遥感数字图像处理教学.pptx

《遥感数字图像处理教学.pptx》由会员分享，可在线阅读，更多相关《遥感数字图像处理教学.pptx（61页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、分类的基本原理分类的基本原理 分类的方法分类的方法分类的工作流程分类的工作流程非监督分类方法非监督分类方法监督分类方法监督分类方法图像分类的相关问题图像分类的相关问题 主要内容第1页/共61页 6.1 6.1 遥感图像计算机分类的基本原理 1 1）遥感图像的解译方法）遥感图像的解译方法目视解译目视解译计算机解译计算机解译6.1.1 概 述第2页/共61页 同类地物在相同的条件下（光照、地形等）应该具有相同或相似的光谱信息和空间信息特征。不同类的地物之间具有差异。根据这种差异，将图像中的所有像素按其性质分为若干个类别（Class）的过程，称为图像的分类。第3页/共61页 遥感图像的计算机分类就是

2、针对原始遥感影像或各种变换处理之后的图像，在计算机技术的协助下，采用决策理论或统计方法等对变量特征空间进行地物属性的识别和划分等达到图像分类的目的。遥感图像分类是依据计算机的解译为主的信息分类方式。第4页/共61页6.1.1 6.1.1 概述概述2 2）光谱特征）光谱特征第5页/共61页6.1.2 计算机分类的基本原理计算机分类的基本原理 第6页/共61页 遥感图像分类的主要依据就是地物的光谱特征的相似程度。遥感图像分类以每个像素的光谱数据为基础进行的。即：分类则就是对图像上每个像素按其亮度接近程度给出对应类别，达到大致区分图像中多种地物的目的。第7页/共61页第8页/共61页第9页/共61页

3、第10页/共61页第11页/共61页第12页/共61页6.2 分类处理的基本方法 1）根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为：监督分类和非监督分类。事先已经知道类别的部分信息（即类别的先验知识），对未知类别的样本进行分类的方法称之为监督分类（Supervised Classification）。事先没有类别的先验知识，对未知类别的样本进行分类的方法称之为非监督分类（Unsupervised Classification)。2）根据分类使用的统计数学方法可以分为：随机统计方法和模糊数学方法分类。前者以随机数学理论为基础，包括 K均值分

4、类、最大相似性分类等。后者以模糊数学理论为基础，主要是模糊分类。第13页/共61页 监督分类就是首先从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数来建立判别函数，据此对样本像元进行分类，再依据样本类别特征来识别非样本像元的归属类别。做分类时，常把图像中某一类地物称为模式，而把属于该类中的像素称为样本，其中某位置的像元在不同波段或不同特征空间中的像素值，则可以称为该样本的观测值。监督分类法的基本原理！第14页/共61页 监督分类就是首先从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数来建立判别函数，据此对样本像元进行分类，

5、再依据样本类别特征来识别非样本像元的归属类别。做分类时，常把图像中某一类地物称为模式，而把属于该类中的像素称为样本，其中某位置的像元在不同波段或不同特征空间中的像素值，则可以称为该样本的观测值。监督分类法的基本原理！第15页/共61页 非监督分类方法就是在没有先验类别（或者说训练场地）作为样本的条件下，主要采用依据像元间相似度的大小进行归类合并，将相似度大的像元归为一类的方法。相似度是两种模式之间的相似程度。遥感图像分类过程中，常用“距离”和“相关系数”来衡量相似程度。非监督分类法的基本原理！第16页/共61页相似性度量1）距离指标 常有：绝对距离、欧式距离、马氏距离（马哈拉诺比斯距离）等 绝

6、对距离 欧式距离 马氏距离 第17页/共61页2）相关系数 第18页/共61页6.3 6.3 计算机分类处理的工作流程计算机分类处理的工作流程 1.原始图像的预处理 2.选择分类方法（训练区的选择）3特征选择和特征提取4图像分类运算5分类后处理及检验结果6结果输出第19页/共61页1）原始图像的预处理主要内容包括：确定工作范围、图像校正、噪声处理或图像信息增强、多图像融合等。2）选择分类方法如果是监督分类，要考虑训练区的选择第20页/共61页3）特征选择和特征提取 特征是分类的依据。多光谱图像各个波段的像素值就是最基本的原始特征变量；经过+、-、*、/运算以及一些K-L变换、比值变换等处理后生

7、成的一些新值也是反映图像信息的新特征变量。基本选取原则是：依据特征的可分性、可靠性、独立性、数量多少四方面综合选择。第21页/共61页特征选择（feature selection）特征提取（feature extraction）特征选择就是从众多特征中挑选出可以参加分类算法的若干个特征，常用方法有主观判断、客观指标OIF（Optimum Index Factor）计算。（美国查维茨提出的）特征提取是在特征选择后，利用特征提取算法从原始特征中求出最能反映地物类别性质的一组新特征，由此既可以压缩数据，又提高特征类别间的可分性。第22页/共61页4）图像分类运算 依据你选择的特征变量和图像的分类对象

