8-1 遥感图像分类.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * It is more likely that the texture feature of a normal building are uniform, in contrast to collapsed building where this may normally not be true. 对比度 灰度共生矩阵(GLCM)特征的实际应用 Haralick 利用ERTS1002–18134卫星多光谱图像对美国加利福尼亚海岸带的土地利用问题，用灰度共生矩阵的方法作纹理分析。海岸带主要有沿岸森林、树林、草地、城区、小片灌溉区、大片灌溉区和水域七类。对ERTS1002–18134四波段卫片，将其中的某波段图像，取大小为64*64象素的非重迭窗口，间隔δ=1，Ng=16(将0–255压缩成16级)。 将纹理特征和多光谱灰度特征组合成16*1特征向量，对七类地域分别取训练样本314个，检验样本310个，提取特征，用分段线性分类器分类，获得了平均83.5%的分类精度。 若仅仅用多光谱信息，用8个光谱特征向量对七类地域分类，分类精度只有74~77%，由此可见，纹理分类改善了典型模式识别的结果，这是因为图像的纹理分析充分利用了图像灰度分布的结构信息。 4 特征选择 在提取的特征影像中，选取一组最佳的特征影像（波段最少）进行分类。 特征选择与地物类别及影像特征有关 植被、土壤分类？ 图像波段之间的相关性？ 主成分分析PCA？ 特征选择定量方法 距离测度、散布矩阵测度 4 特征选择——距离测度 * 5 遥感数字图像的分类方法 Classification method 分类执行方式： 监督分类(Supervised classification) 非监督分类(Unsupervised classification) 分类模型或分类器： 统计分类、模糊分类、决策树分类、神经网络分类、面向对象分类等。 * 分类方法： 监督分类(Supervised classification) 通过选择代表各类别的已知样本（训练区）的象元光谱特征，事先取得各个类别的参数，确定判别函数，从而进行分类。 在监督分类中，先定义信息类，然后检验它们的光谱可分性 * 训练区： 已知覆盖类型的代表样区 用于描述主要特征类型的光谱属性 其精度直接影响分类结果 检验区： 用于评价分类精度的代表样区 监督分类(Supervised classification)步骤： * 训练区的选择 遥感数字图像的计算机分类 * 分类结果 * 分类方法 非监督分类(Unsupervised classification) 根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别 在非监督分类中，先确定光谱可分的类别，然后定义它们的信息类 * 4-3-2假彩色合成图像 非监督分类(聚类)结果: 15个光谱类 非监督分类(Unsupervised classification) 遥感数字图像的计算机分类 * 非监督分类(Unsupervised classification) 1. 4-3-2假彩色合成图象(香港九龙); 2. 聚类结果(10类) 遥感数字图像的计算机分类 * 非监督分类(Unsupervised classification) 3. 聚类结果合并(5类); 4. 最终结果 (类别颜色改变) 遥感数字图像的计算机分类 非监督分类与监督分类的过程比较 初步分类 选择训练样本 确定分类器 分类后处理 检验分类结果 统计分析、输出结果 监督分类 非监督分类 分类合并 专题判断 初步分类 分类后处理 统计分析、输出结果 yes no 非监督分类与监督分类的方法比较 优点 缺点 适用范围 监督分类 精度高 工作量大 有先验知识 非监督分类 精度低 工作量小 没有先验知识 * 6 遥感图像分类基本过程(Process) 分类预处理：辐射校正、几何校正 特征提取与选择 分类（监督分类训练区的选择） 分类后处理，包括精度评价 专题图制作 * 原始图象 Original image * 分类图象 Classification * 最终结果：专题制图(Thematic mapping ) * 存在问题（光谱分类）： 同物异谱：同类地物具有不同的光谱特征 异物同谱：不同的地物可能具有相似的光谱特征。 如： 同一作物，生长状态不同，光谱特征有差异； 不同的植被类型可能有相似的光谱特征 * 长满藻类