遙感數(shù)字圖像處理_11遙感圖像分類

1、第10講課 題 ：遙感圖像的自動分類(1)目的要求：1.理解遙感圖像分類的原理；2.掌握遙感圖像分類的工作流程；3.熟悉常用分類方法；4.掌握分類后處理及分類精度分析。重 點 ：監(jiān)督分類與非監(jiān)督分類難 點 ：監(jiān)督分類的過程教學課時：2課時教學方法：授課為主、鼓勵課堂交流本次課涉及的學術前沿：遙感圖像分類的原理及遙感圖像分類方法的最新發(fā)展1、 模式與模式識別模式與模式識別所謂所謂“模式模式”是指某種具有空間或幾何是指某種具有空間或幾何特征的東西。特征的東西。對被識別的模式作一系列的測量，然后對被識別的模式作一系列的測量，然后將測量結果與將測量結果與“模式字典模式字典”中一組中一組“典型典型的的”

2、測量值相比較測量值相比較,得出所需要的分類結果。得出所需要的分類結果。這一過程稱為這一過程稱為模式識別模式識別. 分類器（或稱判決器），可以根據(jù)一定分類器（或稱判決器），可以根據(jù)一定的分類規(guī)則，把某一測量矢量的分類規(guī)則，把某一測量矢量X劃入某一組劃入某一組預先規(guī)定的類別之中去。預先規(guī)定的類別之中去。 自然模式自然模式接收器接收器(傳感器傳感器)分類器分類器(判決器判決器)模式識別系統(tǒng)的模型模式識別系統(tǒng)的模型 2、 光譜特征空間及地物在特征空間中聚類光譜特征空間及地物在特征空間中聚類的統(tǒng)計特性的統(tǒng)計特性 光譜特征空間光譜特征空間:以各波段圖像的亮度分布為以各波段圖像的亮度分布為坐標軸組成的空間坐

3、標軸組成的空間. 同類地物在特征空間形成一個相對聚集同類地物在特征空間形成一個相對聚集的點集群的點集群;不同類地物的點集群在特征空間內一般不同類地物的點集群在特征空間內一般是相互分離的是相互分離的. 水土壤植被B5B7特征點集群在特征空間中的分布大致可特征點集群在特征空間中的分布大致可分為如下三種情況分為如下三種情況:理想情況理想情況不同類別不同類別的點的集群的點的集群至少在一個至少在一個特征子空間中的投影是特征子空間中的投影是完全可以相互區(qū)分開的。完全可以相互區(qū)分開的。 BiBj水植被土壤一般情況一般情況無論在總的特征空間中，還是無論在總的特征空間中，還是在任一子空間中，不同類別的集群之間總

4、在任一子空間中，不同類別的集群之間總是存在是存在重疊重疊現(xiàn)象。這時重疊部分的特征點現(xiàn)象。這時重疊部分的特征點所對應的地物，在分類時總會出現(xiàn)不同程所對應的地物，在分類時總會出現(xiàn)不同程度的分類誤差，這是遙感圖像中最常見的度的分類誤差，這是遙感圖像中最常見的情況。情況。水植被土壤典型情況典型情況不同類別地物的集群，在不同類別地物的集群，在任一任一子空間中都有相互重疊的現(xiàn)象存在，但在子空間中都有相互重疊的現(xiàn)象存在，但在總的特征空間中可以完全區(qū)分的。這時可總的特征空間中可以完全區(qū)分的。這時可采用特征變換使之變成理想情況進行分類。采用特征變換使之變成理想情況進行分類。水植被土壤一、特征變換一、特征變換 1

5、、主分量變換、主分量變換 2、穗帽變換、穗帽變換 3、哈達瑪變換、哈達瑪變換 哈達瑪變換定義為：哈達瑪變換定義為：IH=HX1、 K-LK-L變換變換( (Karhunen-Loeve)(Karhunen-Loeve)(主分量變換) K-L變換:它是對某一多光譜圖像X.利用K-L變換矩陣A進行線性組合,而產生一組新的多光譜圖像Y. Y=AXY=AX 特點:變換后的主分量空間與變換前的多光譜空間坐標系相比旋轉了一個角度。新坐標系的坐標軸一定指向數(shù)據(jù)量較大的方向。該變換的幾何意義是把原始特征空間的該變換的幾何意義是把原始特征空間的特征軸旋轉到平行于混合集群結構軸的方特征軸旋轉到平行于混合集群結構軸

6、的方向上去。向上去。 達到數(shù)據(jù)壓縮、提高信噪比、提取相關達到數(shù)據(jù)壓縮、提高信噪比、提取相關信息、降維處理和提取原圖像特征信息的信息、降維處理和提取原圖像特征信息的目的。目的。主分量變換計算步驟如下：主分量變換計算步驟如下：（1）計算多光譜圖像的均值向量M和協(xié)方差矩陣 C。（2）計算矩陣C的特征值r和特征向量r ，（r=1，2，,M）,M為多光譜圖像的波段數(shù)。（3）將特征值r按由大到小的次序排列，即12m.（4）選擇前幾個特征值對應的幾個特征向量構造變換矩陣n.（5）根據(jù)nX進行變換，得到的新特征影像就是變換的結果，X為多光譜圖像的一個光譜特征矢量。 第一分量方差分布最廣，集中最多信息，第二分量

7、次之。2、K-T變換 是kauth-Thomas變換的簡稱，也稱穗帽變換.是一種坐標空間發(fā)生旋轉的線性變換，旋轉后的坐標軸指向與地面景物有密切關系的方向 主要針對TM圖像數(shù)據(jù)和MSS數(shù)據(jù). Y=AX Y=（ISB IGV IY IN）T X=（X4 X5 X6 X7）其中：ISB土壤亮度軸的像元亮度值 IGV植物綠色指標軸的像元亮度值 IY 黃色軸 IN 噪聲軸 Xi 地物在MSS四個波段上的亮度值穗帽變換的變換矩陣根據(jù)經驗確定。Kauth和Thomas研究出的矩陣A具有如下形式： 0.433 0.632 0.586 0.264 -0.290 -0.567 0.600 0.491 -0.824

8、 0.533 -0.050 0.185 0.223 0.012 -0.543 0.809土壤亮度變化軸ISB為穗帽的底邊，帽上面各部分反映了植物生長變化狀況，植物株冠的綠色發(fā)展到頂點（最旺盛時在帽頂）以后逐漸枯黃，枯黃過程是從帽頂沿著一些稱為帽穗的路徑回歸到土壤底線（因此有穗帽之稱）。哈達瑪矩陣為一個對稱的正哈達瑪矩陣為一個對稱的正交矩陣，其變換核為交矩陣，其變換核為 H由哈達瑪變換核可知，哈達由哈達瑪變換核可知，哈達瑪變換實際是將坐標軸旋瑪變換實際是將坐標軸旋轉了轉了45的正交變換的正交變換 3、哈達嗎變換、哈達嗎變換哈達瑪矩陣的維數(shù)哈達瑪矩陣的維數(shù)N總是總是2的倍數(shù)，即的倍數(shù)，即N=2m（

9、m=1，2）其中其中m稱為矩陣的階，每個高階哈達瑪矩陣都由其低稱為矩陣的階，每個高階哈達瑪矩陣都由其低一階的哈達瑪矩陣按如下一階的哈達瑪矩陣按如下取二階哈達瑪變換矩陣 以以MSS4，5，6，7四波段的陸地衛(wèi)星圖像的四波段的陸地衛(wèi)星圖像的哈達瑪為換為例哈達瑪為換為例: IH=HXIH=(h0 h3 h1 h2)Th0=(x4+x5)+(x6+x7)h1=( x4+x5)-( x6+x7)h2=( x4-x5)-( x6-x7)h3= ( x4-x5)+( x6-x7) 有: h0 1 1 x4+5 h1 1 -1 x6+7 h2 1 1 x4-5 h3 1 -1 x6-7=將它們投影到以將它們投

10、影到以X4+5 X6+7 和和X4-5 X6-7形成形成的二個二維空間上的二個二維空間上 特征圖像特征圖像h0集中了大量的土壤信息，并且對集中了大量的土壤信息，并且對于把水同土壤與植被的混合體區(qū)分開來是于把水同土壤與植被的混合體區(qū)分開來是有效的。有效的。而而h1則有利于提取植被信息，即有利于把植則有利于提取植被信息，即有利于把植被同水和土壤的混合體區(qū)分開來。被同水和土壤的混合體區(qū)分開來。而而h2類似于類似于h1。但是由于（。但是由于（X4-5）和（）和（X6-7）的數(shù)值對各類都很?。ǖ臄?shù)值對各類都很?。?, 則則X屬于屬于 類。類。根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則來進行的分類根據(jù)概率判決函數(shù)和

