第8章 自动识别分类-1.ppt

* § 8.2特征变换及特征选择 h0集中了大量的土壤信息 h1有利于把植被同水和土壤的混合体区分开 h3和h2主要表现为噪声图像 * § 8.2特征变换及特征选择 4、比值变换和生物量指标变换 比值变换图像用作分类有许多优点，它可以增强土壤，植被，水之间的辐射差别，压抑地形坡度和方向引起的辐射量变化。 * § 8.2特征变换及特征选择 * § 8.2特征变换及特征选择 二 特征选择 选择一组最佳的特征影像进行分类，这就称为特征选择。 * § 8.2特征变换及特征选择 特征选择的定量方法 1、距离测度距离:如果所选择的一组特征能使感兴趣类别的类内距离最小，而与其它类别的类间距离最大，那么根据距离测度；用这组特征设计的分类器分类效果最好。 * § 8.2特征变换及特征选择 2、散布矩阵测度 用矩阵形式来表示模式类别在特征空间中的散布情况。 * § 8.2特征变换及特征选择 （1）类内散布矩阵Sw 式中： m——所关心的类别总数 P(Wi)—— 类的先验概率 Σi—— 类的协方差矩阵 * § 8.2特征变换及特征选择 （2）类间散布矩阵Sb 表示了不同类别间相互散布的程度。 式中： M0——是全体模式的均值向量 Mi—— Wi的均值向量 * § 8.2特征变换及特征选择 （3）总体散布矩阵Sm Sm = Sw +Sb * § 8.2特征变换及特征选择 * 样本的散布程度 样本越分散 矩阵数值越大 类的内部越紧密越好 类之间越分散越好 特征变换方案1 特征变换方案2 样本的类别信息已知 越小越好 越大越好 情况复杂 散步矩阵分析 § 8.2特征变换及特征选择 至此，完成了分类前预处理的一项重要工作，特征变换和特征选择，下面就进入分类处理阶段的工作。 * § 8.2特征变换及特征选择 * 第 8 章 遥感图像自动识别分类 利用计算机技术来模拟人类的识别功能 , 对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。 计算机自动分类 * 武汉市的TM原始影象和分类图像 f(x，y，z，λ，t) Class 1，…n * 思考： TM-1 灰度值 直方图 * TM-2 灰度值 直方图 * TM-3 灰度值 直方图 TM-3 灰度值 直方图 * TM-4 灰度值 直方图 TM-4 灰度值 直方图 * TM图像各波段原始灰度值与对应的类别 TM各波段灰度值 对应的类别 实际地表 * 如何对这些地物分类？ * 感影像分类与模式识别的关系？ 思考： 8.1基础知识 8.2特征变换与特征选择 8.3监督分类 8.4非监督分类 8.5监督与非监督结合分类 8.6分类后处理与精度评价 8.7非光谱信息分类应用 8.8计算机分类新方法介绍 * 第八章 遥感影像自动识别分类 §8—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 自然模式 接收器 (传感器) 分类器 (判决器) x2 x1 结果 …. 模式识别系统的模型 § 8.1 基础知识 1.光谱特征空间 同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。即 式中 n —— 图像波段总数； xj—— 地物图像点在第i波段图像中的亮度值。 如TM图像上任一个点 TM=[TM1，TM2，TM3，TM4，TM5，TM6，TM7] * § 8.1 基础知识 波谱特性曲线与响应曲线 波长 反射率 水 土壤 植被 亮度 波段 * § 8.1 基础知识 2.特征空间及地物聚类 波段2 波段1 水 土壤 植被 用亮度值轴构成一个直角坐标空间 三维特征空间 二维特征空间 * § 8.1 基础知识 聚类特点： 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。 不同地物的点群在特征空间内一般是分布不同。 * § 8.1 基础知识 统计特征矢量（多维光谱特征空间 ） 光谱特征空间及地物在特征空间中聚类的统计特性 * 3.地物在特征空间中聚类的统计特性 § 8.1 基础知识 为均值向量； N 为第 i 维特征的特征数值总个数。 其中， 式中， 表示第 i 维特征第 k 个特征数值 3.地物在特征空间中聚类的统计特性 Σ为协方差矩阵，即 * § 8.1 基础知