《遙感原理與應(yīng)用分析匯編課件.ppt》由會(huì)員分享，可在線閱讀，更多相關(guān)《遙感原理與應(yīng)用分析匯編課件.ppt（75頁珍藏版）》請(qǐng)?jiān)趨R文網(wǎng)上搜索。

1、遙感原理與遙感原理與應(yīng)用分析用分析概述遙感圖像的計(jì)算機(jī)分類，是模式識(shí)別技術(shù)在遙感技術(shù)領(lǐng)域中的具體運(yùn)用 目視判讀是人類的自然識(shí)別智能 計(jì)算機(jī)分類是人工模擬人類的識(shí)別功能采用決策理論或統(tǒng)計(jì)方法提取一組反映模式屬性的量測(cè)值，稱之為特征 光譜特征和紋理特征 8.1基礎(chǔ)知識(shí)模式與模式識(shí)別光譜特征空間地物在特征空間中的聚類統(tǒng)計(jì)特性8.1.1模式與模式識(shí)別一個(gè)模式識(shí)別系統(tǒng)對(duì)被識(shí)別的模式作一系列的測(cè)量，然后將測(cè)量結(jié)果與“模式字典”中一組“典型的”測(cè)量值相比較。若和字典中某一“詞目”的比較結(jié)果是吻合或比較吻合，則我們就可以得出所需要的分類結(jié)果。這一過程稱為模式識(shí)別。這一組測(cè)量值就是一種模式。模式與模式識(shí)別數(shù)據(jù)數(shù)

2、據(jù)數(shù)據(jù)數(shù)據(jù)獲取獲取獲取獲取模式模式模式模式分割分割分割分割模式模式模式模式識(shí)別識(shí)別識(shí)別識(shí)別姚明姚明ROCKETS11模式識(shí)別的應(yīng)用車牌識(shí)別車牌識(shí)別車牌識(shí)別車牌識(shí)別模式識(shí)別的應(yīng)用信函分揀信函分揀信函分揀信函分揀模式識(shí)別的應(yīng)用遙感影像分類遙感影像分類遙感影像分類遙感影像分類8.1.2光譜特征空間不同的地物在同一波段圖像上表現(xiàn)的亮度一般互不相同 不同的地物在多個(gè)波段圖像上亮度的呈現(xiàn)規(guī)律也不相同 同名地物點(diǎn)在不同波段圖像中亮度的觀測(cè)量將構(gòu)成一個(gè)多維隨機(jī)向量X，稱為光譜特征向量 如TM圖像上任一個(gè)點(diǎn)TM=TM1，TM2，TM3，TM4，TM5，TM6，TM7地物與光譜特征空間的關(guān)系 地物在特征空間中的聚

3、類情況8.1.3地物在特征空間中的聚類統(tǒng)計(jì)特性地物在特征空間的聚類通常是用特征點(diǎn)（或其相應(yīng)的隨機(jī)矢量）分布的概率密度函數(shù)來表示 8.2特征變換和特征選擇目的：減少參加分類的特征圖像的數(shù)目，從原始信息中抽取能更好進(jìn)行分類的特征圖像。特征變換將原有的m 量值集合通過某種變換，然后產(chǎn)生n個(gè)（nm）特征 特征選擇從原有的m個(gè)測(cè)量值集合中，按某一準(zhǔn)則選擇出n個(gè)特征 8.2.1特征變換概念：將原始圖像通過一定的數(shù)字變換生成一組新的特征圖像，這一組新圖像信息集中在少數(shù)幾個(gè)特征圖像上。目的：數(shù)據(jù)量有所減少，去相關(guān)，有助于分類。常用的特征變換：主分量變換、哈達(dá)瑪變換、穗帽變換、比值變換、生物量指標(biāo)變換。redN

4、IRScatter Plot reveals relationship between information in two bandshere:correlation coefficient=0.137redNIRPrincipal Components Analysiscorrelation between all bandsTM datacorrelation coefficients:1.000 0.927 0.874 0.069 0.593 0.426 0.736 0.927 1.000 0.954 0.172 0.691 0.446 0.800 0.874 0.954 1.000

5、0.137 0.740 0.433 0.812 0.069 0.172 0.137 1.000 0.369 -0.084 0.119 0.593 0.691 0.740 0.369 1.000 0.534 0.891 0.426 0.446 0.433 -0.084 0.534 1.000 0.671 0.736 0.800 0.812 0.119 0.891 0.671 1.0001.主分量變換主分量變換也稱為KL變換，是一種線性變換，是就均方誤差最小來說的最佳正交變換 KL變換能夠把原來多個(gè)波段中的有用信息集中到數(shù)目盡可能少的特征圖像組中去，達(dá)到數(shù)據(jù)壓縮的目的。KL變換還能夠使新的特征圖像

