1、精選優質文檔-傾情為你奉上模式識別上機實習報告 學 號： 班級序號： 姓 名： 指導老師： 中國地質大學（武漢）信息工程學院遙感系2017年4月專心-專注-專業一、用貝葉斯估計做二類分類【問題描述】 利用貝葉斯估計將某地區的遙感圖像數據做二類分類，將圖像中的裸土和水田加以區分，并使用envi classic的color mapping工具將分類好的圖像加以顏色。【模型方法】與分布有關的統計分類方法主要有最大似然/ 貝葉斯分類。最大似然分類是圖像處理中最常用的一種監督分類方法,它利用了遙感數據的統計特征,假定各類的分布函數為正態分布,在多變量空間中形成橢圓或橢球分布,也就是和中個方向上散布情況不

2、同,按正態分布規律用最大似然判別規則進行判決,得到較高準確率的分類結果。否則,用平行六面體或最小距離分類效果會更好。【方案設計】（1）確定需要分類的地區和使用的波段和特征分類數,檢查所用各波段或特征分量是否相互已經位置配準；（2）根據已掌握的典型地區的地面情況,在圖像上選擇訓練區；（3）計算參數,根據選出的各類訓練區的圖像數據,計算和確定先驗概率；（4）分類,將訓練區以外的圖像像元逐個逐類代入公式,對于每個像元,分幾類就計算幾次,最后比較大小,選擇最大值得出類別；（5）產生分類圖,給每一類別規定一個值,如果分10 類,就定每一類分別為1 ,2 10 ,分類后的像元值便用類別值代替,最后得到的分

3、類圖像就是專題圖像. 由于最大灰階值等于類別數,在監視器上顯示時需要給各類加上不同的彩色；（6）檢驗結果,如果分類中錯誤較多,需要重新選擇訓練區再作以上各步,直到結果滿意為止。【結果討論】優點： （1）生成式模型，通過計算概率來進行分類，可以用來處理多分類問題， （2）對小規模的數據表現很好，適合多分類任務，適合增量式訓練，算法也比較簡單。 缺點： （1）對輸入數據的表達形式很敏感。（2）需要計算先驗概率，分類決策存在錯誤率。局部區域：精度評價步驟：（1）首先需要將外部程序生成的分類文件轉化為ENVI可以識別的分類圖，方法如下：Envi打開圖像-Tools-ColorMapping-Densi

4、tySlice-Setdefaultnumerofranges(設置為聚類數目)-Applydefaultranges-outputrangestoclassimage（2）對分類結果進行合并與命名（3）從參考影像（高分辨率影像）上選取ROI并命名，方法：Envi打開圖像-Tools-RegionofInterest-ROITools（4）將ROI文件與分類圖像相關聯，方法：BasicTools-RegionofInterest-ReconcileROIsParameters-輸入參考影像-輸入分類影像（5）Classification-PostClassification-Confusion

5、Matrix-UsingGroundTruthROIs二、用Fisher估計做二類分類【問題描述】 利用Fisher估計將某地區的遙感圖像數據做二類分類，將圖像中的裸土和水田加以區分，并使用envi classic的color mapping工具將分類好的圖像加以顏色。【模型方法】設計線性分類器首先要確定準則函數，然后再利用訓練樣本集確定該分類器的參數，以求使所確定的準則達到最佳。在使用線性分類器時，樣本的分類由其判別函數值決定，而每個樣本的判別函數值是其各分量的線性加權和再加上一閾值w0。如果我們只考慮各分量的線性加權和，則它是各樣本向量與向量W的向量點積。如果向量W的幅度為單位長度，則線性

6、加權和又可看作各樣本向量在向量W上的投影。顯然樣本集中向量投影的分布情況與所選擇的W向量有關，圖3.3表示了在一個二維空間兩個類別樣本在兩個不同的向量w1與w2上投影分布的情況。其中用紅點及藍點分別表示不同類別的樣本。顯然對向量的投影能使這兩類有明顯可分開的區域，而對向量的投影，則使兩類數據部分交迭在一起，無法找到一個能將它們截然分開的界面。Fisher準則的基本原理，就是要找到一個最合適的投影軸，使兩類樣本在該軸上投影的交迭部分最少，從而使分類效果為最佳。【方案設計】（1）計算各類樣本的均值向量mi，Ni 是類i 的樣本個數 （2）計算樣本類內離散度矩陣Si 和總類內離散度矩陣Sw 。 （3

