1、第八章 遙感圖像自動識別分類 內容提綱 基礎知識 特征變換和特征選擇 監督分類 非監督分類 監督分類和非監督分類的結合 分類后處理和誤差分析 非光譜信息分類 句法模式識別 自動分類新方法概述 遙感圖像的計算機分類，是模式識別技術在遙感技術領域中的具體運用 目視判讀是人類的自然識別智能 計算機分類是人工模擬人類的識別功能 采用決策理論或統計方法 提取一組反映模式屬性的量測值，稱之為特征 光譜特征和紋理特征 8.1 基礎知識 模式與模式識別 光譜特征空間 地物在特征空間中的聚類統計特性8.1.1 模式與模式識別 一個模式識別系統對被識別的模式作一系列的測量，然后將測量結果與“模式字典中一組“典型的

2、測量值相比較。若和字典中某一“詞目的比較結果是吻合或比較吻合，則我們就可以得出所需要的分類結果。這一過程稱為模式識別 。 這一組測量值就是一種模式 。模式與模式識別姚明姚明ROCKETS11模式識別的應用模式識別的應用模式識別的應用8.1.2 光譜特征空間 不同的地物在同一波段圖像上表現的亮度一般互不相同 不同的地物在多個波段圖像上亮度的呈現規律也不相同 同名地物點在不同波段圖像中亮度的觀測量將構成一個多維隨機向量X，稱為光譜特征向量 如TM圖像上任一個點 TM=TM1，TM2，TM3，TM4，TM5，TM6，TM7TnxxxX21地物與光譜特征空間的關系 地物在特征空間中的聚類情況8.1.3

3、地物在特征空間中的聚類統計特性 地物在特征空間的聚類通常是用特征點或其相應的隨機矢量分布的概率密度函數來表示 8.2 特征變換和特征選擇 目的：減少參加分類的特征圖像的數目，從原始信息中抽取能更好進行分類的特征圖像。 特征變換將原有的m 量值集合通過某種變換，然后產生n個nm特征 特征選擇從原有的m個測量值集合中，按某一準則選擇出n個特征 8.2.1 特征變換 概念：將原始圖像通過一定的數字變換生成一組新的特征圖像，這一組新圖像信息集中在少數幾個特征圖像上。 目的：數據量有所減少，去相關，有助于分類。 常用的特征變換：主分量變換、哈達瑪變換、穗帽變換、比值變換、生物量指標變換。redNIRSc

4、atter Plot reveals relationship between information in two bandshere:correlation coefficient = 0.redNIRPrincipal Components Analysiscorrelation between all bandsTM datacorrelation coefficients : 1.000 0.927 0.874 0.069 0.593 0.426 0.736 0.927 1.000 0.954 0.172 0.691 0.446 0.800 0.874 0.954 1.000 0.

5、0.740 0.433 0.812 0.069 0.172 0. 1.000 0.369 -0.084 0.119 0.593 0.691 0.740 0.369 1.000 0.534 0.891 0.426 0.446 0.433 -0.084 0.534 1.000 0.671 0.736 0.800 0.812 0.119 0.891 0.671 1.0001.主分量變換 主分量變換也稱為KL變換，是一種線性變換，是就均方誤差最小來說的最佳正交變換 KL變換能夠把原來多個波段中的有用信息集中到數目盡可能少的特征圖像組中去，達到數據壓縮的目的。 KL變換還能夠使新的特征圖像間互不相關，使

6、新的特征圖像包含的信息內容不重疊，增加類別的可分性。主分量變換計算步驟 （1計算均值向量M和協方差矩陣C； （2計算矩陣C的特征值和特征向量； （3將特征值按由大到小的次序排序 （4選擇前幾個特征值對應的幾個特征向量構造變換矩陣n。 （5根據nX進行變換，得到的新特征影像就是變換的結果，X為多光譜圖像的一個光譜特征矢量。MSS主分量變換前后的信息量分布TM主分量變換前后的信息量分布主分量變換PC-1PC-72. 哈達瑪變換 哈達瑪變換是利用哈達瑪矩陣作為變換矩陣新實施的遙感多光譜域變換。 哈達瑪矩陣的變換核為哈達瑪變換 哈達瑪矩陣的維數N總是2的倍數 每個高階哈達瑪矩陣都由其低一階的哈達瑪矩陣

7、按如下形式組成 哈達瑪變換定義為：mmmmmHHHHH1XHIH), 2 , 1(2mNm哈達瑪變換的幾何意義 由哈達瑪變換核可知，哈達瑪變換實際是將坐標軸旋轉了45的正交變換 哈達瑪變換的幾何意義 以四波段的陸地衛星圖像的哈達瑪為換為例 ，取二階哈達瑪變換矩陣 ThhhhhI32101111111111111111Hh0=(x4+x5)+(x6+x7)h1=( x4+x5)-( x6+x7)h2=( x4-x5)-( x6-x7)h3=( x4-x5)+( x6-x7) 7654101111XXhh7654231111XXhh哈達瑪變換的幾何意義特征圖像h0把水同土壤與植被的混合體區分開來特

