遥感图像计算机自动识别.pptVIP

遥感图像计算机自动识别 判读： 主要内容： 概念 基本原理 分类过程 概率统计的分类方法 二、基本原理 模式识别理论 模式：某种事物的标准形式。不同类别的事物具有不同的模式；相同类别的事物模式相同或相近。 模式识别：对待识别的模式做一系列的测量，并将测量结果与“模式字典”中一组典型的测量值相比较；若和字典中某一“词目”的比较结果是“吻合”或“较吻合”，则将待分类模式归为该类。 模式识别系统 遥感图像自动分类——模式识别理论的应用 理论依据：不同的地物具有不同的光谱特征（数字图像上的光谱差异性）；同类地物具有相同或相似的光谱特征（数字图像上的光谱相似性）。 目标：给图像中的每个像元一个类别。 1、模式（Pattern）：即像元模式，指每个像元在多波段图像中对应的一组值。 2、特征（Feature）：在多波段图像中，每个波段可看作一个变量，称为特征变量。 波段： 光谱波段、派生波段（纹理、上下文关系、波段比等）、辅助数据（非遥感数据，如DEM、土壤类型等）。 3、特征空间：多个特征可构成多维特征空间。 　　 每个像元对应特征空间中的一个点 特征选择 （Feature Selection） 特征提取 （Feature Extraction） 分类专题图 四、分类方法 1、最大似然法 2、最小距离法 基本思想是计算未知类别的特征矢量X到各类别集群之间的距离，哪类离它最近，X就属于哪类。 判别函数 判别规则 若对于所有的比较类j=1，2，…，m；（j不等于i），有 ，则X属于第 类。 距离判别函数 3、平行管道法（盒式分类法） 监督分类法主要步骤： （二）非监督分类—聚类分析 Unsupervised Classification 聚类算法 计算出像元之间的相似性矩阵，找出最高相关像元，形成集群心 选择若干个模式点作为聚类的中心，每一中心代表一个类别； 按照某种相似性度量方法将各模式进行归类，形成初始分类； 由聚类准则判断初始分类是否合理，如果不合理就修改分类； 反复迭代，直到分类合理为止。 ISODATA算法聚类分析 聚类过程 类别中心的变化 遥感图像多种特征的提取 地物边界跟踪法 点状和面状 线状 形状特征提取 空间关系特征提取 方位关系 包含关系 相邻关系 相交关系 相贯关系 不施加任何先验知识，仅凭遥感影像上地物的光谱特征分布规律进行自然“聚类”。 分类结果只是对不同类别达到了区分，但并不能确定类别的属性。 分类结束后，利用目视判读或实地调查等方法确定类别属性。 集群分析 直接比较样本中各事物之间的性质，将性质相近的分在同一类，而将性质差异比较大的分在不同类。 Ｋ—均值聚类法 ISODATA算法动态分析 平行管道法聚类分析（基于最邻近规则探测法） 分级集群法 … 75 61 41 19 10 71 62 45 18 9 74 65 42 21 8 72 60 39 19 7 70 63 40 20 6 2 18 27 19 5 3 22 29 21 4 4 21 31 22 3 4 19 33 25 2 3 20 30 20 1 7 6 5 4 例：对MSS影像的10个像元进行非监督分类 ； * * 对遥感图像上的各种特征进行综合分析、比较、推理和判断，以提取出所感兴趣的信息。 目视判读 自动判读 遥感图像自动判译专家系统 图像识别（判读）的本质是分类，分好类了，结合对照地面类型便可对图像进行识别。 遥感图像的计算机分类，是通过模式识别理论，利用计算机将遥感图像中的像素自动分成若干种地物类别的方法。是图像信息提取的重要途径。 遥感数据 地物信息 土地覆盖/土地利用分类、森林类型、植被类型、岩性类型、…… 一、概念 当前多数计算机图像处理系统，均利用图像的光谱信息特征进行统计识别分类，色调信息是其依据，目视解译中的逻辑推理法只有在能模拟人类对信息的观察，分析及经过大脑加工的条件下，才能应用与计算机图像识别。 遥感图像自动分类 图11-2 地物与光谱特征空间的关系 4、同类地物所对应像元在特征空间中呈点集群分布。一个点群代表何类地物，可以通过和已知地物类别相比较的方法解决；或通过实地抽样检查的方法来解决。 三维光谱特征空间 5、特征点集群在特征空间中的分布： 理想情况：不同类别地物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的。 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，但在总的特征空间中是可以完全区分的