8、的实际情况以及选择适当的分类方法和相应的分类参数进行图像分类。一般来说，当光谱与地物类别对应较好时，多采用简单实用的非监督分类法；如果类别之间光谱差异很小或较复杂时，则用监督分类方法较好。第23页/共61页第24页/共61页第25页/共61页5）分类后处理及结果检验 常见的内容有：碎斑处理、类别合并、统计分类结果、类间可分离性分析、分类精度分析等。碎斑处理处理办法主要是进行滤波处理，用计算机手段去掉分类图中过于孤立的类别像素，或将它归并到包围相邻较连续分布的那些类中。比如：ENVI的多数/少数分析、聚块和筛除等。a）分类后处理类别合并ENVI中有类别合并处理的模块，主要将其颜色和编码更改一致即

9、可。第26页/共61页b）分类结果检验分析统计分类结果包括各类地物在各波段的平均值、标准差、min、max、协方差矩阵、相关系数矩阵、特征值、各类像素数和所占像素百分比、精度检验等等统计指标的说明。类间可分离性分析 分类精度分析通常将分类图与标准数据（已知类别调查图件或实际地面状况调查）进行比较，然后用正确的分类百分比来描述分类精度。分类精度主要分为非位置精度和位置精度。第27页/共61页经典的位置精度分析方法改进的混淆矩阵方法，即：Kappa系数 第28页/共61页第29页/共61页6）结果输出 显示、保存和输出分类后的遥感数字图像，也可以后期制作专题类型图结合许多地理信息数据的补充，一起纳

10、入到GIS数据库或者地学系统大数据库，有助于实现数字化地学信息。第30页/共61页分类的基本原理分类的基本原理 分类的方法分类的方法分类的工作流程分类的工作流程非监督分类方法非监督分类方法监督分类方法监督分类方法图像分类的相关问题图像分类的相关问题 主要内容第31页/共61页6.4 非监督分类法 非监督分类法是指人们事先对分类过程不加入任何的先验知识，而仅凭遥感图像中地物的光谱特征进行分类，分类过程就是自然的聚类特性。这样的分类的结果从效果上讲，只区分了图像上存在的差异，并不能确定该类别的属性，具体的属性尚需要通过目视判读或实地调查针对性的确定。第32页/共61页非监督分类主要过程主要过程（1

11、）确定初始类别参数，即确定最初类别数和类别中 心（集群中心）。（2）计算每一个像元所对应的特征矢量与各集群中心的距离。（3）选与中心距离最短的类别作为这一矢量的所属类别。第33页/共61页 非监督分类主要过主要过程程（4）计算新的类别均值向量。（5）比较新的类别均值与原中心位置上的变化。若位置发生了改变，则以新的类别均值作为聚类中心，再从第2步开始重复，进行反复迭代操作。（6）如果聚类中心不再变化，计算停止。第34页/共61页 非监督分类的关键a)a)初始类别参数的选定初始类别参数的选定 b)b)聚类算法或聚类准则问题聚类算法或聚类准则问题 K-Mean算法、ISODATA法1像素光谱特征的比

12、较法2总体直方图均匀定心法 3最大最小距离选心法4局部直方图峰值定心法 第35页/共61页 基本原则是：使得每一分类中，像素点到该类别中心的距离的平方和最小，在迭代过程中，逐次移动各类的中心，直到满足图像中互不相交的所有任意类的像素值与该类的均值差的平方和的总和达到最小，停止迭代结束聚类。该方法由于每调整一个样本类别就重新计算一次各样本的均值，故此又称为逐个样本修正法。K-均值算法（K-mean）第36页/共61页 迭代式自组织数据分析算法，又简称为迭代法。这是一个最常用的非监督分类算法，在很多图像处理系统或软件中都有相关模块，可以直接运用。ISODATA和K-均值算法主要有两点不同：1）它并

13、不是每调整一个样本的类别就要重新计算一次各类样本的均值，而是将所有样本都调整完毕之后才重新计算，所以ISODATA又称为成批样本修正法。2）ISODATA法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别合并和类别分裂，从而得到类数比较合理的聚类结果。ISODATA法（Interactive Self-Organizing Data Analysis Techniques Algorithm）第37页/共61页第步：指定下列控制参数。N所要求的类别数（实际的类别数为N1）；I允许迭代的次数（实际已迭代次数为L）；Tn每类集群中样本的最小数目；Ts集群分类标准，每个类的分散

14、程度的参数（如最大标准差）；Tc集群合并标准，即两个类中间的最小距离。ISODATA 算 法 过 程第38页/共61页第二步：聚类处理。第三步：类别的取消处理。对上次趋近后的各类成员总数ni进行检查，若niTn，表示该类（i）不可靠，应将其从搜索表中剔除，同时修改类别数Ni=Ni-1，返回第二步。第39页/共61页第四步：判断迭代是否结束。若此次迭代次数（l）已达到指定的次数，即l=I；或者该次迭代所算得的各类中心与上次选代的结果差别很小（可预先给定一阙值），则趋近结束。此时搜索表中的有关参数将作为基准类别参数，并用于构建最终的判别函数。否则，继续进行以下各步骤。第40页/共61页第五步：类别

15、的分裂处理。对搜索表中的每一类进行考核。判断其最大的标准差分量 是否超过限值Ts，即若imaxTS，并满足下列条件之一者，则第i类需要进行分裂处理。第41页/共61页第五步：类别的分裂处理。对搜索表中的每一类进行考核。判断其最大的标准差分量 是否超过限值Ts，即若imaxTS，并满足下列条件之一者，则第i类需要进行分裂处理。第42页/共61页（条件一）（条件二）第43页/共61页分裂处理如下 同时，修改类别总数Ni=Nl+1，并修改搜索表。第44页/共61页第六步：类别的合并处理。首先对已有的类别计算每两类（i与k）中心间的距离Dik，然后将所有的Dik与限值Tc相比较，若DikTc，则把这两

16、类（i，k）合并为一类m。合并后新类别的均值和方差如下:同时修改总数Nl=Ni-1，并把搜索表中的相应内容替换。第45页/共61页6.5 监督分类法 使用前提分类者已知遥感图像上样本区（训练区）内地物的类别信息，即获取了分类的先验经验。分类过程为：首先根据已知的样本类别和先验知识确定判别准则，计算判别函数，然后将未知类别的样本值代入判别函数，依据判别准则对该样本的类别属性进行判定。其中，将利用已知样本的特征值求解判别函数的过程称之为“学习或训练”。监督分类的关键a)训练区的确定；b)训练和归类判别的方法。第46页/共61页a)训练区的确定训练区，也称为“感兴趣区、ROI 或 AOI”。主要可以

17、分为3类信息：点、线、面。基本信息的使用问题：名称（最好是某类地物的名称）颜色（使用的颜色和分类系统中的尽量保持一致）第47页/共61页a)训练区必须具备典型性和代表性；b)使用的图件资料要注意时间和空间要保持一致性；c)训练区的选取方式，可按坐标输入或人机对话式两类；d)训练样本的数目；e)训练区的选择并不是一蹴而就的，而是进行选取加调整优化的过程。确定ROI必须注意：第48页/共61页b）训练和判别的方法 利用已知样本的特征值求解判别函数的过程称之为学习或训练。常用方法有：最小距离法、多级切割法（平行管道法）、最大似然比法、光谱角方法、特征曲线窗口法等。最小距离法距离判别函数最大似然比法最

18、大似然法判别函数第49页/共61页1）最小距离法 假设拟定了n个类别，并分别确定了各个类别的训练区。根据训练区，计算出各个类别的平均值，作为该类别的中心；其次计算其他待判像素点与每个类别中心的距离，并进行比较，取距离最小的归类，以此类推，确定每个像元的类别属性。距离指标的计算可用绝对距离、欧式距离、马氏距离等。这种方法原理简单，计算速度较快，实用性较强，但分类精度相对不高。第50页/共61页2 2）最大似然法）最大似然法如果则 a)最大似然判别规则 基于贝叶斯（Bayes）准则的分类错误概率最小的一种非线性分类方法。第51页/共61页根据根据BayesBayes公式公式 而所以判别函数第52页

19、/共61页判别规则为：若则第53页/共61页图 最大似然法分类的错分概率第54页/共61页 假设遥感图像的每个波段数据的分布概率都为正态分布型，则每类地物的每一维数据也会分成正态型，则这类地物的多个维数的数据就会汇集成多维正态分布且具有自己独特的分布特征。根据先验经验，各类地物都可以构造并描绘出他们对应的多维正态分布模型。在此基础上，对于图像上任何一像素，都可以反过来求出它属于各类的概率值，那判定类别的方式就是选择该像素属于各类的概率值中的max，将该像素归属为这一类。2）基本原理第55页/共61页使用时需注意：a)必须要具备足够的训练样本数据；b)慎重选择分类使用的波段。第56页/共61页第57页/共61页第58页/共61页6.6 图像分类的相关问题如何提高分类精度？第59页/共61页a）充分利用遥感图像提供的多种信息 b)多种信息复合（融合）有易于提高单一方法分类精度 c)混合像素的分解处理 d)研究和采用智能分类技术，灵活运用多方面知识，分区、分层次进行分类实验 提高分类精度的对策(建议)：第60页/共61页感谢您的观看！第61页/共61页