第九章 遥感图像分类.ppt

《第九章 遥感图像分类.ppt》由会员分享，可在线阅读，更多相关《第九章 遥感图像分类.ppt（63页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第九章第九章 遥感图像分类遥感图像分类遥感影像计算机自动解译 利用利用计计算机通算机通过过对对遥感遥感图图像中各像中各类类地物的光地物的光谱谱信信息和空息和空间间信息信息进进行分析，行分析，选择选择特特征，并用一定的征，并用一定的手段将特征空手段将特征空间间划分划分为为互不重叠互不重叠的子空的子空间间，然后，然后将将图图像中的各个像中的各个像元划像元划归归到各个到各个子空子空间间去。去。特征特征能能够够反映反映地物光地物光谱谱信息和信息和空空间间信息并可用信息并可用于于图图像分像分类处类处理理的的变变量量遥感影像分类基于统计的方法和基于规则的方法监督分类和非监督分类硬分类和软分类逐像元分类和面

2、向对象分类分类标准按照逻辑准则组织的信息类别正确的分类学定义参考标准:美国规划协会的土地分类标准(LBCS)美国国家植被分类系统基于统计的分类方法遥感影像光谱特征分布特点遥感影像分类原理同同类类地物在相同的条地物在相同的条件下（件下（纹纹理、地形等）理、地形等），应应具有相同或相似具有相同或相似的光的光谱谱信息特征和空信息特征和空间间信息特征，从而表信息特征，从而表现现出同出同类类地物的某种地物的某种内在的相似性，即同内在的相似性，即同类类地物像元的特征向地物像元的特征向量将集群在同一特征量将集群在同一特征空空间间区域；而不同的区域；而不同的地物其光地物其光谱谱信息特征信息特征或空或空间间信息

3、特征将不信息特征将不同，集群在不同的特同，集群在不同的特征空征空间间区域。区域。基于光谱特征的分类原理遥感遥感图图像像计计算机分算机分类类的依据是遥感的依据是遥感图图像像素的相似度。像像素的相似度。常使用距离和相关系数来衡量相似度。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采用距离衡量相似度时时，距离越小相似度越大。，距离越小相似度越大。采用相关系数衡量相似度采用相关系数衡量相似度时时，相关程度越大，相似，相关程度越大，相似度越大。度越大。监督分类和非监督分类监督分类法：选择具有代表性的典型具有代表性的典型实验区或区或训练区，区，用用训练区中已知地面各区中已知地面各类地物地物样本的光

4、本的光谱特性来特性来“训练”计算机，算机，获得得识别各各类地物的判地物的判别函数或模式，并以函数或模式，并以此此对未知地区的像元未知地区的像元进行分行分类处理，分理，分别归入到已知的入到已知的类别中。中。非监督分类：是在没有先是在没有先验类别（训练场地）作地）作为样本本的条件下，即事先不知道的条件下，即事先不知道类别特征，主要根据像元特征，主要根据像元间相相似度的大小似度的大小进行行归类合并（即相似度的像元合并（即相似度的像元归为一一类）的方法。的方法。遥感分类基本过程1.1.根据根据图图像分像分类类目的目的选选取特定区域的遥感影像，考取特定区域的遥感影像，考虑虑空空间间分分辨率、光辨率、光谱

5、谱分辨率、成像分辨率、成像时间时间、图图像像质质量等。量等。2.2.根据研究区域，收集与分析地面参考信息与有关数据。根据研究区域，收集与分析地面参考信息与有关数据。3.3.根据分根据分类类要求和影像的特征，要求和影像的特征，选择选择合适的合适的图图像分像分类类方法和方法和算法。制定分算法。制定分类类系系统统，确定分，确定分类类别类类别。4.4.找出代表找出代表这这些些类别类别的的统计统计特征特征5.5.测测定定总总体特征，在体特征，在监监督分督分类类中可中可选择选择具有代表性的具有代表性的训练场训练场地地进进行采行采样样。在非。在非监监督分督分类类中，可用聚中，可用聚类类等方法等方法对对特征相

6、特征相似的像素似的像素进进行行归类归类，测测定其特征。定其特征。6.6.对对遥感遥感图图像中各像素像中各像素进进行分行分类类。7.7.分分类类精度精度检查检查。8.8.对对判判别别分析的分析的结结果果进进行行统计检验统计检验。非监督分类特征空间图形识别图图形形识别识别分分类类就是就是对对分分类类的地区事先完全不了解，的地区事先完全不了解，计计算机算机只根据人只根据人们规们规定的某些要求和定的某些要求和阈值对图阈值对图像像进进行分析，采用行分析，采用对图对图像逐行逐个像元相比像逐行逐个像元相比较较的无人管理分的无人管理分类类方法。方法。特征空间图形识别分类特点1 1不能精确控制分不能精确控制分类

