遙感圖像計算機分類

1、理解遙感圖像計算機分類的一般原理和常用的判別函數(shù)掌握傳統(tǒng)的監(jiān)督分類和非監(jiān)督分類方法，以及分類中的輔助處理技術了解計算機分類的新方法遙感圖像計算機分類的一般原理遙感圖像計算機分類的一般原理判別函數(shù)判別函數(shù)非監(jiān)督分類非監(jiān)督分類監(jiān)督分類監(jiān)督分類光譜特征分類中的輔助處理技術光譜特征分類中的輔助處理技術計算機分類新方法計算機分類新方法雷達遙感圖像分類新方法雷達遙感圖像分類新方法v概述概述v計算機分類的基本原理計算機分類的基本原理v計算機分類處理的一般過程計算機分類處理的一般過程一、概述一、概述遙感圖像的解譯遙感圖像的解譯通過對遙感圖像所提供的各種識別目標的特征信息進通過對遙感圖像所提供的各種識別目標的特

2、征信息進行分析、推理與判斷，從而識別目標或現(xiàn)象的過程行分析、推理與判斷，從而識別目標或現(xiàn)象的過程v目視方法憑著憑著光譜規(guī)律、地學規(guī)律和解譯者的經(jīng)驗光譜規(guī)律、地學規(guī)律和解譯者的經(jīng)驗從影像的從影像的亮亮度、色調、位置、時間、紋理、結構度、色調、位置、時間、紋理、結構等特征推出地面等特征推出地面的景物類型的景物類型v計算機方法利用利用計算機模式識別技術計算機模式識別技術對遙感圖像上的信息進行屬對遙感圖像上的信息進行屬性的識別和分類性的識別和分類一、概述一、概述光譜特征光譜特征v概念地物電磁波輻射的多波段測量值，通常以地物多光譜地物電磁波輻射的多波段測量值，通常以地物多光譜圖像上的亮度體現(xiàn)圖像上的亮度

3、體現(xiàn)v遙感圖像分類的主要依據(jù)不同的地物在同一波段圖像上表現(xiàn)的亮度一般互不相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；同時，不同的地物在多個波段圖像上亮度的呈現(xiàn)同；同時，不同的地物在多個波段圖像上亮度的呈現(xiàn)規(guī)律也不同規(guī)律也不同( (exampleexample）一、概述一、概述地物反射率差異圖地物反射率差異圖 若按照地物類別聚集的規(guī)律把多光譜空間劃分為若干個若按照地物類別聚集的規(guī)律把多光譜空間劃分為若干個子空間，每一個子空間包含一個類別，就可以把圖像中未知像子空間，每一個子空間包含一個類別，就可以把圖像中未知像元進行分類，分配到各自的子空間中元進行分類，分配到各自的子空間中一、概述一、概

4、述v相關概念n光譜類別光譜類別完全按照光譜特征在多光譜空間內聚集的類別完全按照光譜特征在多光譜空間內聚集的類別n信息類別信息類別與地面實際景物對應的類別與地面實際景物對應的類別n同物異譜同物異譜同一種地物包含幾種光譜類別同一種地物包含幾種光譜類別n異物同譜異物同譜同一種光譜類別中有不同的信息類別同一種光譜類別中有不同的信息類別一、概述一、概述遙感圖像的計算機分類遙感圖像的計算機分類v概念將圖像中每一個像元點或區(qū)域歸屬于若干個類別中將圖像中每一個像元點或區(qū)域歸屬于若干個類別中的一類，或若干個專題要素中的一種，完成將圖像數(shù)的一類，或若干個專題要素中的一種，完成將圖像數(shù)據(jù)從二維灰度空間轉換到目標模式

5、空間的工作據(jù)從二維灰度空間轉換到目標模式空間的工作v分類n統(tǒng)計模式方法統(tǒng)計模式方法傳統(tǒng)方法傳統(tǒng)方法n句法模式方法句法模式方法新方法新方法一、概述一、概述v相關概念n監(jiān)督分類和非監(jiān)督分類監(jiān)督分類和非監(jiān)督分類l監(jiān)督分類監(jiān)督分類基于對于遙感圖像上樣本區(qū)內的地物的類屬已基于對于遙感圖像上樣本區(qū)內的地物的類屬已有先驗知識有先驗知識，以已知樣本的特征作為依據(jù)判斷非樣本數(shù)據(jù)的類別以已知樣本的特征作為依據(jù)判斷非樣本數(shù)據(jù)的類別l非監(jiān)督分類非監(jiān)督分類遙感圖像地物的屬性遙感圖像地物的屬性不具有先驗知識不具有先驗知識，純粹依靠不同光譜，純粹依靠不同光譜數(shù)據(jù)組合在統(tǒng)計上的差別進行數(shù)據(jù)組合在統(tǒng)計上的差別進行“盲目分類盲目

6、分類”, ,分類結果并分類結果并不確定類別的屬性不確定類別的屬性一、概述一、概述n分類處理與增強處理l共同點共同點增強和提取遙感圖像中的目標信息增強和提取遙感圖像中的目標信息l異同點異同點增強主要是增強圖像的目視效果，提高圖像的可解譯增強主要是增強圖像的目視效果，提高圖像的可解譯性性定性定性分類著眼于地物類別的區(qū)別分類著眼于地物類別的區(qū)別定量定量一、概述一、概述n遙感圖像分類處理的特點多變量多變量l特征選擇特征選擇有選擇地去除多光譜圖像中對分類貢獻不大的波段，從有選擇地去除多光譜圖像中對分類貢獻不大的波段，從而確定分類的信息源的過程而確定分類的信息源的過程 l特征特征分類時所使用的波段或波段組

7、合分類時所使用的波段或波段組合l特征參數(shù)特征參數(shù)選擇出來的，新的對于表示類別可分性更為有效的變量選擇出來的，新的對于表示類別可分性更為有效的變量 l特征空間特征空間特征參數(shù)組成的空間特征參數(shù)組成的空間二、計算機分類的基本原理二、計算機分類的基本原理相關概念相關概念v像元的特征值每個波段上灰度值構成的矢量每個波段上灰度值構成的矢量v特征空間包含包含X X的的的的n n維空間維空間v模式圖像中某一類目標圖像中某一類目標v樣本屬于某類別的像素屬于某類別的像素v樣本觀測值樣本的多光譜矢量樣本的多光譜矢量波段波段1 1波段波段2 2波段波段n n多光譜圖像多光譜圖像TnxxxX),(21TnxxxX),

