第8章遙感作業(yè)

1、第八章 遙感圖像自動識別分類姓名：黃林周 學號：2014301610131一、名詞解釋1、模式識別：一個模式識別系統(tǒng)對被識別的模式作一系列的測量，然后將測量結(jié)果與“模式字典”中一組“典型的”測量值相比較，若和字典中某一“詞目”的比較結(jié)果是吻合或者比較吻合，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別。2、遙感圖像自動分類：采用決策理論或統(tǒng)計方法，按照決策理論方法，需要從被識別的模式中提取一組反映模式屬性的量測值，稱之為特征，并把模式特征定義在一個特征空間中，進而利用決策的原理對特征空間進行劃分。3、統(tǒng)計模式識別：對模式的統(tǒng)計分類方法，把模式類看成是用某個隨機向量實現(xiàn)的集合。又稱決策理

2、論識別方法。4、結(jié)構(gòu)模式識別：結(jié)構(gòu)模式識別是用模式的基本組成元素（基元）及其相互間的結(jié)構(gòu)關系對模式進行描述和識別的方法。5、光譜特征向量：同名地物點在不同波段圖像中亮度的觀測量將構(gòu)成一個多維的隨機向量X，稱為光譜特征向量。 6、特征空間：為了度量圖像中地物的光譜特征，建立一個以各波段圖像的亮度分布為子空間的多維光譜特征空間。7、特征變換：將原有的m個測量值集合并通過某種變換，產(chǎn)生n（n<=m）個新的特征，這種處理方法稱為特征變換。 8、特征選擇：從原來的m個測量值集合中，按某一準則選出n個特征，這種方法稱為特征選擇。9、主分量變換：即K-L變換，是一種線性變換，是就均方差最小來說的最佳正

3、交變換，是在統(tǒng)計特征基礎上的線性變換。 10、哈達瑪變換：是利用哈達瑪矩陣作為變換矩陣新實施的遙感多光譜域變換。11、穗帽變換：即K-T變換，它有兩個特點，一是土壤在特征空間的集群隨亮度的變化趨勢沿從坐標原點出發(fā)的同一根輻射線方向上出現(xiàn)，二是若把土壤和植被的混合集群投影到MSS-5和MSS-6波段圖像所組成的特征子空間中，形成一個近似的帽狀三角形。12、生物量指標變換：以兩圖像間相應亮度差與其亮度和之比作為處理后的圖像亮度值的圖像處理方法，公式為。13、標準化距離：公式為。14、類間離散度：表示一類模式在空間的散布情況。16、類內(nèi)離散度：各樣本點圍繞均值的散布情況。17、判別函數(shù)：各個類別的判

4、斷區(qū)域確定后，某個特征矢量屬于哪個類別可以用一些函數(shù)來表示和鑒別這些函數(shù)就是判別函數(shù)。18、判別邊界：當計算完某個矢量在不同類別判別函數(shù)的中的值后，我們要確定該矢量屬于某類就必須給出一個判斷依據(jù)，如若得到函數(shù)值最大則該矢量屬于最大值對應的類別。19、條件概率：某件事在另一件事已發(fā)生的情況下發(fā)生的概率。20、先驗概率：指根據(jù)以往經(jīng)驗和分析得到的概率。21、后驗概率：指在得到“結(jié)果”的信息后重新修正的概率。22、貝葉斯判別規(guī)則：把某特征矢量X落入某類集群的條件概率當成分類判別函數(shù)，把X落入某集群的條件概率最大的類作為X的類別，這種判別規(guī)則就是貝葉斯判別規(guī)則。23、馬氏距離：幾何意義是特征矢量X到某

5、類集群類中心之間的加權(quán)距離。24、歐氏距離：是馬氏距離用于分類集群的形狀都相同下的特例。25、錯分概率：類別判別分界兩側(cè)做出不確定判別的概率之和。26、訓練樣區(qū)：指的是圖像上那些已知其類別屬性，可以用來統(tǒng)計類別參數(shù)的區(qū)域。27、最小距離法分類：設法計算未知矢量X到有關類別集群之間的距離，哪類離它最近，該未知矢量就屬于哪類。28、ISODATA法分類：也稱為迭代自組織數(shù)據(jù)分析算法，它與K-均值算法有兩點不同，第一，它不是每調(diào)整一個樣本的類別就重新計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算一次各類樣本的均值，前者稱為逐個樣本修正法，后者稱為批樣本修正法；第二，ISODAT

6、A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，而且可以自動的進行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。29、混淆矩陣：統(tǒng)計分類圖中的類別與實際類別之間的混淆程度。二、問答題：1、 地物在特征空間聚類有哪些特性？答：1、不同地物由于光譜特征不同，將分布在特征空間的不同位置；2、同類地物的各取樣點在光譜各種空間中的特征點將不可能只表現(xiàn)為同一點，而是形成一個相對聚集的點集群，不同類地物的點集群在特征空間內(nèi)一般是相互分離的；3、地物在特征空間的聚類通常用特征點分布的概率密度函數(shù)表示。2、作圖并說明遙感影像主分量變換的原理和它在遙感中的主要作用。答：原理：由原始圖像數(shù)據(jù)協(xié)方差

7、矩陣的特征值和特征向量建立起來的變換核，將光譜特征空間原始數(shù)據(jù)向量投影到平行于地物集群橢球體各結(jié)構(gòu)軸的主成分方向。作用：突出和保留主要地物類別信息，用來進行圖像增強、特征選擇和圖像壓縮的處理方法。3、敘述生物量指標變換的原理及其作用。答：原理：MSS-5和MSS-7的比值廣泛用于調(diào)查植物的稠密度，它與地面生物量之間有很強的相關性，公式為。作用：可以很好地把植物從水和土壤中分離出來。4、為什么要進行特征選擇？列舉幾種特征選擇的主要方法和原理。答：一方面減少特征之間的相關性，使得用盡可能少的特征來最大限度地包含所有原始數(shù)據(jù)的信息；另一方面使得待分類別之間的差異在變換后的特征中更明顯，從而改善分類效

8、果。1、主分量變換即K-L變換，是一種線性變換，是就均方差最小來說的最佳正交變換，是在統(tǒng)計特征基礎上的線性變換。2、哈達瑪變換是利用哈達瑪矩陣作為變換矩陣新實施的遙感多光譜域變換。3、穗帽變換即K-T變換，它有兩個特點，一是土壤在特征空間的集群隨亮度的變化趨勢沿從坐標原點出發(fā)的同一根輻射線方向上出現(xiàn)，二是若把土壤和植被的混合集群投影到MSS-5和MSS-6波段圖像所組成的特征子空間中，形成一個近似的帽狀三角形。5、敘述監(jiān)督分類與非監(jiān)督分類的區(qū)別。答： 監(jiān)督分類精確度高準確性好與實際類別吻合較好，但是工作量大，有先驗知識時使用該方法；非監(jiān)督分類工作量小易于實現(xiàn)，分類結(jié)果與實際類別相差較大，準確性

9、差，在沒有類別先驗知識時使用該方法。6、敘述最大似然法分類原理及存在的缺點。答：最大似然法分類是經(jīng)常使用的監(jiān)督分類方法之一，它是通過求出每個像素對于各類別歸屬概率，把該像素分到歸屬概率最大的類別中去的方法。最大似然比分類法在多類別分類時，常采用統(tǒng)計學方法建立起一個判別函數(shù)集，然后根據(jù)這個判別函數(shù)集計算各待分像元的歸屬概率。7、敘述最小距離法分類的原理和步驟。答：原理：聚類準則使得每一個聚類中，多模式點到該類別的中心的距離的平方和最小。基本思想是通過迭代，逐次移動各類的中心，直到得到最好的聚類結(jié)果。步驟如下：1、輸入基因表達矩陣作為對象集X，輸入指定聚類類數(shù)N，并在X中隨機選取N個對象作為初始聚

10、類中心；2、設定迭代中止條件，比如最大循環(huán)次數(shù)或者聚類中心收斂誤差容限；3、進行迭代，根據(jù)相似度準則將數(shù)據(jù)對象分配到最接近的聚類中心，從而形成一類；4、初始化隸屬度矩陣；更新聚類中心；5、然后以每一類的平均向量作為新的聚類中心，重新分配數(shù)據(jù)對象；6、反復執(zhí)行第二步和第三步直至滿足條件。8、敘述ISODATA法非監(jiān)督分類的原理和步驟。答：原理：它不是每調(diào)整一個樣本的類別就重新計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算一次各類樣本的均值。 步驟：1、將N個模式樣本讀入；2、 將N個模式樣本分給最近的聚類Sj；3、如果Sj中的樣本Nj<N，取消該樣本子集，這時Nc減去

11、1；4、修正各聚類中心的值；5、計算各聚類域Sj中諸聚類中心間的平均距離；6、計算全部模式樣本對其相應聚類中心的總平均距離；7、判別分裂、合并及迭代運算等步驟；8、計算每類聚類中樣本距離的標準差向量；9、求每一標準差向量中的最大分量；10、在任一最大分量集中，如有jmax>S，同時又滿足條件，則完成分裂運算；11、計算全部聚類中心的距離；12、比較Dij與c值，將Dij<c的值按最小距離次序遞增排列；13、如將距離為Dij的兩個聚類中心zi1和zj1合并，得新中心；14、如果是最后一次迭代運算，算法結(jié)束。9、敘述改善僅用光譜特征的統(tǒng)計模式識別自動分類的主要方法和基本原理。答：如平行

12、管聚類分析法。以地物的光譜特征曲線為基礎，假定同類地物的光譜特性曲線相似作為判別的標準。10、根據(jù)以下的混淆矩陣，計算每一類的用戶精度、生產(chǎn)者精度、總體精度和Kappa系數(shù)。類別水體裸地植被建筑物道路合計用戶精度水體33245388012158673464640.716裸地6901011283248519233881136460.890植被126912206111972404283540.778建筑物3154365017296731261796120.963道路17286401479920745384250.540合計371071074362530920631330336406501制圖精度0.8960.9410.8720.8380.684總體精度p=（33245+101128+22061+172967+20745）/406501=0.861Kap