遙感圖像分類

1、2015年4月圖像分類基本概念和原理遙感圖像分類過程非監(jiān)督分類方法監(jiān)督分類方法分類后處理遙感圖像分類是圖像信息提取的一種方法遙感圖像分類是遙感數(shù)字圖像處理的重要環(huán)節(jié)，也是遙感應(yīng)用最廣泛的領(lǐng)域之一提取信息的類型提取信息的類型舉例舉例分類分類土地覆蓋、樹種識別、植被和農(nóng)作物土地覆蓋、樹種識別、植被和農(nóng)作物變化檢測變化檢測土地覆蓋變化土地覆蓋變化物理量的提取物理量的提取溫度、大氣成分、高程、土壤含水量溫度、大氣成分、高程、土壤含水量指標提取指標提取植被指數(shù)、渾濁指標植被指數(shù)、渾濁指標特定地物和狀態(tài)的提取特定地物和狀態(tài)的提取山火、水災、線形構(gòu)造、遺跡探察山火、水災、線形構(gòu)造、遺跡探察在特征空間中，依據(jù)

2、像元相似度的大小，歸類相似的像元，分離不相似的像元，并給每一個像元賦類別值的過程分類的總目標是將圖像中所有的像元自動進行土地覆蓋類型或土地覆蓋專題的分類原始遙感圖像對應(yīng)的專題圖像遙感圖像遙感圖像計算機分類流程框圖色調(diào)、顏色、陰影、形狀、紋理、大小、位置、圖型、相關(guān)布局遙感圖像特征集基于光譜的基于空間關(guān)系的統(tǒng)計分類 結(jié)構(gòu)分類 模糊分類 神經(jīng)網(wǎng)絡(luò)分類 小波分析 專家系統(tǒng)遙感圖像計算機分類光譜模式識別空間模式識別新方法將影像數(shù)據(jù)的連續(xù)變化轉(zhuǎn)化為地圖模式，以提供給用戶有意義的信息獲得關(guān)于地面覆蓋和地表特征數(shù)據(jù)的更深刻的認識較目視解譯客觀，在分析大數(shù)據(jù)集時比較經(jīng)濟可對復雜的多波段數(shù)據(jù)及其相互關(guān)系進行有效

3、分析光譜特征空間：以各波段圖像的亮度分布為坐標軸組成的空間同類地物在特征空間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 SPOT影像1-21-31-42-32-43-4“物以類聚”，而圖像分類的依據(jù)通常是像元之間的相似性。相似性通常又采用“距離”來度量。距離可以有不同的具體定義幾何距離：歐式距離、絕對值距離統(tǒng)計距離：馬氏距離X到集群中心在多維空間中距離的絕對值之總和來表示 1|mTiijjdXM馬氏距離幾何意義：X到類重心之間的加權(quán)距離，其權(quán)系數(shù)為協(xié)方差按人工干預的程度不同，可以分為：非監(jiān)督分類法監(jiān)督分類法1. 選擇合適的分類算法2. 用所選算法分割特征空間3. 根

4、據(jù)像元在特征空間中的定位對每一個像元賦類別值4. 對分類結(jié)果進行精度評價在沒有先驗類別（訓練場地）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進行歸類合并（將相似度大的像元歸為一類）的方法根據(jù)圖像數(shù)據(jù)本身的統(tǒng)計特征及點群的分布情況，從純統(tǒng)計學的角度對圖像數(shù)據(jù)進行類別劃分 利用事先定義的參數(shù)確定特征空間中類別的位置，然后確定單個像元是否屬于某個類別一般的聚類算法是先選擇若干個點作為聚類的中心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）將各點歸于各聚類中心所代表的類別，形成初始分類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，如此反復迭代運算，直

5、到合理為止A. 按照某個原則選擇一些初始聚類中心B. 計算像元與初始類別中心的距離，把像素分配到最近的類別中C. 計算并改正重新組合的類別中心D. 過程重復直到滿足迭代結(jié)束的條件僅憑遙感影像地物的光譜特征的分布規(guī)律，即自然聚類的特性，進行“盲目”的分類其分類的結(jié)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；其類別的屬性是通過分類結(jié)束后目視判讀或?qū)嵉卣{(diào)查確定的簡單集群分類方法K-均值法（K-means Algorithm）Cluster分類法迭代自組織數(shù)據(jù)分析技術(shù)方法（Iterative Self-Organization Data Analysis Techniques，ISODATA）