8、(21二、計算機分類的基本原理二、計算機分類的基本原理基本原理基本原理多光譜圖像和特征空間中的點集具有等價關系。通常多光譜圖像和特征空間中的點集具有等價關系。通常同一類地面目標的光譜特性比較接近，在特征空間中同一類地面目標的光譜特性比較接近，在特征空間中的點聚集在該類的中心附近，多類目標在特征空間中的點聚集在該類的中心附近，多類目標在特征空間中形成多個點族（形成多個點族（exampleexample）二、計算機分類的基本原理二、計算機分類的基本原理BX0)(X0)(，當，當XfXfABAAB多光譜圖像分類原理多光譜圖像分類原理設圖像上有兩類設圖像上有兩類目標目標A A、B B判別準則為判別準則

9、為：遙感圖像分類算法的核心就是確定判別函數(shù)和相應的判別準則fAB(X)0三、計算機分類處理的一般過程三、計算機分類處理的一般過程原始圖像的預處理訓練區(qū)的選擇特征選擇和特征提取分類檢驗結果結果輸出原始圖像預處理原始圖像預處理訓練區(qū)的選擇訓練區(qū)的選擇特征選擇和特征提取特征選擇和特征提取圖像分類運算圖像分類運算檢驗結果檢驗結果結果輸出結果輸出三、計算機分類處理的一般過程三、計算機分類處理的一般過程原始圖像的預處理原始圖像的預處理對觀測數(shù)據(jù)作成像處理，以及圖像的幾何校正、輻射對觀測數(shù)據(jù)作成像處理，以及圖像的幾何校正、輻射校正、量化、采樣、預濾波、去噪聲等處理，以便獲校正、量化、采樣、預濾波、去噪聲等處

10、理，以便獲得一幅比較清晰、對比度強、位置準確的圖像提高分得一幅比較清晰、對比度強、位置準確的圖像提高分類精度類精度三、計算機分類處理的一般過程三、計算機分類處理的一般過程訓練區(qū)的選擇訓練區(qū)的選擇v要求普遍性、代表性普遍性、代表性v方法n實地調查實地調查n借助地圖、航片或其他專題資料借助地圖、航片或其他專題資料n非監(jiān)督分類非監(jiān)督分類水水 田田平原水田平原水田丘陵水田丘陵水田山區(qū)水田山區(qū)水田景觀相片景觀相片遙感影像遙感影像平原旱地平原旱地山區(qū)旱地山區(qū)旱地景觀相片景觀相片遙感影像遙感影像丘陵旱地丘陵旱地旱旱 地地有林地有林地景觀相片景觀相片遙感影像遙感影像疏林地疏林地灌木林地灌木林地林林 地地低覆蓋

11、度草地低覆蓋度草地中覆蓋度草地中覆蓋度草地高覆蓋度草地高覆蓋度草地景觀相片景觀相片遙感影像遙感影像草草 地地河河 渠渠冰川及永久性積雪冰川及永久性積雪水庫坑塘水庫坑塘湖湖 泊泊河灘地河灘地水 域城鎮(zhèn)用地城鎮(zhèn)用地農村居民用地農村居民用地工礦和交通用地工礦和交通用地景觀相片景觀相片遙感影像遙感影像城鎮(zhèn)及工礦用地鹽堿地鹽堿地沙沙 地地戈戈 壁壁沼澤地沼澤地裸土地裸土地裸巖裸巖其他其他未利用土地景觀相片景觀相片遙感影像遙感影像景觀相片景觀相片遙感影像遙感影像三、計算機分類處理的一般過程三、計算機分類處理的一般過程特征選擇與特征提取特征選擇與特征提取v特征選擇（feature selection）從眾多

12、特征中挑選出可以參加分類運算的若干特征從眾多特征中挑選出可以參加分類運算的若干特征v特征提?。╢eature extraction）在特征選擇后，利用特征提取算法從原始特征中求出在特征選擇后，利用特征提取算法從原始特征中求出最能反映其類別特性的一組新特征，完成樣本空間到最能反映其類別特性的一組新特征，完成樣本空間到特征空間的轉換特征空間的轉換數(shù)據(jù)壓縮、提高不同類別特征之間的可區(qū)分性數(shù)據(jù)壓縮、提高不同類別特征之間的可區(qū)分性三、計算機分類處理的一般過程三、計算機分類處理的一般過程圖像分類運算圖像分類運算核心階段核心階段根據(jù)影像特點和分類目的設計或選擇恰當?shù)姆诸惛鶕?jù)影像特點和分類目的設計或選擇恰當?shù)?/p>

13、分類器及其判別準則，對特征矢量進行劃分，完成分器及其判別準則，對特征矢量進行劃分，完成分類工作類工作檢驗結果檢驗結果分類精度和可靠性評價分類精度和可靠性評價結果輸出結果輸出結果圖像的輸出和分類結果的統(tǒng)計值結果圖像的輸出和分類結果的統(tǒng)計值v距離判別函數(shù)距離判別函數(shù)v最大似然法判別函數(shù)最大似然法判別函數(shù)一、距離判別函數(shù)一、距離判別函數(shù)前提前提地物光譜特征在特征空間中按集群方式分布地物光譜特征在特征空間中按集群方式分布原理原理已知各類別集群的中心位置已知各類別集群的中心位置M Mi i（均值），計算光譜特（均值），計算光譜特征空間中任一點征空間中任一點k k到各類的距離到各類的距離 （i i1 1，

14、2 2，n n）若若 則則k k i i類；否則類；否則k k j j類類 )(kixd)()(kjkixdxd一、距離判別函數(shù)一、距離判別函數(shù)常用的距離判別函數(shù)常用的距離判別函數(shù)v閔氏距離n絕對值距離絕對值距離n歐幾里德距離歐幾里德距離v馬哈拉諾比斯距離一、距離判別函數(shù)一、距離判別函數(shù)n絕對值距離（出租汽車距離、絕對值距離（出租汽車距離、城市塊距離、等混合距離）城市塊距離、等混合距離）式中 為距離；j為波段序號；總波段數(shù)為n，i為類別號，xkj為k像元在j波段的亮度值；Mij為均值njijkjkiMxxd1)()(kixdA(xA,yA)B(xB,yB)yx特點：各特征參數(shù)以等權參與，計算簡

15、單特點：各特征參數(shù)以等權參與，計算簡單一、距離判別函數(shù)一、距離判別函數(shù)n歐幾里德距離（歐氏距離歐幾里德距離（歐氏距離）特點：各特征參數(shù)等權特點：各特征參數(shù)等權njijkjkiMxxd1)()(yA(xA,yA)B(xB,yB)x一、距離判別函數(shù)一、距離判別函數(shù)n注意注意l閔氏距離與特征參數(shù)的量綱有關閔氏距離與特征參數(shù)的量綱有關量綱不同時可以通過用標準差或級差標準化的方法量綱不同時可以通過用標準差或級差標準化的方法解決解決l閔氏距離沒有考慮特征參數(shù)間的相關性閔氏距離沒有考慮特征參數(shù)間的相關性一、距離判別函數(shù)一、距離判別函數(shù)n馬哈拉諾比斯距離（馬氏距離）馬哈拉諾比斯距離（馬氏距離）式中，i為I 集

16、群的協(xié)方差矩陣，其協(xié)方差為)()()()(1ikiTikkiMxMxxdTkNkkkxxxx),(21TiNiiiMMMM),(21mNmmNNi212222111211) 1()(1iinkilklijkjjlnnMxMxi一、距離判別函數(shù)一、距離判別函數(shù))()()(2ikTikkiMxMxxdDBDAKMBMAx2x1特點：是一種加權的歐特點：是一種加權的歐氏距離，通過協(xié)方差矩氏距離，通過協(xié)方差矩陣來考慮變量相關性陣來考慮變量相關性當當I 時，為歐式距離時，為歐式距離的平方的平方二、最大似然法判別函數(shù)二、最大似然法判別函數(shù)最大似然判別規(guī)則最大似然判別規(guī)則v前提各類的分布為正態(tài)函數(shù)各類的分布

17、為正態(tài)函數(shù)v依據(jù)貝葉斯貝葉斯( (BayesBayes) )公式公式v判別函數(shù)v判別規(guī)則式中， 似然概率 先驗概率 后驗概率 X 出現(xiàn)的概率)/(Xpi)()/()(iiiPXPXgiX)/()()/()(則若jjiiXPPXPP)/(iXp)(ip)()/()()/(XpXppXpiii)(Xp二、最大似然法判別函數(shù)二、最大似然法判別函數(shù)正態(tài)分布正態(tài)分布v多變量概率密度函數(shù)式中)()(21exp)2(1)/(1212iiTiipiMXSMXSXPinjjiiXnM11injTijijiiMXMXnS1)(11二、最大似然法判別函數(shù)二、最大似然法判別函數(shù)v判別函數(shù)v判別規(guī)則v判別邊界類第類否則

18、第，且當jXiXij)()(XgXgji)()(21ln21)(ln)(1iiTiiiiMXSMXSPXg0)()(21XgXgv概念概念是在沒有先驗類別知識是在沒有先驗類別知識( (訓練場地訓練場地) )的情況下，根據(jù)圖像本的情況下，根據(jù)圖像本身的統(tǒng)計特征及自然點群的分布情況來劃分地物類別的分類處理，身的統(tǒng)計特征及自然點群的分布情況來劃分地物類別的分類處理，也叫做也叫做“邊學習邊分類法邊學習邊分類法”v理論依據(jù)理論依據(jù)遙感圖像上的同類地物在相同的表面結構特征、植被覆蓋、遙感圖像上的同類地物在相同的表面結構特征、植被覆蓋、光照等條件下，一般具有相同或相近的光譜特征，從而表現(xiàn)出某光照等條件下，一

19、般具有相同或相近的光譜特征，從而表現(xiàn)出某種內在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光種內在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光譜信息特征不同，歸屬于不同的光譜空間區(qū)域譜信息特征不同，歸屬于不同的光譜空間區(qū)域v方法方法聚類分析聚類分析v主要過程主要過程確定初始類別參數(shù)確定初始類別參數(shù)（類別數(shù)、集群中心）（類別數(shù)、集群中心）計算每個像元計算每個像元Xk到各到各集群中心集群中心j的距離的距離dkj集群中心是否變化集群中心是否變化計算新的集群中心計算新的集群中心dkiMin(dkj)Xk第第i類類結束結束YNv初始類別參數(shù)的選定初始類別參數(shù)的選定vISODATAISODATA

20、法法vK-MeanK-Mean算法算法v應用舉例應用舉例一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定初始類別參數(shù)初始類別參數(shù)基準類別集群中心（數(shù)學期望基準類別集群中心（數(shù)學期望Mi），集群分布的協(xié)方），集群分布的協(xié)方差矩陣差矩陣i選定方法選定方法 v像素光譜特征的比較法v總體直方圖均勻定心法v最大最小距離選心法v局部直方圖峰值定心法一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定定義一個抽樣集定義一個抽樣集選定一個像素選定一個像素作為第作為第1個類別個類別作為該類的成員作為該類的成員相似？相似？其它像素與已建立的類別比較其它像素與已建立的類別比較計算類別參數(shù)計算類別參數(shù)YN作為新的類別作為新的類別

21、所有像素或所有像素或按一定間隔抽樣的按一定間隔抽樣的像素像素設定閾值設定閾值v像素光譜特征的比較法一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定v總體直方圖均勻定心法設總體直方圖的均值和方差分別為 和 其中每個類別初始類別集群中心位置Tn22221,TnmmmM,21NjiijiNjijimxNxNm1221)(1111) 1/() 1(2QqmZiiqiiiiiiiiiiiiimZmZmZmZ4321;3131;一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定v最大最小距離選心法n原則原則使各初始類別之間，盡可能地保持遠距離使各初始類別之間，盡可能地保持遠距離n過程過程一、初始類別參數(shù)的選定一、初

