高光谱遥感图像分类.pptxVIP

第七章高光谱遥感图像分类难点：难点1：高光谱图像的光谱分辨率的提高是以其携带的数据量显著增加为代价的，并且数据之间存在很大的冗余，如何从大量带有冗余的数据中提取有用信息，是高光谱而遥感图像研究的一个具有极大挑战性的问题。难点2：由于空间分辨率的限制，使得一个像元中可能包含不止一种地物类型（混合像元），如何对这种混合像元精确的分类是高光谱研究的另一个重要课题。思路：高光谱遥感图像分类可以分为两种思路：一种是基于图像数据的分类方法，主要利用数据的统计信息来建立分类模型；另一种是基于地物物理性质的分类方法，主要反映地物的光学性质的光谱曲线来进行识别。传统方法常用的传统方法－－监督分类算法：二进制编码法、光谱角填图法、平行六面体方法、最小距离法、最大似然法、神经网络分类法、决策树分类法、基于专家系统的分类法等；无监督的分类算法： IsoData方法、K-Means方法等。如何面对高光谱数据的海量以及高维特点,将高光谱图像的各种特征相结合,研究快速、高效的目标识别与分类算法是目前和未来一段时间内高光谱图像处理研究的一个热点。1、降维+传统分类遥感图像分类的主要基础是地物的光谱特征。然而，高光谱的多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K－T变换等），以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。原始高光谱图像MLC分类最大似然法因有严密的理论基础，对于呈正态分布的类别判别函数易于建立综合应用了每个类别在各波段中的均值，方差以及各波段之间的协方差，有较好的统计特性，一直被认为是最先进的分类方法。高光谱影像利用MLC分类的缺点：(1)多维的遥感数据可能不具备正态分布的特征。(2)要准确估计参数需要大量的样本，当维数越高，需要的样也越多，这是很难实现的。(3)对高维空间数据，Byes准则所要求的协方差矩阵将难以得到。特征提取+MLC特征是指研究对象所表现出来的各种属性和特点。高光谱遥感图像研究中的特征提取重点在于光谱维特征的提取，即通过映射和变换的方法，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处理。基于变换的降维方法，如主成分分析PCA（K-L变换），最小噪声分离变换MNF，小波变换等，经过若干变换直接将高维数据降低到几维，降维速度快。分类比较从图的每个类别中各选取300个训样本（所有样本点在这两幅图像中对应相同的空间。原始图像选择所有波段,K-L图像选择前3个波段,用最大似然法分类。选择训练样本高光谱遥感图像拍摄的照片在多种物质的交界处往往很杂乱，各种物质交错排列，他们在各个波段的亮度值也相互影响，在遥感图像中很难用肉眼很难分辨。所以最好的办法是在该类物质比较集中的区域进行选择。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)。分类结果比较图K-L图像的最大似然法分类结果原始图像的最大似然法分类结果区域A：在浅水区，K-L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。原始图像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：可以看到原始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K-L变换图像中几乎没有被错分的像点； SMLC方法Jia和Richards（1994）根据波段间的相关性，将高光谱数据分成几个组，由不同的组构成每个类别的协方差矩阵，再从每个波段组计算出判别函数值，最后求所有波段组产生的函数值的和，对每个像元进行分类，即简化最大似然分类法。2、光谱匹配分类法基于相关/匹配滤波器的分类方法是充分利用高光谱图像的高分辨率的光谱维优势，将待分未知像元的光谱与参考光谱按照一定的规则进行比较，以确定未知像元类别的方法。比较有效的是光谱角填图，相关系数法以及二值编码分类。光谱角（SAM）分类光谱角度匹配是比较待识别地物向量与已知地物向量的广义夹角，来确定每类地物的归属。广义夹角定义如下： 由于光谱角度匹配只利用了角度这一唯一的参数，只有当待识别像元的类内方差较小，类间方差较大，且矢量的模中的信息对分类影响不大时，才能得到较高的分类精度。分类步骤：（1）参考光谱库的建立：以图像中已知类型的区域为参考光谱，将区域中光谱的几何平均向量作为类中心