常见的7 高光谱遥感图像分类.ppt

第七章 高光谱遥感图像分类 7.1 遥感图像分类 利用计算机通过对高光谱遥感图像中的各类地物的光谱信息和空间信息进行分析、选择特征，并用一定的手段将特征空间互分为互不重叠的子空间，然后将图像中的各个像元划分到各个子空间去。 构造分类器 分类器如下图所示是把未知模式识别为已知模式的工具，要实现这一功能，它由以下四个部分组成：分类特征，分类判据，分类准则，分类算法。 1）遥感图像的分类特征 分类特征即将各类模式区分开来的特征，常用的高光谱图像的分类特征就是光谱特征，主要分为：光谱反射率、波形、光谱数学变换特征、光谱吸收指数、导数光谱波形等。 除此之外，还有几何特征，多时相特征（融合），数字变换特征（ＮＤＶＩ），高程信息等。它们都可以作为分类的依据加入到分类模型当中。 2）分类判据 相似性作为分类判据的度量：可以表现为不同的 形式: 距离值（Distance Value）：像素或像素组信号特征向量之间距离值的大小来衡量。假如样本均线性可分－－欧式距离 假如样本正态分布－－马氏距离，假如样本线性不可分－－似然度 概率值（Probability Value）：像素信号特征向量与某一像素组的似然性的大小为相似性的量度 光谱角值（Spectral Angle Value）：像素或像素组之间光谱角的大小为相似性量度。光谱波形特征－－光谱相似度或光谱夹角 3）分类准则 最常用的分类准则是：最小二乘法（平方误差最小）和费 歇尔准则（假设样本基于正态分布）是广泛采用的分类准 则，除此之外，还有，基于最小误差准则（分类的错误概 率最小），最小风险准则（损失的条件数学期望最小）， 聂曼－皮尔逊准则，基于熵函数可分性准则等 4）算法选择 分类模型或分类器：统计分类、模糊分类、邻域分类、神经网络分类 参数分类和非参数分类：假定类的概率分布函数并估计其分布参数 硬分类和软分类：像元属于一个类或多个类 监督分类：利用某些已知类别训练样本让分类识别系统进行学习，待其掌握了各个类别的特征以后，按照分类的决策规则进行分类。例如：最小距离法，最大似然法，平行管道法以及神经网络、支持向量机等新方法。 训练区 已知地表覆盖类型的代表样区 用于描述主要特征类型的 其精度直接影响分类 检验区 用于评价分类精度的训练样区 样区选择示例 非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法，例如K均值，isodata算法等。 其分类的结果，只是对不同类别达到了区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。 聚类分析 非监督分类主要采用聚类分析方法，把一组像素按照相似性归成若干类别。例如：K均值算法基本思想是：通过迭代，移动各个基准类别的中心，直至得到最好的聚类结果为止。该算法能使得聚类域中所有样本到聚类中心的距离平方和最小。 监督分类与非监督分类方法比较 训练样本的选择是监督分类的关键，必须充分考虑地物光谱特征，且样本数目要能满足分类的要求，有时这些还不易做到，这是监督分类不足之处。 非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。因此，非监督分类方法简单，但是，分类效果不如监督分类效果好。 7.2 高光谱遥感图像分类思路 高光谱遥感图像分类的主要特点在于： 1）光谱分辨率高，波段众多，且可以挑选特定 的波段来突出特征，进行分类。 2）数量冗余程度增加，波段相关性高。 3）hughs现象的存在，样本数目要求高，且随着 波段增加分类精度反而下降。 我们主要介绍三种方式进行有效的高光谱遥感图 像分类： 1）降维+传统分类算法 2）智能化的新分类算法 3）光谱匹配分类 重点在于光谱维特征的提取，即通过映射和变换的方法（如主成分分析PCA，最小噪声分离变换MNF，小波变换等），把原始模式空间的高维数据变成特征空间的低维数据。然后对特征更集中的低维数据进行传统分类处理。 (1) Minimum distance classifier (2) Maximum likelihood classifier 具体步骤： 选取海水，建筑物和植被3个不同类别的样本，样本个数各为300个。样本要具有代表性就是样本的亮度要反映该类地物的亮度特征,当同一地物区域分布不连续时，我们要尽量使样本来自不同的区域。 如：在对海水取样时，既要选择来来自右上角的深水区的样本，又要选择来自河道以及水田中的浅水区的样本。从亮度特征角度而言,对于同一类地物具有不同亮度特征情况,都要选取(同物异谱)。 原始图像选择前3个波段后，采用以下两种传统分类算法进行分类： 分类结果比较图 区域A：在浅水区，最大似然法分类图像中出现了原始分类图像中没有的像点