22、始類別參數(shù)的選定定義一個抽樣集定義一個抽樣集選定一個像素選定一個像素X1作為第一個初始類別中心作為第一個初始類別中心Z1X Xj j作為第作為第2 2個初始類別中心個初始類別中心Z Z2 2D1j=Max(D1i)計算計算X X1 1與其它抽樣點與其它抽樣點X Xi i距離距離D D1i1i結束結束Y計算剩余抽樣點計算剩余抽樣點X Xk k到已建立到已建立的初始類別中心的初始類別中心m m距離距離d dkmkmdkMin(dkm)dj=max(dk)Xj作為新類別作為新類別達到需要的類別數(shù)達到需要的類別數(shù)YN一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定與光譜特征相似法相比，具有不受閾值選定影響

23、的好處與光譜特征相似法相比，具有不受閾值選定影響的好處與總體直方圖均勻定心法相比，具有更接近實際各類集群分與總體直方圖均勻定心法相比，具有更接近實際各類集群分布位置狀況的優(yōu)點布位置狀況的優(yōu)點nexample局部直方圖峰值定心法局部直方圖峰值定心法v基本原理每個類別的集群中心一般位于本類別直方圖的峰值位每個類別的集群中心一般位于本類別直方圖的峰值位置，而在該位置處的總體直方圖往往會出現(xiàn)局部峰值置，而在該位置處的總體直方圖往往會出現(xiàn)局部峰值v基本過程一、初始類別參數(shù)的選定一、初始類別參數(shù)的選定獲取圖像數(shù)據(jù)獲取圖像數(shù)據(jù)抽樣集抽樣集建立總體建立總體直方圖直方圖搜索直方圖搜索直方圖局部峰值局部峰值一、初

24、始類別參數(shù)的選定一、初始類別參數(shù)的選定v注意n為了減少數(shù)據(jù)量，通常為了減少數(shù)據(jù)量，通常按一定距離間隔按一定距離間隔的取樣方式來獲的取樣方式來獲得圖像的抽樣數(shù)據(jù)集得圖像的抽樣數(shù)據(jù)集n為了保證被抽樣的像素亮度為非噪聲亮度，可以為了保證被抽樣的像素亮度為非噪聲亮度，可以選定一選定一個個“純度純度”閾值閾值，當抽樣像素亮度與周圍像素亮度之差，當抽樣像素亮度與周圍像素亮度之差別超出該純度閾值時，把該像素摒棄別超出該純度閾值時，把該像素摒棄n為了減少直方圖的存儲量，可采取以下措施為了減少直方圖的存儲量，可采取以下措施l限定直方圖各維亮度的取值范圍限定直方圖各維亮度的取值范圍l用亮度分辨力用亮度分辨力K K

25、把直方圖分切為一系列直方圖局部單元把直方圖分切為一系列直方圖局部單元二、二、ISODATAISODATA法（迭代自組織數(shù)據(jù)分析技術）法（迭代自組織數(shù)據(jù)分析技術）過程過程輸入控制參數(shù)輸入控制參數(shù)niTsNiiDikTcYYYYYNNNNN二、二、ISODATAISODATA法法example二、二、ISODATAISODATA法法實質實質v以初始類別為以初始類別為“種子種子”進行自動迭代聚類的過程，進行自動迭代聚類的過程，可以自動地進行類別的可以自動地進行類別的“合并合并”和和“分裂分裂”，其參，其參數(shù)也在不斷地聚類調整中逐漸確定，并最終構建所數(shù)也在不斷地聚類調整中逐漸確定，并最終構建所需要的判

26、別函數(shù)需要的判別函數(shù)v基準類別參數(shù)的確定過程，也正是利用光譜特征本基準類別參數(shù)的確定過程，也正是利用光譜特征本身的統(tǒng)計性質對判別函數(shù)不斷調整和身的統(tǒng)計性質對判別函數(shù)不斷調整和“訓練訓練”過程過程三、三、K-MeanK-Mean算法算法聚類準則聚類準則使每一聚類中，多模式點到該類別的中心的距離的平使每一聚類中，多模式點到該類別的中心的距離的平方和最小方和最小基本思想基本思想通過迭代，逐次移動各類的中心，直至得到最好的聚通過迭代，逐次移動各類的中心，直至得到最好的聚類結果為止類結果為止三、三、K-MeanK-Mean算法算法開始開始選擇初始類別的中心選擇初始類別的中心將所有像元分到將所有像元分到c

27、個類別中個類別中聚類中心不變聚類中心不變計算新的集群中心計算新的集群中心結束結束NY過程過程四、應用舉例四、應用舉例打開非監(jiān)督分類模打開非監(jiān)督分類模塊，選擇輸入、塊，選擇輸入、輸出影像輸出影像確定相關參數(shù)執(zhí)確定相關參數(shù)執(zhí)行非監(jiān)督分類行非監(jiān)督分類一般一般最終分最終分類個數(shù)的類個數(shù)的2倍倍四、應用舉例四、應用舉例確定類別確定類別四、應用舉例四、應用舉例Swipev訓練區(qū)的選擇訓練區(qū)的選擇v判別分析分類判別分析分類v檢驗檢驗v應用實例應用實例一、訓練區(qū)的選擇一、訓練區(qū)的選擇注意注意v訓練區(qū)必須具有典型性和代表性v對所有使用的圖件要求時間和空間上的一致性選取方式選取方式v坐標輸入式v人機對話式訓練區(qū)樣

28、本分析訓練區(qū)樣本分析一般要求是單峰，近似于正態(tài)分布一般要求是單峰，近似于正態(tài)分布 訓練樣本數(shù)的確定訓練樣本數(shù)的確定根據(jù)對圖像的了解程度和圖像本身的情況確定根據(jù)對圖像的了解程度和圖像本身的情況確定 理論最小值理論最小值N N1 1（N N為特征數(shù)為特征數(shù)）二、判別分析分類二、判別分析分類線性判別分析分類線性判別分析分類逐步判別分析分類逐步判別分析分類平行多面體分類平行多面體分類最小距離分類最小距離分類最大的似然比分類最大的似然比分類二、判別分析分類二、判別分析分類線性判別分析分類線性判別分析分類v線性判別函數(shù) v算法n由已知均值向量及協(xié)方差矩陣計算歸并的協(xié)方差矩陣由已知均值向量及協(xié)方差矩陣計算歸