6、通過自然的聚類，把它分成8類K-均值算法的聚類準則是使每一聚類中，像元到該類別中心的距離的平方和最小基本思想：通過迭代，逐次移動各類的中心，直至得到最好的聚類結(jié)果為止（1）確定類別數(shù)并各類的初始中心：z1(0), z2(0), zK(0)，K為類別數(shù)。初始中心可任意選取初始中心的選擇對聚類結(jié)果有一定影響，初始中心的選擇一般有以下方法：根據(jù)問題的性質(zhì)，用經(jīng)驗的方法確定類別數(shù)K，從數(shù)據(jù)中找出從直觀上看來比較適合的K個類的初始中心將全部數(shù)據(jù)隨機地分為K個類別，對計算每類的重心，將這些重心作為K個類的初始中心（2）擇近分類，即將所有像元按照與各中心的距離最小的原則分到K個聚類中心（3）計算新中心。待所

7、有樣本第i 次劃分完畢后，重新計算新的集群中心zj(i +1), j=1, 2, , K（4）如果聚類中心不變，則算法收斂，聚類結(jié)束；否則回到（2），進入下一次迭代優(yōu)點：實現(xiàn)簡單缺點： 過分依賴初值，容易收斂于局部極值 在迭代過程中沒有調(diào)整類數(shù)的措施，產(chǎn)生的結(jié)果受到所選聚類中心的數(shù)目、初始位置、類分布的幾何性質(zhì)和讀入次序等因素影響較大 初始分類選擇不同，最后的分類結(jié)果可能不同Iterative Self-Organization Data Analysis Techniques“迭代自組織數(shù)據(jù)分析技術(shù)方法”的簡稱可以自動地進行類別的“合并”和“分裂”，從而得到比較合理的聚類結(jié)果 （1）初始化，

8、設(shè)置參數(shù)；（2）選擇初始聚類中心；（3）按一定規(guī)則(如距離最小)對所有像元分配類別；（4）計算并改正重新組合的類別中心；（5）類別的分裂和合并；（6）如果達到迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值，則結(jié)束迭代；否則，重復（3）-（6）；（7）確認類別，對結(jié)果進行精度評估基本同K-均值法，但K-均值法的類別數(shù)是從始至終固定的，而ISODATA方法則是動態(tài)調(diào)整類別數(shù)的K ：希望得到的類別數(shù)N ：所希望的一個類中樣本的最小數(shù)目S ：類的分散程度的參數(shù)（如標準差、方差）C ：類間距離的參數(shù)（如最小距離）L ：每次允許合并的類的對數(shù)I ：允許迭代的次數(shù)決定類的“分裂”與“合并” 結(jié)束迭代的條件合并

9、（類數(shù)-1）每一類中的像元個數(shù)少于期望的類別最少像元數(shù)N類別的個數(shù)大于期望的類別數(shù)K的2倍分裂（類數(shù)+1）類別的標準差大于類別標準差閾值S 類別的個數(shù)小于期望的類別數(shù)K的1/2當類別數(shù)在一定范圍內(nèi)，類別中心間的距離在閾值以上，類別內(nèi)的方差的最大值在閾值以下兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個閾值，說明聚類結(jié)束如果迭代次數(shù)達到了預設(shè)值I ，那么即使不收斂，也強行結(jié)束類別數(shù)：20迭代次數(shù)：20類別數(shù)：10迭代次數(shù)：10優(yōu)點：不需要預先對待分類區(qū)域有廣泛的了解需要較少的人工參與，人為誤差的機會減少小的類別能夠被區(qū)分出來缺點：盲目的聚類難以對產(chǎn)生的類別進行控制，得到的類別不一定

10、是想要的類別計算速度慢1. 確定每個類別的樣區(qū)2. 學習或訓練3. 確定判別函數(shù)和相應(yīng)的判別準則4. 計算未知類別的函數(shù)值5. 按規(guī)則進行像元的所屬判別首先需要從研究區(qū)域選取有代表性的訓練場地作為樣本根據(jù)已知訓練區(qū)提供的樣本，建立判別函數(shù)，據(jù)此對樣本像元進行分類，依據(jù)樣本類別的特征來識別非樣本像元的歸屬類別主要步驟選擇訓練樣本區(qū)確定類別數(shù)對每類選擇足夠多的有代表性的樣本分類前分析樣本區(qū)質(zhì)量選擇合適的分類算法分類結(jié)果的精度評價準確性確保選擇的樣區(qū)與實際地物的一致性代表性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況統(tǒng)計性選擇的訓練樣區(qū)內(nèi)必須有足夠多的像元水新城區(qū)老城區(qū)

11、耕地植被 建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255255耕地0藍255距離判別函數(shù)和距離判別規(guī)則最小距離分類法最近鄰分類算法平行六面體分類法概率判別函數(shù)和貝葉斯判別規(guī)則最大似然分類法基本思想是設(shè)法計算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類距離判決函數(shù)偏重于集群分布的幾何位置距離判別規(guī)則是按最小距離判別的原則 以一個包括該集群的“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落入該“盒子”，則X分為此類，否則再與其它盒子比較這種分類法在盒子重疊區(qū)域有錯分現(xiàn)象，錯分與比較盒子的先后次序有關(guān)地物類數(shù)據(jù)在特征空間中構(gòu)成特定的點群，每一類的每一維數(shù)據(jù)都在自己的數(shù)軸

12、上為正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個多維正態(tài)分布，各類的多維正態(tài)分布模型各有其分布特征利用各類的已知數(shù)據(jù)（訓練區(qū)），求出均值、方差及協(xié)方差等特征參數(shù)，從而求出總體的概率密度函數(shù)在此基礎(chǔ)上，對于任何一個像元，通過求出每個像素對于各類別的歸屬概率（對于待分像元x，從屬于分類類別k的概率），把該像素分到歸屬概率最大的類別中去利用概率判別函數(shù)與貝葉斯判別規(guī)則進行分類優(yōu)點：考慮特征空間中類別的形狀、大小和定位缺點：計算量大，計算時間長假定地物光譜特征呈正態(tài)分布根據(jù)應(yīng)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確分類，從而

13、避免分類中的嚴重錯誤，分類精度高避免了非監(jiān)督分類中對光譜集群的重新歸類分類速度快主觀性由于圖像中間類別的光譜差異，使得訓練樣本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只能識別訓練中定義的類別 面向?qū)ο蟮姆诸惙椒ㄈ斯ど窠?jīng)網(wǎng)絡(luò)分類法 決策樹分類法專家系統(tǒng)分類法基于GIS的遙感圖像分類方法模糊分類方法基于像素級別的信息提取以單個像素為單位，過于著眼于局部而忽略了附近整片圖斑的幾何結(jié)構(gòu)情況，從而嚴重制約了信息提取的精度面向?qū)ο蟮姆诸惙椒ㄊ紫葘D像數(shù)據(jù)進行影像分割，影像的最小單元不再是單個的像素，而是一個個對象(圖斑)，后續(xù)的影像分析和處理也都基于對象進行優(yōu)點：面向?qū)ο蟮倪b感信息提取，綜合考

14、慮了光譜統(tǒng)計特征、形狀、大小、紋理、相鄰關(guān)系等一系列因素，因而具有更高精度的分類結(jié)果決策樹分類采取逐次分類的方法，先確定特征明顯的大類別，對每一大類再作進一步的劃分，直到所有類別全部分出為止在不同層次可以更換分類方法，也可以更換分類特征，以提高這類別的可分性城市非建筑物建筑物裸地植被樹木草地將原有的GIS數(shù)據(jù)和各種土地利用類型變化的先驗性知識綜合集成用于新的遙感圖像的分類中，不僅可以促進GIS數(shù)據(jù)更新的自動化，而且還可以得到比常規(guī)最大似然法高的分類精度遙感影像經(jīng)分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別原始遙感圖像對應(yīng)的專題圖像用光譜信息對影像逐個像元地分類，在結(jié)果的分類地圖上會

