遙感圖像分類

遙感圖像分類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內(nèi)容大綱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)域之一遙感圖像自動(dòng)識別分類提取信息的類型舉例分類土地覆蓋、樹種識別、植被和農(nóng)作物變化檢測土地覆蓋變化物理量的提取溫度、大氣成分、高程、土壤含水量指標(biāo)提取植被指數(shù)、渾濁指標(biāo)特定地物和狀態(tài)的提取山火、水災(zāi)、線形構(gòu)造、遺跡探察在特征空間中，依據(jù)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(gè)像元賦類別值的過程分類的總目標(biāo)是將圖像中所有的像元自動(dòng)進(jìn)行土地覆蓋類型或土地覆蓋專題的分類什么是遙感圖像計(jì)算機(jī)分類？計(jì)算機(jī)分類實(shí)例原始遙感圖像對應(yīng)的專題圖像遙感圖像遙感圖像計(jì)算機(jī)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(jì)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(jì)算機(jī)分類光譜模式識別空間模式識別新方法計(jì)算機(jī)分類較目視解譯的優(yōu)勢？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(rèn)識較目視解譯客觀，在分析大數(shù)據(jù)集時(shí)比較經(jīng)濟(jì)可對復(fù)雜的多波段數(shù)據(jù)及其相互關(guān)系進(jìn)行有效分析光譜特征空間光譜特征空間：以各波段圖像的亮度分布為坐標(biāo)軸組成的空間同類地物在特征空間形成一個(gè)相對聚集的點(diǎn)集群不同類地物的點(diǎn)集群在特征空間內(nèi)一般是相互分離的

SPOT影像真實(shí)二維特征空間示例1-21-31-42-32-43-4特征空間中的距離“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(jì)距離：馬氏距離幾何距離：歐氏距離X到集群中心在多維空間中距離的絕對值之總和來表示幾何距離：絕對值距離統(tǒng)計(jì)距離：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)方差圖像分類方法按人工干預(yù)的程度不同，可以分為：非監(jiān)督分類法監(jiān)督分類法分類步驟選擇合適的分類算法用所選算法分割特征空間根據(jù)像元在特征空間中的定位對每一個(gè)像元賦類別值對分類結(jié)果進(jìn)行精度評價(jià)在沒有先驗(yàn)類別（訓(xùn)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(jìn)行歸類合并（將相似度大的像元?dú)w為一類）的方法根據(jù)圖像數(shù)據(jù)本身的統(tǒng)計(jì)特征及點(diǎn)群的分布情況，從純統(tǒng)計(jì)學(xué)的角度對圖像數(shù)據(jù)進(jìn)行類別劃分非監(jiān)督分類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(gè)像元是否屬于某個(gè)類別聚類一般的聚類算法是先選擇若干個(gè)點(diǎn)作為聚類的中心每一中心代表一個(gè)類別，按照某種相似性度量方法（如最小距離方法）將各點(diǎn)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(zhǔn)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(yùn)算，直到合理為止聚類過程按照某個(gè)原則選擇一些初始聚類中心計(jì)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聚類過程計(jì)算并改正重新組合的類別中心過程重復(fù)直到滿足迭代結(jié)束的條件聚類過程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(jìn)行“盲目”的分類其分類的結(jié)果只是對不同類別達(dá)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)查確定的非監(jiān)督分類簡單集群分類方法K-均值法（K-meansAlgorithm）Cluster分類法迭代自組織數(shù)據(jù)分析技術(shù)方法（IterativeSelf-OrganizationDataAnalysisTechniques，ISODATA）主要的非監(jiān)督分類方法K-均值法通過自然的聚類，把它分成8類K-均值算法的聚類準(zhǔn)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(dòng)各類的中心，直至得到最好的聚類結(jié)果為止K-均值法（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：①根據(jù)問題的性質(zhì)，用經(jīng)驗(yàn)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(gè)類的初始中心②將全部數(shù)據(jù)隨機(jī)地分為K個(gè)類別，對計(jì)算每類的重心，將這些重心作為K個(gè)類的初始中心K-均值法（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(gè)聚類中心（3）計(jì)算新中心。待所有樣本第i次劃分完畢后，重新計(jì)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(jìn)入下一次迭代K-均值法優(yōu)點(diǎn)：實(shí)現(xiàn)簡單缺點(diǎn)：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K-均值法IterativeSelf-OrganizationDataAnalysisTechniques“迭代自組織數(shù)據(jù)分析技術(shù)方法”的簡稱可以自動(dòng)地進(jìn)行類別的“合并”和“分裂”，從而得到比較合理的聚類結(jié)果