7、类的的类别类别数。数。2 2当地物光当地物光谱谱响响应应是不重合的正是不重合的正态态分布分布时时是可行的，并且是可行的，并且容易容易实现实现，但若特征分布出，但若特征分布出现现交叠，交叠，则则使用使用这这种方法将种方法将产产生生较较大的分大的分类错误类错误。3 3该该分分类类法的主要法的主要优优点是点是简单简单、速度快。、速度快。非监督分类系统聚类1 1）将）将图图像中每个像元看作一像中每个像元看作一类类，作作为为分分类类的初始的初始值值2 2）计计算各算各类类均均值间值间的相关系数矩的相关系数矩阵阵R R3 3）从已分）从已分类别类别中中选选取最取最邻邻近的两近的两类进类进行合并行合并4 4

8、）重复步）重复步骤骤2-32-3，直到合并的新，直到合并的新类类之之间间符合分符合分类类的要求的要求为为止止(各各类类间间的相关系数小于的相关系数小于阀值阀值或是距离或是距离大于大于阀值阀值）系统聚类法的局限性系系统统聚聚类过类过程中采用的程中采用的统计统计量要量要视视具体情况而定，具体情况而定，但也可利用但也可利用该该特点特点结结合不同合不同统计统计量分量分类类，提高准，提高准确性确性非监督分类动态聚类动态动态聚聚类类就是在开始就是在开始时时先建立一批初始先建立一批初始中心，而中心，而让让待分待分类类的各个像元依据某的各个像元依据某些判决准些判决准则则向初始向初始中心凝聚，然后再中心凝聚，然

9、后再逐步修改逐步修改调调整中心，整中心，重新分重新分类类；并根据；并根据各各类类离散性离散性统计统计量量和两和两类间类间可分离性可分离性的的统计统计量再量再进进行合行合并和分裂。此后再并和分裂。此后再修改修改调调整中心，整中心，这这样样不断不断继续继续下去，下去，直到分直到分类类比比较较合理合理为为止。止。监督分类l需要事先确定需要事先确定训练场训练场地和地和选择训练样选择训练样本，本，训练样训练样本需要具本需要具有一定的代表性有一定的代表性l考考虑虑到各种地物光到各种地物光谱辐谱辐射的复射的复杂杂性和干性和干扰扰因素的多因素的多样样性，性，需要多考需要多考虑虑一些一些样样本本l在某一地区建立

10、起来的判在某一地区建立起来的判别别式只能适用于同一地区或地学式只能适用于同一地区或地学条件相似的地区条件相似的地区监督分类-训练样区选择与统计l收集现场信息l在屏训练数据多边形选择l在屏训练数据的种子选择监督分类训练样本的选取用于用于监监督分督分类类地地训练场训练场地地应该应该是光是光谱谱特征比特征比较较均一的地区，均一的地区，一般在一般在图图像像显显示中根据均一的色示中根据均一的色调调估估计计只有一只有一类类地物，而地物，而且一且一类类地物的地物的训练场训练场地可地可选选取一取一块块以上。以上。训练样训练样本的数目至少要能本的数目至少要能满满足建立分足建立分类类用判用判别别函数的要求，函数的

11、要求，以克服各种偶然因素的影响，而以克服各种偶然因素的影响，而对对于光于光谱谱特征特征变变化化较较大的大的地物，地物，训练样训练样本的数目要更多一些，以反映其本的数目要更多一些，以反映其变变化范化范围围。一般情况下，要得出可靠的一般情况下，要得出可靠的统计统计数据，每数据，每类类至少要有至少要有1010100100个个训练样训练样本数据。本数据。监督分类训练样本的选取尽可能地利用一些已知的有用尽可能地利用一些已知的有用资资料，来确定料，来确定训练场训练场地和地和训训练样练样本。在使用各种本。在使用各种图图件件资资料料时应时应注意以下两个方面：注意以下两个方面：（1 1）各种）各种图图件的成件的

12、成图图日期要尽可能地接近日期要尽可能地接近图图像成像日像成像日期期,以保以保证证地物地物类别类别分分类类准确。准确。（2 2）空）空间间。要考。要考虑虑到每一种地物到每一种地物类类型随空型随空间变间变化化发发生生光光谱谱特征特征变变化的可能性，化的可能性，选择训练场选择训练场地地应应当能当能够够反映反映这这种种变变化。化。在在监监督分督分类类中由于中由于训练场训练场地是人地是人为选为选取的，可能不包括所取的，可能不包括所有的自然地物有的自然地物类别类别，因而分，因而分类类后留下无后留下无类类可可归归的像元。的像元。对对于于这这种情况，有两种解决方法：一是将无种情况，有两种解决方法：一是将无类类

