第五章遥感图像识.pptVIP

遥感图像处理 赵泉华 第五章：图像识别 第五章：图像识别 第五章：图像识别 5.1 模板匹配 5.2 统计模式识别 5.3 遥感影像分类 5.4 Matlab监督分类实例 5.5 神经网络分类 5.6 遥感专题制图 5.1 模板匹配 5.1 模板匹配 匹配的用途 几何变换中检测图像和地图之间的对应点 不同的光谱或不同的摄影时间所得的图像之间的位置的配准（图像配准） 在立体影像分析中提取左右影像间的对应关系 运动物体的跟踪 图像中对象物位置的检测 5.1 模板匹配 5.1 模板匹配 5.1 模板匹配 高速模板匹配 5.2 统计模式识别 统计模式识别是研究每一个模式的各种测量数据的统计特性，按照统计决策理论来进行分类。 5.2 统计模式识别 良好的特征应具有的特点： 可区分性：对于属于不同类别的图像，他们的特征应该具有明显的差异性。 可靠性：对于同类的图像，它们的特征值应比较相近。 独立性：所使用的各特征之间应彼此无关。 数量少：图像识别的复杂度随着特征的个数迅速增长。 “特征维数灾难” 特征处理 特征选择 穷举法 最大最小类对距离法 特征选择特点：不改变原始特征值的物理意义，因此不会影响分类器设计者对所用特征的认识，有利于分类器设计，便于对分类结果的进一步分析 特征提取：从减少特征之间的相关性和浓缩信息量的角度出发，根据原始数据的统计特性，用尽可能少的特征来最大限度的包含所有原始数据的统计特征。 统计模式识别之监督分类法 统计模式识别之监督分类法 统计模式识别之判别函数 5.2 统计模式识别 线性判别函数 5.2 统计模式识别 5.2 统计模式识别 权值系数调整的方法： 5.2 统计模式识别 采用误差修正法对权值系数进行调整 对于任意一个 5.2 统计模式识别 最大似然分类器又称为高斯最大似然分类器，也称贝叶斯(Bayes)分类器。 最大似然分类法的基本思想和数学原理： 最大似然分类法将卫星遥感多波段数据的分布当作多维正态分布来构造判别分类函数。其基本思想是：各类的已知像元的数据在平面或空间中构成一定的点群；每一类的每一维数据在自己的数轴上形成一个正态分布，该类的多维数据就构成该类的一个多维正态分布； 5.2 统计模式识别 对于m维的正态分布密度函数，可表示为 5.2 统计模式识别 5.2 统计模式识别 有了g个概率密度函数（也叫类分布函数），对任何一个 已知的m维数据向量（即1个像元）都可反过来计算它属 于g个类中第k类的概率。根据概率公式，即贝叶斯公式有 5.2 统计模式识别 5.2 统计模式识别 假定所有各类的协方差矩阵都相等， 即 ，则可用所有各类的协方差 矩阵S来代替各个 5.2 统计模式识别 Bayes判别分类实验 5.2 统计模式识别 5.2 统计模式识别 5.2 统计模式识别 5.3 遥感影像分类 5.3.2 遥感图像计算机分类方法 监督分类法 选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。 非监督分类 在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似的像元归为一类）的方法。 监督分类 优点： 可根据应用目的和区域，有选择地决定分类类别。 可通过检查样本来决定是否精确分类 避免了非监督分类对光谱群组的重归类 缺点： 分类系统的确定和样本的选择，人为主观因素较强 训练样本的选择和评估需要花费较多的人力和时间 只能识别训练样本所定义的类别。 非监督分类 优点 不需要对所要分类的区域有广泛的了解 人为误差的机会较少 独特的、覆盖量较小的类别也能被识别 缺点 分析者较难对类别进行控制 图像中的光谱特征会随时间和空间发生变化，不同的图像之间的对比困难。 5.3.3 分类的基本过程 制定分类系统，确定分类类别。 选择合适的图像数据 收集和分析地面参考信息与有关数据。 选择合适的图像分类方法和算法。 找出代表这些类别的统计特征 对遥感图像中各像素进行分类。 分类后处理 分类精度检验 分类后处理 分类精度评价 图像精度指的是一幅不知道其质量的图像和一幅假设准确的图像（参考图）之间的吻合度。如果一幅分类图像中的类别和位置都和参考图接近，就称这幅图像的精度高。 参考图本身的准确性很重要； 精度评价最好是比较两幅图像中每个像元之间一一致性。但多数情况下，很难得到一整幅精确的参考图像，因此大