遥感技术第八章-图像分类2014课件.pptVIP

第八章 图像分类 马 龙 home218@126.com QQ: 917675964 1 遥感图像的计算机分类，就是利用计算机技术来模拟人脑的识别功能，对地球表面及其环境在遥感图像上的特征进行属性的自动判别和分类，获取不同类别属性的分布信息。 2 3 4 第一节 基础知识 第二节 图像分类归类 第三节 特征选择 第四节 监督分类 第五节 非监督分类 第六节 分类结果的精度评价 5 第一节 基础知识 知识点：光谱特征空间，地物在特征空间中聚类特征的统计描述，分类过程 要求：理解知识点 6 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 x2 x1 …. 模式识别是通过分类器（或称判决器）实现的。可以根据一定的分类规则，把某一测量矢量X划入某一组预先规定的类别之中去。 结果 7 2. 光谱特征空间及地物在特征空间中聚类的统计特性 光谱特征空间：以各波段图像为坐标轴组成的空间。 同类地物在特征空间形成一个相对聚集的点集群；不同类地物的点集群在特征空间内一般是相互分离的。 8 9 特征点集群在特征空间中的分布大致可分为如下三种情况: （1）理想情况：不同类别地的集群至少在一个特征子空间中的投影是完全可以相互区分开的。 10 （2）一般情况：无论在总的特征空间中，还是在任一子空间中，不同类别的集群之间总是存在重叠现象。这时重叠部分的特征点所对应的地物，在分类时总会出现不同程度的分类误差，这是遥感图像中最常见的情况。 11 （3）典型情况：不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中可以完全区分的。这时可采用特征变换使之变成理想情况进行分类。 12                                                  ∑，协方差矩阵 *地物在特征空间中聚类特征的统计描述 13 3. 分类过程 14 第二节 图像分类归类 知识点：监督分类和非监督分类，参数分类和非参数分类 要求：理解知识点 15 监督分类和非监督分类 它是根据是否需要分类人员事先提供已知类别及其训练样本对计算机分类器进行训练和监督来划分的。 不需要已知样本及其类别对计算机的分类器进行监督和训练，只是根据图像数据本身的特征，即这些数据所代表的地物辐射特性的相似性和相异性来分类，叫做非监督分类（unsupervised classification）。 监督分类（supervised classification）需要事先知道地物类别，并用它们的样本对计算机的分类器进行监督和训练，然后对图像进行分类。 16 参数分类和非参数分类 它是根据是否需要假定类的概率分布函数并估计其分布参数来划分的。 参数分类（parametric classification）假定类具有特定的概率分布函数而且通常是正态分布函数，并用训练样本来估计这一分布函数的各个参数。 不需要假定具有某种概率分布函数并估计其参数的分类称为非参数分类（nonparametric classificaiton）。这一类分类器有平行六面体分类、人工神经网络分类、直方图估计分类等。 17 硬分类和软分类 它是根据一个像元被分到一个类还是多个类来划分的。 图像的一个像元只能被分到一个类的分类方法称为硬分类（hard classification）。传统的分类都是硬分类。 图像上的每一个像元可以同时被分到两个或两个以上的类的分类，就称为软分类（soft classification）。 18 第三节 特征选择 基本概念：相似性（similarity） 知识点：特征选择的方法 要求：掌握基本概念，理解知识点 19 特征选择，即根据原始波段或者变换后的波段（主成分），选择不仅能够有效区分感兴趣目标，又能够减少数据处理量的波段。特征选择可以利用图解和统计的方法实现。 20 特征选择的图解方法 21 Co-spectral mean vector plots Hodgson和Plews（1989）提出了在二维或三维特征空间中显示每一类别的均值矢量的几种方法。如图a我们在二维特征空间（band 3和4）中看到的49个均值矢量。理论上讲，这些数字在特征空间中的距离越大，对应的类别越容易区分，利用这个方法，一次只能分析两个波段。如果利用数字字体的大小，就可以描述三个波段的统计信息（图b）。图c描述了在三维特征空间中的同样的49个均值矢量。 22 Feature space plots 二维空间中的feature space plots描述了像素在两个波段中的分布，f