13、可可归归的像元的像元组组成一个未知成一个未知类类；二是按最近距离原；二是按最近距离原则则划划归归到各个已知到各个已知类类中中。监督分类-波段特征选取获取每个感兴趣类在各波段上的训练统计量后，必须确定能最有效区分各种类的波段方法：统计分析方法图形分析方法监督分类-最小距离分类法距离作为判别准则，根据像点到各类中心的距离来判别分类距离公式欧几里德距离欧几里德距离绝对绝对距离距离不同类别的灰度值的变化范围即其方差的大小是不同的，不能简单地用像元到类中心的距离来划分像元的归属；自然地物类别的点群分布不一定是圆形或球形的，即在不同方向上半径是不同的，因而距离的量度在不同方向上应有所差异。K-最近邻分类器

14、 监督分类-最大似然比分类法遥感影像分类后处理-小区合并分分类类后影像像元后影像像元值值地面物体的地面物体的类别类别问题问题：存在零星分布的小面：存在零星分布的小面积积区域区域解决方法：解决方法：1 1）分）分类类前影像平滑前影像平滑2 2）分）分类类后小区合并后小区合并将小于一定面将小于一定面积积的像元合并到的像元合并到邻邻近近区域区域遥感影像分类后处理误差分析目的：目的：检验检验分分类类效果效果方法：抽方法：抽样检验样检验抽抽样样方法：方法：1 1）监监督分督分类类的的样样本区本区2 2）试验场试验场抽抽样样3 3）随机抽）随机抽样样评评价方式：混淆矩价方式：混淆矩阵阵辅助数据改进遥感分类

15、的方法l地理分层l分类器操作l分类后处理遥感信息与非遥感信息的复合遥感影像与地图的复合地图影像化影像地图化DTM与遥感数据的复合遥感与地球物理、地球化学数据的复合遥感信息与地球物理、化学数据复合遥感信息-地表空间特征地球物理、地球化学特征-不同深度地物的物理性质，如内部结构、物理组成、基层表面起伏l专题图栅格化l空间配准l构建信息表达模型及提取方法遥感信息与地球物理、化学数据复合基于面向对象影像分割的分类方法遥感信息遥感信息认知中的知中的对象象对象对象对象对象面向基元的遥感信息提取方案面向基元的遥感信息提取方案高空间分辨率影像SAR数据Lidar数据GIS矢量数据多尺度分析光谱、形状、纹理特征

16、库模糊规则库认知基元基元特征的定量化表达模糊逻辑推理信息提取结果决策知识库地物知识库数据层分析层基元层决策层结果层遥感信息遥感信息认知中的尺度知中的尺度问题地表信息地表信息 多多层层次次结结构构尺度依尺度依赖赖认认知知过过程程-不同的地物不同的地物实实体有不同的最佳提取体有不同的最佳提取尺度尺度选择适当的尺度，才能有效、完整地提取信息 影像对象的尺度表示影像对象的尺度表示邻对象邻对象子对象子对象父对象父对象影像对象构建方法多尺度影像分割首先通过初始分割将影像像元合并成较小的初始影像对象,然后通过多次循环将较小的影像对象合并成较大的多边形对象3535尺度空间内影像对象构建尺度空间内影像对象构建

17、考虑遥感、高程、专题矢量图层等多源信息的构建模型考虑遥感、高程、专题矢量图层等多源信息的构建模型 多种约束的基元构建方法保证基元的准确性多种约束的基元构建方法保证基元的准确性 阈值控制基元所在尺度层次阈值控制基元所在尺度层次影像对象构建方法与参数优化p对象合并准则对象合并准则在初始分割基础上，通过将初始影像对象逐步合并为较大的对象来实现多尺度对象的构建，对象合并的停止条件是由其尺度准则决定的3737影像对象构建方法尺度为：尺度为：1616平均平均面积：面积：867.6867.6尺度为：尺度为：3232平平均面积：均面积：2131.12131.1尺度为：尺度为：128128平平均面积：均面积：8