8、征圖像h1把植被同水和土壤的混合體區分開來特征圖像h3和特征圖像h2主要表現為噪聲圖像，通常在特征選擇過程中可舍去，達到數據壓縮的目的。 3. 穗帽變換 又稱K-T變換，由KauthThomas提出，也是一種線性特征變換。 MSS圖像信息隨時間變化的空間分布形態是呈規律性形狀的，像一個頂部有纓子的氈帽。 特點1：在MSS圖像中，土壤在特征空間光譜空間的集群，隨亮度的變化趨勢沿從坐標原點出發的同一根輻射線方向上出現。 特點2：若把土壤和植被的混合集群投影到MSS5和MSS6波段圖像所組成的特征子空間中，形成一個近似的帽狀三角形 穗帽變換Y=AXY=（ISB IGV IY INTX=（X4 X5

9、X6 X7）ISB土壤亮度軸的像元亮度值IGV植物綠色指標軸的像元亮度值IY黃色軸IN噪聲軸Xi地物在MSS四個波段上的亮度值 SB分量和GV分量一般情況下等價于主分量變換中的第一主分量PCI和第二主分量PC2 SB分量集中了大部分土壤信息，所以對土壤的分類是有效的 GV分量對植被的分類是有效的 4. 生物量指標變換 Ibio生物量變換后的亮度值。 x7，x5為MSS7和MSS5圖像的像元亮度值。 經變換后，植物、土壤和水都分離開來，因此可獨立地對綠色植物量進行統計。生物量指標變換8.2.2 特征選擇 選擇一組最佳的特征影像進行分類 定量選擇方法 距離測度 散布矩陣測度 類內散矩陣 類間散布矩

10、陣 總體散布矩陣= + TM7,4,1TM5,7,2TM5,4,3TM4,3,2 前面所述內容主要為分類前的預處理。預處理工作結束后，就將參與分類的數據準備，接下來的工作就是從這些數據提供的信息中讓計算機“找出所需識別的類別方式有兩種：一種就是監督分類法；另一種稱為非監督分類法。下面先介紹監督分類法。 8.3 監督分類 監督分類：是基于我們對遙感圖像上樣本區內地物的類屬已知，于是可以利用這些樣本類別的特征作為依據來識別非樣本數據的類別。 監督分類的思想：首先根據已知的樣本類別和類別的先驗知識，確定判別函數和相應的判別準則，其中利用一定數量的已知類別函數中求解待定參數的過程稱之為學習或訓練，然后

11、將未知類別的樣本的觀測值代入判別函數，再依據判別準則對該樣本的所屬類別作出判定。 監督分類 判別函數和判別規則 分類過程8.3.1判別函數和判別規則 各個類別的判別區域確定后，某個特征矢量屬于哪個類別可以用一些函數來表示和鑒別，這些函數就稱為判別函數。 當計算完某個矢量，在不同類別判決函數中的值后，我們要確定該矢量屬于某類必須給出一個判斷的依據。如若所得函數值最大則該矢量屬于最大值對應的類別。這種判斷的依據，我們稱之為判別規則。 概率判別函數：某特征矢量概率判別函數：某特征矢量X落入某類集群的條件概率落入某類集群的條件概率貝葉斯判別規則：把貝葉斯判別規則：把X落入某集群落入某集群 的條件概率的

12、條件概率 最大的最大的類為類為X的類別。貝葉斯判別規則以錯分概率或風險最小為準則的的類別。貝葉斯判別規則以錯分概率或風險最小為準則的判別規則。判別規則。假設：同類地物在特征空間服從正態分布，則類別的概率密度函假設：同類地物在特征空間服從正態分布，則類別的概率密度函數如式數如式8-2所示。根據貝葉斯公式可得：所示。根據貝葉斯公式可得：最大似然分類法(/)iP wXiw最大似然分類法()(/) ()iiid XP wX P w111()()()ln|ln ()22Tiiiiiid XXMXMP w 概率判別函數：()()ijd XdXiw12()()d XdX相應的貝葉斯判別規則：若對于所有可能的

13、j=1,2 ,m；j i有 ，則X屬于類 。判決邊界為 （假設有兩類）。最大似然法分類的錯分概率 錯分概率是類別判決分界兩側做出不正確判決的概率之和。貝葉斯判決邊界使這個數錯誤為最小，因為這個判決邊界無論向左還是向右移都將包括不是1類便是2類的一個更大的面積，從而增加總的錯分概率。，貝葉斯判決規則是以錯分概率最小的最優準則。 最小距離分類法 基本思想：計算未知矢量X到有關類別集群之間的距離，哪類距離它最近，該未知矢量就屬于哪類。 馬氏距離 歐氏距離 計程距離錯分概率及判決邊界盒式分類法 基本思想：首先通過訓練樣區的數據找出每個類別在特征空間的位置和形狀，然后以一個包括該集群的“盒子作為該集群的

