1、遙感影像分類,遙感影像計算機自動解譯,利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特征，并用一定的手段將特征空間劃分為互不重疊的子空間，然后將圖像中的各個像元劃歸到各個子空間去。 特征能夠反映地物光譜信息和空間信息并可用于圖像分類處理的變量,遙感影像分類,基于統計的方法和基于規則的方法 監督分類和非監督分類 硬分類和軟分類 逐像元分類和面向對象分類,分類標準,按照邏輯準則組織的信息類別正確的分類學定義 參考標準: 美國規劃協會的土地分類標準(lbcs) 美國國家植被分類系統,基于統計的分類方法,遙感影像光譜特征分布特點,遙感影像分類原理,同類地物在相同的條件下（紋理、地

2、形等），應具有相同或相似的光譜信息特征和空間信息特征，從而表現出同類地物的某種內在的相似性，即同類地物像元的特征向量將集群在同一特征空間區域；而不同的地物其光譜信息特征或空間信息特征將不同，集群在不同的特征空間區域。,基于光譜特征的分類原理,遙感圖像計算機分類的依據是遙感圖像像素的相似度。常使用距離和相關系數來衡量相似度。 采用距離衡量相似度時，距離越小相似度越大。 采用相關系數衡量相似度時，相關程度越大，相似度越大。,監督分類和非監督分類,監督分類法：選擇具有代表性的典型實驗區或訓練區，用訓練區中已知地面各類地物樣本的光譜特性來“訓練”計算機，獲得識別各類地物的判別函數或模式，并以此對未知地

3、區的像元進行分類處理，分別歸入到已知的類別中。 非監督分類：是在沒有先驗類別（訓練場地）作為樣本的條件下，即事先不知道類別特征，主要根據像元間相似度的大小進行歸類合并（即相似度的像元歸為一類）的方法。,遙感分類基本過程,根據圖像分類目的選取特定區域的遙感影像，考慮空間分辨率、光譜分辨率、成像時間、圖像質量等。 根據研究區域，收集與分析地面參考信息與有關數據。 根據分類要求和影像的特征，選擇合適的圖像分類方法和算法。制定分類系統，確定分類類別。 找出代表這些類別的統計特征 測定總體特征，在監督分類中可選擇具有代表性的訓練場地進行采樣。在非監督分類中，可用聚類等方法對特征相似的像素進行歸類，測定其

4、特征。 對遙感圖像中各像素進行分類。 分類精度檢查。 對判別分析的結果進行統計檢驗。,非監督分類特征空間圖形識別,圖形識別分類就是對分類的地區事先完全不了解，計算機只根據人們規定的某些要求和閾值對圖像進行分析，采用對圖像逐行逐個像元相比較的無人管理分類方法。,特征空間圖形識別分類特點,1不能精確控制分類的類別數。 2當地物光譜響應是不重合的正態分布時是可行的，并且容易實現，但若特征分布出現交疊，則使用這種方法將產生較大的分類錯誤。 3該分類法的主要優點是簡單、速度快。,非監督分類系統聚類,1）將圖像中每個像元看作一類，作為分類的初始值 2）計算各類均值間的相關系數矩陣r 3）從已分類別中選取最

5、鄰近的兩類進行合并 4）重復步驟2-3，直到合并的新類之間符合分類的要求為止(各類間的相關系數小于閥值或是距離大于閥值）,系統聚類法的局限性,系統聚類過程中采用的統計量要視具體情況而定，但也可利用該特點結合不同統計量分類，提高準確性,非監督分類動態聚類,動態聚類就是在開始時先建立一批初始中心，而讓待分類的各個像元依據某些判決準則向初始中心凝聚，然后再逐步修改調整中心，重新分類；并根據各類離散性統計量和兩類間可分離性的統計量再進行合并和分裂。此后再修改調整中心，這樣不斷繼續下去，直到分類比較合理為止。,監督分類,需要事先確定訓練場地和選擇訓練樣本，訓練樣本需要具有一定的代表性 考慮到各種地物光譜

