遥感技术与基础07 .ppt

遥感技术基础 学年学期：2010-2011学年第一学期 学 院：测绘与地理科学学院 班 级：地理081-3班 教 师：李 玉 * * 课程内容 一、分割（Segmentation）的一般原理 二、非监督分割 （Unsupervised） 三、监督分割（Supervised） 第七讲 遥感图像分割 * * 一、分割（Segmentation）的一般原理 计算机判读：以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据目标地物的影像特征（颜色、形状、纹理、空间位置），结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理,实现对遥感图象的理解,完成对遥感图象的解译。 第七讲 遥感图像分割 * * 模式(Pattern)：即某种实物的标准形式或使人可以照着做的标准样式。举例：某地物的光谱特征曲线反映了该地物的反射特性，所以，该光谱特征曲线就是该地物的一个模式。 模式识别 (Pattern Recognition)：即对需识别或分类的对象，进行一系列测量，例如，对未知类别的地物，测量它在等波长处的反射特性。然后将这一系列测量所构成的模式与已知类别的地物模式作比较，看它与那一个相同或相似，即判认它是属于哪一个类别的地物。 第七讲 遥感图像分割 * * 计算机判读与目视判读目的一样，但在判读和识别地物的模式方面，有着明显的不同。 目视判读：主要以图像的空间特征（地物的几何特征和光谱特征的空间反映）为判读依据。 计算机判读：主要以图像像元的灰度（地物光谱特征的直接反映）为判读依据。 第七讲 遥感图像分割 * * * * 图像分割: 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。 第七讲 遥感图像分割 * * 图像分割模型: 对图像 X ={x1,…,xn }的分割就是将其划分为满足如下条件的子区域 {S1 ,…, Sm},其中m为子区域的个数。 （1）Sj ? X, Sj ? ?, j = 1, …, m ; （2）Sj ? Sk= ?, j ? k ; （3）?j = 1,…,mSj = X。 图像分割的基本问题 如何决定子区域个数； 特殊涵义的定义与建模； 实现分割的方法。 第七讲 遥感图像分割 * * 图像分割的理论基础 同类地物具有相同（似）的光谱特征，不同地物的光谱特征具有明显的差别。由于影响地物光谱特征的因素很多，所以影像的判读分类都是建立在统计分析的基础上的。 同类地物的图像灰度概率在单波段（一维空间）符合正态分布规律。 多维图像（即多波段）中的一个像元值（灰度）向量。在几何上相当于多维空间中的一个点，而同类地物的像元值，既不集中于一点，也绝非是杂乱无章的分布，而是相对地密集在一起，形成一个点群（一个点群就是地物的一种类别）。一般情况下，点群的边界不是截然的，有少部分重叠和交错的情况。 第七讲 遥感图像分割 * * 图像分割的方法 监督（Supervised）分割法（训练场地法/先学习后分割法）：即先选择有代表性的实验区（训练区），用已知地面的各种地物光谱特征来训练计算机，取得识别判别规则，并以此做标准对未知地区的遥感数据进行自动分割识别。 非监督（Unsupervised）分类法：即按照灰度值向量或波谱样式在特征空间聚集的情况划分点群或类别。其类属是通过对各类光谱响应曲线进行分析以及与实地调查数据相比较后确定的。 第七讲 遥感图像分割 * * 二、非监督分割 以聚类分析的方法为例 主要过程 (1) 确定最初类别数和类别中心; (2)计算每个像元多对应的特征矢量与各聚类中心的距离; (3)选与其中心距离最近的类别作为这一矢量(像元)的所属类别; (4)计算新的类别均值向量; (5)比较新的类别均值与原中心位置的变化, 形成新的聚类中心; (6)重复II-IV, 反复迭代; (7)如聚类中心不再变化, 停止计算. 第七讲 遥感图像分割 * * 常用的非监督分割方法 K-MEANS方法 ISODATA（Iterative Self-Organizing Data Analysis Technique，迭代自组织数据分析技术）方法 K-均值分割 在数据空间内平均计算各类的均值，使用最小距离法，将未知像元划分到某一类中，再调整均值，直到迭代次数满足，或者距离阈值满足。 第七讲 遥感图像分割 * * K-均值分割的步骤 1. 任意选择K个聚类中心，一般选前K个样本； 2. 迭代，未知样本X分到距离最近的类中； 3. 根据Step2的结果，重新计算聚类中心； 4. 每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数，算法结束。 K-均值分割的输入参数 类别数目: