数字图像分析第9章.ppt

第九章 图象识别 9·1 统计模式识别 9·2 集群分类 9·3 其他分类方法 模式识别（Pattern Recognition) 统计模式识别和句法(结构)模式识别 统计模式识别：根据统计规律进行推测、判断 句法模式识别：按照句法分析方法进行判别 有监督分类和无监督分类 有监督分类：有已知训练样本，要通过学习 无监督分类：没有已知样本，基于物以类聚来分类 参数和非参数方法 参数方法：可知函数形式，只要求出其参数 非参数方法：没有函数形式，通常用邻近方法判断 9·1 统计模式识别 9·1·1 统计模式识别的基本概念 9·1·2 判别函数方法 9·1·3 贝叶斯(Bayes)分类器 9·1·4 基于统计模式识别的遥感图象分类 9·1·1 统计模式识别的基本概念 模式 物体较抽象的特征和描述 特征，特征矢量，特征空间 模式分类 N 维特征空间的划分 将特征空间划分成 M 个子空间 各个类别均有它的样本集合，样本有 N 维特征。 每个样本是 N 维特征空间中的某一点。 分类是将全部样本集合划分成 M 个子集， 也就是将 N 维特征空间分成 M 个子空间。 一些模式分类的方法 线性判别函数 最小距离分类 分段线性判别函数（最近邻域分类） Bayes分类 集群方法 模糊分类 人工神经网络方法 9·1·3 贝叶斯(Bayes)分类器 贝叶斯分类器以概率统计理论为基础，以最小分类误差为准则，导出分类判决的准则。 1、分类准则 2、实际使用中确定判决函数的一般方法 9.1.4 基于统计模式识别的遥感图象分类 1. 遥感简介 2. 遥感图象分类 1.遥感（Remote Sensing)简介 遥感是一门研究电磁波辐射与地球表面物质相互作用的机理和过程的科学。 初期，遥感仅作为一种探测地球资源的技术手段。现在，在信息系统技术支持下，获得了十分广泛的应用，有很广阔的发展前景。 遥感是一个综合的技术学科领域。它是多种学科相互交叉、渗透的结果。 把地表、地物作为研究对象，在时空的不同尺度上研究它的各要素及其相互作用。利用遥感技术获得各种电磁波谱作用于地物的信息，通过处理和分析，得到定性和定量的结果。 ? SAR （Synthesize Aperture Radar) 全天候工作，一定的穿透能力，多极化方式等。 ? 高光谱（成象光谱）（Image Spectrometer) 极多的波段，光谱分辨率高，数据率高。 ? 微小卫星组网 卫星体积小，重量在500kg以下，轨道高度低于500Km。 多卫星组网，互为补充，功能更强，抗毁能力强。 Fisher判据 9·2 集群分类 9·2·1 简单集群方法 9·2·2 K-mean 方法 K-mean算法需要预先确定类别的数目，最好有一些先验知识。 其分类结果基本不受分类中心的影响。 分类的准确性仍与各类分布情况有关。 设定合理的条件，可以获得更好的结果。如：先暂定一类别数，在聚类中心过于分散时，增加类别数，反之减少类别数。 9·3 其他分类方法 9·3·1 模糊聚类 9·3·2 人工神经网络方法 1、反向传播网络 海啸041226 油田起火 9.11(不同时相) SAR 高光谱图象立方 2．遥感图象分类 1）特征抽取 子集选择 组合特征 筛选特征 2）分类判决 训练 － 分级判决 － 误差分析 TM的光谱波段 图示监督分类基本步骤 组合特征的例子 归一化差异植被指数NDVI (Normalized Difference Vegetation Index) NDVI=(IR－R) / (IR＋R) 归一化差异水体指数 NDWI (Normalized Difference Water Index) NDWI= (G－NIR) / (G＋NIR) 多维特征空间两类的分离程度可以通过投影到一维特征空间的方法来获得。 Fisher判据表明特征空间两个类的分离程度，可以作为鉴别特征性能的度量。 设各类分布为正态分布，一维特征空间中反映两类的分离程度Fisher判据为： 分级判决 叠合光谱图 9.2.1 简单集群方法 1）确定分类半径Ｔ，随机取一点，作为第一类的中心； 2）对一个待分点，计算与中心点的距离 d1 ， 如果 d1 ? T 将该点分为这一类， 如果 d1 T 该点则为另外一新类， 且将该点作为新一类的中心； 3）如同第二步，对每一个待分点，计算它与各类中心的距离 di ， 若 di ? T 将该点分给最靠近的那一类， 否则，取该点为新一类的中心； 4）重复第３步，直到所有的点分完。 9.2.2 K-mean 方法 1）选择Ｋ个初