第7-3章 高光谱遥感图像分类PPT.ppt

第七章;难点：;思路：;传统方法;遥感图像分类的主要基础是地物的光谱特征。然而，高光谱的多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K－T变换等），以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。;MLC分类;特征提取+MLC;分类比较;选择训练样本;分类结果比较图;区域A：在浅水区，K-L分类图像中出现了原始分类图像中没有的像点。这些像点是水中的暗礁和草,RGB图像上用肉眼无法识别到这些细节。;区域B：通过目视解译，可以分辫出这个区域是由田埂分开的一块又一块的稻田，这些稻田中全是海水。原始图像分类时却忽略了这些由植被覆盖的田埂，将其全部分成了海水。甚至将右上角处的海水类分成了植被类。;区域C：可以看到原始图中有很多被错分的像点，如山脉中的部分植被和建筑被类分成了海水类。而K-L变换图像中几乎没有被错分的像点；;; SMLC方法;2、光谱匹配分类法;光谱角（SAM）分类;分类步骤：;结合mnf变换;相关光谱匹配（SCM）;二进制编码方法;;分类步骤;;3、神经网络分类算法;３.1 神经系统原理;简单的神经元网络是对生物神经元的简化 和模拟，其模型如下图：;3.2 人工神经元的基本构成 ;M-P模型 ;激活函数 ;3.3 拓扑结构 ;层次划分 信号只被允许从较低层流向较高层。 层号确定层的高低：层号较小者，层次较低，层号较大者，层次较高。 输入层：被记作第0层。该层负责接收来自网络外部的信息;第j层：第j-1层的直接后继层（j0），它直接接受第j-1层的输出。 输出层：它是网络的最后一层，具有该网络的最大层号，负责输出网络的计算结果。 隐藏层：除输入层和输出层以外的其它各层叫隐藏层。隐藏层不直接接受外界的信号，也不直接向外界发送信号;多级网——h层网络;3.4 学习规则与方式;联接模式 ;3.5 常用的神经网络模型;3.6 BP(Back Propagation)神经网络概述 ;基本BP算法 ;输出函数分析;网络的拓扑结构 ;网络的拓扑结构;训练过程概述 ;2、向后传播阶段——误差传播阶段： （1）计算实际输出Op与相应的理想输出Yp的差； （2）按极小化误差的方式调整权矩阵。 （3）网络关于第p个样本的误差测度：;基本的BP算法 ;算法的主要实现步骤 ;4.2 对每一个样本(X,Y)，执行的操作 ;4.2 对每一个样本(X，Y)，执行的操作;网络瘫痪问题 在训练中，权可能变得很大，这会使神经元的网络输入变得很大，从而又使得其激活函数的导函数在此点上的取值很小。根据相应式子，此时的训练步长会变得非常小，进而将导致训练速度降得非常低，最终导致网络停止收敛 ;建议 ;实验;;表 四种地物各波段DN值;BP神经网络模型的输入层的神经元个数为波段数，即输入层神经元的个数为6，输入值为各个像元的灰度值。输出层的神经元个数为地物端元的个数，输出值为像元在各个典型地物所属的类别。隐含层神经元的个数经过多次的实验确定，同时也可以采用有经验公式计算，本文采用的隐含层节点数计算公式如下： 式中，M为分类数；N为特征向量维数，即影像波段数。;对权值赋予0～1之间的随机值，然后从网络的输入节点输入样本数据，计算样本信息在正向传播过程中，前一层的神经元数据对本层每个神经元的加权，并利用Sigmoid函数运算输出。接着求出误差进行反向的迭代，调整权值，权值训练完成后，求出满足一定误差条件的权矩阵，就可以用训练后的权值的BP神经网络分类。将数字影像上的任何一个像素的6个波段值作为输入向量，通过计算可得到输出向量，向量分量即对应于该像素在各个预先指定的各个分类类型的概率值，将最大的概率值赋值为1，其余的赋值为0，即得出如下分类图：;从图中可以看出，三种分类方法有大致类似的分类结果。标准BP分 类结果要比传统MLC的分类结果好，能够很好的区分长江和湖泊，而 MLC很难将两种水体分开。 ;;不同分类算法的混淆矩阵比较 ;高光谱遥感影像分类;3.7 SOM神经网络;SOM网络;Som特点如下： 1、基于竞争学习，网络的输出神经元是相互竞争来被激活，输出一个获胜神经元。 2、只有两个层，用来输入和输出，通常神经元是放在网格节点上面，选取的是二维格网。 3、选取的模型是Kohonen模型，利用了神经生物学所考虑激发的自组织基本导出模型。 4、Som网络的目的是将任意维数的输入信号变成二维的离散映射，并且形成拓扑关系。;学习和适应过程;标准算法过程;在高光谱图像处理当中，可以认为它的主要目的在于将任意维数的输入信号模式转变成为一个二维的离散映射，并以拓扑有序的方式来自适应这个变换，因此可以把SOM神经网络看作成一个降维的过程。; 该算法只能