遙感圖像分類課件

第八章遙感圖像自動識別分類

遙感圖像的計算機分類，就是利用計算機技術(shù)來模擬人類的識別功能,對地球表面及其環(huán)境在遙感圖像上的信息進行屬性的自動判別和分類，達到提取所需地物信息的目的。

1第八章遙感圖像自動識別分類 遙感圖像的計算機分類，就是§8—1基礎(chǔ)知識1、模式與模式識別

模式(pattern)------

存在于時間，空間中可觀察的事物，具有時間或空間分布的信息。

模式識別(PatternRecognition)------用計算機實現(xiàn)人對各種事物或現(xiàn)象的分析,描述,判斷,識別。2§8—1基礎(chǔ)知識1、模式與模式識別2xn

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X劃入某一組預(yù)先規(guī)定的類別之中去。

自然模式接收器(傳感器)分類器(判決器)x2x1結(jié)果….模式識別系統(tǒng)的模型3xn 分類器（或稱判決器），可以根據(jù)一定的分類規(guī)則，把某一442、光譜特征空間及地物在特征空間中聚類的統(tǒng)計特性

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.

52、光譜特征空間及地物在特征空間中聚類的統(tǒng)計特性5統(tǒng)計特征矢量（多維光譜特征空間）光譜特征空間及地物在特征空間中分布的統(tǒng)計特性

6統(tǒng)計特征矢量（多維光譜特征空間）光譜特征空間及地物在特征空地物與光譜特征空間的關(guān)系水土壤植被B5B77地物與光譜特征空間的關(guān)系水土壤植被B5B77

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:理想情況——不同類別的集群至少在一個特征子空間中的投影是完全可以相互區(qū)分開的。BiBj水植被土壤8 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:Bi一般情況——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是存在重疊現(xiàn)象。這時重疊部分的特征點所對應(yīng)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情況。水植被土壤9一般情況——無論在總的特征空間中，還是在任一子空間中，不同類典型情況——不同類別地物的集群，在任一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。這時可采用特征變換使之變成理想情況進行分類。水植被土壤10典型情況——不同類別地物的集群，在任一子空間中都有相互重疊的 地物在特征空間的分布通常是用特征點（或其相應(yīng)的隨機矢量）分布的概率密度函數(shù)P（X）來表示的。假設(shè)特征點的統(tǒng)計分布屬于正態(tài)分布，則其概率密度函數(shù)可表達為：式是：X—特征向量

——均值向量；Σ——協(xié)方差矩陣

11 地物在特征空間的分布通常是用特征點（或其相應(yīng)的隨機矢量）§8-2特征變換及特征選擇一特征變換概念：將原始圖像通過一定的數(shù)字變換生成一組新的特征圖像，這一組新圖像信息集中在少數(shù)幾個特征圖像上。目的：數(shù)據(jù)量有所減少，去相關(guān)，有助于分類。常用的特征變換：主分量變換、哈達瑪變換、生物l量指標變換、比值變換以及穗帽變換等。

12§8-2特征變換及特征選擇一特征變換12方法：1、主分量變換2、穗帽變換3、哈達瑪變換哈達瑪變換定義為：IH=H·X13方法：131.主分量變換基本思想一種線性變換，均方誤差最小的最佳正交變換；是在統(tǒng)計特征基礎(chǔ)上的線性變換。目的：數(shù)據(jù)壓縮：新的特征圖像之間互不相關(guān)增加類別的可分性。141.主分量變換基本思想一種線性變換，均方誤差最小的最佳正交幾何99意義把原始特征空間的特征軸旋轉(zhuǎn)到平行于混合集群結(jié)構(gòu)軸的方向上。15幾何99意義15主分量變換計算步驟如下（1）計算均值向量M和協(xié)方差矩陣C；（2）計算矩陣C的特征值和特征向量；（3）將特征值按由大到小的次序排（4）選擇前幾個特征值對應(yīng)的幾個特征向量構(gòu)造變換矩陣φn。（5）根據(jù)Ｙ＝φnX進行變換，得到的新特征影像就是變換的結(jié)果，X為多光譜圖像的一個光譜特征矢量。16主分量變換計算步驟如下（1）計算均值向量M和協(xié)方差矩陣C；1例：有兩類模式：用K-L變換來作一維特征提取。解：1、求樣本總體均值向量：無需做坐標平移令離散K-L變換

2、求自相關(guān)矩陣：17例：有兩類模式：用K-L變換來作一維特征提取。解：1、求樣這是原模式在向量軸上的投影。由求得變換后的一維模式：離散K-L變換

4、取作為變換矩陣，將原樣本變換為一維的樣本。18這是原模式在向量軸上的投影。由3、求本征值和本征向量：解本征值方程即：解得R的本征值由解得本征向量為：193、求本征值和本征向量：解本征值方程即：解得R的本征值由離散K-L變換

20離散K-L變換20哈達瑪變換哈達瑪矩陣為一個對稱的正交矩陣，其變換核為H’由哈達瑪變換核可知，哈達瑪變換實際是將坐標軸旋轉(zhuǎn)了45℃的正交變換

21哈達瑪變換哈達瑪矩陣為一個對稱的正交矩陣，其變換核為H’24、比值變換和生物量指標變換 比值變換圖像用作分類有許多優(yōu)點，它可以增強土壤，植被，水之間的輻射差別，壓抑地形坡度和方向引起的輻射量變化。224、比值變換和生物量指標變換22生物量指標變換式中：Ibio——生物量變換后的亮度值。x7，x5為MSS7和MSS5圖像的像元亮度值。經(jīng)變換后，植物、土壤和水都分離開來，因此可獨立地對綠色植物量進行統(tǒng)計。23生物量指標變換23二特征選擇

概念用最少的影像數(shù)據(jù)最好地進行分類。這樣就需在這些特征影像中，選擇一組最佳的特征影像進行分類，這就稱為特征選擇。相關(guān)系數(shù)法距離測度類內(nèi)距離越小，類間距離越大散布矩陣測度類內(nèi)散布矩陣和類間散布矩陣24二特征選擇24特征選擇的定量方法1.相關(guān)系數(shù)法求?。ㄓ跋瘢┨卣鏖g的相關(guān)系數(shù)如：TM2和TM3的相關(guān)系數(shù)為0.89，說明有許多地物相關(guān)性很強，冗余度大，只需選擇其中一個影像參加分類就可以。而TM3與TM4的相關(guān)系數(shù)僅為0.23，說明兩個波段的相關(guān)性小，需兩個波段都參與分類。25特征選擇的定量方法25特征選擇的定量方法2、距離測度距離:如果所選擇的一組特征能使感興趣類別的類內(nèi)距離最小，而與其它類別的類間距離最大，那么根據(jù)距離測度；用這組特征設(shè)計的分類器分類效果最好。實際可使用標準化距離，類別均值間的標準化距離公式為：

類間標準化距離越大的特征影像可分性越好26特征選擇的定量方法2、距離測度距離:如果所選擇的一組特征能使3、散布矩陣測度 除了距離測度之外，實際應(yīng)用中還經(jīng)常采用一種散布矩陣的方式來度量類別的可分性，它是用矩陣形式來表示模式類別在特征空間中的散布情況。273、散布矩陣測度27（1）類內(nèi)散布矩陣Sw 類內(nèi)散布矩陣表示屬于某一類別的模式在其均值周圍的散布情況，對于m類別情況，總的類內(nèi)散布矩陣可以寫成各類別類內(nèi)散布矩陣的先驗概率P(Wi)加權(quán)和，即：

式中：m——所關(guān)心的類別總數(shù) P(Wi)——類的先驗概率

Σi——類的協(xié)方差矩陣

28（1）類內(nèi)散布矩陣Sw28（2）類間散布矩陣Sb

類間散布矩陣表示了不同類別間相互散布的程度。類似地，對于m類別情況，總的類間散布矩陣也采用先驗概率加數(shù)和表示式中：M0——是全體模式的均值向量Mi——Wi的均值向量

29（2）類間散布矩陣Sb29（3）總體散布矩陣Sm

Sm=Sw+Sb 至此，完成了分類前預(yù)處理的一項重要工作，特征變換和特征選擇，下面就進入分類處理階段的工作。

30（3）總體散布矩陣Sm30§8-3監(jiān)督分類

自動識別分類監(jiān)督分類法非監(jiān)督分類法31§8-3監(jiān)督分類自動識別分類監(jiān)督分類法非監(jiān)督分類法31一監(jiān)督法分類

意味著對類別已有一定的先驗知識，利用“訓(xùn)練樣區(qū)”的數(shù)據(jù)去“訓(xùn)練”判決函數(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。32一監(jiān)督法分類32原始遙感圖像對應(yīng)的專題圖像33原始遙感圖像對應(yīng)的專題圖像33監(jiān)督分類的思想1）確定每個類別的樣區(qū)2）學(xué)習(xí)或訓(xùn)練3）確定判別函數(shù)和相應(yīng)的判別準則4）計算未知類別的樣本觀測值函數(shù)值5）按規(guī)則進行像元的所屬判別34監(jiān)督分類的思想1）確定每個類別的樣區(qū)34(一)判決函數(shù)和判決規(guī)則

