第八章遥感图像自动识别分类.pptVIP

第八章 遥感数字图像的计算机解译 本章要点 遥感图像分类的基础知识 特征变换与特征提取 监督分类和非监督分类 遥感图像解译专家系统 第八章 遥感数字图像的计算机解译 遥感图像的计算机分类，就是对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所相应的实际地物，提取所需地物信息的目的。 与遥感图像的目视判读技术相比较，它们的目的是一致的，但手段不同，目视判读是直接利用人类的自然识别智能，而计算机分类是利用计算机技术来人工模拟人类的识别功能。 遥感图像的计算机分类是模式识别中的一个方面，它的主要识别对象是遥感图像及各种变换之后的特征图像，识别目的是国土资源与环境的调查。 第八章 遥感数字图像的计算机解译 遥感图像的自动识别分类主要采用决策理论（或统计）方法，按照决策理论方法，需要从被识别的模式（即对象）中，提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。以区分具有不同特征的模式，达到分类的目的 §8.1、数字图像的基本知识 模式与模式识别 “模式”通俗的含义是某种事物的标准形式。一个模式识别系统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。若和字典中某一“词目”的比较结果是吻合或比较吻合，则我们就可以得出所需要的分类结果。 这一过程称为模式识别，对于模式识别来说，这一组测量值就是一种模式，不管这组测量值是不是属于几何或物理范畴的量值。 §8.1、数字图像的基本知识 模式与模式识别 §8.1、数字图像的基本知识 二 光谱特征空间和地物的聚类性质 遥感图像的光谱特征通常是以地物在多光谱图像上的亮度体现出来的，即不同的地物在同一波段图像上表现的亮度一般互不相同；同时，不同的地物在多个波段图像上亮度的呈现规律也不同 同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量（X），称为光谱特征向量。即 X=[x1 x2 x3 ．．．]T §8.1、数字图像的基本知识 二 光谱特征空间和地物的聚类性质 §8.1、数字图像的基本知识 特征点集群可以分为三种情况： 理想情况——不同类别地特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。 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。 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。 §8.1、数字图像的基本知识 §8.2、特征变换及特征变换 遥感图像自动识别分类主要依据地物的光谱特性，现在的成像光谱仪的波段数更是达到数百之多，能够用于计算机自动分类的图像数据非常多。 虽然每一种图像数据都可能包含了一些可用于自动分类的信息，但是就某些指定的地物分类而言，并不是全部获得的图像数据都有用，如果不加区别地将大量原始图像直接用来分类，不仅数据量太大，计算复杂，而且分类的效果也不一定好 §8.2、特征变换及特征变换 特征变换： 将原有的m 量值集合通过某种变换，然后产生n 个（n≤m）特征 特征变换的作用： 一方面:减少特征之间的相关性，使得用尽可能 少的特征来最大限度地包含所有原始数据的信 息； 另一方面:使得待分类别之间的差异在变换后 的特征中更明显，从而改善分类效果 §8.2、特征变换及特征变换 特征选择： 从原有的m个测量值集合中，按某一准则选择出 n个特征 特征变换的作用： 一方面减少参加分类的特征图像的数目 另一方面从原始信息中抽取能更好进行分类的特 征图像 §8.2、特征变换及特征变换 特征变换 主分量变换 主分量变换也称为K—L变换，也是一种线性变换，是就 均方误差最小来说的最佳正交变换；是在统计特征基础 上的线性变换 目的： K—L变换能够把原来多个波段中的有用信息尽量集中到数目尽可能少的特征图像组中去，达到数据压缩的目的；同时，K—L变换还能够使新的特征图像之间互不相关，也就是使新的特征图像包含的信息内容不重叠，增加类别的可分性。 §8.2、特征变换及特征变换 特征变换 主分量变换步骤： （1）计算多光谱图像的均值向量M和协方差矩阵C。 （2）计算矩阵C的特征值λr和特征向量φr ，（r=1，2，………,M）,M为多光谱图像的波段数。 （3）将特征值λr按由大到小的次序排列，即λ1λ2……λm. （4）选择前几个特征值对应的