29、并的協(xié)方差矩陣S S及其逆矩陣及其逆矩陣S S1 1n計算系數(shù)計算系數(shù)a ai i及及c ci in計算計算d di i，如果假定，如果假定g gi i都相同，則都相同，則lnglngi iln(1/k)ln(1/k)n把把X X分到分到d di i最大的一類最大的一類)(glni11iiipipiipgCXaXad式中iiiiiknSmS11) 1(1121SMaaaiipii), 2 , 1(2111kiMSMCii二、判別分析分類二、判別分析分類逐步判別分析分類逐步判別分析分類選擇少數(shù)貢獻最大的自變量建立判別函數(shù)選擇少數(shù)貢獻最大的自變量建立判別函數(shù)v比較和選擇自變量單因素方差分析或單因素

30、方差分析或F F檢驗檢驗v建立判別函數(shù)同線性判別分析同線性判別分析二、判別分析分類二、判別分析分類平行多面體分類平行多面體分類v原理只有當只有當 否則排除，否則排除，Class(xClass(xi i) )0 0ijijiSTMxki*相當于在數(shù)據(jù)空間中劃分出若干個平行多面體塊段，相當于在數(shù)據(jù)空間中劃分出若干個平行多面體塊段，每一塊段為一類每一塊段為一類二、判別分析分類二、判別分析分類v優(yōu)點分類標準簡單，計算速度比較快分類標準簡單，計算速度比較快v缺點按照各個波段的均值和標準差劃分的平行多面體與按照各個波段的均值和標準差劃分的平行多面體與實際地物類別數(shù)據(jù)點的分布的點群形態(tài)不一致實際地物類別數(shù)據(jù)

31、點的分布的點群形態(tài)不一致v改進 將自然點群分割為幾個較小的平行多面體將自然點群分割為幾個較小的平行多面體二、判別分析分類二、判別分析分類最小距離分類最小距離分類v原理n由訓練組數(shù)據(jù)得出每一類別由訓練組數(shù)據(jù)得出每一類別的均值向量及標準差向量的均值向量及標準差向量n以均值向量作為該類在多維以均值向量作為該類在多維空間中的中心位置，計算輸空間中的中心位置，計算輸入圖像中每個像元到各類中入圖像中每個像元到各類中心的距離（歐幾里德距離、心的距離（歐幾里德距離、折線距離）折線距離）n到哪一類中心的距離最小，到哪一類中心的距離最小，則該像元就歸入哪一類則該像元就歸入哪一類二、判別分析分類二、判別分析分類v缺

32、陷n不同類別的亮度值（或其它特性）的變化范圍，其方差不同類別的亮度值（或其它特性）的變化范圍，其方差的大小不同，不能簡單地用到類中心的距離來劃分像元的大小不同，不能簡單地用到類中心的距離來劃分像元的歸屬的歸屬n自然地物類別的點群分布不一定是圓形或球形，即不同自然地物類別的點群分布不一定是圓形或球形，即不同方向上半徑是不等的，因而距離的量度在不同方向上應方向上半徑是不等的，因而距離的量度在不同方向上應有所差異有所差異v改進在距離算法上改進在距離算法上改進二、判別分析分類二、判別分析分類最大似然比分類最大似然比分類v基本前提每一類的概率密度分布都是正態(tài)分布每一類的概率密度分布都是正態(tài)分布v判別函數(shù)

33、v說明n分類的準確程度不僅取決于方法的選擇，還與地區(qū)的分類的準確程度不僅取決于方法的選擇，還與地區(qū)的特點、有關參數(shù)的選擇、應用人員的經(jīng)驗，特別是訓特點、有關參數(shù)的選擇、應用人員的經(jīng)驗，特別是訓練數(shù)據(jù)的代表性有關練數(shù)據(jù)的代表性有關n訓練組統(tǒng)計數(shù)的可靠性程度比分類器算法的選擇對分訓練組統(tǒng)計數(shù)的可靠性程度比分類器算法的選擇對分類的準確度影響更大類的準確度影響更大)()(21ln21)(ln)(1iiTiiiiMXSMXSPXg二、判別分析分類二、判別分析分類example三、檢驗三、檢驗0)/()(2221xdxXppE0)/()(1112xdxXppE一維空間錯誤概率一維空間錯誤概率1221EEE

34、總錯誤概率總錯誤概率)()/()()()/()(222111pXpxgpXpxg三、檢驗三、檢驗錯誤概率估計錯誤概率估計 （先驗概率相同時較準確）（先驗概率相同時較準確）混淆矩陣混淆矩陣v一個一個m mm m的矩陣，的矩陣，m m為分類的類別數(shù)，矩陣的列通常表示為分類的類別數(shù)，矩陣的列通常表示參考類別，行表示分類類別參考類別，行表示分類類別v基于混淆矩陣可以得到基于混淆矩陣可以得到以下以下一些統(tǒng)計指標來衡量分類的一些統(tǒng)計指標來衡量分類的精度精度NNEerr三、檢驗三、檢驗先驗概率相同）總精度%(100nm1kkknROmission漏分誤差生產(chǎn)精度%100nkkknommissionC%100

35、nkkkn錯分誤差使用者精度（先驗概率不同）總精度miiiRPR1)(mkkkmkkkmkkknnnnnnnKappa1211系數(shù)式中，式中，n n為樣本總數(shù)，為樣本總數(shù)，n nkkkk為矩陣對角線上的元素，為矩陣對角線上的元素，n nk+k+為為矩陣的行數(shù)據(jù)之和，矩陣的行數(shù)據(jù)之和，n n+k+k為矩陣的列數(shù)據(jù)之和為矩陣的列數(shù)據(jù)之和三、檢驗三、檢驗類型類型水體水體建設建設用地用地荒草荒草地地園地園地水田水田林地林地總和總和使用者使用者精度精度未分類未分類0000000水體水體24200323177.42建設用地建設用地0113402912888.28荒草地荒草地091509114434.09園