6、間互不相關(guān)，使新的特征圖像包含的信息內(nèi)容不重疊，增加類別的可分性。主分量變換計(jì)算步驟（1）計(jì)算均值向量M和協(xié)方差矩陣C；（2）計(jì)算矩陣C的特征值和特征向量；（3）將特征值按由大到小的次序排序（4）選擇前幾個(gè)特征值對(duì)應(yīng)的幾個(gè)特征向量構(gòu)造變換矩陣n。（5）根據(jù)nX進(jìn)行變換，得到的新特征影像就是變換的結(jié)果，X為多光譜圖像的一個(gè)光譜特征矢量。MSS主分量變換前后的信息量分布TM主分量變換前后的信息量分布主分量變換PC-1PC-72.哈達(dá)瑪變換哈達(dá)瑪變換是利用哈達(dá)瑪矩陣作為變換矩陣新實(shí)施的遙感多光譜域變換。哈達(dá)瑪矩陣的變換核為哈達(dá)瑪變換哈達(dá)瑪矩陣的維數(shù)N總是2的倍數(shù) 每個(gè)高階哈達(dá)瑪矩陣都由其低一階的哈達(dá)

7、瑪矩陣按如下形式組成 哈達(dá)瑪變換定義為：哈達(dá)瑪變換的幾何意義由哈達(dá)瑪變換核可知，哈達(dá)瑪變換實(shí)際是將坐標(biāo)軸旋轉(zhuǎn)了45的正交變換 哈達(dá)瑪變換的幾何意義以四波段的陸地衛(wèi)星圖像的哈達(dá)瑪為換為例，取二階哈達(dá)瑪變換矩陣 h0=(x4+x5)+(x6+x7)h1=(x4+x5)-(x6+x7)h2=(x4-x5)-(x6-x7)h3=(x4-x5)+(x6-x7)哈達(dá)瑪變換的幾何意義特征圖像h0把水同土壤與植被的混合體區(qū)分開來特征圖像h1把植被同水和土壤的混合體區(qū)分開來特征圖像h3和特征圖像h2主要表現(xiàn)為噪聲圖像，通常在特征選擇過程中可舍去，達(dá)到數(shù)據(jù)壓縮的目的。3.穗帽變換又稱K-T變換，由KauthTho

8、mas提出，也是一種線性特征變換。MSS圖像信息隨時(shí)間變化的空間分布形態(tài)是呈規(guī)律性形狀的，像一個(gè)頂部有纓子的氈帽。特點(diǎn)1：在MSS圖像中，土壤在特征空間（光譜空間）的集群，隨亮度的變化趨勢(shì)沿從坐標(biāo)原點(diǎn)出發(fā)的同一根輻射線方向上出現(xiàn)。特點(diǎn)2：若把土壤和植被的混合集群投影到MSS5和MSS6波段圖像所組成的特征子空間中，形成一個(gè)近似的帽狀三角形 穗帽變換Y=AXY=（ISB IGV IY IN）TX=（X4 X5 X6 X7）ISB土壤亮度軸的像元亮度值IGV植物綠色指標(biāo)軸的像元亮度值IY黃色軸IN噪聲軸Xi地物在MSS四個(gè)波段上的亮度值 SB分量和GV分量一般情況下等價(jià)于主分量變換中的第一主分量P

9、CI和第二主分量PC2 SB分量集中了大部分土壤信息，所以對(duì)土壤的分類是有效的 GV分量對(duì)植被的分類是有效的 4.生物量指標(biāo)變換Ibio生物量變換后的亮度值。x7，x5為MSS7和MSS5圖像的像元亮度值。經(jīng)變換后，植物、土壤和水都分離開來，因此可獨(dú)立地對(duì)綠色植物量進(jìn)行統(tǒng)計(jì)。生物量指標(biāo)變換8.2.2特征選擇選擇一組最佳的特征影像進(jìn)行分類定量選擇方法距離測(cè)度 散布矩陣測(cè)度類內(nèi)散矩陣 類間散布矩陣 總體散布矩陣=+TM7,4,1TM5,7,2TM5,4,3TM4,3,2前面所述內(nèi)容主要為分類前的預(yù)處理。預(yù)處理工作結(jié)束后，就將參與分類的數(shù)據(jù)準(zhǔn)備，接下來的工作就是從這些數(shù)據(jù)提供的信息中讓計(jì)算機(jī)“找”出