11、貝葉斯判決規(guī)則來進行的分類通常稱為最大似然分類法。通常稱為最大似然分類法。 )(ln|ln21)()(21)(1iiiiTiiPMXMXXd貝葉斯判決規(guī)則是以錯分概率最小的最優(yōu)準則 判別邊界 當使用概率判別函數(shù)進行分類時，不可避免地會出現(xiàn)錯分現(xiàn)象。2、距離判決函數(shù)和判決規(guī)則、距離判決函數(shù)和判決規(guī)則基本思想是設法計算未知矢量基本思想是設法計算未知矢量X到有關到有關類別集群之間的距離，哪類距離它最近，類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類。該未知矢量就屬于那類。距離判決函數(shù)不象概率判決函數(shù)那樣偏距離判決函數(shù)不象概率判決函數(shù)那樣偏重于集群分布的統(tǒng)計性質，而是偏重于重于集群分布的統(tǒng)計

12、性質，而是偏重于幾幾何位置。何位置。 距離判別規(guī)則是按最小距離判別的原則距離判別規(guī)則是按最小距離判別的原則 馬氏（馬氏（Mahalanobis）距離）距離 歐氏（歐氏（Euclidean）距離）距離 計程（計程（Taxi）距離）距離 基于距離判別函數(shù)和判別規(guī)則，在實踐中以基于距離判別函數(shù)和判別規(guī)則，在實踐中以此為原理的分類方法稱為最小距離分類法。此為原理的分類方法稱為最小距離分類法。 )()(1iiTiMiMXMXd馬氏距離幾何意義：馬氏距離幾何意義：X X到類重心之間的加權距到類重心之間的加權距離，其權系數(shù)為協(xié)方差。離，其權系數(shù)為協(xié)方差。 判別函數(shù)：在各類別先驗概率和判別函數(shù)：在各類別先驗概

13、率和集群體積集群體積| 都都相同情況下的概率判別函數(shù)相同情況下的概率判別函數(shù)則有 在馬氏距離的基礎上，作下列限制在馬氏距離的基礎上，作下列限制將協(xié)方差矩陣限制為對角的將協(xié)方差矩陣限制為對角的沿每一特征軸的方差均相等沿每一特征軸的方差均相等2)()(iiTiEiMXMXMXd歐氏距離是馬氏距離用于分類集群的形狀歐氏距離是馬氏距離用于分類集群的形狀都相同情況下的特例。都相同情況下的特例。 則有 X到集群中心在多維空間中距離的絕對值到集群中心在多維空間中距離的絕對值之總和來表示之總和來表示 mjijTiMXd1|3、其它的判決函數(shù)和判決規(guī)則、其它的判決函數(shù)和判決規(guī)則 盒式分類法基本思想盒式分類法基本

14、思想:首先通過訓練樣區(qū)的數(shù)首先通過訓練樣區(qū)的數(shù)據(jù)找出每個類別在特征空間的位置和形狀，據(jù)找出每個類別在特征空間的位置和形狀，然后以一個包括該集群的然后以一個包括該集群的“盒子盒子”作為該作為該集群的判別函數(shù)。集群的判別函數(shù)。判決規(guī)則為若未知矢量判決規(guī)則為若未知矢量X落入該落入該“盒盒子子”，則，則X分為此類，否則再與其它盒子比分為此類，否則再與其它盒子比較。較。例如例如對于對于A類的盒子，類的盒子，其邊界（最小值和最其邊界（最小值和最大值）分別是大值）分別是X1=a、X1=b；X2=c、X2=d。這種分類法在盒子重這種分類法在盒子重疊區(qū)域有錯分現(xiàn)象。疊區(qū)域有錯分現(xiàn)象。錯分與比較盒子的先錯分與比較