36、地園地010152123050水田水田3410108311990.76林地林地0000315716098.13總和總和271292015127194512生產(chǎn)精度生產(chǎn)精度88.8987.607510085.0480.93總精度總精度84.3884.38 KappaKappa系數(shù)系數(shù)0.79240.7924四、應用實例四、應用實例打開待分類影像打開待分類影像打開模板窗口打開模板窗口四、應用實例四、應用實例定義分類模板定義分類模板四、應用實例四、應用實例評價分類模板評價分類模板誤差矩陣精度誤差矩陣精度85%85%，模板需要要重建模板需要要重建四、應用實例四、應用實例監(jiān)督分類監(jiān)督分類林地林地旱地旱地

37、建設用地建設用地水澆地水澆地水域水域果園果園未利用地未利用地四、應用實例四、應用實例精度評價精度評價比較比較非監(jiān)督分類主要優(yōu)點非監(jiān)督分類主要優(yōu)點v不需要預先對所要分類的區(qū)域有廣泛的了解和熟悉，不需要預先對所要分類的區(qū)域有廣泛的了解和熟悉，而監(jiān)督分類則需要分析者對所研究區(qū)域有很好的了解而監(jiān)督分類則需要分析者對所研究區(qū)域有很好的了解從而才能選擇訓練樣本。但是在非監(jiān)督分類中分析者從而才能選擇訓練樣本。但是在非監(jiān)督分類中分析者仍需要一定的知識來解釋非監(jiān)督分類得到的集群組仍需要一定的知識來解釋非監(jiān)督分類得到的集群組v人為誤差的機會減少，即使分析者對分類圖像有很強人為誤差的機會減少，即使分析者對分類圖像有

38、很強的看法偏差，也不會對分類結果有很大影響。因此非的看法偏差，也不會對分類結果有很大影響。因此非監(jiān)督分類產(chǎn)生的類別比監(jiān)督分類所產(chǎn)生的更均質監(jiān)督分類產(chǎn)生的類別比監(jiān)督分類所產(chǎn)生的更均質v獨持的、覆蓋量小的類別均能夠被識別，而不會像監(jiān)獨持的、覆蓋量小的類別均能夠被識別，而不會像監(jiān)督分類那樣被分析者的失誤所丟失督分類那樣被分析者的失誤所丟失 比較比較非監(jiān)督分類主要缺點非監(jiān)督分類主要缺點來自于對其來自于對其“自然自然”的依賴性的依賴性v非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對應于分析者想非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對應于分析者想要的類別，因此分析者面臨著如何將它們和想要的類別要的類別，因此分析者面臨著

39、如何將它們和想要的類別相匹配的問題，實際上幾乎很少有一對一的對應關系相匹配的問題，實際上幾乎很少有一對一的對應關系v分析者較難對產(chǎn)生的類別進行控制，因此其產(chǎn)生的類別分析者較難對產(chǎn)生的類別進行控制，因此其產(chǎn)生的類別也許并不能讓分析者滿意也許并不能讓分析者滿意v圖像中各類別的光譜特征會隨時間、地形等變化，不同圖像中各類別的光譜特征會隨時間、地形等變化，不同圖像以及不同時段的圖像之間的光譜集群組無法保持其圖像以及不同時段的圖像之間的光譜集群組無法保持其連續(xù)性，從而使其不同圖像之間的對比變得困難連續(xù)性，從而使其不同圖像之間的對比變得困難比較比較監(jiān)督分類的主要優(yōu)點監(jiān)督分類的主要優(yōu)點v可根據(jù)應用目的和區(qū)域

40、，有選擇地決定分類類別，避可根據(jù)應用目的和區(qū)域，有選擇地決定分類類別，避免出現(xiàn)一些不必要的類免出現(xiàn)一些不必要的類v可控制訓練樣本的選擇可控制訓練樣本的選擇v可通過檢查訓練樣本來決定訓練樣本是否被精確分類可通過檢查訓練樣本來決定訓練樣本是否被精確分類v避免了非監(jiān)督分類中對光譜集群組的重新歸類避免了非監(jiān)督分類中對光譜集群組的重新歸類。比較比較監(jiān)督分類的缺點監(jiān)督分類的缺點v分類系統(tǒng)的確定、訓練樣本的選擇，均人為主觀因素較分類系統(tǒng)的確定、訓練樣本的選擇，均人為主觀因素較強，分析者定義的類別也許并不是圖像中存在的自然類強，分析者定義的類別也許并不是圖像中存在的自然類別，導致多維數(shù)據(jù)空間中各類別間并非獨一

41、無二，而是別，導致多維數(shù)據(jù)空間中各類別間并非獨一無二，而是有重疊；分析者所選擇的訓練樣本也可能并不代表圖像有重疊；分析者所選擇的訓練樣本也可能并不代表圖像中的真實情形中的真實情形v由于圖像中同一類別的光譜差異，造成訓練樣本并沒有由于圖像中同一類別的光譜差異，造成訓練樣本并沒有很好的代表性很好的代表性v訓練樣本的選取和評估需花費較多的人力、時間訓練樣本的選取和評估需花費較多的人力、時間v只能識別訓練樣本中所定義的類別，若某類別由于訓練只能識別訓練樣本中所定義的類別，若某類別由于訓練者不知道或者其數(shù)量太少未被定義，則不能識別者不知道或者其數(shù)量太少未被定義，則不能識別v上下文分析方法上下文分析方法v

42、基于地形信息的計算機分類處理基于地形信息的計算機分類處理v輔以紋理特征的光譜特征分類法輔以紋理特征的光譜特征分類法一、上下文分析方法一、上下文分析方法基本概念基本概念v點獨立遙感圖像中每一像元的信息來自于地面上與像元對應區(qū)域遙感圖像中每一像元的信息來自于地面上與像元對應區(qū)域v類別噪聲分類圖像中出現(xiàn)一大片同類地物中夾雜著散點分布的異類分類圖像中出現(xiàn)一大片同類地物中夾雜著散點分布的異類地物的不一致現(xiàn)象地物的不一致現(xiàn)象v上下文分析基于鄰近像元特征的比較分析基于鄰近像元特征的比較分析方法方法v預處理法v后處理法v概率松弛法一、上下文分析方法一、上下文分析方法v預處理法式中，X(P)為P的原始光譜特征向