7、）計算樣本類間離散度矩陣Sb 。Sb=(m1m2)(m1m2)T 。 （4） 求向量w 。為此定義Fisher準則函數 使得JF(W) 取的最大值的w 為：w=S1w(m1m2) 。 （5）將訓練集內所有樣本進行投影。 （6）計算在投影空間上的分割閾值y0 。閾值的選取可以有不同的方案，比較常用的一種為 （7）對于給定的X ，計算它在 上的投影點y 。（8）根據決策規則分類，有 【結果討論】優點：（1）一般對于線性可分的樣本，總能找到一個投影方向，使得降維后樣本仍然線性可分，而且可分性更好即不同類別的樣本之間的距離盡可能遠，同一類別的樣本盡可能集中分布。 （2） Fisher方法可直接求解權向

8、量（3）Fisher的線性判別式不僅適用于確定性模式分類器的訓練，而且對于隨機模式也是適用的，Fisher還可以進一步推廣到多類問題中去 缺點： （1）對線性不可分的情況，Fisher方法無法確定分類局部區域：精度評估：三、用k-means算法對圖像進行分類【問題描述】 利用k-means算法對某地區的遙感圖像數據進行分類，將圖像中的裸土和水田加以區分，并使用envi classic的color mapping工具將分類好的圖像加以顏色。【模型方法】 K-Means是聚類算法中的一種，其中K表示類別數，Means表示均值。顧名思義K-Means是一種通過均值對數據點進行聚類的算法。K-Mean

9、s算法通過預先設定的K值及每個類別的初始質心對相似的數據點進行劃分。并通過劃分后的均值迭代優化獲得最優的聚類結果。K值是聚類結果中類別的數量。簡單的說就是我們希望將數據劃分的類別數。K值決定了初始質心的數量。K值為幾，就要有幾個質心。選擇最優K值沒有固定的公式或方法，需要人工來指定，建議根據實際的業務需求，或通過層次聚類的方法獲得數據的類別數量作為選擇K值的參考。這里需要注意的是選擇較大的K值可以降低數據的誤差，但會增加過擬合的風險。【方案設計】(1)未聚類的初始點集(2)隨機選取兩個點作為聚類中心(3)計算每個點到聚類中心的距離，并聚類到離該點最近的聚類中去(4)計算每個聚類中所有點的坐標平

10、均值，并將這個平均值作為新的聚類中心(5)重復(3),計算每個點到聚類中心的距離，并聚類到離該點最近的聚類中去(6)重復(4),計算每個聚類中所有點的坐標平均值，并將這個平均值作為新的聚類中心【結果討論】優點： 原理簡單，實現容易，聚類效果中上缺點：（1）無法確定K的個數 （2）對離群點敏感 （容易導致中心點偏移）（3）算法復雜度不易控制， 迭代次數可能較多（4）局部最優解而不是全局優 （這個和初始點選誰有關）（5）結果不穩定 （受輸入順序影響）局部區域精度評估：實習心得經過一個學期對模式識別的學習，我學習到了基本的理論知識，了解到了計算機處理圖像的思想，了解到了神經網絡，深度學習的原理，這些知識都為我的課程實踐和進一步的學習打下了堅實的基礎。在本次實習上機中，我體會頗多，學到了很多東西。我加強了對模式識別這門課程的認識，并且復習了自己以前學習到的知識。這些都使得我對計算機有了更深入的認識！總之，通過這次課程設計，我收獲頗豐，相信會為自己以后的學習和工作帶來很大的好處。通過上機實習的訓練，我進一步學習和掌握了對程序的設計和編寫，從中體會到了各種算法的方便和巧妙。像k-means算法就是一個原理很簡單但分類效果很好的算法，這種借助計算機進行數據處理的思維，讓我開闊了視野，也鍛煉了我的動手能力。由于時