15、出現(xiàn)“噪聲”產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括有多種類別，其混合的幅射量造成錯分類，以及其它原因等另外還有一種現(xiàn)象，分類是正確的，但某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣，因此希望用綜合的方法使它從圖面上消失多數(shù)平滑：平滑時中心像元值取周圍占多數(shù)的類別（少數(shù)服從多數(shù)原則） 分類精度評價混淆矩陣Kappa系數(shù)制約分類精度的因素提高分類精度的方法混淆矩陣是由n行n列組成的矩陣，用來表示分類結(jié)果的精度混淆矩陣是通過將每個像元的位置和地面參考驗證信息與計算機分類結(jié)果中的相應(yīng)位置和類別來比較計算的混淆矩陣的每一列代表了地表實測值（參考驗證信息），每一列中

16、的數(shù)值等于地表真實像元在分類圖像中對應(yīng)于相應(yīng)類別的數(shù)量混淆矩陣的每一行代表了計算機的分類信息，每一行中的數(shù)值等于計算機分類像元在地表真實像元相應(yīng)類別中的數(shù)量有150個樣本數(shù)據(jù)，這些數(shù)據(jù)在計算機分類結(jié)果中被分成3類，每類50個。分類結(jié)束后得到的混淆矩陣為：類1的50個樣本有43個分類正確，5個錯分為類2，2個錯分為類3類2的50個樣本有45個分類正確，2個錯分為類1，3個錯分為類3類3的50個樣本有49個分類正確，0個錯分為類1，1個錯分為類2實際類別類1類2類3行和分類類別類1435250類2245350類3014950列和455154矩陣主對角線上的數(shù)字就是分類正確的像元數(shù)，主對角線上的數(shù)字

17、越大，分類精度越高；主對角線以外的數(shù)字就是錯分的像元數(shù)，這些數(shù)字越小，錯分率就越小，精度就越高精度評估的指標總精度用戶精度生產(chǎn)者精度（制圖精度）總精度：由正確分類的總像元數(shù)（沿著主對角線上的元素的和）除以所包含的總像元數(shù)來計算(43+45+49)/150=91.3%用戶精度由每一類別被正確分類的像元數(shù)目除以被分作該類的總像元數(shù)（行元素之和）這個數(shù)字表示一個像元被分到指定類別的可能性，這個指定類別代表了地面的實際類別類1的用戶精度：43/50=86%類2的用戶精度：45/50=90%類3的用戶精度：49/50=98%生產(chǎn)者精度由每一類中正確分類的像元數(shù)（位于主對角線上）除以該類用做訓練樣區(qū)的像元

18、數(shù)目（列元素之和）這個數(shù)字表明指定覆蓋類型的訓練樣區(qū)集的像元被分類后，它的效果有多好類1的生產(chǎn)者精度：43/45=96%類2的生產(chǎn)者精度：45/51=88%類3的生產(chǎn)者精度：49/54=91%例：森林類別的生產(chǎn)者精度為84%，用戶精度為60%。表示在分類結(jié)果中有84%的森林被正確的分類為森林，但所有分類為森林的地區(qū)只有60%的地區(qū)真正屬于森林這個類別m =誤差矩陣中行的數(shù)量（即總的類別數(shù)）xii=第i行第i列上的像元數(shù)量（即主對角線上正確分類的數(shù)量）xi+=在第i行的總像元數(shù)量x+i=在第i列的總像元數(shù)量N =用于精度評估的總像元數(shù)量1121()()mmiiiiiimiiiNxx xKNx x分類總體精度與Kappa的區(qū)別：總體精度只用到了位于對角線上的像元數(shù)量Kappa則既考慮了對角線上被正確分類的像元，又考慮了不在對角線上的各種漏分和錯分錯誤遙感圖像的制約地物本身的復雜性傳感器的性能分類方法的制約目前的分類方法是基于統(tǒng)計的方法，計算機處理的對象是單個像元，屬于單點分類地物空間結(jié)構(gòu)的信息沒有利用同物異譜：同類地物具有不同的光譜特征。例如：同一類作物，生長狀態(tài)不同，光譜特征有差異同譜異物：不同的地物可能具有相似的光譜特征。例如：不同的植被類型可能有相似的光譜特征不同含水量的土壤的波譜曲線 不同葉綠素濃度海水的波譜曲線 目視判讀計算機自動分類處理