7-高光谱遥感图像分类.pptVIP

第七章高光谱遥感图像分类;7.1遥感图像分类;构造分类器;1）遥感图像的分类特征;2）分类判据;3）分类准则;4）算法选择;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。;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现象的存在，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)Minimumdistanceclassifier;(2)Maximumlikelihoodclassifier;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???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;4BP(BackPropagation)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，预期将该影像分为七类，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