ISODATA（1）初始化，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(jì)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(dá)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(fù)（3）-（6）；（7）確認(rèn)類別，對結(jié)果進(jìn)行精度評估ISODATA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(dòng)態(tài)調(diào)整類別數(shù)的K：希望得到的類別數(shù)θN：所希望的一個(gè)類中樣本的最小數(shù)目θS：類的分散程度的參數(shù)（如標(biāo)準(zhǔn)差、方差）θC：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)ISODATA參數(shù)的設(shè)定決定類的“分裂”與“合并”

結(jié)束迭代的條件合并（類數(shù)-1）每一類中的像元個(gè)數(shù)少于期望的類別最少像元數(shù)θN類別的個(gè)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(biāo)準(zhǔn)差大于類別標(biāo)準(zhǔn)差閾值θS類別的個(gè)數(shù)小于期望的類別數(shù)K的1/2當(dāng)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ISODATA調(diào)整類別數(shù)的準(zhǔn)則兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個(gè)閾值，說明聚類結(jié)束如果迭代次數(shù)達(dá)到了預(yù)設(shè)值I，那么即使不收斂，也強(qiáng)行結(jié)束ISODATA判斷迭代結(jié)束類別數(shù)：20迭代次數(shù)：20ISODATA類別數(shù)：10迭代次數(shù)：10ISODATA優(yōu)點(diǎn)：不需要預(yù)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(jī)會(huì)減少小的類別能夠被區(qū)分出來缺點(diǎn)：盲目的聚類難以對產(chǎn)生的類別進(jìn)行控制，得到的類別不一定是想要的類別計(jì)算速度慢非監(jiān)督分類方法的特點(diǎn)確定每個(gè)類別的樣區(qū)學(xué)習(xí)或訓(xùn)練確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則計(jì)算未知類別的函數(shù)值按規(guī)則進(jìn)行像元的所屬判別監(jiān)督分類的思想監(jiān)督法分類首先需要從研究區(qū)域選取有代表性的訓(xùn)練場地作為樣本根據(jù)已知訓(xùn)練區(qū)提供的樣本，建立判別函數(shù)，據(jù)此對樣本像元進(jìn)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監(jiān)督法分類主要步驟選擇訓(xùn)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(jià)準(zhǔn)確性——確保選擇的樣區(qū)與實(shí)際地物的一致性代表性——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(dòng)情況統(tǒng)計(jì)性——選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元訓(xùn)練樣區(qū)的選擇選擇訓(xùn)練區(qū)訓(xùn)練區(qū)與特征空間的聯(lián)系水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域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(lán)255