10、所需識(shí)別的類別方式有兩種：一種就是監(jiān)督分類法；另一種稱為非監(jiān)督分類法。下面先介紹監(jiān)督分類法。8.3監(jiān)督分類監(jiān)督分類：是基于我們對(duì)遙感圖像上樣本區(qū)內(nèi)地物的類屬已知，于是可以利用這些樣本類別的特征作為依據(jù)來識(shí)別非樣本數(shù)據(jù)的類別。監(jiān)督分類的思想：首先根據(jù)已知的樣本類別和類別的先驗(yàn)知識(shí)，確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，其中利用一定數(shù)量的已知類別函數(shù)中求解待定參數(shù)的過程稱之為學(xué)習(xí)或訓(xùn)練，然后將未知類別的樣本的觀測(cè)值代入判別函數(shù)，再依據(jù)判別準(zhǔn)則對(duì)該樣本的所屬類別作出判定。監(jiān)督分類判別函數(shù)和判別規(guī)則分類過程8.3.1判別函數(shù)和判別規(guī)則各個(gè)類別的判別區(qū)域確定后，某個(gè)特征矢量屬于哪個(gè)類別可以用一些函數(shù)來表示和鑒別

11、，這些函數(shù)就稱為判別函數(shù)。當(dāng)計(jì)算完某個(gè)矢量，在不同類別判決函數(shù)中的值后，我們要確定該矢量屬于某類必須給出一個(gè)判斷的依據(jù)。如若所得函數(shù)值最大則該矢量屬于最大值對(duì)應(yīng)的類別。這種判斷的依據(jù)，我們稱之為判別規(guī)則。概率判別函數(shù)：概率判別函數(shù)：某特征矢量（X）落入某類集群的條件概率貝葉斯判別規(guī)則：貝葉斯判別規(guī)則：把X落入某集群 的條件概率 最大的類為X的類別。貝葉斯判別規(guī)則以錯(cuò)分概率或風(fēng)險(xiǎn)最小為準(zhǔn)則的判別規(guī)則。假設(shè)：同類地物在特征空間服從正態(tài)分布，則類別的概率密度函數(shù)如式（8-2）所示。根據(jù)貝葉斯公式可得：最大似然分類法最大似然分類法概率判別函數(shù)：相應(yīng)的貝葉斯判別規(guī)則：若對(duì)于所有可能的j=1,2,m；j

12、i有 ，則X屬于類 。判決邊界為 （假設(shè)有兩類）。最大似然法分類的錯(cuò)分概率錯(cuò)分概率是類別判決分界兩側(cè)做出不正確判決的概率之和。貝葉斯判決邊界使這個(gè)數(shù)錯(cuò)誤為最小，因?yàn)檫@個(gè)判決邊界無論向左還是向右移都將包括不是1類便是2類的一個(gè)更大的面積，從而增加總的錯(cuò)分概率。，貝葉斯判決規(guī)則是以錯(cuò)分概率最小的最優(yōu)準(zhǔn)則。最小距離分類法基本思想：計(jì)算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于哪類。馬氏距離歐氏距離計(jì)程距離錯(cuò)分概率及判決邊界盒式分類法 基本思想：首先通過訓(xùn)練樣區(qū)的數(shù)據(jù)找出每個(gè)類別在特征空間的位置和形狀，然后以一個(gè)包括該集群的“盒子”作為該集群的判別函數(shù)。判決規(guī)則為若未知矢量X

13、落入該“盒子”，則X分為此類，否則再與其它盒子比較。8.3.2分類過程（1）確定感興趣的類別數(shù)（2）特征變換和特征選擇（3）選擇訓(xùn)練樣區(qū)（4）確定判決函數(shù)和判決規(guī)則（5）根據(jù)判決函數(shù)和判決規(guī)則對(duì)非訓(xùn)練樣區(qū)的圖像區(qū)域進(jìn)行分類（1）對(duì)訓(xùn)練樣區(qū)的要求準(zhǔn)確性、代表性和統(tǒng)計(jì)性。準(zhǔn)確性：要確保選擇的樣區(qū)與實(shí)際地物一致；代表性：所選樣區(qū)為某一地物的代表，還要考慮到地物本身的復(fù)雜性，反映同類地物光譜特性的波動(dòng)情況；統(tǒng)計(jì)性：指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元，以保證由此計(jì)算出的類別參數(shù)符合統(tǒng)計(jì)規(guī)律。（2）初始類別參數(shù)的形成（3）樣本數(shù)據(jù)的訓(xùn)練計(jì)算每個(gè)類別的M 和，建立類別的判別函數(shù)（4）逐像素分類判別分類得到

