遥感原理与应用分析

1、第八章遥感图像自动识别分类、内容概述、基本知识特征转换和特征选择监督分类监督分类未监督分类监督分类分类分类分类和未监督分类的组合分类后处理和错误分析非谱信息分类语法模式识别自动分类的新方法、概述、遥感图像的计算机分类、遥感技术领域中模式识别技术的具体应用是人类自然识别智能计算机分类。人的认知手动模拟是使用决策理论或统计方法提取反映模式特性的测量值集。这称为特征谱和纹理特征，8.1基本知识、模式和模式识别光谱特征空间图的群集统计特征、8.1.1模式和模式识别、模式识别系统对识别的模式进行一系列测量，然后将测量单位与模式词典中的“一般”测量值集进行比较。与词典中的任何“词类”比较结果一致或比较一致

2、，我们就能得到所需的分类结果。此过程称为模式识别。这组测量值为一种模式。模式和模式识别、姚明ROCKETS 11、模式识别的应用、车牌识别、模式识别的应用、字符分类、模式识别的应用、遥感图像分类、8.1.2光谱特征空间、同一波段图像中不同图片的亮度通常是不同的。在多个波段图像中，具有相同名称的地物点的亮度在不同波段图像中表示亮度的视图测量构成了称为光谱特征向量的多维随机向量x，例如TM图像上的点TM=TM1，TM2，TM3，TM4，TM5，TM6，TM7。特征空间的图聚类、8.1.3特征空间的簇统计特性、特征空间的图聚类通常表示为特征点(或对应的随机向量)分布的概率密度函数、8.2特征变换和特

3、征选择、目的：减少参与分类的特征图像的数量，并从原始信息中提取分类更好的特征图像。要素转换使用现有的m值集合作为转换，然后创建一组新要素图像作为n个要素(nm)要素选择标准，转换8.2.1要素，概念：将原始图像集中在几个要素图像上的特定数字转换。目的：有助于减少数据量，相关，分类。一般特征转换：主元件转换、哈达玛转换、尖峰帽转换、比率转换、生物量指数转换。scatter plot reveals relationship between information in two bands here : Correlation coefficient=0.137，red，NIR主分量变换，也称为K

4、L变换，主分量变换是具有最小平均平方误差的最佳正交变换KL变换，通过将有用信息集中到原始多个频带中尽可能少的要素图像组中，实现数据压缩。KL转换还可以提高类别的可分离性，以便新要素图像包含的信息的内容不会重叠，从而使新要素图像之间没有相互关联。主成分变换计算阶段，(1)平均向量m和协方差矩阵c计算；(2)计算矩阵c的特征值和特征向量。(3)将特征值从大值到小值排序(4)选择与以前特征值相对应的多个特征向量以构造转换矩阵n。(5)基于nX变换，新特征图像是变换的结果，x是多光谱图像的光谱特征向量。、MSS关键组件转换前后的信息分布、TM关键组件转换前后的信息分布、关键组件转换、PC-1、PC-7

5、，2。hadama转换，hadama转换是使用hadama矩阵作为转换矩阵新实现的遥感多光谱域转换。哈达玛矩阵的变换核心是哈达玛变换，哈达玛矩阵的维数n总是2的倍数。每个父哈达玛矩阵的哈达玛变换的几何意义定义如下：哈达玛变换的几何意义可以从哈达玛变换内核中看出，哈达玛变换实际上是轴为45的正交变换，哈达玛变换的几何意义以4波段陆地卫星图像的哈达玛为例，第二哈达玛变换矩阵，h0=(x4x5) (x6x7) h1=(x4 X5)-。3 .尖峰封口变换(也称为K-T变换)由KauthThomas建议，也是线性特征变换。MSS图像信息在一段时间内的空间分布类似于顶部有卷轴的毛皮帽子，具有规则的形状。特

6、征1:在MSS图像中，土壤位于特性空间(光谱空间)的簇内，根据亮度的变化趋势，在从坐标原点出发的相同放射线方向出现。特征2:将土壤和植物的混合簇投影到由MSS5和MSS6波段图像组成的特征子空间，形成近似帽子形状的三角形，穗帽变换，Y=ax Y=(isb IGV IY IN)t x=(x4 X5 X6 x7)isb土壤亮度轴的像素亮度值IGV植物绿色指示器轴的像素亮度值IY SB组件和GV组件通常是第一组件转换的第一主要组件PCI和第二主要组件PC2 SB组件集中了大部分土壤信息，因此土壤的分类有效GV组件对植物的分类有效，4 . 相当于生物量指标转换、Ibio生物量转换后的亮度值。X7、X5

7、是MSS7和MSS5图像的像素亮度值。植物、土壤和水分开，使绿色植物的数量能够独立统计。生物量指标转换，选择8.2.2特征，分类和定量选择的最佳特性图像集选择方法，“测量距离”分布矩阵测量类中分布矩阵类之间的分布矩阵整体分布矩阵，=，TM 7，4，1，TM 5，7，2，TM 5，4，3，预处理作业结束后，分类的数据就准备好了。接下来的任务是“找到”此数据提供的信息中计算机需要识别的类别的两种方法。一个是分类监督。另一种方法称为无监督分类。首先介绍监督分类。8.3监督分类，监督分类：根据遥感图像的示例区域本土的原始知识，可以根据这些示例类的特性识别非示例数据的类别。分类监控思想：首先，根据已知样

