面向?qū)ο蟮倪b感影像分類技術(shù)課件

1、面向?qū)ο蟮倪b感分類技術(shù)匯報(bào)人：黃晶晶面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 1 . 面向?qū)ο蟮倪b感分類概述 是一種基于目標(biāo)的分類方法，這種方法可以充分利用高分辨率影像的空間信息，綜合考慮光譜統(tǒng)計(jì)特征，形狀，大小，紋理，相鄰關(guān)系等一系列因素，得到較高精度的信息提取結(jié)果。最主要特點(diǎn)：分類的最小單元是由影像分割得到的同質(zhì)影像對(duì)象（圖斑），而不再是單個(gè)像素。技術(shù)關(guān)鍵：多尺度影像分割技術(shù) 基于規(guī)則的模糊分類技術(shù)。2. 面向?qū)ο蟮倪b感分類優(yōu)勢(shì)（1）針對(duì)分割形成的影像對(duì)象單元進(jìn)行其特征的提取，可以充分地利用高分影像數(shù)據(jù)的光譜、紋理和形狀特征等空間幾何屬性信息。 （2）基于區(qū)域同質(zhì)性原則和多尺度分割的基礎(chǔ)上，

2、減少了影像像元光譜差異影響，針對(duì)不同地物能取得較好的分類效果。 （3）以影像分割的對(duì)象單元為單位進(jìn)行影像的分類，將大大地提高遙感影像的分類的速度。 （4）有效減少了遙感影像數(shù)據(jù)的“同質(zhì)異譜”及“異質(zhì)同譜”和基于像素分類的“椒鹽”現(xiàn)象。 （5）面向?qū)ο蟮姆诸惣夹g(shù)還能促進(jìn)多源 GIS 數(shù)據(jù)之間的利用和融合。 面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 3. 研究方法 將遙感影像分割成與實(shí)際的地物類別相對(duì)應(yīng)的一個(gè)個(gè)影像對(duì)象的實(shí)體單元，然后針對(duì)影像的對(duì)象分割單元提取對(duì)象的多空間特征值進(jìn)行處理分析，建立多特征對(duì)象的分類體系，面向?qū)ο蟮姆诸惣夹g(shù)充分使用了高分遙感影像的空

3、間幾何、紋理特征和光譜等特征屬性信息，最后利用影像的分類算法完成了最終的分類步驟面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 4. 遙感影像分類技術(shù)方法的總體比較 面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 5.1 基于邊緣的分割 基本原理 是首先先要確定邊緣的象素，并通過連接這些邊緣像素在一起來形成所要的邊界。邊緣之所以存在就是由于兩個(gè)相鄰的區(qū)域之間具有了不同的大小灰度值，邊緣的檢測(cè)主要就是利用一階的導(dǎo)數(shù)和二階的導(dǎo)數(shù)來進(jìn)行檢測(cè)。 階梯形狀表明了處于圖像里兩個(gè)擁有不等的灰度大小的相鄰區(qū)域，脈沖形狀則表示了對(duì)應(yīng)的灰度值發(fā)生突變的圖像區(qū)域的集合，針對(duì)圖（a）和（b）來說，一階導(dǎo)數(shù)表示了在圖像中從暗變明整個(gè)變

4、化過程的位置處有 1 個(gè)階躍，即用其來檢測(cè)邊界是否是存在的，邊緣位置的檢測(cè)則是通過利用求解二階導(dǎo)數(shù)的過 0 點(diǎn)來具體得到的；相對(duì)(c)來講，其脈沖的上升沿與下降沿正好就分別對(duì)應(yīng)了 2 個(gè)二階導(dǎo)數(shù)過 0 點(diǎn)的位置；針對(duì)(d)來說，屋頂形狀的邊緣來檢測(cè)屋頂?shù)奈恢脛t是由剖面的一階導(dǎo)數(shù)過 0 點(diǎn)來統(tǒng)一確定的。面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 5.1 基于邊緣的分割 邊緣檢測(cè)梯度算子：是一種矢量，對(duì)應(yīng)的就是圖像的一階單數(shù)算子，檢測(cè)邊緣灰度值變化敏銳的效果較好拉普拉斯算子：一個(gè)二階導(dǎo)數(shù)，是沒有方向性的標(biāo)量算子，相比于梯度算子的計(jì)算量要小，由于不提供邊緣方向信息，一般用在邊緣像素已知的情況之后，主要是