18、274.88274.8尺度为：尺度为：256256平均面积：平均面积：30171301713838影像对象的特征描述影像对象的特征描述基于对象的信息识别基于对象的信息识别作操辑逻目标类2目标类3目标类n目标类1特征1特征2特征3特征m结果特征元c1c2c3c4表示对应目标类中所选择的特征人工神经网络分类uu生物神生物神经经网网络络(biological neural network,BNN)(biological neural network,BNN)，特，特别别是人是人脑脑uu人工神人工神经经网网络络(artificial neural network,ANN)(artificial neu

19、ral network,ANN)：由大：由大量量神神经经元元经经广泛互广泛互联组联组成的非成的非线线性网性网络络（功能模（功能模块块，数学模型）数学模型）uu自底向上自底向上的的综综合方法：合方法：43神经元-Neuron神经网络-Artificial neural network神经元模型uuNeuron Model：多输入，单输出，带偏置1.1.R R个个输输入入p pi i R R，即，即R R维输维输入矢量入矢量p p2.2.n:net input,n:net input,n n=wpwp+b b。1.1.R R个个权值权值w wi i R R，即，即R R维权维权矢量矢量w w2.2

20、.阈值阈值b b3.3.输输出出a a=f f(n n),),f f:transfer:transfer functionfunction神经网络的学习方法uu神神经经网网络络的学的学习习：从：从环环境中境中获获取知取知识识并改并改进进自身性自身性能，主要指能，主要指调节调节网网络络参数使网参数使网络络达到某种度量，又达到某种度量，又称称为为网网络络的的训练训练uu学习方式：学习方式：监督学习监督学习非监督学习非监督学习再励学习再励学习uu学习规则学习规则(learning rule)learning rule)：HebbHebb学习算法学习算法误差纠正学习算法误差纠正学习算法竞争学习算法竞争

21、学习算法监督学习uu对训练样本集中的每一组输入能提供一组目标输出对训练样本集中的每一组输入能提供一组目标输出uu网络根据目标输出与实际输出的误差信号来调节网网络根据目标输出与实际输出的误差信号来调节网络参数络参数教师神经网络比较环境实际输出输入期望输出误差信号p(n)t(n)a(n)e(n)第八章 人工神经网络48误差纠正学习uuu对于输出层第对于输出层第对于输出层第k k k个神经元的个神经元的个神经元的实际输出实际输出实际输出:a a ak kk(n n n)目标输出目标输出目标输出:t t tk kk(n n n)误差信号误差信号误差信号:e e ek kk(n n n)=)=)=t t

22、 tk kk(n n n)-)-)-a a ak kk(n n n)目标函数为基于误差信号目标函数为基于误差信号目标函数为基于误差信号e e ek kk(n n n)的函数，如误差平方的函数，如误差平方的函数，如误差平方和判据和判据和判据(sum squared error,SSEsum squared error,SSEsum squared error,SSE)，或均方误差判据，或均方误差判据，或均方误差判据(mean squared error,MSE,(mean squared error,MSE,(mean squared error,MSE,即即即SSESSESSE对所有样本的期对

23、所有样本的期对所有样本的期望望望)SSEMSE误差纠正学习uu梯度下降法：uu对对于感知器和于感知器和线线性网性网络络：delta学习规则uu对对于多于多层层感知器网感知器网络络：扩扩展的展的deltadelta学学习规则习规则，bpbp算法算法前馈神经网络及其主要方法uu前前馈馈神神经经网网络络(feed forward NN)(feed forward NN)：各神：各神经经元接受前元接受前级输级输入，并入，并输输出到下一出到下一级级，无反，无反馈馈，可用一有向无，可用一有向无环图环图表示。表示。uu特点：前特点：前馈馈网网络络通常分通常分为为不同的不同的层层(layer)(layer)，

24、第，第i i层层的的输输入只与第入只与第i i-1-1层层的的输输出出联结联结。uu层层的分的分类类：可可见层见层：输输入入层层(input layer)(input layer)和和输输出出层层(output(output layer)layer)隐层隐层(hidden layer)(hidden layer)：中：中间层间层感知器uu感知器感知器(perceptron)(perceptron)：单层单层网网络络，通，通过监过监督学督学习习建建立模式立模式识别识别能力能力感知器目标输出的编码方法uu一个一个输输出出单单元元对应对应一个一个类别类别，如果，如果输输入入训练样训练样本的本的类别标

25、类别标号是号是i i，则对应则对应的目的目标输标输出出编码为编码为：第：第i i个个输输出出节节点点为为1 1，其余，其余节节点均点均为为0 0多层感知器uu多层感知器多层感知器:Multi-Layer Perceptron,MLPMulti-Layer Perceptron,MLPuuArchitectureArchitecture：多层感知器的一致逼近性uu单单个个阈值阈值神神经经元可以元可以实现实现任意多任意多输输入的与、或及与入的与、或及与非、或非非、或非逻辑门逻辑门uu任何任何逻辑逻辑函数可由两函数可由两层层前前馈馈网网络实现络实现uu当神当神经经元的元的输输出函数出函数为为Sigm