15、盒子的先后次序有關。后次序有關。 二分類過程二分類過程 確定判決函數(shù)和判決規(guī)則以后，下一步的工確定判決函數(shù)和判決規(guī)則以后，下一步的工作是計算每一類別對應的判決函數(shù)中的各個參數(shù)，作是計算每一類別對應的判決函數(shù)中的各個參數(shù)，如使用最大似然法進行分類，必須知道判別函數(shù)如使用最大似然法進行分類，必須知道判別函數(shù)中的均值向量和協(xié)方差矩陣。而這些參數(shù)的計算中的均值向量和協(xié)方差矩陣。而這些參數(shù)的計算是通過使用是通過使用“訓練樣區(qū)訓練樣區(qū)”的數(shù)據(jù)來獲取的。的數(shù)據(jù)來獲取的。監(jiān)督法分類意味著對類別已有一定的先驗知監(jiān)督法分類意味著對類別已有一定的先驗知識，根據(jù)這些先驗知識，就可以有目的地選擇若識，根據(jù)這些先驗知識，

16、就可以有目的地選擇若干個干個“訓練樣區(qū)訓練樣區(qū)”。這些。這些“訓練樣區(qū)訓練樣區(qū)”的類別是的類別是已知的。利用已知的。利用“訓練樣區(qū)訓練樣區(qū)”的數(shù)據(jù)去的數(shù)據(jù)去“訓練訓練”判判決函數(shù)就建立了每個類別的分類器決函數(shù)就建立了每個類別的分類器然后按照分類器對未知區(qū)域進行分類。分類然后按照分類器對未知區(qū)域進行分類。分類的結果不僅使不同的類別區(qū)分開了而且類別的屬的結果不僅使不同的類別區(qū)分開了而且類別的屬性也知道了。性也知道了。 監(jiān)督分類的主要步驟如下：監(jiān)督分類的主要步驟如下：（1）確定感興趣的類別數(shù)。）確定感興趣的類別數(shù)。首先確定要對哪些地物進行分類，這樣就可首先確定要對哪些地物進行分類，這樣就可以以 建立

17、這些地物的先驗知識。建立這些地物的先驗知識。（2）特征變換和特征選擇）特征變換和特征選擇根據(jù)感興趣地物的特征進行有針對性的特征根據(jù)感興趣地物的特征進行有針對性的特征變換，這部分內容在前面特征選擇和特征變換一變換，這部分內容在前面特征選擇和特征變換一節(jié)有比較詳細的介紹。變換之后的特征影像和原節(jié)有比較詳細的介紹。變換之后的特征影像和原始影像共同進行特征選擇，以選出既能滿足分類始影像共同進行特征選擇，以選出既能滿足分類需要，又盡可能少參與分類的特征影像，加快分需要，又盡可能少參與分類的特征影像，加快分類速度，提高分類精度。類速度，提高分類精度。（3）選擇訓練樣區(qū)）選擇訓練樣區(qū)訓練樣區(qū)的選擇要注意訓練

18、樣區(qū)的選擇要注意準確性、代表性和統(tǒng)準確性、代表性和統(tǒng)計性計性三個問題。三個問題。準確性就是要確保選擇的樣區(qū)與實際地物的準確性就是要確保選擇的樣區(qū)與實際地物的一致性一致性代表性一方面指所選擇區(qū)為某一地物的代表，代表性一方面指所選擇區(qū)為某一地物的代表，另一方面還要考慮到地物本身的復雜性，所以必另一方面還要考慮到地物本身的復雜性，所以必須在一定程度上反映同類地物光譜特性的波動情須在一定程度上反映同類地物光譜特性的波動情況況統(tǒng)計性是指選擇的訓練樣區(qū)內必須有足夠多統(tǒng)計性是指選擇的訓練樣區(qū)內必須有足夠多的像元，以保證由此計算出的類別參數(shù)符合統(tǒng)計的像元，以保證由此計算出的類別參數(shù)符合統(tǒng)計規(guī)律。實際應用中，每