判決函數(shù):當各個類別的判別區(qū)域確定后，用來表示和鑒別某個特征矢量屬于哪個類別的函數(shù)。

35(一)判決函數(shù)和判決規(guī)則35判別規(guī)則

當計算完某個矢量，在不同類別判決函數(shù)中的值后，我們要確定該矢量屬于某類必須給出一個判斷的依據(jù)。

這種判斷的依據(jù)，我們稱之為判別規(guī)則。判斷特征矢量屬于某類的依據(jù)36判別規(guī)則 判斷特征矢量屬于某類的依據(jù)36常用的兩種判別函數(shù)和判別規(guī)則：概率判別函數(shù)和貝葉斯判別規(guī)則距離判別函數(shù)和判別規(guī)則3737概率判別函數(shù)：把某特征矢量（X）落入某類集群的條件概率當成分類判決函數(shù)（概率判決函數(shù)）貝葉斯判別規(guī)則：把X落入某集群wi的條件概率P(wi/X)最大的類為X的類別貝葉斯判別規(guī)則以錯分概率或風(fēng)險最小為準則的判別規(guī)則。

1、概率判決函數(shù)和貝葉斯判決規(guī)則38概率判別函數(shù)：把某特征矢量（X）落入某類集群的條件概率當根據(jù)貝葉斯公式可得：

P(wi)——wi類出現(xiàn)的概率，也稱先驗概率。 P(X/wi)——在wi類中出現(xiàn)X的條件概率， 也稱wi類的似然概率。 P(wi/X)——X屬于wi的后驗概率。 由于P(X)對各個類別都是一個常數(shù)， 故可略去所以，判決函數(shù)可用下式表示：

39根據(jù)貝葉斯公式可得：39為了計算方便，將上式可以用取對數(shù)方式來處理。即

同類地物在特征空間服從 正態(tài)分布，則類別的概率密度函數(shù):

40為了計算方便，將上式可以用取對數(shù)方式來處理。即去掉與i值無關(guān)的項對分類結(jié)果沒有影響，因此上式可簡化為：相應(yīng)的貝葉斯判決規(guī)則為：若對于所有可能的j=1,2,···,m;j≠i有>,則X屬于類。根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則來進行的分類通常稱為最大似然分類法。

41去掉與i值無關(guān)的項對分類結(jié)果沒有影響，因此上式可簡化為：41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。分類錯誤的總概率42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422、距離判決函數(shù)和判決規(guī)則 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。 概率判決函數(shù)那樣偏重于集群分布的統(tǒng)計性質(zhì)，距離判決函數(shù)偏重于集群分布的幾何位置。

432、距離判決函數(shù)和判決規(guī)則43根據(jù)距離判決函數(shù)分類44根據(jù)距離判決函數(shù)分類44距離判別規(guī)則是按最小距離判別的原則

馬氏（Mahalanobis）距離

歐氏（Euclidean）距離

計程（Taxi）距離

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。

45距離判別規(guī)則是按最小距離判別的原則馬氏（Mahalano1）馬氏距離

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。

判別函數(shù)：在各類別先驗概率和集群體積|∑|

都 相同情況下的概率判別函數(shù)則有461）馬氏距離馬氏距離幾何意義：X到類重心之間的加權(quán)距離，其在馬氏距離的基礎(chǔ)上，作下列限制將協(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。

2）歐氏距離

則有47在馬氏距離的基礎(chǔ)上，作下列限制歐氏距離是馬氏距離用于分類集群X到集群中心在多維空間中距離的絕對值之總和來表示

3）計程（Taxi）距離48X到集群中心在多維空間中距離的絕對值之總和來表示3）計程（49493、其它的判決函數(shù)和判決規(guī)則盒式分類法基本思想: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。503、其它的判決函數(shù)和判決規(guī)則50例如 對于A類的盒子，其邊界（最小值和最大值）分別是X1=a、X1=b；X2=c、X2=d。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)。

51例如51(二)分類過程

原始影像數(shù)據(jù)的準備圖像變換及特征選擇分類器的設(shè)計初始類別參數(shù)的確定逐個像素的分類判別形成分類編碼圖像輸出專題圖52(二)分類過程原始影像數(shù)據(jù)的準備圖像變換及特征選擇分類器水新城區(qū)老城區(qū)耕地植被選擇樣本區(qū)域53水新城區(qū)老城區(qū)耕地植被選擇樣本區(qū)域53計算每個類別的M和Σ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍255將樣本數(shù)據(jù)在特征空間進行聚類54計算每個類別的M和Σ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)根據(jù)判別函數(shù)逐個像素的分類判別55根據(jù)判別函數(shù)逐個像素的分類判別55??????？1老城區(qū)1分類結(jié)果影像的形成56??????？1老城區(qū)1分類結(jié)果影像的形成56分類得到的專題圖57分類得到的專題圖57(三)影響監(jiān)督分類精度的幾個方面:1.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變換，加快分類速度，提高分類精度。2.分類的類別數(shù)與實際是否相符?58(三)影響監(jiān)督分類精度的幾個方面:58