將樣本數(shù)據(jù)在特征空間進(jìn)行聚類主要的監(jiān)督分類方法距離判別函數(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(jì)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最小距離分類法最小距離分類法以一個(gè)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(cuò)分現(xiàn)象，錯(cuò)分與比較盒子的先后次序有關(guān)平行六面體分類法基本思想平行六面體分類法最大似然分類法地物類數(shù)據(jù)在特征空間中構(gòu)成特定的點(diǎn)群，每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上為正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個(gè)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(xùn)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(gè)像元，通過求出每個(gè)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最大似然分類法最大似然分類法利用概率判別函數(shù)與貝葉斯判別規(guī)則進(jìn)行分類優(yōu)點(diǎn)：考慮特征空間中類別的形狀、大小和定位缺點(diǎn)：計(jì)算量大，計(jì)算時(shí)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(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(yán)重錯(cuò)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監(jiān)督法分類的優(yōu)點(diǎn)主觀性由于圖像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(fèi)較多人力時(shí)間只能識別訓(xùn)練中定義的類別監(jiān)督法分類的缺點(diǎn)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數(shù)字圖像分類新技術(shù)基于像素級別的信息提取以單個(gè)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(yán)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(jìn)行影像分割，影像的最小單元不再是單個(gè)的像素，而是一個(gè)個(gè)對象(圖斑)，后續(xù)的影像分析和處理也都基于對象進(jìn)行優(yōu)點(diǎn)：面向?qū)ο蟮倪b感信息提取，綜合考慮了光譜統(tǒng)計(jì)特征、形狀、大小、紋理、相鄰關(guān)系等一系列因素，因而具有更高精度的分類結(jié)果面向?qū)ο蟮姆诸惙椒Q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(jìn)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決策樹分類法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(yàn)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(jìn)GIS數(shù)據(jù)更新的自動(dòng)化，而且還可以得到比常規(guī)最大似然法高的分類精度基于GIS的遙感圖像分類方法遙感影像經(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分類后處理原始遙感圖像對應(yīng)的專題圖像用光譜信息對影像逐個(gè)像元地分類，在結(jié)果的分類地圖上會(huì)出現(xiàn)“噪聲”分類后處理產(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(cuò)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分類后處理分類后處理多數(shù)平滑：平滑時(shí)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）平滑前后的一個(gè)例子分類精度評價(jià)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分類后的誤差分析混淆矩陣是由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(gè)像元的位置和地面參考驗(yàn)證信息與計(jì)算機(jī)分類結(jié)果中的相應(yīng)位置和類別來比較計(jì)算的混淆矩陣（ConfusionMatrix）混淆矩陣的每一列代表了地表實(shí)測值（參考驗(yàn)證信息），每一列中的數(shù)值等于地表真實(shí)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(jì)算機(jī)的分類信息，每一行中的數(shù)值等于計(jì)算機(jī)分類像元在地表真實(shí)像元相應(yīng)類別中的數(shù)量混淆矩陣有150個(gè)樣本數(shù)據(jù)，這些數(shù)據(jù)在計(jì)算機(jī)分類結(jié)果中被分成3類，每類50個(gè)。分類結(jié)束后得到的混淆矩陣為：類1的50個(gè)樣本有43個(gè)分類正確，5個(gè)錯(cuò)分為類2，2個(gè)錯(cuò)分為類3類2的50個(gè)樣本有45個(gè)分類正確，2個(gè)錯(cuò)分為類1，3個(gè)錯(cuò)分為類3類3的50個(gè)樣本有49個(gè)分類正確，0個(gè)錯(cuò)分為類1，1個(gè)錯(cuò)分為類2混淆矩陣實(shí)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)字越大，分類精度越高；主對角線以外的數(shù)字就是錯(cuò)分的像元數(shù)，這些數(shù)字越小，錯(cuò)分率就越小，精度就越高精度評估的指標(biāo)總精度用戶精度生產(chǎn)者精度（制圖精度）混淆矩陣總精度：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(jì)算(43+45+49)/150=91.3%混淆矩陣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(gè)數(shù)字表示一個(gè)像元被分到指定類別的可能性，這個(gè)指定類別代表了地面的實(shí)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%混淆矩陣生產(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(xùn)練樣區(qū)的像元數(shù)目（列元素之和）這個(gè)數(shù)字表明指定覆蓋類型的訓(xùn)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%混淆矩陣?yán)荷诸悇e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(gè)類別混淆矩陣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Kappa系數(shù)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Ka