第十章 遥感图像计算机信息提取.ppt

1、第十章 遥感图像计算机信息提取,10.1 遥感图像计算机分类的基本原理 10.2 监督分类和非监督分类 10.3 神经网络及其他分类方法 10.4 分类精度的评价和提高 10.5 遥感图像计算机信息提取的其他基本方法,10.1 遥感图像计算机分类的基本原理,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。 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,10.1 遥感图像计算机分类的基本原理,1.计算机判读：以计算机系统为支撑环境，利用模式识别技术与

2、人工智能技术相结合，根据目标地物的影像特征（颜色、形状、纹理、空间位置），结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理,实现对遥感图象的理解,完成对遥感图象的解译. 2.模式：即某种实物的标准形式或使人可以照着做的标准样式。 举例：某地物的光谱特征曲线反映了该地物的反射特性，所以，该光谱特征曲线就是该地物的一个模式。,10.1 遥感图像计算机分类的基本原理,3.模式识别：即对需识别或分类的对象，进行一系列测量（例对未知类别的地物，测量它在等波长处的反射特性）然后将这一系列测量所构成的模式与已知类别的地物模式作比较，看它与那一个相同或相似，即判认它是属于哪一个类别的地物。 4

3、. 计算机判读与目视判读目的一样，但在判读和识别地物的模式方面，有着明显的不同: 目视判读：主要以图像的空间特征（地物的几何特征和光谱特征的空间反映）为判读依据。 计算机判读：主要以图像像元的灰度（地物光谱特征的直接反映）为判读依据。,10.1 遥感图像计算机分类的基本原理,5.计算机判读实现的思想基础 同类地物具有相同（似）的光谱特征。 不同地物的光谱特征具有明显的差别。由于影响地物光谱特征的因素很多，所以影像的判读分类都是建立在统计分析的基础上的。 同类地物的图像灰度概率在单波段（一维空间）符合正态分布规律。 多维图像（即多波段） 同类地物的像元值，即不集中于一点，也绝非是杂乱无章的分布，

4、而是相对地密集在一起，形成一个点群（一个点群就是地物的一种类别）。一般情况下，点群的边界不是截然的，有少部分重叠和交错的情况。,10.1 遥感图像计算机分类的基本原理,特征点集群在特征空间的分布情况。 理想情况不同类别地物的集群至少在一个特征子空间（即某一波段图像）中是完全可以区分开的。此时，可在相应的子空间图像中采用简单的“图像密度分割的方式”实现分类。 典型情况不同类别地物的集群在任一子空间中都有相互重叠的现象存在。但在总的特征空间中却是可以完全区分的。（即利用单波段图像不能实现完善分类，而利用多波段图像在多维空间中才可能实现精确的分类。） 一般情况无论在任一子空间，还是在总的特征空间，不

5、同类别地物的集群之间总是存在有重叠现象。则重叠部分的特征点所相应的地物，在分类时会出现不同程度的分类误差。,10.1 遥感图像计算机分类的基本原理,利用计算机根据地物光谱特征进行自动判读分类，只要能确定地物类别在特征空间的位置、范围和边界就完成了判读分类的任务。 位置一个点群的中心，计算图像灰度的均值向量（即数学期望） 范围计算图像灰度的标准差向量（即点群的离散程度） 边界应用所谓鉴别函数（边界函数），鉴别图像像元的类别归属。,图像分类与模式识别,模式识别则是人们沿着仿生学的道路，用电子计算机系统作为工具来模拟人类的感知和识别智能。图像分类是模式识别在遥感技术领域中的具体运用 解决模式识别问题

6、的数学方法，一般包括：统计法（决策论方法）、语法结构法（句法方法）、模糊法以及神经网络法。,图像分类理论依据,遥感图像中的同类地物在相同的条件下（纹理、地形等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性； 即同类地物像元的特征向量将集群在同一特征空间区域； 而不同的地物其光谱信息特征或空间信息特征将不同，集群在不同的特征空间区域。,关键问题,选择适当的分类规则，通过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。 确定判别函数和相应的判别准则。,10.1 遥感图像计算机分类的基本原理,（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

7、界限。 （2）点群中心是这一类地物类别像元特征值的均值向量。 （3）点群的范围这一类地物类别像元特征值的标准差向量（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。 （5）如果通过选择代表各类的已知样本（训练区）的像元光谱特征事先取得各类别的参数，确定判别函数，再进行分类，是监督分类；如果根据事先指定的某一准则让计算机自动分类进行判别归类，无人干涉，则是非监督分类。,计算机图像分类的方法,监督分类法：在研究区域选有代表性的训练场地作为样本，通过选择特征参数（如亮度的均值、方差等），建立判别函数，对样本进行分类，依据样本的分类特征来识别样本像元