3.訓(xùn)練樣區(qū)的選擇 訓(xùn)練樣區(qū)的選擇要注意準確性、代表性和統(tǒng)計性三個問題。 準確性就是要確保選擇的樣區(qū)與實際地物的一致性 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(fù)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)計性是指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元。593.訓(xùn)練樣區(qū)的選擇594.判決函數(shù)和判決規(guī)則

604.判決函數(shù)和判決規(guī)則60(四)監(jiān)督法分類的優(yōu)缺點優(yōu)點：.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(xùn)練樣本的選擇.可以通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精 確分類，從而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61(四)監(jiān)督法分類的優(yōu)缺點優(yōu)點：61主觀性；由于圖象中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性；訓(xùn)練樣本的獲取和評估花費較多人力時間；只能識別訓(xùn)練中定義的類別。缺點62主觀性；缺點62本節(jié)小結(jié)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63本節(jié)小結(jié)監(jiān)督法分類的基本思想63§8-4非監(jiān)督分類 二非監(jiān)督分類 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。64§8-4非監(jiān)督分類 二非監(jiān)督分類64 一般的聚類算法是先選擇若干個模式點作為聚類的中心。 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）將各模式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(fù)迭代運算，直到合理為止。65 一般的聚類算法是先選擇若干個模式點作為聚類的中心。65(一)K-均值聚類法 K-均值算法的聚類準則是使每一聚類中，多模式點到該類別的中心的距離的平方和最小。

基本思想是：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。66(一)K-均值聚類法6667676868696970707171

缺點:這種算法的結(jié)果受到所選聚類中心的數(shù)目和其初始位置以及模式分布的幾何性質(zhì)和讀入次序等因素的影響，并且在迭代過程中又沒有調(diào)整類數(shù)的措施，因此可能產(chǎn)生不同的初始分類得到不同的結(jié)果。7272(二)ISODATA算法聚類分析 可以自動地進行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。

73(二)ISODATA算法聚類分析73選定初始類別中心輸入迭代限值參數(shù):I,Tn,TS,TC對樣本像素進行聚類并統(tǒng)計ni,m,σni<Tn取消第i類是迭代次數(shù)=I或相鄰兩次迭代類別中心變動小于限值σ>TS

確定分裂后的中心DIK<TC

確定并類后的中心輸出否否是否否是ISODATA算法過程框圖每類集群允許的最大標準差集群允許的最短距離每類集群至少的點數(shù)是迭代次數(shù)74選定初始類別中心輸入迭代限值參數(shù):I,Tn,TS,TC對7575(三)平行管道法聚類分析 它以地物的光譜特性曲線為基礎(chǔ)，同類地物在特征空間上表現(xiàn)為以特征曲線為中心，以相似閾值為半徑的管子，此即為所謂的“平行管道”。 這種聚類方法實質(zhì)上是一種基于最鄰近規(guī)則的試探法。76(三)平行管道法聚類分析767777§8-5非監(jiān)督分類與監(jiān)督分類的結(jié)合

通過非監(jiān)督法將一定區(qū)域聚類成不同的單一類別，監(jiān)督法再利用這些單一類別區(qū)域“訓(xùn)練”計算機。使分類精度得到保證的前提下，分類速度得到了提高。

78§8-5非監(jiān)督分類與監(jiān)督分類的結(jié)合 通過非監(jiān)督法將一定區(qū)§8-6分類后處理和誤差分析一分類后處理1、分類后專題圖像的格式遙感影像經(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。79§8-6分類后處理和誤差分析一分類后處理79原始遙感圖像對應(yīng)的專題圖像80原始遙感圖像對應(yīng)的專題圖像802、分類后處理 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。812、分類后處理81多數(shù)平滑:平滑時中心像元值取周圍占多數(shù)的 類別。82多數(shù)平滑:平滑時中心像元值取周圍占多數(shù)的 類別。82平滑前后的一個例子83平滑前后的一個例子83二分類后的誤差分析

