第八章遙感圖像自動識別分類

我們即將開啟第八章的學(xué)習(xí)。本章節(jié)聚焦遙感圖像自動識別分類，這是遙感技術(shù)領(lǐng)域的關(guān)鍵內(nèi)容。前面了解了整體框架，接下來我們會深入其各個方面，像分類方法、特征處理等，去探尋遙感圖像自動識別分類的奧秘。

本次演講將圍繞遙感圖像自動識別分類展開，涵蓋多個關(guān)鍵方面。首先是基礎(chǔ)知識，它是理解后續(xù)內(nèi)容的基石，為我們認識遙感圖像分類奠定理論基礎(chǔ)。

特征變換和特征選擇則是對圖像特征進行優(yōu)化處理的重要環(huán)節(jié)，能夠篩選出更具代表性的特征，提升分類的準確性。

監(jiān)督分類和非監(jiān)督分類是兩種主要的分類方法。監(jiān)督分類需要先確定訓(xùn)練樣本，以此為依據(jù)對圖像進行分類；非監(jiān)督分類則是讓計算機自行發(fā)現(xiàn)圖像中的類別信息。

將監(jiān)督分類和非監(jiān)督分類結(jié)合起來，能夠綜合兩者的優(yōu)勢，獲得更理想的分類效果。

分類后處理和誤差分析是確保分類結(jié)果可靠性的關(guān)鍵步驟。通過對分類結(jié)果進行處理和分析誤差，能不斷改進分類方法。

非光譜信息分類引入了除光譜特征之外的其他信息，拓寬了分類的依據(jù)。

句法模式識別從結(jié)構(gòu)和語法的角度對圖像進行分析，為分類提供了新的思路。

最后介紹自動分類新方法，這些新方法反映了該領(lǐng)域的前沿研究成果，有望進一步推動遙感圖像自動識別分類技術(shù)的發(fā)展。

遙感圖像的計算機分類本質(zhì)上是模式識別技術(shù)在遙感領(lǐng)域的具體實踐。在遙感圖像分析中，存在兩種不同的識別方式，即目視判讀和計算機分類。目視判讀依靠人類自身的自然識別智能，是人類憑借長期經(jīng)驗和直觀視覺進行的判斷。而計算機分類則是人工模擬人類的識別功能，它采用決策理論或統(tǒng)計方法來實現(xiàn)。

為了實現(xiàn)計算機分類，需要提取一組能夠反映模式屬性的量測值，這些量測值就是所謂的特征。特征在遙感圖像分類中起著關(guān)鍵作用，它是計算機進行分類決策的依據(jù)。其中，光譜特征和紋理特征是兩種重要的特征類型。光譜特征反映了地物在不同波段的光譜響應(yīng)，不同地物具有獨特的光譜曲線，這為區(qū)分不同地物提供了重要信息。紋理特征則描述了地物的空間分布和結(jié)構(gòu)信息，比如地物的粗糙度、重復(fù)性等，它能幫助我們更細致地識別地物。通過對這些特征的分析和處理，計算機就能對遙感圖像中的地物進行分類識別。

接下來將介紹第八章遙感圖像自動識別分類的基礎(chǔ)知識。主要包含三方面內(nèi)容，先講解模式與模式識別，這是理解后續(xù)內(nèi)容的基礎(chǔ)；接著是光譜特征空間，它是遙感圖像分類的重要概念；最后是地物在特征空間中的聚類統(tǒng)計特性，有助于掌握地物分類規(guī)律。

在模式識別領(lǐng)域里，模式識別系統(tǒng)發(fā)揮著關(guān)鍵作用。它會對被識別的模式做一系列測量，這就如同一位嚴謹?shù)膫商剑环胚^任何細微的線索。這些測量結(jié)果就像是案件中的證據(jù)，而“模式字典”則像是一本詳細的案件參考手冊，里面記錄著一組組“典型的”測量值。

當系統(tǒng)將測量結(jié)果與“模式字典”中的“詞目”進行比較時，就好比偵探拿著證據(jù)去對照參考手冊中的案例。如果結(jié)果吻合或比較吻合，就如同找到了案件的真相，我們便能得出所需的分類結(jié)果。這個過程就是模式識別，它就像一個智能的篩選器，能精準地將不同的模式區(qū)分開來。

