遥感图像自动识别分类.pptxVIP

1 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。 遥感图像的自动识别分类主要采用决策理论方法，按照决策理论方法，需要从被识别的模式中，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。 2 一、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。 3 xn 自然模式 接收器 (传感器) 分类器 (判决器) x2 x1 …. 结果 模式识别系统的模型 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。 4 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. 5 水 土壤 植被 B5 B7 地物与光谱特征空间的关系 6 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——不同类别地物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。 7 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 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。 9 二、特征变换及特征选择 特征变换，是将原有的m测量值集合并通过某种变换，产生n个新的特征。 特征选择，是从原有的m个测量值集合中，按某一准则选择出n个特征。 10 特征变换的目的： ► 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。 ► 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。 11 特征变换的方法：  主分量变换  哈达玛变换  生物量指标变换  比值变换  穗帽变换 12 特征选择的目的： 用最少的影像数据最好地进行分类。 13 特征选择的方法：  定性：了解变换前后图像的特征  定量：距离测度和散布矩阵测度。 14 三、监督分类 自动识别分类 监督分类法 非监督分类法 15 监督分类法是选择有代表性的试验区来训练计算机，再按一定的统计判别规则对未知地区进行自动分类的方法。 16 监督分类的思想： 1）确定每个类别的样区 2）学习或训练 3）确定判别函数和相应的判别准则 4）计算未知类别的样本观测值函数值 5）按规则进行像元的所属判别 17 监督分类的流程 18 判别函数:当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函数。 这些函数不是集群在特征空间形状的数学描述，而是描述某一未知矢量属于某个类别的情况，如属于某个类别的条件概率。一般，不同的类别都有各自不同的判别函数。 19 判别规则:判断特征矢量属于某类的依据。 当计算完某个矢量，在不同类别判别函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。如若所得函数值最大则该矢量属于最大值对应的类别。这种判断的依据，我们称之为判别规则。 20 监督分类的方法： ► 最大似然法 ► 最小距离法 ► 盒式分类法 21 ► 最大似然法 根据概率判别函数和贝叶斯判别规则来进行的分类称为最大似然分类法。 22 概率判别函数：把某特征矢量X落入某类集群wi的条件概率P (wi/X)当成分类判决函数（概率判决函数）。 贝叶斯判别规则：把X落入某集群wi的条件概率P (wi/X)最大的类为X的类别。 贝叶斯判别规则以错分概率或风险最小为准则的判别规则。 23 ► 最小距离法 基于距离判别函数和判别规则的分类方法称为最小距离分类法。 24 距离判别函数是设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类。 距离判别函数不象概率判别函数那样偏重于集群分布的统计性质，而是偏重于几何位置。 距离判别规则是按最小距离判别的原则。 25 马氏（Mahalanobis）距离 欧氏（Euclide