遥感原理与应用遥感图像自动识别分类.pptxVIP

第八章 遥感图像自动识别分类; 遥感图像自动分类是模式识别在遥感中的具体应用 一、模式、模式识别 模式： 现实中一切可被观察的事物（人） 具有空间或时间分布的信息（机） 计算机处理下的模式 模式识别：按事物相似程度分类（人） 模式类向符号所做的映射（机） 样本、类、分类 图像理解：基于图像的模式识别;二、模式的集群性 模式识别的前提： 相似性（人） 空间上的集群性（机） 举例： 集群性的3种情??：理想情况 典型情况 一般情况 模式识别核心问题之一：选择合适特征，使得各类聚类性最好。;序号;第八章 遥感图像自动识别分类 §8.1 基础知识 ;四、模式识别基本方法 概括地分为统计识别和句法识别两大类 具体分类如下： 统计模式识别（线性空间+最优化理论） 句法模式识别（基元及它们的结构关系描述对象） 模糊模式识别（隶属函数 ） 人工神经网络（自学习、自适应、容错性） ;五、模式识别的复杂性 低等动物的分类：遗传，自然淘汰 人类的识别能力：后天学习，经验，行为的成败 1、目前计算机自动识别水平 2、模式识别（工业自动化）对人类生产的巨大贡献 邮件/食品分拣 文字/语音识别 考勤/安检（身份识别）;本课主要内容 概念及作用 特征提取 特征选择 本课重点内容 特征提取与选择概念 类别可分离判据 基于K-L变换的特征提取;一、概念及作用 1、抽取特征目的：降低维数/去相关性/突出特征 2、常见影像特征 形状特征（面积/周长/圆形度/不变矩/欧拉数/链码） 波谱特征（光谱特征，波谱响应曲线） 纹理特征（直方图，共生矩阵，行程统计量）;;;第八章 遥感图像自动识别分类 §8.2 特征提取与特征选择 ;第八章 遥感图像自动识别分类 §8.2 特征提取与特征选择 ;第八章 遥感图像自动识别分类 §8.2 特征提取与特征选择 ;2、基于K-L变换的特征提取 步骤： （1）计算多光谱图像的均值向量μ及协方差矩阵Σ （2）计算矩阵Σ的特征值λ和特征向量ψ （3）将特征值λ按从大到小排列 （4）选择前n个特征值对应特征向量构造变换矩阵φn （5）依据Y=φnX进行变换，得到新特征影像。 优点： 去相关性；信息集中；;第八章 遥感图像自动识别分类 §8.2 特征提取与特征选择 ;第八章 遥感图像自动识别分类 §8.2 特征提取与特征选择 ;第八章 遥感图像自动识别分类 §8.2 特征提取与特征选择 ;1、穷举法 从m个特征中通过组合的方式求出n个特征，使得该组的判据J最大。（缺点 ） 2、最优搜索算法（分支定界法） 自上而下，具有回溯功能，每个特征都被考虑 3、次优搜索法 顺序前进法：自下而上，逐个增加（缺点） 顺序后退法：自上而下，逐个剔除（缺点） 4、其它方法：模拟退火法、遗传算法等。;小结： 特征提取与选择的概念、作用 特征提取的方法 特征选择的方法;本课主要内容 分类器概念 最小错误率分类器（Bayes 准则） 线性判别分类器 （Fisher准则） 非线性判别分类器（最短距离法） 本课重点内容 Bayes判别准则 最短距离分类器;一、分类器概念 判别准则（函数）；例子 1、分类器的分类 线性：Fisher、MSE、感知准则 非线性：最小距离、二次判别函数、近邻法 2、分类器和特征空间维数的关系;第八章 遥感图像自动识别分类 §8.3 分类器设计 ;第八章 遥感图像自动识别分类 §8.3 分类器设计 ; 4、求类条件概率密度的方法（了解） 将分类器设计问题转化为求类条件概率密度问题 概率密度估计问题（真正的困难） 常用的方法： 参数估计：点估计/区间估计/最大似然估计 非参数估计：Parzen窗法、k-近邻估计法 Bayes分类器的理论作用大于实际作用 能否直接利用特征设计分类器呢？;第八章 遥感图像自动识别分类 §8.3 分类器设计 ;第八章 遥感图像自动识别分类 §8.