而這一組測量值，也就是模式，它是模式識別的基礎(chǔ)?？梢哉f，模式就像是一把鑰匙，而模式識別則是打開分類結(jié)果這扇大門的鎖。只有準確地獲取和分析模式，才能實現(xiàn)高效、準確的模式識別，進而在各個領(lǐng)域發(fā)揮重要作用，比如車牌識別、信函分揀以及我們所關(guān)注的遙感影像分類等。

在探討模式與模式識別時，我們可以借助“姚明、ROCKETS、11”這些數(shù)據(jù)來加深理解。姚明是大家熟知的籃球巨星，ROCKETS代表休斯敦火箭隊，11是姚明在火箭隊所穿的球衣號碼。這組數(shù)據(jù)組合在一起，就形成了一種特定的模式。

從模式識別的角度來看，當我們看到“姚明”“ROCKETS”“11”這些信息時，大腦會迅速將它們與我們記憶中關(guān)于姚明在火箭隊打球的相關(guān)信息進行匹配和識別。這就如同模式識別系統(tǒng)將測量結(jié)果與“模式字典”中的典型測量值進行比較。

在這個例子中，“姚明、ROCKETS、11”就是一組具體的測量值，也就是一種模式，我們通過大腦的識別過程得出了與之對應(yīng)的分類結(jié)果，即姚明是火箭隊的11號球員。這充分體現(xiàn)了模式識別在日常生活中的應(yīng)用，它幫助我們快速理解和處理各種信息，讓我們能夠?qū)χ車氖挛镞M行準確的分類和判斷。

模式識別作為一項關(guān)鍵技術(shù)，在現(xiàn)代社會的諸多領(lǐng)域發(fā)揮著重要作用，車牌識別便是其典型應(yīng)用之一。在交通管理場景中，車牌識別技術(shù)能快速、準確地識別車輛牌照信息。交通監(jiān)控系統(tǒng)通過模式識別算法，對過往車輛的車牌進行實時捕捉和分析。當車輛經(jīng)過監(jiān)控點時，系統(tǒng)迅速將拍攝到的車牌圖像與預(yù)先設(shè)定的模式進行比對，快速得出識別結(jié)果。

這一技術(shù)極大地提高了交通管理的效率。在停車場管理方面，車牌識別可實現(xiàn)車輛的自動進出管理，車主無需停車取卡，系統(tǒng)自動識別車牌后即可放行，節(jié)省了時間，也減少了人工管理的成本。在交通執(zhí)法中，它能幫助交警快速識別違規(guī)車輛的車牌，及時進行處理，維護交通秩序。

此外，車牌識別技術(shù)還在治安防控等領(lǐng)域發(fā)揮著重要作用。在一些重要場所的出入口，通過車牌識別可以對進出車輛進行嚴格管控，確保場所的安全?？梢哉f，模式識別在車牌識別中的應(yīng)用，為我們的生活帶來了極大的便利和安全保障。

模式識別在信函分揀領(lǐng)域發(fā)揮著至關(guān)重要的作用。以往信函分揀依靠人工，不僅效率低、易出錯，還耗費大量人力成本。而模式識別技術(shù)的應(yīng)用，徹底改變了這一局面。

模式識別可對信函上的地址、郵編等信息進行快速準確識別。通過對信函圖像的分析，提取關(guān)鍵特征，與已知的模式進行比對，從而確定信函的投遞方向。這種方式極大提高了分揀效率，能在短時間內(nèi)處理大量信函。

同時，模式識別的準確性也遠高于人工。它能有效避免因字跡潦草、模糊等問題導(dǎo)致的分揀錯誤，確保信函準確無誤地送達目的地。此外，模式識別技術(shù)還可實現(xiàn)自動化分揀，減少人工干預(yù)，降低人力成本。

可以說，模式識別技術(shù)為信函分揀帶來了革命性的變化，讓郵政服務(wù)更加高效、準確、便捷。隨著技術(shù)不斷發(fā)展，模式識別在信函分揀領(lǐng)域的應(yīng)用將更加廣泛和深入。第10頁

模式識別在諸多領(lǐng)域發(fā)揮著關(guān)鍵作用，遙感影像分類便是其重要應(yīng)用之一。遙感影像分類借助模式識別技術(shù)，能對遙感獲取的影像數(shù)據(jù)進行精準分析與歸類。