利用一些樣本對分類誤差進行估計。 采集樣本的方式有三種類型：

﹡來自監(jiān)督分類的訓(xùn)練樣區(qū)；

﹡專門選定的試驗場；

﹡隨機取樣。

84二分類后的誤差分析84混淆矩陣分類精度的評定實際類別試驗像元的百分比%類別1類別2類別3試驗像元12384.34.910.88.580.311.26.14.189.8100%102100%152100%4985混淆矩陣分類精度的評定實際類別試平均精度S=（84.3%+80.3%+89.8%）/3=84.8%加權(quán)平均精度S=（84.3%*102+80.3%*152+89.8%*49） /(102+152+49)=83.2%86平均精度86§8-7非光譜信息在遙感圖像分類中的應(yīng)用一高程信息在遙感圖像分類中的應(yīng)用 1.地面高程“影像”可以直接與多光譜影像一起對分類器進行訓(xùn)練

2.將地形分成一些較寬的高程帶，將多光譜影像按高程帶切片（或分層），然后分別進行分類。3.智能的方法(神經(jīng)元網(wǎng)絡(luò)方法等)87§8-7非光譜信息在遙感圖像分類中的應(yīng)用一高程信息在遙感圖7.5米等高線887.5米等高線88DEM影像89DEM影像89

二紋理信息在遙感圖像分類中的應(yīng)用

紋理信息提取:目前用得比較多的方法包括：共生矩陣法、分形維方法、馬爾可夫隨機場方法等。90 二紋理信息在遙感圖像分類中的應(yīng)用 901.紋理影像直接與多光譜影像一起對分類器進行訓(xùn)練2.先利用多光譜信息對遙感圖像進行自動分類。再利用紋理特征對光譜分類的結(jié)果進行進一步的細分3.智能的方法(神經(jīng)元網(wǎng)絡(luò)方法等)911.紋理影像直接與多光譜影像一起對分類器進行訓(xùn)練91Cosmo-SkyMed高分辨率雷達圖像92Cosmo-SkyMed高分辨率雷達圖像92思考題遙感圖象分類的基礎(chǔ)是什么？影響分類精度的因素有哪些？何為特征變換?我們所學(xué)的各種特征變換有何特點?比較最大似然法與最小距離法的優(yōu)缺點。比較K均值法與ISODATA法的優(yōu)缺點。比較監(jiān)督分類與非監(jiān)督分類的優(yōu)缺點。93思考題遙感圖象分類的基礎(chǔ)是什么？93第八章遙感圖像自動識別分類

遙感圖像的計算機分類，就是利用計算機技術(shù)來模擬人類的識別功能,對地球表面及其環(huán)境在遙感圖像上的信息進行屬性的自動判別和分類，達到提取所需地物信息的目的。

94第八章遙感圖像自動識別分類 遙感圖像的計算機分類，就是§8—1基礎(chǔ)知識1、模式與模式識別

模式(pattern)------

存在于時間，空間中可觀察的事物，具有時間或空間分布的信息。

模式識別(PatternRecognition)------用計算機實現(xiàn)人對各種事物或現(xiàn)象的分析,描述,判斷,識別。95§8—1基礎(chǔ)知識1、模式與模式識別2xn

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X劃入某一組預(yù)先規(guī)定的類別之中去。

自然模式接收器(傳感器)分類器(判決器)x2x1結(jié)果….模式識別系統(tǒng)的模型96xn 分類器（或稱判決器），可以根據(jù)一定的分類規(guī)則，把某一9742、光譜特征空間及地物在特征空間中聚類的統(tǒng)計特性

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.

982、光譜特征空間及地物在特征空間中聚類的統(tǒng)計特性5統(tǒng)計特征矢量（多維光譜特征空間）光譜特征空間及地物在特征空間中分布的統(tǒng)計特性

99統(tǒng)計特征矢量（多維光譜特征空間）光譜特征空間及地物在特征空地物與光譜特征空間的關(guān)系水土壤植被B5B7100地物與光譜特征空間的關(guān)系水土壤植被B5B77

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:理想情況——不同類別的集群至少在一個特征子空間中的投影是完全可以相互區(qū)分開的。BiBj水植被土壤101 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:Bi一般情況——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是存在重疊現(xiàn)象。這時重疊部分的特征點所對應(yīng)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情況。水植被土壤102一般情況——無論在總的特征空間中，還是在任一子空間中，不同類典型情況——不同類別地物的集群，在任一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。這時可采用特征變換使之變成理想情況進行分類。水植被土壤103典型情況——不同類別地物的集群，在任一子空間中都有相互重疊的 地物在特征空間的分布通常是用特征點（或其相應(yīng)的隨機矢量）分布的概率密度函數(shù)P（X）來表示的。假設(shè)特征點的統(tǒng)計分布屬于正態(tài)分布，則其概率密度函數(shù)可表達為：式是：X—特征向量

