遥感图像的自动分类.pptVIP

第10讲 课 题 ：遥感图像的自动分类(1) 目的要求：1.理解遥感图像分类的原理；2.掌握遥感图像分类的工作流程；3.熟悉常用分类方法；4.掌握分类后处理及分类精度分析。 重 点 ：监督分类与非监督分类 难 点 ：监督分类的过程 教学课时：2课时 教学方法：授课为主、鼓励课堂交流 本次课涉及的学术前沿：遥感图像分类的原理及遥感图像分类方法的最新发展 第九章 遥感图像分类 遥感图像的计算机分类，就是利用计算机技术来模拟人类的识别功能,对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，达到提取所需地物信息的目的。 §9—1 基础知识 1、 模式与模式识别 所谓“模式”是指某种具有空间或几何特征的东西。 对被识别的模式作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较,得出所需要的分类结果。这一过程称为模式识别. xn 分类器（或称判决器），可以根据一定的分类规则，把某一测量矢量X划入某一组预先规定的类别之中去。 2、 光谱特征空间及地物在特征空间中聚类的统计特性 光谱特征空间:以各波段图像的亮度分布为坐标轴组成的空间. 同类地物在特征空间形成一个相对聚集的点集群; 不同类地物的点集群在特征空间内一般是相互分离的. 地物与光谱特征空间的关系 特征点集群在特征空间中的分布大致可分为如下三种情况: 理想情况——不同类别 的点的集群至少在一个 特征子空间中的投影是 完全可以相互区分开的。 一般情况——无论在总的特征空间中，还是在任一子空间中，不同类别的集群之间总是存在重叠现象。这时重叠部分的特征点所对应的地物，在分类时总会出现不同程度的分类误差，这是遥感图像中最常见的情况。 典型情况——不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中可以完全区分的。这时可采用特征变换使之变成理想情况进行分类。 §9-2 特征变换及特征选择 一、特征变换 1、主分量变换 2、穗帽变换 3、哈达玛变换 哈达玛变换定义为：IH=H·X 1、 K-L变换(Karhunen-Loeve)(主分量变换) K-L变换:它是对某一多光谱图像X.利用K-L变换矩阵A进行线性组合,而产生一组新的多光谱图像Y. Y=AX 特点:变换后的主分量空间与变换前的多光谱空间坐标系相比旋转了一个角度。新坐标系的坐标轴一定指向数据量较大的方向。 该变换的几何意义是把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向上去。 达到数据压缩、提高信噪比、提取相关信息、降维处理和提取原图像特征信息的目的。 主分量变换计算步骤如下： （1）计算多光谱图像的均值向量M和协方差矩阵 C。 （2）计算矩阵C的特征值λr和特征向量φr ，（r=1，2，………,M）,M为多光谱图像的波段 数。 （3）将特征值λr按由大到小的次序排列，即 λ1λ2……λm. （4）选择前几个特征值对应的几个特征向量构造变换矩阵φn. （5）根据Ｙ＝φnX进行变换，得到的新特征影像就是变换的结果，X为多光谱图像的一个光谱特征矢量。 第一分量方差分布最广，集中最多信息，第二分量次之。 2、K-T变换 是kauth-Thomas变换的简称，也称穗帽变换.是一种坐标空间发生旋转的线性变换，旋转后的坐标轴指向与地面景物有密切关系的方向 主要针对TM图像数据和MSS数据. Y=A·X Y=（ISB IGV IY IN）T X=（X4 X5 X6 X7） 其中：ISB——土壤亮度轴的像元亮度值 IGV——植物绿色指标轴的像元亮度值 IY —— 黄色轴 IN —— 噪声轴 Xi —— 地物在MSS四个波段上的亮度值 穗帽变换的变换矩阵根据经验确定。Kauth和Thomas研究出的矩阵A具有如下形式： 0.433 0.632 0.586 0.264 -0.290 -0.567 0.600 0.491 -0.824 0.533 -0.050 0.185 0.223 0.012 -0.543 0.809 　 　 土壤亮度变化轴ISB为穗帽的底边，帽上面各部分反映了植物生长变化状况，植物株冠的绿色发展到顶点（最旺盛时在帽顶）以后逐渐枯黄，枯黄过程是从帽顶沿着一些称为帽穗的路径回归到土壤底线（因此有穗帽之称）。 哈达玛矩阵为一个对称的正交矩阵，其变换核为 H’ 由哈达