14、判別函數。判決規則為若未知矢量X落入該“盒子”，則X分為此類，否則再與其它盒子比較。 8.3.2 分類過程 （1確定感興趣的類別數 （2特征變換和特征選擇 （3選擇訓練樣區 （4確定判決函數和判決規則 （5根據判決函數和判決規則對非訓練樣區的圖像區域進行分類（1對訓練樣區的要求 準確性、代表性和統計性。 準確性：要確保選擇的樣區與實際地物一致； 代表性：所選樣區為某一地物的代表，還要考慮到地物本身的復雜性，反映同類地物光譜特性的波動情況； 統計性：指選擇的訓練樣區內必須有足夠多的像元，以保證由此計算出的類別參數符合統計規律。（2初始類別參數的形成（3樣本數據的訓練 計算每個類別的M 和，建立類

15、別的判別函數（4逐像素分類判別分類得到專題圖監督分類流程監督分類的缺點 主觀性 由于圖像中間類別的光譜差異，使得訓練樣本沒有很好的代表性 訓練樣本的獲取和評估花費較多人力時間 只能識別訓練中定義的類別8.4 非監督分類 非監督分類：也稱聚類分析，是事先對分類過程不施加任何先驗知識，僅憑遙感圖像地物的光譜特征的分布規律，進行自動分類。 分類方法： K-均值聚類法 ISODATA算法聚類分析 平行管道發聚類分析8.4.1 K-均值聚類法 算法準則：多模式點到類別中心的距離的平方和最小。 算法步驟： (1)選擇m個類的初始中心 (2)按照到類中心距離最小的原則對像元分類 (3)重新計算類中心 (4)

16、類中心不變，算法結束；否則返回(2)8.4.1 K-均值聚類法0123456789100123456789100123456789100123456789100123456789100123456789100123456789100123456789108.4.2 ISODATA算法聚類分析 第一，它不是每調整一個樣本的類別就重新計算一次各類樣本的均值，而是在每次把所有樣本都調整完畢之后才重新計算一次各類樣本的均值，前者稱為逐個樣本修正法，后者稱為成批樣本修正法。 第二，ISODATA算法不僅可以通過調整樣本所屬類別完成樣本的聚類分析，而且可以自動地進行類別的“合并和“分裂”，從而得到類數比較

17、合理的聚類結果。 ISODATA算法 1.初始化； 2.選擇初始中心； 3.按一定規則(如距離最小)對所有像元劃分； 4.重新計算每個集群的均值和方差；按初始化的參數進行分裂和合并； 5.終了，迭代次數或者兩次迭代之間類別均值變化小于閾值； 6.否則，重復3-5； 7.確認類別，精度評定.8.4.3 平行管道發聚類分析 以地物的光譜特性曲線為基礎，假定同類地物的光譜特性曲線相似作為判決的標準。設置一個相似閾值 同類地物在特征空間上表現為以特征曲線為中心，以相似閾值為半徑的管子，此即為所謂的“平行管道”。 非監督分類結果非監督分類特點 優點 不需要預先對所分類別的區域有廣泛的了解，需要用一定的知

18、識來解釋得到的集群組； 人為誤差的機會減少； 量小的類別能被區分。 缺陷 得到的集群組類別不一定對應分析者想要的類別； 難對產生的類別進行控制； 不同圖像之間的對比困難。8.5 非監督分類和監督分類的結合 選擇一些有代表性的區域進行非監督分類。 獲得多個聚類類別的先驗知識。 特征選擇。選擇最適合的特征圖像進行后續分類。 使用監督法對整個影像進行分類。 輸出標記圖像。 8.6 分類后處理和誤差分析 分類后處理 誤差分析8.6.1 分類后處理 用光譜信息對影像逐個像元地分類，在結果的分類地圖上會出現“噪聲” 。 分類是正確的，但某種類別零星分布于地面，占的面積很小 ，希望用綜合的方法使它從圖面上消失。 分類平滑技術可以解決以上的問題。 邏輯運算，非代數運算。 處理原則服從多數原則。多數平滑過程多數平滑8.6.2 分類后誤差分析 采用混淆矩陣來進行分類精度的評定。 對檢核分類精度的樣區內所有的像元，統計其分類圖中的類別與實際類別之間的混淆程度。 混淆矩陣中，對角線上元素為被正確分類的樣本數目，非對角線上的元素為被混分的樣本數。混淆矩陣 表中每一項都是實際檢驗的像元占該類總像元數的百分率。根據這個混淆矩陣可以算出平均精度，對角線元素之和取平均：S=（84.3%+80.3%+89.8%）/3=84.8% 由于各種類別樣本