7-高光谱遥感图像分类教学内容.pptVIP

第七章 高光谱遥感图像分类;7.1 遥感图像分类;1）遥感图像的分类特征;2）分类判据;3）分类准则;4）???法选择;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。 ;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）??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;监督分类与非监督分类方法比较;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??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;1）降维+传统分类;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：;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。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。最小距离法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：可以看到左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。而右图中几乎没有被错分的像点；;23;7.3 神经网络对高光谱影像分类;1 神经系统基本构成;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：;2 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;3 学习与联接模式;联接模式 ;4 BP(Back Propagation)神经网络 ;BP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O与相应的理想输出Y的差； （2）网络关于第p个样本的误差测度：;BP神经网络模型的输入层的神经元个数为波段数，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： 式中，M为分类数；N为特征向量维数，即影像波段数。;正向传播：对权值赋予-1～1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。 反向传播：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。 测试：将影像上的每个像素的波段值作为输入向量，通过计算可得到输出向量，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，即得出分类图。;实验1;该影像区域选择的是武汉城区，通过实际调查后，预期将该影像分为，水体，植被，城市，云四个类类别。经过实际调查后得到的每个类别的样本数列在表中。 ;监督人工神经网络分类器的比较; 方法 精度;实验2;通过实际调查后，预???将该影像分为七类，具体为：水体，谷物1，谷物2，道路1，道路2，土壤，蔬菜。;(e) 模糊算法;分类方法的比较;7.4 光谱匹配的分类方法;二进制编码分类;光谱角（SAM）分类;相关光谱匹配（CCSM）;分类步骤：;美国印第安纳州西北部遥感试验区;作业