8、的归属类别的方法。 非监督分类法：没有先验的样本类别，根据像元间的相似度大小进行归类，将相似度大的归为一类的方法。,遥感数据的计算机分类法,遥感图像的分类（Classfication) 是将图像所有的像元按性质分为若干类别(Class)的过程。 分类的核心是确定判别函数和相应的判别准则。 分类的依据是地物的光谱特征。 分类的方法有监督分类和非监督分类（）。,遥感数据计算机分类的一般步骤,（1）分类预处理 （2）特征选择 （3）分类） （4）分类后处理 （5）专题图制作,监督分类和非监督分类,一、非监督分类 （1）波谱图形识别分类 （2）聚类分析 常用的聚类分析统计量：距离系数、相似系数、相关系

9、数。 聚类算法：聚合法、分裂法,非监督分类的具体方法,监督法分类可分为七个主要步骤，具体功能如下： 确定感兴趣的类别数用于确定要分类的地物，以建立这些地物的先验知识。 特征变换和特征选择通过该项处理，即能减少参加分类的影像数，加快分类速度，又能满足分类需要，提高分类精度。 选择训练样区选择合适的训练样区是获取正确的分类结果的必要条件，因为监督分类关于类别的数字特性都是从训练样区中获得的。 训练样区选择时必须注意准确性、代表性和统计性三个问题。 确定判别函数和判别规则利用训练样本的数据统计计算出判别函数的参数，以利用判别函数和攀比规则对其他非样本取得数据进行分类。 依据判别函数和判别规则对非训练

10、样区进行分类。 对可能存在的误分目标进行人工干预改正。 对结果利用现有资料进行精度评价。,非监督分类特点,10.3 神经网络及其他分类方法,一、神经网络分类 二、模糊分类 三、邻域分类,模糊分类的原理,模糊分类法与常规分类法不同，它认为一个像元是可分的，即一个像元可以是在某种程度上属于某个类而同时在另一种程度上属于另一类，这种类属关系的程度用像元隶属度表示。 运用模糊分类的关键是确定像元的隶属度函数。确定像元的隶属度函数的数学模型和方法很多。一般，在遥感图像模糊分类中采用最大似然分类算法来确定像元属于各类的隶属度函数。,10.4 分类精度的评价和提高,分类后处理：精度评价,分类后处理,碎斑处理

11、 类别合并 分类结果统计 类间可分离性分析（通过距离矩阵来实现） 栅矢转换 结果验证,小斑点处理 运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有Majority/Minority分析、聚类（clump）和过滤（Sieve）和。这些工具都可以在主菜单-Classification-Post Classification中找到。 Majority/Minority分析和聚类（clump）是将周围的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。,1）类别定义

12、：在display中显示原始影像，在display-overlay-classification，选择ISODATA分类结果，在Interactive Class Tool面板中，可以选择各个分类图4影像与分类结果的叠加 Interactive Class Tool面板中，选择Option-Edit class colors/names。通过目视或者其他方式识别分类结果，填写相应的类型名称和颜色。 在类别定义时候，可以利用Mode：Polygon Add to Class、Edit-Mode：Polygon Delete from Class或者Set delete class value把很

13、明显的错误分类结果并入或者删除。 2)类别合并选择主菜单-Classification-Post Classification -Combine Classes。把同一类的类别合并成一类，在点击ok后，需要选择输出文件和Remove Empty Class选择YES，可以得到结果。,类别定义和合并,分类统计分析,主菜单-Classification-Post Classification-Class Statistics。包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。,分类精度分析,混淆矩阵 制约分类精度的因素：遥感图像、分类方法 等等,精度分析依据：混淆矩阵和ROC

14、曲线,对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。 真实参考源可以使用两种方式：一是标准的分类图，二是选择的感兴趣区（验证样本区）。两种方式的选择都可以通过主菜单-Classification-Post Classification-Confusion Matrix或者ROC Curves来选择。,精度分析,真实的感兴趣区参考源的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的TM影

15、像当作是高分辨率影像，在上面进行目视解译得到真实参考源。直接利用ROI工具，在TM图上均匀的选择6类真实参考源。 选择主菜单-Classification-Post Classification-Confusion Matrix-Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。,混淆矩阵,混淆矩阵中的几项评价指标,（1）总体分类精度 等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次

