第九章遥感图像自动识别分类.ppt

模糊聚类算法 模糊聚类的思想基于事物的表现有时不是绝对的，而是存在着一个不确定的模糊因素。同样在遥感影像计算机分类中也存在着这种模糊性，因此，划分类别的分类矩阵最好也是一个模糊矩阵，即 ????????满足以下条件： 1） ?? ? ，表示样本属于第I类的隶属度； 2）A中每列元素之和为1，即一个样本对各类的隶属度之和为1； 3）A中每行元素之和大于0，即表示每类不为空集。 计算机分类的新方法 以模糊矩阵对样本集进行分类的过程称为软分类。若分析的对象有m个类别，第k个像元 ??????????????????? 与每个类别中心 ?????????????????? 之间的距离的平方为： ??????????????? 为了得到合理的软分类，定义聚类准则如下： 其中A为软分类矩阵，V表示聚类中心，n为样本数，b是权系数，b越大，分类越模糊。 计算机分类的新方法 一般情况下，b≥1，当b＝1时就是硬分类。当 ?? ?达到极小值时，整体分类达到最优。 ??? 与 ?? 通过下式求得： 一般来说，确定一个初始类别中心 ??（0）后，即可通过计算 ?? ?确定第k个像元的归属，然后由所计算的 ?? ?计算更正后的类别中心 ??（1），如此直至新计算的 ??? 与上一次的非常接近为止。由于遥感数据量非常大，可事先确定一个样本集，计算只针对样本而不是所有像元。 计算机分类的新方法 人工神经网络方法 人工神经网络中的处理单元是人类大脑神经元的简化。如图所示，一个处理单元（人工神经元），将接受到的信息 ?? ，通过用， ? 表示的互联强度，以点积的形式合成为自己的输入，并将输入与以某种方式设定的阈值θ作比较，再经某种形式的作用函数f的转换，便得到该处理单元的输出y。 计算机分类的新方法 式中： xi 为第I个输入元素； Wi 为从第I个输入与处理单元间的互联权重； θ 为处理单元的内部阈值； y? 为处理单元的输出。 计算机分类的新方法 purelin(n) = n logsig(n) = 1 / (1 + exp(-n)) tansig(n) = 2/(1+exp(-2*n))-1 计算机分类的新方法 其它的常用方法 一、非监督分类与监督分类的结合 基于最大似然原理的监督法分类的优势在于如果空间聚类呈现正态分布，那么它会减小分类误差，而且，分类速度较快。监督法分类主要缺陷是必须在分类前圈定样本性质单一的训练样区，而这可以通过非监督法来进行。即通过非监督法将一定区域聚类成不同的单一类别，监督法再利用这些单一类别区域“训练”计算机。通过“训练”后的计算机将其他区域分类完成，这样避免了使用速度比较慢的非监督法对整个影像区域进行分类，使分类精度得到保证的前提下，分类速度得到了提高。 具体执行步骤： 第一步：选择一些有代表性的区域进行非监督分类。这些区域尽可能包括所有感兴趣的地物类别。这些区域的选择与监督法分类训练样区的选择要求相反，监督法分类训练样区要求尽可能单一。而这里选择的区域包含类别尽可能地多，以便使所有感兴趣的地物类别都能得到聚类。 第二步：获得多个聚类类别的先验知识。这些先验知识的获取可以通过判读和实地调查来得到。聚类的类别作为监督分类的训练样区。 第三步：特征选择。选择最适合的特征图像进行后续分类。 第四步：使用监督法对整个影像进行分类。根据前几步获得的先验知识以及聚类后的样本数据设计分类器。并对整个影像区域进行分类。 第五步：输出标记图像。由于分类结束后影像的类别信息也已确定。所以可以将整幅影像标记为相应类别输出。 二、高程信息在遥感图像分类中的应用 由于地形起伏的影响，会使地物的光谱反射特性产生变化，并且不同地物的生长地域往往受海拔高度或坡度坡向的制约，所以将高程信息作为辅助信息参与分类将有助于提高分类的精度。 高程信息在分类中的应用主要体现在不同地物类别在不同高程中出现的先验概率不同。假设高程信息的引入并不显著地改变随机变量的统计分布特征，则带有高程信息的贝叶斯判决函数只需将新的先验概率代替原来的先验概率即可，余下的运算相同。 同理可利用坡度，坡向等其它地形信息。 三、纹理信息在遥感图像分类中的应用 纹理特征有时也用来提高分类的效果，特别是在地物光谱特性相似，而纹理特征差别较大的场合，如树林与草皮，草皮的纹理比树林的纹理要细密得多，但二者的光谱特性相似，这时候加入纹理信息辅助分类是比较有效的。