基于多元地统计学的多波段纹理及其图像分类应用.ppt

基于多元地统计学的多波段纹理及其图像分类应用 论文的创新点 提出多波段（多通道）纹理算法 引入并扩展多元地统计学以计算纹理 针对多光谱影像 有别于传统的单波段纹理，两波段交叉纹理 探索运用最新的支持向量机(SVM)分类： 综合光谱和纹理信息分类 验证纹理的有效性 合成核SVMs 以光谱/纹理分类为基础 扩展至多时相光谱分类 及多源信息融合 论文内容 1. 前言 2. 多元地统计学纹理方法 3. 支持向量机分类原理 4. 纹理应用实验 4.1 单时相纹理分类 4.2 多时相纹理分类 4.3 变化检测 5. 合成核SVMs的纹理分类应用及扩展 5.1 光谱/纹理分类 5.2 多时相光谱分类 5.3 多源信息融合 1. 前言 1.1 高分辨率遥感影像带来的问题 纯像元增加、混合像元减少 类内光谱有差异，亚类增加 结果： 空间分辨率的提高不一定带来更准确的土地覆盖分类制图 解决办法：利用各类别的光谱特性在空间上的变化， 利用清晰的空间结构、细节信息。 1. 前言 1.2 怎样利用空间信息？ 1. 前言 1.3 研究目的 提出一种多波段纹理计算方法 检验、评价多元地统计学纹理的有效性 评价SVM在综合分类中的性能 比较综合分类的方法： 通常的单一核SVMs（直接综合） 最新的合成核SVMs 合成核SVMs由光谱/纹理信息综合扩展到多时相光谱信息综合和多源信息融合 2. 多元地统计学纹理 2.1 纹理介绍 定义：各不相同。 本文采用：灰度值的空间变化及其所呈现的空间结构。 纹理的类型： 结构的：基元的集合体 统计的：灰度级的函数 2. 多元地统计学纹理 2.2 纹理分类的现状及问题： 1. 纹理的计算通常是基于单个波段 a. 选一个对比度大的：如NIR。 b. 选一个主成分：PC1。 2. 需要高效的分类器综合光谱和纹理特征进行分类 2.2 纹理分类的现状及问题 2.2.1 传统的纹理计算方法 2.2 纹理分类的现状及问题 2.2.2 分类器的选择 最大似然法(MLC) 纹理波段：高斯分布？ ANN，… 2. 多元地统计学纹理 2.3 传统的地统计学纹理 基础：变异函数(variogram) 衍生：绝对值变异函数(madogram)，方根变异函数(rodogram)… 2.3 传统的地统计学纹理 2.3.1 地统计学纹理提取方法 1. 模型参数，需要建模 2. 变异函数值作为纹理度量值 2.3 传统的地统计学纹理 方向 一般不考虑方向性时，取它们的平均值得到全向纹理(omnidirectional) 窗口 滞后距离 2.3 传统的地统计学纹理 2.3.2 变异函数纹理 2.3 传统的地统计学纹理 2.4 多波段纹理 2.4.1. 引入多元变异函数计算纹理 2.4.2. 传统的交叉变异函数、伪交叉变异函数扩展为多元 2.4.3. 得到多元纹理计算函数： 多元变异函数(Multivariate Variogram, MV) 交叉多元变异函数(Cross Multivariate Variogram, CMV) 伪交叉多元变异函数(Pseudo Cross Multivariate Variogram, PCMV) 2.4.4 多波段纹理计算公式 2.4.5 多波段纹理生成方法 2.4.6 多元地统计学纹理提取的程序设计 a. 结合ENVI使用。以ENVI为分析处理平台,输入、输出。 b. 两个程序：一个计算MV; 另一个计算CMV, PCMV。 3. 支持向量机分类 3.1 图像分类 3.2 支持向量机分类概况 新兴的机器学习算法： support vector machines (SVMs), SVM分类方法。 90年代末引入遥感 热点研究方向 SVM分类方法的优点： 更高的分类精度 非参数监督分类，对数据的分布没要求 在遥感图像分类中的应用现状： 高光谱图像分类，与其他分类器的比较 光谱信息 3.2 支持向量机分类基本原理 SVMs针对两类分类： 寻找分隔超平面 1. 线性可分情形 2. 线性不可分情形 3. 非线性情形 3.2 支持向量机分类基本原理 3.2 支持向量机分类基本原理 3.2 支持向量机分类基本原理 3.3 合成核SVMs的原理 合成核SVMs的实质： 3.4 支持向量机分类实现 SVM遥感图像分类的实现 1. 自己编写了软件包与ENVI结合使用 2. 通用的SVM核心算法 + 自编的应用程序界面 SVM核心算法： svmscale.exe 归一