43、量，X(P)為調整后的光譜特征向量，X(C)為P周邊最鄰近的6個點構成的集群中心點C的光譜特征向量，dpc為P與C在特征空間中距離，T為比較閾值N1N2N3N8PN4N7N6N5TdPXTdCXpXpcpc),(),()(一、上下文分析方法一、上下文分析方法v后處理法是在分類處理之后，對分類結果類別分布的一致性檢是在分類處理之后，對分類結果類別分布的一致性檢查和調整，調整的原理服從查和調整，調整的原理服從“多數(shù)多數(shù)”原則，即原則，即在分類圖像中，若某像元的在分類圖像中，若某像元的8 8個鄰接像元中至少有個鄰接像元中至少有6 6個像個像元同屬于某一類，則該像元的類別屬性也調整為該類；元同屬于某一

44、類，則該像元的類別屬性也調整為該類；否則，保持該像元已分的類別屬性不變否則，保持該像元已分的類別屬性不變一、上下文分析方法一、上下文分析方法v概率松弛法n基本思想基本思想利用鄰接像元從屬于各類別的概率，來調整中心像元從利用鄰接像元從屬于各類別的概率，來調整中心像元從屬于各類別的概率，并根據(jù)調整后的概率按屬于各類別的概率，并根據(jù)調整后的概率按BayesBayes分類分類法對各像元進行分類。該過程是一個多次迭代的過程法對各像元進行分類。該過程是一個多次迭代的過程n基本過程基本過程一、上下文分析方法一、上下文分析方法l假設假設各類別的光譜特征服從正態(tài)分布各類別的光譜特征服從正態(tài)分布屬于同一類別的像元

45、屬于該類的概率趨于同一個先驗概率屬于同一類別的像元屬于該類的概率趨于同一個先驗概率對于某個像元屬于對于某個像元屬于i i類而鄰近像元屬于類而鄰近像元屬于j j類的聯(lián)合事件類的聯(lián)合事件的概率，與本像元的點位無關，而只與的概率，與本像元的點位無關，而只與“本鄰像元對本鄰像元對”8 8個方向有關且在每個方向上趨同于一個先驗概率個方向有關且在每個方向上趨同于一個先驗概率jnkjkjipnp10)(1)(),.,2 , 1,; 8,.,2 , 1( )()(1),(100mjiNppnpkijnkjNikkijjiN一、上下文分析方法一、上下文分析方法l定義概率兼容系數(shù)定義概率兼容系數(shù)l估計某一類估計某

46、一類i i的某像元的某像元k k在在N N方向鄰近像元影響下的調整方向鄰近像元影響下的調整概率概率式中，式中，),.,2 , 1,; 8,.,2 , 1()()(),(),(mjiNppprjijiNjiNmjjikNjlNilkilkNrppQ11),()()()(),.,2 , 1,; 8,.,2 , 1()()()(1111mjiNQQqmjjlkNilkNilkN一、上下文分析方法一、上下文分析方法l計算第計算第l1次迭代時，像元次迭代時，像元k屬于屬于i類的概率調整值類的概率調整值l當當 變動小于給定的閾值或有變動的像元個數(shù)小變動小于給定的閾值或有變動的像元個數(shù)小于給定的閾值時，迭代

47、結束于給定的閾值時，迭代結束8111)(81)(NilkNilkqpik)()(，則若jkikpp)(ikp一、上下文分析方法一、上下文分析方法v比較n優(yōu)點優(yōu)點l預處理方法和后處理方法算法比較簡單預處理方法和后處理方法算法比較簡單l概率松弛算法充分利用了各像元從屬于某一類別的概率概率松弛算法充分利用了各像元從屬于某一類別的概率信息，因而比前兩種方法理論依據(jù)更充實、算法更精細信息，因而比前兩種方法理論依據(jù)更充實、算法更精細n缺點缺點l預處理法不可避免地會產(chǎn)生某些不希望有的圖像平滑效預處理法不可避免地會產(chǎn)生某些不希望有的圖像平滑效果，以致?lián)p失了必要的類別邊界或紋理細節(jié)信息果，以致?lián)p失了必要的類別邊

48、界或紋理細節(jié)信息l后處理法所能依據(jù)的信息僅是各像元的分類結果，而不后處理法所能依據(jù)的信息僅是各像元的分類結果，而不知各像元從屬某類的可靠程度知各像元從屬某類的可靠程度( (概率概率) )，因而近似性較大，因而近似性較大l概率松弛算法所需計算機容量和計算時間較費概率松弛算法所需計算機容量和計算時間較費二、基于地形信息的計算機分類處理二、基于地形信息的計算機分類處理不同地物類別在不同高程中出現(xiàn)的先驗概率不同地物類別在不同高程中出現(xiàn)的先驗概率不同不同exampleexample高程高程帶帶 類別類別高程高程m1234567耕地耕地園地園地林地林地草地草地水域水域城鎮(zhèn)城鎮(zhèn)裸地裸地10208611111

49、2215067418453351100426452221410120021169414520190013551283全縣全縣494366321二、基于地形信息的計算機分類處理二、基于地形信息的計算機分類處理方法方法v作為先驗條件概率，在判別函數(shù)中引入高程信息v按高程帶分層分類注意注意類似其它信息也可以輔助分類，但輔助信息的先驗概類似其它信息也可以輔助分類，但輔助信息的先驗概率必須能如實反映地物在區(qū)域中的分布特點，并對不率必須能如實反映地物在區(qū)域中的分布特點，并對不同類別的區(qū)分普遍有效同類別的區(qū)分普遍有效)()/(),/(),/(XprprXprXpninini三、輔以紋理特征的光譜特征分類法三

50、、輔以紋理特征的光譜特征分類法紋理特征紋理特征v概念圖像上細部結構以一定頻率重復出現(xiàn)，是單一特征的圖像上細部結構以一定頻率重復出現(xiàn)，是單一特征的集合集合,實地為同類地物聚集分布實地為同類地物聚集分布v類型n側重于對地物形態(tài)（大小、形狀、結構軸的方向、具側重于對地物形態(tài)（大小、形狀、結構軸的方向、具體形態(tài)的地物在空間中的分布規(guī)律）的具體描述體形態(tài)的地物在空間中的分布規(guī)律）的具體描述n側重于描述圖像區(qū)域中總體亮度變化的特點側重于描述圖像區(qū)域中總體亮度變化的特點三、輔以紋理特征的光譜特征分類法三、輔以紋理特征的光譜特征分類法v輔助分類過程n提取紋理特征提取紋理特征l方法方法結果結果n進行紋理特征的輔