——均值向量；Σ——協(xié)方差矩陣

104 地物在特征空間的分布通常是用特征點（或其相應(yīng)的隨機矢量）§8-2特征變換及特征選擇一特征變換概念：將原始圖像通過一定的數(shù)字變換生成一組新的特征圖像，這一組新圖像信息集中在少數(shù)幾個特征圖像上。目的：數(shù)據(jù)量有所減少，去相關(guān)，有助于分類。常用的特征變換：主分量變換、哈達瑪變換、生物l量指標變換、比值變換以及穗帽變換等。

105§8-2特征變換及特征選擇一特征變換12方法：1、主分量變換2、穗帽變換3、哈達瑪變換哈達瑪變換定義為：IH=H·X106方法：131.主分量變換基本思想一種線性變換，均方誤差最小的最佳正交變換；是在統(tǒng)計特征基礎(chǔ)上的線性變換。目的：數(shù)據(jù)壓縮：新的特征圖像之間互不相關(guān)增加類別的可分性。1071.主分量變換基本思想一種線性變換，均方誤差最小的最佳正交幾何99意義把原始特征空間的特征軸旋轉(zhuǎn)到平行于混合集群結(jié)構(gòu)軸的方向上。108幾何99意義15主分量變換計算步驟如下（1）計算均值向量M和協(xié)方差矩陣C；（2）計算矩陣C的特征值和特征向量；（3）將特征值按由大到小的次序排（4）選擇前幾個特征值對應(yīng)的幾個特征向量構(gòu)造變換矩陣φn。（5）根據(jù)Ｙ＝φnX進行變換，得到的新特征影像就是變換的結(jié)果，X為多光譜圖像的一個光譜特征矢量。109主分量變換計算步驟如下（1）計算均值向量M和協(xié)方差矩陣C；1例：有兩類模式：用K-L變換來作一維特征提取。解：1、求樣本總體均值向量：無需做坐標平移令離散K-L變換

2、求自相關(guān)矩陣：110例：有兩類模式：用K-L變換來作一維特征提取。解：1、求樣這是原模式在向量軸上的投影。由求得變換后的一維模式：離散K-L變換

4、取作為變換矩陣，將原樣本變換為一維的樣本。111這是原模式在向量軸上的投影。由3、求本征值和本征向量：解本征值方程即：解得R的本征值由解得本征向量為：1123、求本征值和本征向量：解本征值方程即：解得R的本征值由離散K-L變換

113離散K-L變換20哈達瑪變換哈達瑪矩陣為一個對稱的正交矩陣，其變換核為H’由哈達瑪變換核可知，哈達瑪變換實際是將坐標軸旋轉(zhuǎn)了45℃的正交變換

114哈達瑪變換哈達瑪矩陣為一個對稱的正交矩陣，其變換核為H’24、比值變換和生物量指標變換 比值變換圖像用作分類有許多優(yōu)點，它可以增強土壤，植被，水之間的輻射差別，壓抑地形坡度和方向引起的輻射量變化。1154、比值變換和生物量指標變換22生物量指標變換式中：Ibio——生物量變換后的亮度值。x7，x5為MSS7和MSS5圖像的像元亮度值。經(jīng)變換后，植物、土壤和水都分離開來，因此可獨立地對綠色植物量進行統(tǒng)計。116生物量指標變換23二特征選擇

概念用最少的影像數(shù)據(jù)最好地進行分類。這樣就需在這些特征影像中，選擇一組最佳的特征影像進行分類，這就稱為特征選擇。相關(guān)系數(shù)法距離測度類內(nèi)距離越小，類間距離越大散布矩陣測度類內(nèi)散布矩陣和類間散布矩陣117二特征選擇24特征選擇的定量方法1.相關(guān)系數(shù)法求?。ㄓ跋瘢┨卣鏖g的相關(guān)系數(shù)如：TM2和TM3的相關(guān)系數(shù)為0.89，說明有許多地物相關(guān)性很強，冗余度大，只需選擇其中一個影像參加分類就可以。而TM3與TM4的相關(guān)系數(shù)僅為0.23，說明兩個波段的相關(guān)性小，需兩個波段都參與分類。118特征選擇的定量方法25特征選擇的定量方法2、距離測度距離:如果所選擇的一組特征能使感興趣類別的類內(nèi)距離最小，而與其它類別的類間距離最大，那么根據(jù)距離測度；用這組特征設(shè)計的分類器分類效果最好。實際可使用標準化距離，類別均值間的標準化距離公式為：

類間標準化距離越大的特征影像可分性越好119特征選擇的定量方法2、距離測度距離:如果所選擇的一組特征能使3、散布矩陣測度 除了距離測度之外，實際應(yīng)用中還經(jīng)常采用一種散布矩陣的方式來度量類別的可分性，它是用矩陣形式來表示模式類別在特征空間中的散布情況。1203、散布矩陣測度27（1）類內(nèi)散布矩陣Sw 類內(nèi)散布矩陣表示屬于某一類別的模式在其均值周圍的散布情況，對于m類別情況，總的類內(nèi)散布矩陣可以寫成各類別類內(nèi)散布矩陣的先驗概率P(Wi)加權(quán)和，即：