14、專題圖監(jiān)督分類流程原始圖像的預(yù)處理原始圖像的預(yù)處理原始圖像的預(yù)處理原始圖像的預(yù)處理訓(xùn)練樣區(qū)的選擇與評(píng)估訓(xùn)練樣區(qū)的選擇與評(píng)估訓(xùn)練樣區(qū)的選擇與評(píng)估訓(xùn)練樣區(qū)的選擇與評(píng)估不合格不合格不合格不合格特征提取和特征選擇特征提取和特征選擇特征提取和特征選擇特征提取和特征選擇分類精度評(píng)價(jià)分類精度評(píng)價(jià)分類精度評(píng)價(jià)分類精度評(píng)價(jià)成果輸出成果輸出成果輸出成果輸出精度合格精度合格精度合格精度合格精度不合格精度不合格精度不合格精度不合格通過訓(xùn)練樣區(qū)誤差矩陣和分類預(yù)警評(píng)價(jià)、通過訓(xùn)練樣區(qū)誤差矩陣和分類預(yù)警評(píng)價(jià)、通過訓(xùn)練樣區(qū)誤差矩陣和分類預(yù)警評(píng)價(jià)、通過訓(xùn)練樣區(qū)誤差矩陣和分類預(yù)警評(píng)價(jià)、樣本可分性度量判斷訓(xùn)練樣區(qū)是否合格樣本可分性度

15、量判斷訓(xùn)練樣區(qū)是否合格樣本可分性度量判斷訓(xùn)練樣區(qū)是否合格樣本可分性度量判斷訓(xùn)練樣區(qū)是否合格合合合合 格格格格分類器選擇及分類運(yùn)算分類器選擇及分類運(yùn)算分類器選擇及分類運(yùn)算分類器選擇及分類運(yùn)算監(jiān)督分類的缺點(diǎn)主觀性由于圖像中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性訓(xùn)練樣本的獲取和評(píng)估花費(fèi)較多人力時(shí)間只能識(shí)別訓(xùn)練中定義的類別8.4非監(jiān)督分類非監(jiān)督分類：也稱聚類分析，是事先對(duì)分類過程不施加任何先驗(yàn)知識(shí)，僅憑遙感圖像地物的光譜特征的分布規(guī)律，進(jìn)行自動(dòng)分類。分類方法：K-均值聚類法ISODATA算法聚類分析平行管道發(fā)聚類分析8.4.1K-均值聚類法算法準(zhǔn)則：多模式點(diǎn)到類別中心的距離的平方和最小。算法步

16、驟：(1)選擇m個(gè)類的初始中心(2)按照到類中心距離最小的原則對(duì)像元分類(3)重新計(jì)算類中心(4)類中心不變，算法結(jié)束；否則返回(2)8.4.1K-均值聚類法8.4.2ISODATA算法聚類分析第一，它不是每調(diào)整一個(gè)樣本的類別就重新計(jì)算一次各類樣本的均值，而是在每次把所有樣本都調(diào)整完畢之后才重新計(jì)算一次各類樣本的均值，前者稱為逐個(gè)樣本修正法，后者稱為成批樣本修正法。第二，ISODATA算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自動(dòng)地進(jìn)行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。ISODATA算法1.初始化(迭代次數(shù)；分類數(shù)，類類間的初始閾值，類類初始方差、一個(gè)類最小象元數(shù))；2.選擇初始中心（隨即選；灰度范圍對(duì)應(yīng)相應(yīng)等級(jí)）；3.按一定規(guī)則(如距離最小)對(duì)所有像元?jiǎng)澐郑?.重新計(jì)算每個(gè)集群的均值和方差；按初始化的參數(shù)進(jìn)行分裂（類類方差超過初始值、類別數(shù)小于初始類別數(shù)一半、迭代次數(shù)有關(guān)）和合并（類間距離小于類間初始化閾值、類別數(shù)大于所希望類別數(shù)兩倍、迭代次數(shù)有關(guān)）5.結(jié)束，迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值；6.否則，重復(fù)3-5；7.確認(rèn)類別(實(shí)