16、精度分类精度表中的Overall Accuracy =总体精度 = (131003/256000) 51.1730% （2）Kappa系数 它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。 Kappa 系数= 0.2648 (1849/2346),混淆矩阵中的几项评价指标,（3）错分误差 Commission 指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。在混淆矩阵例子里，草地类共有地表真实像

17、元 109484 个，其中 64516 个像元分类是正确的，37905 个是其它像元被误认为草地的（37905 是混淆矩阵中草地一行其它类的总和）。在地表真实分类中，分类不正确的像元数占参与分类的像元总数的比例形成了 Commission 误差。对于草地分类 Commission 误差为 37,905/109,484=34.6%. 。 （4）漏分误差 Omission 指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。在混淆矩阵例子里，草地类一共有地表真实像元 109,484个，其中64516个像元是分类正确的，其余的 44968 个都是误被分为草地真实像元的（在混淆矩阵中草地一列

18、，其它类的总和是 44968）。被误分类的像元占地表真实分类像元总数的比例被称为Omission冗长误差。对于草地类，冗长误差为 44,968/109,484=41.1%。,混淆矩阵中的几项评价指标,（5）制图精度 是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。在混淆矩阵例子里，草地类共有109484个地表真实像元，其中 64516 个像元是正确分类得到的。生产者精度是 64,516/109,484 =58.9% 。 （6）用户精度 是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行

19、的总和）比率。在混淆矩阵例子中，分类器将 102421 个像元归到草地一类中，但是只有 64516 个像元是正确归类的。用户精度是 64,516/102,421=63.0%.。,计算结果,10.5 遥感图像计算机信息提取的其他基本方法,一、空间信息的计算机提取法：面向对象图像分类法 等 二、专家系统分类：决策树分类法 等 三、遥感信息计算机提取技术展望 1.多信息融合 2.多技术综合 3.基于三维信息提取,常用遥感图像分类处理软件,目前国内常用的遥感图像处理软件有： Erdas：美国亚特兰大ERDAS公司集遥感和GIS于一身的软件。 Envi：美国Better Solutions Consul

20、ting 有限公司开发的遥感图像处理软件。 Idris：是由美国可克拉克大学地理学研究生院制图技术与地学分析实验室开发的。 Er-mapper：Earth Resource公司开发的图像处理软件。 PCI:加拿大PCI公司的产品，处理遥感图像。,利用遥感图像为数据源进行土地利用动态变化分析（主要流程）,利用遥感图像为数据源进行土地利用动态变化分析（主要流程）,10.6 面向对象的信息提取,基于像素的信息提取：只反映光谱的自身特点，信息有限，像素层次； 面向对象的信息提取：考虑像素周边区域，基于概念层次；,基于像素,面向对象,基于像元分类的局限性,Limitations of pixel bas

21、ed analysis,of color/digital value,of texture in a certain environment,Classification,分类只利用了像元值和某些纹理信息,基于像元分类的局限性,No meaningful context information,Limitations of pixel based analysis:,分类没有利用有意义的上下文信息,遥感影像的空间分辨率越来越高，呈现如下特点： 单幅影像的数据量显著增加； 成像光谱波段变窄； 地物的几何结构、纹理信息等空间信息更多更明显； 从二维信息到三维信息； 高时间分辨率。,新影像分类VS传

22、统影像分类,传统分类方法在高分辨率遥感影像中面临的问题： 影像上表现出更多的类型和差异，增加了分类的难度； 影像增加的地物细节信息，干扰分类的结果； 传统方法较多地利用光谱信息，而几乎没有利用几何结构、纹理等在高分辨率影像中很重要的空间信息； 传统方法得到的分类结果过于破碎，改进分类结果的处理运算量增大；,面向对象的信息提取优越性,改善图像分析和处理结果； 提高处理和分析效率； 提升空间分析功能 促成多源数据的融合，引导GIS和RS的整合。,面向对象分类的提出,面向对象的影像分析,面向对象的遥感影像分析是针对高分辨率影像应用而兴起的一种新的遥感影像分析技术。 和传统的影像处理方法不同，面向对象

23、影像分析的基本处理单元是影像对象，而不是单个的像元。甚至连分类的过程也是基于影像对象的。 面向对象影像分析的目的：希望基于真实世界中目标地物来提取影像信息，而且要求目标物具有较高的形状与类别一致性，这一要求通过基于像元的技术是很难达到的。 面向对象影像分析有两个独立的模块：对象生成与信息提取。对象生成是采用分割技术生成属性信息不同的影像对象的过程，即影像分割。,基本概念,尺度（scale） 特征（feature） 上下文信息（context information） 影像分割（image segmentation） 模糊分类系统（fuzzy classification systems）,概念