式中：m——所關(guān)心的類別總數(shù) P(Wi)——類的先驗概率

Σi——類的協(xié)方差矩陣

121（1）類內(nèi)散布矩陣Sw28（2）類間散布矩陣Sb

類間散布矩陣表示了不同類別間相互散布的程度。類似地，對于m類別情況，總的類間散布矩陣也采用先驗概率加數(shù)和表示式中：M0——是全體模式的均值向量Mi——Wi的均值向量

122（2）類間散布矩陣Sb29（3）總體散布矩陣Sm

Sm=Sw+Sb 至此，完成了分類前預(yù)處理的一項重要工作，特征變換和特征選擇，下面就進入分類處理階段的工作。

123（3）總體散布矩陣Sm30§8-3監(jiān)督分類

自動識別分類監(jiān)督分類法非監(jiān)督分類法124§8-3監(jiān)督分類自動識別分類監(jiān)督分類法非監(jiān)督分類法31一監(jiān)督法分類

意味著對類別已有一定的先驗知識，利用“訓(xùn)練樣區(qū)”的數(shù)據(jù)去“訓(xùn)練”判決函數(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。125一監(jiān)督法分類32原始遙感圖像對應(yīng)的專題圖像126原始遙感圖像對應(yīng)的專題圖像33監(jiān)督分類的思想1）確定每個類別的樣區(qū)2）學(xué)習(xí)或訓(xùn)練3）確定判別函數(shù)和相應(yīng)的判別準則4）計算未知類別的樣本觀測值函數(shù)值5）按規(guī)則進行像元的所屬判別127監(jiān)督分類的思想1）確定每個類別的樣區(qū)34(一)判決函數(shù)和判決規(guī)則

判決函數(shù):當各個類別的判別區(qū)域確定后，用來表示和鑒別某個特征矢量屬于哪個類別的函數(shù)。

128(一)判決函數(shù)和判決規(guī)則35判別規(guī)則

當計算完某個矢量，在不同類別判決函數(shù)中的值后，我們要確定該矢量屬于某類必須給出一個判斷的依據(jù)。

這種判斷的依據(jù)，我們稱之為判別規(guī)則。判斷特征矢量屬于某類的依據(jù)129判別規(guī)則 判斷特征矢量屬于某類的依據(jù)36常用的兩種判別函數(shù)和判別規(guī)則：概率判別函數(shù)和貝葉斯判別規(guī)則距離判別函數(shù)和判別規(guī)則13037概率判別函數(shù)：把某特征矢量（X）落入某類集群的條件概率當成分類判決函數(shù)（概率判決函數(shù)）貝葉斯判別規(guī)則：把X落入某集群wi的條件概率P(wi/X)最大的類為X的類別貝葉斯判別規(guī)則以錯分概率或風(fēng)險最小為準則的判別規(guī)則。

1、概率判決函數(shù)和貝葉斯判決規(guī)則131概率判別函數(shù)：把某特征矢量（X）落入某類集群的條件概率當根據(jù)貝葉斯公式可得：

P(wi)——wi類出現(xiàn)的概率，也稱先驗概率。 P(X/wi)——在wi類中出現(xiàn)X的條件概率， 也稱wi類的似然概率。 P(wi/X)——X屬于wi的后驗概率。 由于P(X)對各個類別都是一個常數(shù)， 故可略去所以，判決函數(shù)可用下式表示：

132根據(jù)貝葉斯公式可得：39為了計算方便，將上式可以用取對數(shù)方式來處理。即

同類地物在特征空間服從 正態(tài)分布，則類別的概率密度函數(shù):

133為了計算方便，將上式可以用取對數(shù)方式來處理。即去掉與i值無關(guān)的項對分類結(jié)果沒有影響，因此上式可簡化為：相應(yīng)的貝葉斯判決規(guī)則為：若對于所有可能的j=1,2,···,m;j≠i有>,則X屬于類。根據(jù)概率判決函數(shù)和貝葉斯判決規(guī)則來進行的分類通常稱為最大似然分類法。

134去掉與i值無關(guān)的項對分類結(jié)果沒有影響，因此上式可簡化為：41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。分類錯誤的總概率135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422、距離判決函數(shù)和判決規(guī)則 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。 概率判決函數(shù)那樣偏重于集群分布的統(tǒng)計性質(zhì)，距離判決函數(shù)偏重于集群分布的幾何位置。