6、輻射的復雜性和干擾因素的多樣性，需要多考慮一些樣本 在某一地區建立起來的判別式只能適用于同一地區或地學條件相似的地區,監督分類-訓練樣區選擇與統計,收集現場信息 在屏訓練數據多邊形選擇 在屏訓練數據的種子選擇,監督分類訓練樣本的選取,用于監督分類地訓練場地應該是光譜特征比較均一的地區，一般在圖像顯示中根據均一的色調估計只有一類地物，而且一類地物的訓練場地可選取一塊以上。 訓練樣本的數目至少要能滿足建立分類用判別函數的要求，以克服各種偶然因素的影響，而對于光譜特征變化較大的地物，訓練樣本的數目要更多一些，以反映其變化范圍。一般情況下，要得出可靠的統計數據，每類至少要有10100個訓練樣本數據。,

7、監督分類訓練樣本的選取,盡可能地利用一些已知的有用資料，來確定訓練場地和訓練樣本。在使用各種圖件資料時應注意以下兩個方面： （1）各種圖件的成圖日期要盡可能地接近圖像成像日期,以保證地物類別分類準確。 （2）空間。要考慮到每一種地物類型隨空間變化發生光譜特征變化的可能性，選擇訓練場地應當能夠反映這種變化。 在監督分類中由于訓練場地是人為選取的，可能不包括所有的自然地物類別，因而分類后留下無類可歸的像元。對于這種情況，有兩種解決方法：一是將無類可歸的像元組成一個未知類；二是按最近距離原則劃歸到各個已知類中。,監督分類-波段特征選取,獲取每個感興趣類在各波段上的訓練統計量后，必須確定能最有效區分各

8、種類的波段 方法： 統計分析方法 圖形分析方法,監督分類-最小距離分類法,距離作為判別準則，根據像點到各類中心的距離來判別分類,距離公式,歐幾里德距離 絕對距離,不同類別的灰度值的變化范圍即其方差的大小是不同的，不能簡單地用像元到類中心的距離來劃分像元的歸屬； 自然地物類別的點群分布不一定是圓形或球形的，即在不同方向上半徑是不同的，因而距離的量度在不同方向上應有所差異。 k-最近鄰分類器,監督分類-最大似然比分類法,遙感影像分類后處理-小區合并,分類后影像像元值地面物體的類別 問題：存在零星分布的小面積區域 解決方法： 1）分類前影像平滑 2）分類后小區合并將小于一定面積的像元合并到鄰近區域,

9、遙感影像分類后處理誤差分析,目的：檢驗分類效果 方法：抽樣檢驗 抽樣方法： 1）監督分類的樣本區 2）試驗場抽樣 3）隨機抽樣 評價方式：混淆矩陣,輔助數據改進遙感分類的方法,地理分層 分類器操作 分類后處理,遙感信息與非遙感信息的復合,遙感影像與地圖的復合 地圖影像化 影像地圖化 dtm與遙感數據的復合 遙感與地球物理、地球化學數據的復合,遙感信息與地球物理、化學數據復合,遙感信息-地表空間特征 地球物理、地球化學特征-不同深度地物的物理性質，如內部結構、物理組成、基層表面起伏,專題圖柵格化 空間配準 構建信息表達模型及提取方法,遙感信息與地球物理、化學數據復合,基于面向對象影像分割的分類方

10、法,遙感信息認知中的對象,對象,對象,面向基元的遙感信息提取方案,遙感信息認知中的尺度問題,地表信息多層次結構 尺度依賴 認知過程-不同的地物 實體有不同的最佳提取 尺度,選擇適當的尺度，才能有效、完整地提取信息,影像對象的尺度表示,鄰對象,子對象,父對象,35,影像對象構建方法,多尺度影像分割首先通過初始分割將影像像元合并成較小的初始影像對象,然后通過多次循環將較小的影像對象合并成較大的多邊形對象,尺度空間內影像對象構建,考慮遙感、高程、專題矢量圖層等多源信息的構建模型 多種約束的基元構建方法保證基元的準確性 閾值控制基元所在尺度層次,37,影像對象構建方法與參數優化,對象合并準則 在初始分

11、割基礎上，通過將初始影像對象逐步合并為較大的對象來實現多尺度對象的構建，對象合并的停止條件是由其尺度準則決定的,38,影像對象構建方法,尺度為：16 平均面積：867.6,尺度為：32 平均面積：2131.1,尺度為：128 平均面積：8274.8,尺度為：256 平均面積：30171,影像對象的特征描述,基于對象的信息識別,人工神經網絡分類,生物神經網絡(biological neural network, bnn)，特別是人腦 人工神經網絡(artificial neural network, ann)：由大量神經元經廣泛互聯組成的非線性網絡（功能模塊，數學模型） 自底向上的綜合方法：,4