51、助分類進行紋理特征的輔助分類l直接參與直接參與l間接參與間接參與l后處理后處理 自相關函數(shù)法、數(shù)學變換法、數(shù)學形態(tài)法、灰度相關矩陣法、灰度延長法、單位面積邊緣數(shù)法、紋理變換法、自回歸模型法紋理特征量度參數(shù)紋理分類圖像v神經(jīng)網(wǎng)絡分類器神經(jīng)網(wǎng)絡分類器v基于小波神經(jīng)網(wǎng)絡遙感圖像分類基于小波神經(jīng)網(wǎng)絡遙感圖像分類v模糊聚類法模糊聚類法v樹分類器樹分類器v專家系統(tǒng)方法的應用專家系統(tǒng)方法的應用一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器概念概念神經(jīng)元網(wǎng)絡模型用于模擬人腦神經(jīng)元活動的過程，包括對神經(jīng)元網(wǎng)絡模型用于模擬人腦神經(jīng)元活動的過程，包括對信息的加工、處理、存儲和搜索等過程信息的加工、處理、存儲和搜索等過程特點特

52、點v分布式存儲信息v對信息的并行處理及推理v具有自組織、自學習類型類型BP、Hopfield、ART、自組織特征映射模型、自組織特征映射模型一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器f(a)f(b)f(n)y1y2ynx1x2xm輸入層輸入層輸出層輸出層隱含層隱含層BP網(wǎng)結構網(wǎng)結構W1kk一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器BP網(wǎng)基本原理網(wǎng)基本原理v正向傳播輸入的樣本從輸入層經(jīng)過隱單元一層一層進行處理，輸入的樣本從輸入層經(jīng)過隱單元一層一層進行處理，通過所有的隱層之后，傳向輸出層；在逐層處理的過通過所有的隱層之后，傳向輸出層；在逐層處理的過程中，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)程中，每一層神經(jīng)

53、元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。到輸出層時，再把現(xiàn)行輸出和期望輸出進產(chǎn)生影響。到輸出層時，再把現(xiàn)行輸出和期望輸出進行比較，如果現(xiàn)行輸出不等于期望輸出，則進入反向行比較，如果現(xiàn)行輸出不等于期望輸出，則進入反向傳播過程傳播過程v反向傳播把誤差信號按原來正向傳播的通路方向傳回，并對每把誤差信號按原來正向傳播的通路方向傳回，并對每個隱層的各個神經(jīng)元的權系數(shù)進行修改，從而使誤差個隱層的各個神經(jīng)元的權系數(shù)進行修改，從而使誤差信號趨向于最小信號趨向于最小一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器具體過程具體過程對權系數(shù)置初值對權系數(shù)置初值給定訓練數(shù)據(jù)集給定訓練數(shù)據(jù)集計算各層實際輸出計算各層實際輸出計算學習

54、誤差計算學習誤差修正權系數(shù)和閾值修正權系數(shù)和閾值誤差是否滿足要求誤差是否滿足要求分類分類NY一、神經(jīng)網(wǎng)絡分類器一、神經(jīng)網(wǎng)絡分類器結論結論n可以在一定程度上消除傳統(tǒng)的遙感影像分類所帶來的模可以在一定程度上消除傳統(tǒng)的遙感影像分類所帶來的模糊性和不確定性糊性和不確定性n從分類所需的時間上來講，已經(jīng)過訓練的神經(jīng)網(wǎng)絡所具從分類所需的時間上來講，已經(jīng)過訓練的神經(jīng)網(wǎng)絡所具有的速度不會低于傳統(tǒng)的遙感影像分類方法，如果隱節(jié)有的速度不會低于傳統(tǒng)的遙感影像分類方法，如果隱節(jié)點的數(shù)目選擇合適，神經(jīng)網(wǎng)絡模型的建立合理，速度還點的數(shù)目選擇合適，神經(jīng)網(wǎng)絡模型的建立合理，速度還會超過傳統(tǒng)的遙感影像分類方法會超過傳統(tǒng)的遙感影像

55、分類方法n存在許多有待解決的問題存在許多有待解決的問題二、基于小波神經(jīng)網(wǎng)絡遙感圖像分類二、基于小波神經(jīng)網(wǎng)絡遙感圖像分類小波變換小波變換v基本思想用一族函數(shù)去表示或接近一信號或函數(shù)，這一族函數(shù)稱為用一族函數(shù)去表示或接近一信號或函數(shù)，這一族函數(shù)稱為小波函數(shù)系。它是通過基本小波函數(shù)的不同尺寸的平移和小波函數(shù)系。它是通過基本小波函數(shù)的不同尺寸的平移和伸縮構成的。若設基本小波函數(shù)為伸縮構成的。若設基本小波函數(shù)為h(xh(x) )，伸縮和平移因子，伸縮和平移因子分別為分別為a a和和b b，則小波變換基底定義為，則小波變換基底定義為函數(shù)函數(shù)f(xf(x) )的小波變換為的小波變換為v優(yōu)點線性疊加性、平移共

56、變性、尺度共變性、能量守恒性、局線性疊加性、平移共變性、尺度共變性、能量守恒性、局域正則性域正則性 abxhaxhba21,)(dxxfxhfWbaba)()()(,二、基于小波神經(jīng)網(wǎng)絡遙感圖像分類二、基于小波神經(jīng)網(wǎng)絡遙感圖像分類rjmkjjkijiabkhtxWfty11)()(f(a)f(b)f(n)y1y2ynw11w1nj=1rx1x2xm111abhrrabmh結構結構三、模糊聚類法三、模糊聚類法基本原理基本原理利用模糊矩陣利用模糊矩陣Aaij對樣本集對樣本集U進行劃分進行劃分軟分類軟分類vA A的定義的定義naij0,1，表示樣本，表示樣本Uj屬于第屬于第i類的隸屬度類的隸屬度nA中每列元素之和為中每列元素之和為1，即一個樣本對各類的隸屬度之，即一個樣本對各類的隸屬度之和為和為1nA中每行元素之和大于中每行元素之和大于0，表示