1362、距離判決函數(shù)和判決規(guī)則43根據(jù)距離判決函數(shù)分類137根據(jù)距離判決函數(shù)分類44距離判別規(guī)則是按最小距離判別的原則

馬氏（Mahalanobis）距離

歐氏（Euclidean）距離

計程（Taxi）距離

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。

138距離判別規(guī)則是按最小距離判別的原則馬氏（Mahalano1）馬氏距離

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。

判別函數(shù)：在各類別先驗概率和集群體積|∑|

都 相同情況下的概率判別函數(shù)則有1391）馬氏距離馬氏距離幾何意義：X到類重心之間的加權(quán)距離，其在馬氏距離的基礎(chǔ)上，作下列限制將協(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。

2）歐氏距離

則有140在馬氏距離的基礎(chǔ)上，作下列限制歐氏距離是馬氏距離用于分類集群X到集群中心在多維空間中距離的絕對值之總和來表示

3）計程（Taxi）距離141X到集群中心在多維空間中距離的絕對值之總和來表示3）計程（142493、其它的判決函數(shù)和判決規(guī)則盒式分類法基本思想: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。1433、其它的判決函數(shù)和判決規(guī)則50例如 對于A類的盒子，其邊界（最小值和最大值）分別是X1=a、X1=b；X2=c、X2=d。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)。

144例如51(二)分類過程

原始影像數(shù)據(jù)的準備圖像變換及特征選擇分類器的設(shè)計初始類別參數(shù)的確定逐個像素的分類判別形成分類編碼圖像輸出專題圖145(二)分類過程原始影像數(shù)據(jù)的準備圖像變換及特征選擇分類器水新城區(qū)老城區(qū)耕地植被選擇樣本區(qū)域146水新城區(qū)老城區(qū)耕地植被選擇樣本區(qū)域53計算每個類別的M和Σ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍255將樣本數(shù)據(jù)在特征空間進行聚類147計算每個類別的M和Σ，建立類別的判別函數(shù)水老城區(qū)新城區(qū)根據(jù)判別函數(shù)逐個像素的分類判別148根據(jù)判別函數(shù)逐個像素的分類判別55??????？1老城區(qū)1分類結(jié)果影像的形成149??????？1老城區(qū)1分類結(jié)果影像的形成56分類得到的專題圖150分類得到的專題圖57(三)影響監(jiān)督分類精度的幾個方面:1.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變換，加快分類速度，提高分類精度。2.分類的類別數(shù)與實際是否相符?151(三)影響監(jiān)督分類精度的幾個方面:58

3.訓(xùn)練樣區(qū)的選擇 訓(xùn)練樣區(qū)的選擇要注意準確性、代表性和統(tǒng)計性三個問題。 準確性就是要確保選擇的樣區(qū)與實際地物的一致性 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(fù)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)計性是指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元。1523.訓(xùn)練樣區(qū)的選擇594.判決函數(shù)和判決規(guī)則

1534.判決函數(shù)和判決規(guī)則60(四)監(jiān)督法分類的優(yōu)缺點優(yōu)點：.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(xùn)練樣本的選擇.可以通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精 確分類，從而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154(四)監(jiān)督法分類的優(yōu)缺點優(yōu)點：61主觀性；由于圖象中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性；訓(xùn)練樣本的獲取和評估花費較多人力時間；只能識別訓(xùn)練中定義的類別。缺點155主觀性；缺點62本節(jié)小結(jié)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156本節(jié)小結(jié)監(jiān)督法分類的基本思想63§8-4非監(jiān)督分類 二非監(jiān)督分類 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。157§8-4非監(jiān)督分類 二非監(jiān)督分類64 一般的聚類算法是先選擇若干個模式點作為聚類的中心。 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）將各模式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(fù)迭代運算，直到合理為止。158 一般的聚類算法是先選擇若干個模式點作為聚類的中心。65(一)K-均值聚類法 K-均值算法的聚類準則是使每一聚類中，多模式點到該類別的中心的距離的平方和最小。

基本思想是：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。159(一)K-均值聚類法661606716168162691637016471

缺點:這種算法的結(jié)果受到所選聚類中心的數(shù)目和其初始位置以及模式分布的幾何性質(zhì)和讀入次序等因素的影響，并且在迭代過程中又沒有調(diào)整類數(shù)的措施，因此可能產(chǎn)生不同的初始分類得到不同的結(jié)果。16572(二)ISODATA算法聚類分析 可以自動地進行類別的“合并”和“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。

166(二)ISODATA算法聚類分析73選定初始類別中心輸入迭代限值參數(shù):I,Tn,TS,TC對樣本像素進行聚類并統(tǒng)計ni,m,σni<Tn取消第i類是迭代次數(shù)=I或相鄰兩次迭代類別中心變動小于限值