12、3,神經元-neuron,神經網絡-artificial neural network,神經元模型,neuron model： 多輸入，單輸出，帶偏置,r個輸入pir，即r維輸入矢量p n: net input, n=wp+b。 r個權值wir，即r維權矢量w 閾值b 輸出a=f(n), f: transfer function,神經網絡的學習方法,神經網絡的學習：從環境中獲取知識并改進自身性能，主要指調節網絡參數使網絡達到某種度量，又稱為網絡的訓練 學習方式： 監督學習 非監督學習 再勵學習 學習規則(learning rule)： hebb學習算法 誤差糾正學習算法 競爭學習算法,監督學習

13、,對訓練樣本集中的每一組輸入能提供一組目標輸出 網絡根據目標輸出與實際輸出的誤差信號來調節網絡參數,第八章 人工神經網絡,48,誤差糾正學習,對于輸出層第k個神經元的實際輸出: ak(n)目標輸出: tk(n) 誤差信號: ek(n) = tk(n) - ak(n)目標函數為基于誤差信號ek(n)的函數，如誤差平方和判據(sum squared error, sse)，或均方誤差判據(mean squared error, mse, 即sse對所有樣本的期望),sse,mse,誤差糾正學習,梯度下降法：,對于感知器和線性網絡：,delta學習規則,對于多層感知器網絡：擴展的delta學習規則，

14、bp算法,前饋神經網絡及其主要方法,前饋神經網絡(feed forward nn)：各神經元接受前級輸入，并輸出到下一級，無反饋，可用一有向無環圖表示。 特點：前饋網絡通常分為不同的層(layer)，第i層的輸入只與第i-1層的輸出聯結。 層的分類： 可見層：輸入層(input layer)和輸出層(output layer) 隱層(hidden layer) ：中間層,感知器,感知器(perceptron)：單層網絡，通過監督學習建立模式識別能力,感知器目標輸出的編碼方法,一個輸出單元對應一個類別，如果輸入訓練樣本的類別標號是i，則對應的目標輸出編碼為：第i個輸出節點為1，其余節點均為0,多

15、層感知器,多層感知器: multi-layer perceptron, mlp architecture：,多層感知器的一致逼近性,單個閾值神經元可以實現任意多輸入的與、或及與非、或非邏輯門 任何邏輯函數可由兩層前饋網絡實現 當神經元的輸出函數為sigmoid等函數時，兩層前饋網絡可以逼近任意的多元非線性函數 mlp的適用范圍大大超過單層網絡,反向傳播(bp)算法,問題：多層感知器的中間隱層不直接與外界連接，其誤差無法直接計算。 反向傳播(backpropagation)算法：從后向前（反向）逐層“傳播”輸出層的誤差，以間接算出隱層誤差。分兩個階段： 正向過程：從輸入層經隱層逐層正向計算各單元

16、的輸出。 反向過程：由輸出層誤差逐層反向計算隱層各單元的誤差，并用此誤差修正當前層的權值。,初始值選擇 前向計算，求出所有神經元的輸出 對輸出層計算 從后向前計算各隱層 計算并保存各權值修正量： 修正權值： 判斷是否收斂，如果收斂則結束，不收斂則轉至step 2,bp算法的步驟,模糊分類,模糊聚類分析具體步驟如下： 首先確定xi 與xj間的相關程度rij=(xi , xj)，然后建立模糊相似矩陣。 將相似矩陣改造成等價矩陣。為此作矩陣合成運算。當某一步出現r2k=rk時，便是一個模糊等價矩陣。 有了等價矩陣rk，根據聚類需細分還是粗分的要求，在0，1中選取一個數，凡rij的元素變為l，否則變為0，從而達到分類的目的。,模糊聚類分析, 建立模糊矩陣：fuzzy聚類分析的第一步叫標定，即使用普通聚類分析中的確定相似系數的方法來建立fuzzy相似方陣： r11 r12 r13r1n r2