8、本类别和类别的事先知识，确定在特定数量的已知类函数中解决待定参数的过程，即称为学习或教育的判别函数及其判别标准，然后用判别函数替换对未知类别中样本的观察，并根据判别标准确定该样本所属的类别。分类、判别函数和判别规则分类过程监视，8.3.1判别函数和识别规则，确定每个类别的判别区域后，可以将特定特性向量所属的类显示和标识为若干称为识别函数的函数。计算向量并从其他类别的决定函数计算值后，必须指定判断向量是否属于特定类别的标准。如果结果函数值最大，矢量属于最大值对应的类。这种判断的依据，我们称之为判别规则。，概率判别函数：特定特征向量(x)落在簇类上的条件概率贝叶斯判别规则：x是簇的条件概率最大的类

9、为x的类别。贝叶斯判别规则错误概率或最小风险基准确定规则。假设：如果相似地物在要素空间中遵循正态分布，则类的概率密度函数将在表达式(8-2)中列出。贝叶斯公式标准：最大似然分类，最大似然分类，概率判别函数：相应的贝叶斯判别规则：所有可能的j=1，2，m；如果有J I，则x属于类。判决界限是(假定有两个类别)。最大似然法分类的误分概率，误分概率是类别判决边界两侧做出不正确判决的概率之和。贝叶斯决策边界在向左或向右移动时包含类2(而不是类1)的较大区域，因此最小化此数量的错误以增加总错误概率。贝叶斯决策规则是最小误差概率的最优准则。最小距离分类，基本思路：计算未知向量x到相关类别簇的距离，最近距离

10、，未知向量所属的类型。马尔可夫距离欧几里得距离、误拆分概率和确定边界、盒式分类、基本思路：首先通过培训示例区域中的数据，在特征空间中查找每个类别的位置和形状，然后将包含簇的“长方体”用作群集的判别函数。如果未知矢量x掉进此“长方体”中，则确定规则将x分类为此类别，否则将与其他长方体进行比较。、8.3.2分类流程，(1)确定兴趣类别数，(2)要素转换和要素选择，(3)选择培训抽样区域(4)确定决策函数和决策规则，(5)根据决策函数和决策规则对非培训抽样区域的图像区域分类，准确度：确保选定的样例区域与实际地物匹配。代表：选定的样本区域是特定图片的代表，考虑到图片本身的复杂性，反映了相似图片光谱特性

11、的变化。统计：这意味着选定的培训抽样区域必须包含足够数量的因素，以便此处计算的类别参数符合统计规律。(2)初始类别参数的形成，(3)样品数据的培训，每个类别的m和计算，类别的判别功能的设置，(4)按像素分类的判别，分类过程的监控，分类的缺点的监控，由于主观性图像中间类的光谱差异，没有正确获取教育样品的代表培训样品的获取和评价需要更多的人力。8.4无监督分类，无监督分类：也称为集群分析，在分类过程中不预先应用先验知识，只根据遥感影像测绘的光谱特性分布规律自动分类。分类方法：k-means聚类方法ISODATA算法聚类分析并行管道头发聚类分析，8.4.1 K- means聚类方法，算法标准：多模点

12、到类别中心距离的平方和最小值。算法阶段：(1)选择类m的初始中心(2)基于到类中心的距离最小的原则，像素分类(3)重新计算类中心(4)不改变类中心，算法终止；否则，将返回(2)、8.4.1 K- means群集方法、8.4.2 ISODATA算法群集分析。首先，每次调整抽样时，系统不会重新计算每个抽样类型的平均值。每种抽样类型的平均值称为按抽样修改方法，成批修改抽样方法。其次，ISODATA算法通过调整样本所属的类别，不仅可以完成样本的聚类分析，还可以自动“组合”和“分割”类别，从而获得更合理的类数聚类结果。，iso数据算法，1 .初始化(重复；分类数、类之间的初始阈值、类初始方差、类最小像素

13、数)；选择初始中心(立即选择；灰色范围对应于该级别。)根据特定规则(例如最小距离)分割所有像素；重新计算每个群集的平均值和方差。按初始化的参数拆分(类分布超过初始值，类别数小于初始类别数的一半，与迭代数相关)和合并(类之间的距离小于类之间的初始化阈值，类别数大于所需类别数的两倍，与迭代数相关)5。结束、重复或两次迭代之间的类别平均变化小于阈值；6.否则，重复步骤3到5。7.确认类别(现场调查)，准确度评估。假设8.4.3并行管道方法聚类分析，基于图的光谱特性曲线，基于相似图的光谱特性曲线作为判断标准。设定相似门槛相同插图以图征曲线为中心，图征曲线是具有相似临界值(在图征空间中称为平行管)的细管

14、。无监督的分类结果，无监督的分类特性，优点不需要对分类的其他领域有广泛的事前知识。需要一定的知识来说明结果群集组；人为错误的机会减少。数量少的类别可以区分。缺点创建的群集组类别不一定与分析人员所需的类别相对应。很难控制生成的类别。不同图像之间的对比度很难。8.5无监督分类和监督分类的组合，选择部分代表性地区作为无监督分类。获得有关多个群集类别的词典知识。选取图征。选择最适合后续分类的要素图像。要对整个图像进行分类，请使用监视方法。导出标记图像。8.6分类后处理和错误分析，分类后处理错误分析，8.6.1分类后处理，使用光谱信息对图像进行分类，结果的分类图中出现“噪声”。分类正确，但是有些类别零星分布在地面上，占用的面积很小，希望以复合方式从图形中消失。分类平滑技术可以解决上述问题。逻辑运算，非代数运算。处理原则服从多数决原则。大部分平滑进程，大部分平滑，8.6.2分类后的错误分析，使用混淆矩阵评估分类准确性。对于要审核其分类精度的示例区域中的所有对象，计算相应分类图的类别与实际类别之间的混淆。在混淆矩阵中，对角线的元素是正确分类的样本数，而不是对角线的元素是混合的样本数。混淆矩阵，表中的每个条目是实际测试参数占该类中像素总数的百分