19、一類別的樣本數(shù)都在規(guī)律。實際應用中，每一類別的樣本數(shù)都在102數(shù)量級左右。數(shù)量級左右。 選擇樣本區(qū)域（4）確定判決函數(shù)和判決規(guī)則）確定判決函數(shù)和判決規(guī)則一旦訓練樣區(qū)被選定后，相應地物類別的光一旦訓練樣區(qū)被選定后，相應地物類別的光譜特征便可以用訓練區(qū)中的樣本數(shù)據(jù)進行統(tǒng)計。譜特征便可以用訓練區(qū)中的樣本數(shù)據(jù)進行統(tǒng)計。如果使用最大似然法進行分類。那么就可以如果使用最大似然法進行分類。那么就可以用樣區(qū)中的數(shù)據(jù)計算判別函數(shù)所需的參數(shù)用樣區(qū)中的數(shù)據(jù)計算判別函數(shù)所需的參數(shù) 和和 。如果使用盒式分類法則用樣區(qū)數(shù)據(jù)算出盒子如果使用盒式分類法則用樣區(qū)數(shù)據(jù)算出盒子的邊界。判決函數(shù)確定之后的邊界。判決函數(shù)確定之后，再選

20、擇一定的判決再選擇一定的判決規(guī)則就可以對其它非樣區(qū)的數(shù)據(jù)進行分類。規(guī)則就可以對其它非樣區(qū)的數(shù)據(jù)進行分類。計算每個類別的 M 和 ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅紅255255耕地0藍藍255？老城區(qū)老城區(qū)優(yōu)點：優(yōu)點： .根據(jù)應用目的和區(qū)域，有選擇的決定分類類別，根據(jù)應用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要的類別；避免出現(xiàn)一些不必要的類別； .可以控制訓練樣本的選擇可以控制訓練樣本的選擇 .可以通過檢查訓練樣本來決定訓練樣本是否被精可以通過檢查訓練樣本來決定訓練樣本是否被精確分類，從而避免分類中的嚴重錯誤確分類，從而避免分類中的嚴重錯誤,分類精分類精度高度高 . 避免了非

21、監(jiān)督分類中對光譜集群的重新歸類避免了非監(jiān)督分類中對光譜集群的重新歸類 .分類速度快分類速度快 主觀性；主觀性； 由于圖象中間類別的光譜差異，使得訓練樣本由于圖象中間類別的光譜差異，使得訓練樣本沒有很好的代表性；沒有很好的代表性； 訓練樣本的獲取和評估花費較多人力時間；訓練樣本的獲取和評估花費較多人力時間； 只能識別訓練中定義的類別。只能識別訓練中定義的類別。 監(jiān)督法分類的基本思想 最大似然法和最小距離法分類的原理 錯分情況分析非監(jiān)督分類非監(jiān)督分類是指人們事先對分類過程不施加任何的是指人們事先對分類過程不施加任何的先驗知識，而僅憑遙感影像地物的光譜特先驗知識，而僅憑遙感影像地物的光譜特征的分布規(guī)

22、律，即自然聚類的特性，進行征的分布規(guī)律，即自然聚類的特性，進行“盲目盲目”的分類；的分類；其分類的結果只是對不同類別達到了區(qū)其分類的結果只是對不同類別達到了區(qū)分，但并不能確定類別的屬性；其類別的分，但并不能確定類別的屬性；其類別的屬性是通過分類結束后目視判讀或實地調屬性是通過分類結束后目視判讀或實地調查確定的。查確定的。一般的聚類算法是先選擇若干個模式點一般的聚類算法是先選擇若干個模式點作為聚類的作為聚類的中心中心。每一中心代表一個類別，按照某種相似每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各模式性度量方法（如最小距離方法）將各模式歸于各聚類中心所代表的類別，形成歸于各聚

23、類中心所代表的類別，形成初始初始分類。分類。然后由聚類準則判斷初始分類是否合理，然后由聚類準則判斷初始分類是否合理，如果不合理就修改分類，如此如果不合理就修改分類，如此反復迭代運反復迭代運算算，直到合理為止。，直到合理為止。一一 K-均值聚類法均值聚類法K-均值算法的聚類均值算法的聚類準則準則是使每一聚類中，是使每一聚類中，多模式點到該類別的中心的距離的平方和多模式點到該類別的中心的距離的平方和最小。最小。 基本思想基本思想是：通過迭代，逐次移動各類的是：通過迭代，逐次移動各類的中心，直至得到最好的聚類結果為止。中心，直至得到最好的聚類結果為止。2ISODATA算法聚類分析算法聚類分析 ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算）算法也稱為迭代自組織數(shù)據(jù)分析算法。法也稱為迭代自組織數(shù)據(jù)分析算法。它與它與K均值算法有兩點不同均值算法有