24、尺度,尺度：实体、模式与过程被观察与表示的空间大小与时间间隔。表示观测者感兴趣的信息所处的逻辑层次。 面向对象影像分析中的尺度：指影像分割的尺度，是一个关于多边形对象异质性最小的阈值，决定生成影像对象的级别大小。分割尺度不同所生成的影像对象大小也不同，不同分割尺度层的影像体现为明显的空间结构特征差异。,多尺度分割示意图,概念影像分割,不同尺度下影像分割的结果,影像分割：采用分割技术生成属性信息不同的影像对象的过程。分两步： 对整幅影像进行尺度空间的构建，即根据所预设的尺度分割参数将影像中的像元划分为不同亮度值的区域； 根据其他的分割参数提取出不同的对象多边形。,概念特征,影像对象的特征是影像分

25、析与信息提取的主要依据，从概念的角度来看，影像对象的特征可分为三类： 固有特征 对象的物理属性，由真实的地物与成像状态(传感器与太阳辐射)决定。这类特征描述对象的图层值、颜色、纹理和形状。 拓扑特征 描述对象之间或整个观察窗口内的几何关系，如左侧、右侧、到一个指定对象中心的距离、在影像中所处区域位置。 上下文特征 描述对象语义关系的信息，如公园是100%被城区所包围。,概念上下文信息,全局上下文信息 描述影像的状态，成像时间、传感器、位置等； 局部上下文信息 描述影像区域的共同联系和含义。,概念模糊分类系统,基本思想：常规分类中，一个基本实体（像元）只能属于某一类而不能同时属于另一类；模糊分类

26、则认为，一个基本实体（影像对象）在某种程度上属于某类的同时还分别在不同程度上属于其它的类。 用从0到1的连续范围来取代二值的确定逻辑状态“是”与“非”，它给出对象对于所有给定类的隶属度，最大的隶属度将决定对象的类型归属，如果所有的隶属度均为0，那么这一对象将不进行分类。,模糊化 （fuzzification）,模糊规则库 （fuzzy rule base）,对象 (object),反模糊化 （defuzzification）,分类 （classify）,分类图 (class-image),分类流程图,面向对象的分类原理,根据像元的形状、颜色、纹理等特征，在一定尺度上对影像进行影像分割生成影像对

27、象，即把具有相同特征的像元组成一个影像对象； 根据每个影像对象的特征进行分类。不同于传统的基于像元光谱值的方法，而采用决策支持的模糊分类算法，建立不同尺度的分类层次，在每一层次上分别定义对象的： 光谱特征，包括均值、方差、灰度比值等； 形状特征，包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性、位置等； 纹理特征，包括对象方差、面积、密度、对称性、主方向的均值和方差等； 上下文关系特征和相邻关系特征。 通过定义多种特征并指定不同权重，给出每个对象隶属于某一类的概率，建立分类标准，并按照最大概率先在大尺度上分出“父类”，再根据实际需要对感兴趣的地物在小尺度上定义特征，分出“

28、子类”，最终产生确定分类结果。,面向对象的分类特点,面向对象影像分类的重要特点是分类的特征是基于影像对象来计算的而不是基于单个像元计算的，利用了许多由影像对象得到的相关信息。 像元通常只包含有三种信息:光谱值、位置与大小。 而影像对象所包含的信息则很丰富，除上述光谱信息外，还包括： 形状特征、纹理特征、基于层次网络的影像对象之间的关系，等等。 根据这些信息，类别之间的语义差异就更明显了，分类的精度当然也提高很多。,准备工作,空间分辨率的调整 光谱分辨率的调整 多源数据组合 空间滤波,导入数据,基本影像（Base Image） （必选） 辅助数据（Ancillary Data）（可选） 掩膜文件

29、（Mask File） （可选）,演示操作,面向对象分类的步骤：,(1) 从主菜单选择 Processing /Feature Extraction； (2) 弹出ENVI Feature Extraction对话框，查找目标的过程分为三步： Segment, Merge和Refine。完成一步点击next 会进入下一步，在任何时候您都可以点击Previous按钮返回到上一步。 (3) 在进行Segment 和 Merge时使用滑动条调整分割域值;可以直接用鼠标左右拖动滑块（可以配合键盘shift键），或者点击指示器或者使用键盘上下键来调整分割的域 (4) 然后对特征地物进行分类。,分割影像,FX根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。 选择高尺度影像分割将会分