26、oidSigmoid等函数等函数时时，两，两层层前前馈馈网网络络可以逼近任意的多元非可以逼近任意的多元非线线性函数性函数uuMLPMLP的适用范的适用范围围大大超大大超过单层过单层网网络络反向传播(BP)算法uu问题问题：多：多层层感知器的中感知器的中间隐层间隐层不直接与外界不直接与外界连连接，接，其其误误差无法直接差无法直接计计算。算。uu反向反向传传播播(Backpropagation)(Backpropagation)算法：从后向前（反向）算法：从后向前（反向）逐逐层层“传传播播”输输出出层层的的误误差，以差，以间间接算出接算出隐层误隐层误差。差。分两个分两个阶阶段：段：正向正向过过程：

27、从程：从输输入入层经隐层层经隐层逐逐层层正向正向计计算各算各单单元元的的输输出。出。反向反向过过程：由程：由输输出出层误层误差逐差逐层层反向反向计计算算隐层隐层各各单单元的元的误误差，并用此差，并用此误误差修正当前差修正当前层层的的权值权值。1.1.1.初始初始初始值选择值选择值选择2.2.2.前向前向前向计计计算，求出所有神算，求出所有神算，求出所有神经经经元的元的元的输输输出出出3.3.3.对输对输对输出出出层计层计层计算算算 4.4.4.从后向前从后向前从后向前计计计算各算各算各隐层隐层隐层 5.5.5.计计计算并保存各算并保存各算并保存各权值权值权值修正量：修正量：修正量：6.6.6.

28、修正修正修正权值权值权值：7.7.7.判断是否收判断是否收判断是否收敛敛敛，如果收，如果收，如果收敛则结敛则结敛则结束，不收束，不收束，不收敛则转敛则转敛则转至至至StepStepStep 2 2 2BP算法的步骤模糊分类模糊聚模糊聚类类分析具体步分析具体步骤骤如下：如下：1.首首先先确确定定X Xi i 与与X Xj j间间的的相相关关程程度度r rij ij=(x=(xi i,x xj j)，然然后建立模糊相似矩后建立模糊相似矩阵阵。2.将将相相似似矩矩阵阵改改造造成成等等价价矩矩阵阵。为为此此作作矩矩阵阵合合成成运运算算。当当某某一一步步出出现现R R2K2K=R=RK K时时，便便是是

29、一一个个模模糊等价矩糊等价矩阵阵。3.有了等价矩有了等价矩阵阵R RK K，根据聚，根据聚类类需需细细分分还还是粗分是粗分的要求，在的要求，在00，11中中选选取一个数取一个数，凡，凡r rij ij的元的元素素变为变为l l，否，否则变为则变为0 0，从而达到分，从而达到分类类的目的。的目的。模糊聚类分析模糊聚类分析 建建立立模模糊糊矩矩阵阵：FuzzyFuzzy聚聚类类分分析析的的第第一一步步叫叫标标定定，即即使使用用普普通通聚聚类类分分析析中中的的确确定定相相似似系系数数的的方法来建立方法来建立FuzzyFuzzy相似方相似方阵阵：r r11 11 r r12 12 r r1313r r

30、1n1n r r21 21 r r22 22 r r2323r r2n2n R=R=r rn1 n1 r rn2 n2 r rn3n3 r rnnnn计计算相似系数：算相似系数：计计算算u u i i与与u u j j之之间间的相似系数的相似系数r rij ij的方法很多的方法很多 例例例例:设被分类的对象集设被分类的对象集设被分类的对象集设被分类的对象集U Uuu1 1，u u2 2，u u3 3，u u 5 5，每，每，每，每个对象的特征数据如下个对象的特征数据如下个对象的特征数据如下个对象的特征数据如下 u u1 1=(3=(3，2 2，4 4，6 6，7 7，4)4)，u u2 2=(6=(6，5 5，4 4，3 3，8 8，6)6)，u u3 3=(9=(9，5 5，7 7，3 3，2 2，1)1)，u u4 4=(5=(5，9 9，4 4，6 6，3 3，8)8)，u u5 5=(4=(4，6 6，3 3，7 7，8 8，4)4)利用最小最大法利用最小最大法计计算；算；计计算系数算系数r rij ij的的值值。综合评判综合评判根据多个因素对事物进行评定，称为综合评判.模型已知条件：问题：综合考虑