自动识别分类.ppt

第八章 遥感图像自动识别分类 遥感图像的计算机分类，就是利用计算机技术来模拟人类的识别功能,对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，达到提取所需地物信息的目的。 §8—1 基础知识 1、 模式与模式识别 所谓“模式”是指某种具有空间或几何特征的东西。 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,得出所需要的分类结果。这一过程称为模式识别. xn 分类器（或称判决器），可以根据一定的分类规则，把某一测量矢量X划入某一组预先规定的类别之中去。 2、 光谱特征空间及地物在特征空间中聚类的统计特性 光谱特征空间:以各波段图像的亮度分布为坐标轴组成的空间. 同类地物在特征空间形成一个相对聚集的点集群; 不同类地物的点集群在特征空间内一般是相互分离的. 地物与光谱特征空间的关系 特征点集群在特征空间中的分布大致可分为如下三种情况: 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。 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。 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。 地物在特征空间的聚类通常是用特征点（或其相应的随机矢量）分布的概率密度函数P（X）来表示的。假设特征点的统计分布属于正态分布，则其概率密度函数可表达为： 式是：X—特征向量 —— 均值向量； Σ —— 协方差矩阵 §8-2 特征变换及特征选择 一特征变换 1、主分量变换 2、穗帽变换 3、哈达玛变换 哈达玛变换定义为：IH=H·X 哈达玛矩阵为一个对称的正交矩阵，其变换核为 H’ 由哈达玛变换核可知，哈达玛变换实际是将坐标轴旋转了45℃的正交变换 以MSS4，5，6，7四波段的陆地卫星图像的哈达玛为换为例: IH=H·X IH=(h0 h3 h1 h2)T h0=(x4+x5)+(x6+x7) h1=( x4+x5)-( x6+x7) h2=( x4-x5)-( x6-x7) h3= ( x4-x5)+( x6-x7) 有: h0 1 1 x4+5 h1 1 -1 x6+7 h2 1 1 x4-5 h3 1 -1 x6-7 特征图像h0集中了大量的土壤信息，并且对于把水同土壤与植被的混合体区分开来是有效的。 而h1则有利于提取植被信息，即有利于把植被同水和土壤的混合体区分开来。 h3和h2主要表现为噪声图像，通常在特征选择过程中可把其舍去，以达到数据压缩的目的。 4、比值变换和生物量指标变换 比值变换图像用作分类有许多优点，它可以增强土壤，植被，水之间的辐射差别，压抑地形坡度和方向引起的辐射量变化。 该变换的几何意义是地物集群沿辐射方向在IH1=1的直线上的投影 从图中可以看出植物与土壤在7波段上有混淆；植物与水在5波段上有混淆。经变换后，植物与土壤和水都分离开来，因此可独立地对绿色植物量进行统计，因而得名。 二 特征选择 选择一组最佳的特征影像进行分类，这就称为特征选择。 特征选择的定量方法 1、距离测度距离:如果所选择的一组特征能使感兴趣类别的类内距离最小，而与其它类别的类间距离最大，那么根据距离测度；用这组特征设计的分类器分类效果最好。实际可使用标准化距离，类别均值间的标准化距离公式为： 2、散布矩阵测度 除了距离测度之外，实际应用中还经常采用一种散布矩阵的方式来度量类别的可分性，它是用矩阵形式来表示模式类别在特征空间中的散布情况。 （1）类内散布矩阵Sw 类内散布矩阵表示属于某一类别的模式在其均值周围的散布情况，对于m类别情况，总的类内散布矩阵可以写成各类别类内散布矩阵的先验概率P(Wi) 加权和，即： 式中： m——所关心的类别总数 P(Wi)—— 类的先验概率 Σi—— 类的协方差矩阵 （2）类间散布矩阵Sb 类间散布矩阵表示了不同类别间相互散布的程度。类