，共78页幻灯片428-5 非监督分类与监督分类的结合非监督分类与监督分类的结合通过非监督法将一定区域聚类成不同通过非监督法将一定区域聚类成不同的单一类别的单一类别 监督法再利用这些单一类别区域监督法再利用这些单一类别区域“训训练练”计算机计算机 使分类使分类精度精度得到保证的前提下，分类得到保证的前提下，分类速度速度得到了提高得到了提高 第四十二页，共78页幻灯片438-6 分类后处理和误差分析分类后处理和误差分

18、析一分类后处理一分类后处理1、分类后专题图像的格式、分类后专题图像的格式遥感影像经分类后形成的专题图，用编号、遥感影像经分类后形成的专题图，用编号、字符、图符或颜色表示各种类别。字符、图符或颜色表示各种类别。第四十三页，共78页幻灯片44 原始遥感图像对应的专题图像第四十四页，共78页幻灯片2、 分类后处理分类后处理 用光谱信息对影像逐个像元地分类，在用光谱信息对影像逐个像元地分类，在结果的分类地图上会出现结果的分类地图上会出现“噪声噪声”第四十五页，共78页幻灯片46 n“噪声噪声” 地类交界处的像元中包括有多种类别，地类交界处的像元中包括有多种类别，其混合的幅射量造成错分类其混合的幅射量造

19、成错分类分类是正确的，但某种类别零星分布于分类是正确的，但某种类别零星分布于地面，占的面积很小，我们对大面积的地面，占的面积很小，我们对大面积的类型感兴趣。类型感兴趣。第四十六页，共78页幻灯片47平滑时中心像元值取周围占多数的类别 第四十七页，共78页幻灯片平滑前后的一个例子第四十八页，共78页幻灯片49 二、分类后的误差分析二、分类后的误差分析利用一些样本对分类误差进行估计。利用一些样本对分类误差进行估计。采集样本的方式有三种类型：采集样本的方式有三种类型： 来自监督分类的训练样区；来自监督分类的训练样区； 专门选定的试验场；专门选定的试验场； 随机取样。随机取样。 第四十九页，共78页幻

20、灯片50n混淆矩阵 分类精度的评定 实际类别 试验像元的百分比%类别1 类别2 类别3 试验像元 1 2 3 84.3 4.9 10.8 8.5 80.3 11.2 6.1 4.1 89.8100% 102100% 152100% 49第五十页，共78页幻灯片51平均精度平均精度nS =（84.3%+80.3%+89.8%）/3=84.8%加权平均精度加权平均精度nS =84.3%*102+80.3%*152+89.8%*49）/(102+152+49)=83.2%第五十一页，共78页幻灯片52检验混淆矩阵21p1np1p12p22p2np2pnp1np2nnpnp1p2pnpp实测数据类型

21、分类数据类型实 测总和12n12 .n分类总和11p第五十二页，共78页幻灯片53njijipP1= niijjpP1p为分类所得到的第i类的总和； 为实际观测的第j类的总和； 样本总数总体分类精度制图精度：正确分类/参考数据中的该类用户精度：正确分类/所有分为该类iiiuppPj/jjjApppj/PpPnkkki/1与分类精度有关的参数第五十三页，共78页幻灯片54Kappa分析（系数）riiiririiiiippNpppNK1211)()(第五十四页，共78页幻灯片55n遥感数据本身制约n光谱：相似性，时相与环境n空间分辨力n分类方法n单点分类n空间结构信息没有利用知识回顾：知识回顾：n

22、监督分类与非监督分类监督分类与非监督分类n制约分类精度的原因制约分类精度的原因第五十五页，共78页幻灯片56提高分类精度的方法n1.分类前预处理n校正（辐射和几何）n变换n空间信息提取（ 纹理）n2.分类树与分层分类n一次分类不能满足精度要求时，进行多次分类第五十六页，共78页幻灯片57提高分类精度的方法n3.混合分类（多分类器结合）n监督法与非监督法n4.多种信息复合n遥感信息非遥感信息n5.与GIS集成nGIS与遥感数据复合分类n间接支持分类n用于选样区，检验样区，纠正等第五十七页，共78页幻灯片58提高分类精度的方法n6.基于目标的遥感图像分类nE-COGNITION软件n图象分割n模糊

23、分类n精度评定第五十八页，共78页幻灯片598-7 非光谱信息在遥感图像分类中的应用非光谱信息在遥感图像分类中的应用一一 高程信息在遥感图像分类中的应用高程信息在遥感图像分类中的应用 1.地面高程地面高程“影像影像”可以直接与多光谱影可以直接与多光谱影像一起对分类器进行训练像一起对分类器进行训练 第五十九页，共78页幻灯片607.5米等高线第六十页，共78页幻灯片61DEM影像第六十一页，共78页幻灯片62 2.将地形分成一些较宽的高程带，将多光将地形分成一些较宽的高程带，将多光谱影像按高程带切片（或分层），然后谱影像按高程带切片（或分层），然后分别进行分类。分别进行分类。第六十二页，共78页

24、幻灯片63二二 纹理信息在遥感图像分类中的应用纹理信息在遥感图像分类中的应用 纹理信息提取纹理信息提取:目前用得比较多的方法包目前用得比较多的方法包括：共生矩阵法、分形维方法、马尔可夫随括：共生矩阵法、分形维方法、马尔可夫随机场方法等。机场方法等。第六十三页，共78页幻灯片Cosmo-SkyMed高分辨率雷达图像高分辨率雷达图像 第六十四页，共78页幻灯片651.纹理影像直接与多光谱影像一起对分类纹理影像直接与多光谱影像一起对分类器进行训练器进行训练2.先利用多光谱信息对遥感图像进行自动先利用多光谱信息对遥感图像进行自动分类。再利用纹理特征对光谱分类的结分类。再利用纹理特征对光谱分类的结果进行

25、进一步的细分果进行进一步的细分3. 智能的方法智能的方法 (神经元网络方法等神经元网络方法等)第六十五页，共78页幻灯片6689 计算机自动分类的新方法计算机自动分类的新方法一一 面向对象的遥感信息提取面向对象的遥感信息提取问题的提出问题的提出 基于像素级别的信息提取以单个像素基于像素级别的信息提取以单个像素为单位为单位,过于着眼于局部而忽略了附近整过于着眼于局部而忽略了附近整片图斑的几何结构情况，从而严重制约片图斑的几何结构情况，从而严重制约了信息提取的精度了信息提取的精度第六十六页，共78页幻灯片67方法方法 首先对图像数据进行影像首先对图像数据进行影像分割分割,影像影像的最小单元不再是单

26、个的像素，而是一的最小单元不再是单个的像素，而是一个个个个对象对象(图斑图斑), 后续的影像分析和处理后续的影像分析和处理也都基于对象进行。也都基于对象进行。第六十七页，共78页幻灯片68 优点优点 面向对象的遥感信息提取，综合考虑面向对象的遥感信息提取，综合考虑了光谱统计特征、形状、大小、纹理、了光谱统计特征、形状、大小、纹理、相邻关系等一系列因素，因而具有更高相邻关系等一系列因素，因而具有更高精度的分类结果。精度的分类结果。第六十八页，共78页幻灯片69二二 神经元网络方法神经元网络方法 （Artificial Neural Netwroks，简称ANN） 人工神经网络人工神经网络是由具有适应性的简单单是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体作能够模拟生物神经系统对真实世界物体作出交互反应。出交互反应。第六十九页，共78页幻灯片70 ANN与经典计算方法相比与经典计算方法相比 ANN对处理大量原始数据而不能用规