5、來確定該像素在圖像的明暗哪個(gè)區(qū)域面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 5.2 基于區(qū)域的分割 基本原理：將各個(gè)圖像象元?jiǎng)潥w到各個(gè)子區(qū)域中，依據(jù)相似性準(zhǔn)則直接取出滿足特征相似條件的圖像區(qū)域。主要方法： 閾值分割 區(qū)域增長(zhǎng) 分裂-合并面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 5.2 基于區(qū)域的分割 閾值分割：通過預(yù)設(shè)閾值大小將圖像進(jìn)行分割，基礎(chǔ)則是圖像灰度的直方圖。主要分為全局、自適應(yīng)和最佳的閾值分割區(qū)域增長(zhǎng)：是以種子像素為基本單位不斷合并周圍像素進(jìn)行圖像分割的過程，算法基本思想是首先選擇種子點(diǎn)，然后確定區(qū)域增長(zhǎng)過程中像元合并的規(guī)則，最后制定區(qū)域增長(zhǎng)的停止條件。分裂-合并：是將整幅圖像分裂為小的子

6、區(qū)域再合并相似區(qū)域的過程。算法流程是首先四等份均分圖像中灰度不同的子區(qū)域，然后合并滿足特征相似性準(zhǔn)則的像素，重復(fù)上述操作直到?jīng)]有新的分裂-合并情況為止. 面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 5.3 基于區(qū)域增長(zhǎng)的多尺度分割技術(shù)多尺度分割技術(shù)：是一種既能自動(dòng)生成遙感影像的影像對(duì)象，又能將這些影像對(duì)象按等級(jí)結(jié)構(gòu)連接起來的一門技術(shù)。借助于這種技術(shù)，就可以理解遙感影像對(duì)象如何在不同尺度區(qū)域之間相互作用，從而反映地表物體的固有形態(tài)。a. 等級(jí)網(wǎng)絡(luò)的底層是像素層，及分割的原始影像；b. 小尺度的對(duì)象層“一級(jí)”放在網(wǎng)絡(luò)結(jié)構(gòu)的底部，這一層包括的多邊形最多；c. 大尺度的對(duì)象層“二三級(jí)”放在網(wǎng)絡(luò)的最頂部，這

7、些對(duì)象 層中的多邊形面積較大，且對(duì)象的多邊形的數(shù)量較少。 網(wǎng)絡(luò)結(jié)構(gòu)中的不同層可以提取不同尺度的地物信息，如“一級(jí)”主要提取灌木，”三級(jí)“主要提取大尺度的道路等。面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 分割的主要參數(shù)尺度參數(shù)5.3 基于區(qū)域增長(zhǎng)的多尺度分割技術(shù)面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 分割的主要參數(shù)均質(zhì)因子之形狀因子5.3 基于區(qū)域增長(zhǎng)的多尺度分割技術(shù)影像對(duì)象多邊形的大小與形狀(shape)因子成正比，隨著shape不斷增大，形狀規(guī)則的道路、建筑物和農(nóng)田被完整分割，但當(dāng) shape 0.4 時(shí)，由于光譜因子過小，會(huì)把鄉(xiāng)間道路和裸地分割成一個(gè)影像對(duì)象，忽略了影像的光譜信息，所以此實(shí)驗(yàn)

8、區(qū)分割的形狀(shape)參數(shù)選擇 0.10.4 的取值范圍比較合適，具體的數(shù)值取決于其實(shí)際提取的地物類別。面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 建立多尺度分割的層次結(jié)構(gòu) 5.3 基于區(qū)域增長(zhǎng)的多尺度分割技術(shù)Level 1：能夠較好的區(qū)分林地和非林地，分割產(chǎn)生的影像對(duì)象單元對(duì)應(yīng)多邊形的面積比較大，主要考慮根據(jù)顏色的不同進(jìn)行分割，此時(shí)光譜因子所占比重較大，不太考慮形狀因子。 Level 2： 在此分割尺度下能較好地區(qū)分裸地、建筑物和道路，此時(shí)較多考慮形狀因素 Level 3： 此層主要區(qū)分建筑物和周邊較窄的道路面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 6 面向?qū)ο蟮倪b感影像分類技術(shù)模糊分類體系基

9、本思想：是一種軟分類，是以模糊集合論為基礎(chǔ)，針對(duì)不確定性事物的分析方法。優(yōu)點(diǎn)：特征值像模糊值的轉(zhuǎn)化，實(shí)際上是一個(gè)特征標(biāo)準(zhǔn)化的過程，允許特征之間的組合，甚至是范圍和大小非常不同的特征也可以組合起來；提供了明確的和可調(diào)整的特征描述；通過模糊運(yùn)算和層次類型的描述，能夠進(jìn)行復(fù)雜的特征描述。 模糊隸屬函數(shù)高斯型隸屬函數(shù)具有很好的光滑性和對(duì)稱性，圖形沒有零點(diǎn)并具有比較清晰的物理意義，能很好地描述和逼近隸屬函數(shù)。三角形隸屬函數(shù)，若在設(shè)計(jì)分類器中，選用寬度固定的等腰三角形，這樣隸屬的特征參數(shù)可以減少到一個(gè)，便于規(guī)則產(chǎn)生和學(xué)習(xí)，但可能降低分類性能。若采用任意形狀的三角形作為隸屬函數(shù)，需要三個(gè)特征參數(shù)，可以較好的

10、反應(yīng)客觀事實(shí)，可以提升分類系統(tǒng)的性能。但學(xué)習(xí)分類規(guī)則參數(shù)時(shí)，因參數(shù)較多，學(xué)習(xí)代價(jià)較大。梯形隸屬函數(shù) 隸屬度為1的模式x分布比三角形隸屬函數(shù)的x分布要多。這使得梯形更適合模糊分類器的設(shè)計(jì)，但特征參數(shù)也要多一些。Dont care 隸屬函數(shù) 即在隸屬函數(shù)的分布范圍內(nèi)的隸屬度均為1，而不再的模式x不列入設(shè)計(jì)考慮，如此可以精簡(jiǎn)模糊規(guī)則。面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 6 面向?qū)ο蟮倪b感影像分類技術(shù)最鄰近規(guī)則(KNN)分類核心思想：是基于歐幾里得的定理基礎(chǔ)上，判斷待分的影像對(duì)象特征與已知地物類別的對(duì)象特征最接近，是廣泛應(yīng)用的多維的特征向量的分類算法?；舅悸罚杭偃缫粋€(gè)樣本其在對(duì)象的特征空間中的

11、k個(gè)最鄰近的樣本值，其中大多數(shù)都劃歸為了某一個(gè)具體的類別，那么就劃歸為這個(gè)類別。面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 6. 基于影像對(duì)象的特征提取 對(duì)象特征的提取是指對(duì)原始影像的對(duì)象特征進(jìn)行重組和優(yōu)化運(yùn)算，其是空間降維的過程，提取特征的基本原則是滿足類別的可分性，要求提取出的新特征空間是能更好地區(qū)分地物類別的特征向量，建立分類規(guī)則和規(guī)則集，典型的影像特征的提取方法主要是包括有經(jīng)典的主成分法(PCA)、最小噪聲分散法(MNF)和噪聲適應(yīng)主成分法(NAPC)。面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 7. 影像分類結(jié)果比較分類結(jié)果的評(píng)價(jià)精度評(píng)價(jià)：遙感影像分類結(jié)果質(zhì)量的好壞需要進(jìn)行精度的評(píng)價(jià)，精度評(píng)

12、價(jià)是指分類后專題圖像中的特定對(duì)象與該類型代表實(shí)際地物來進(jìn)行精度比較，以正確分類的百分比表示分類精度。目前針對(duì)遙感影像的分類結(jié)果進(jìn)行精度評(píng)價(jià)的有效方法包括有混淆矩陣和 Kappa 系數(shù)這兩種評(píng)價(jià)指標(biāo)?；煜仃嚕–onfusion Matrix）是由 m 行 X m 列個(gè)元素組成，利用誤差矩陣可以知道每個(gè)類別的樣本數(shù)量、樣本錯(cuò)分和漏分?jǐn)?shù)目，并可以進(jìn)行單一類別及總體類別相應(yīng)的精度分析。Kappa 系數(shù)考慮了漏分和錯(cuò)分的情況，充分利用了整個(gè)混淆矩陣的數(shù)據(jù)信息總體精度OA(Overall Accuracy)表示的就是分類圖像中正確分類數(shù)所占樣本總數(shù)的比例生產(chǎn)者精度PA(Producer Accuracy

13、)表示的是實(shí)測(cè)地物類型第 i 類中正確分類數(shù)目所占的比例用戶精度UA(User Accuracy)表示的是某一類別分類正確數(shù)目在用戶解譯中所占的比例面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 7. 影像分類結(jié)果比較分類結(jié)果的評(píng)價(jià)面向?qū)ο蠓诸惙椒ǖ木认鄬?duì)于傳統(tǒng)的分類結(jié)果有了比較明顯的提高，且抑制了椒鹽噪聲，沒有產(chǎn)生大量的錯(cuò)分或漏分的現(xiàn)象，針對(duì)土地覆蓋類型較好地完成了土地利用分類面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究 8. 面向?qū)ο蟮母叻直媛蔬b感影像智能解譯系統(tǒng)主要步驟如下影像分割 經(jīng)過影像預(yù)處理后的高分辨率遙感影像進(jìn)行迭代分割處理，直到得到質(zhì)量較好的同質(zhì)性對(duì)象(2)對(duì)象生成 將分割影像進(jìn)行矢量化處理，矢量圖形與分割