不同地物在遙感影像中呈現(xiàn)出各異的光譜特征。模式識別技術(shù)可依據(jù)這些特征，將影像中的地物劃分為不同類別，如植被、水體、建筑等。通過對這些地物的準確分類，能夠獲取地球表面的詳細信息。

在農(nóng)業(yè)領(lǐng)域，可利用遙感影像分類監(jiān)測農(nóng)作物的分布與生長狀況；在城市規(guī)劃方面，能分析城市土地的利用類型?？傊?，模式識別應(yīng)用于遙感影像分類，為資源管理、環(huán)境監(jiān)測、災(zāi)害評估等提供了有力支持，推動了各領(lǐng)域的科學(xué)決策與發(fā)展。

光譜特征空間是理解地物特性的關(guān)鍵概念。不同地物在同一波段圖像上的亮度通常不同，比如森林和湖泊，在某一波段圖像中，森林可能呈現(xiàn)較暗的色調(diào)，而湖泊則相對明亮。這是因為它們對不同波段的電磁波吸收和反射特性存在差異。

而且，不同地物在多個波段圖像上亮度的呈現(xiàn)規(guī)律也不一樣。以農(nóng)作物和城市建筑為例，農(nóng)作物在不同生長階段，其在多個波段的亮度變化有特定規(guī)律；城市建筑由于材質(zhì)等因素，在多個波段的亮度表現(xiàn)則是另一種模式。

同名地物點在不同波段圖像中亮度的觀測量會構(gòu)成一個多維隨機向量X，也就是光譜特征向量。它就像地物的“指紋”，能幫助我們精準識別地物。例如TM圖像上的任一個點，TM由TM1到TM7等多個波段組成，這些波段的亮度觀測量組合起來，就形成了該點對應(yīng)的光譜特征向量，為我們進一步分析地物提供了重要依據(jù)。

大家好，在前面我們了解了光譜特征空間的相關(guān)知識，包括光譜特征向量等內(nèi)容。接下來，我們要進入一個新的重要環(huán)節(jié)，也就是地物與光譜特征空間的關(guān)系。這部分內(nèi)容至關(guān)重要，它能幫助我們更深入地理解地物在光譜特征空間中的表現(xiàn)和規(guī)律。

地物與光譜特征空間的關(guān)系是我們進一步研究地物在特征空間中聚類情況等后續(xù)內(nèi)容的基礎(chǔ)。通過了解這種關(guān)系，我們可以明白不同地物在光譜特征空間中是如何分布的，這對于遙感影像分類、地物識別等實際應(yīng)用有著重要的指導(dǎo)意義。

我們將從理論層面深入剖析地物與光譜特征空間之間內(nèi)在的聯(lián)系，去探尋它們背后隱藏的規(guī)律。大家要跟上我的節(jié)奏，一起去解開地物與光譜特征空間關(guān)系的神秘面紗?，F(xiàn)在，就讓我們正式開始這部分內(nèi)容的學(xué)習(xí)。

我們來深入探討地物在特征空間中的聚類情況。此前了解到不同地物在同一波段和多個波段圖像上亮度表現(xiàn)及規(guī)律不同，由此形成光譜特征向量。而地物在特征空間中的聚類，是一個值得深入剖析的現(xiàn)象。

地物在特征空間的聚類是基于其光譜特征向量的分布。同一類地物的光譜特征向量往往具有相似性，它們會在特征空間中聚集在一起，形成一個個聚類。比如，植被可能會在特征空間的某個特定區(qū)域形成聚類，水體則會在另一個區(qū)域聚集。

這種聚類情況對于遙感影像分類等模式識別應(yīng)用具有重要意義。通過分析地物在特征空間中的聚類，我們可以更準確地識別不同類型的地物?？梢愿鶕?jù)聚類的邊界和特征，為每一類地物設(shè)定分類規(guī)則，從而實現(xiàn)對遙感影像中地物的有效分類。

同時，地物在特征空間中的聚類情況也會受到多種因素的影響，如地物本身的特性、成像條件等。我們需要綜合考慮這些因素，以更精準地把握地物在特征空間中的聚類規(guī)律，為后續(xù)的模式識別工作提供更有力的支持。

現(xiàn)在我們進入8.1.3的內(nèi)容，探討地物在特征空間中的聚類統(tǒng)計特性。在模式識別里，地物在特征空間的聚類是一個關(guān)鍵研究方向。此前我們了解到不同地物在同一波段或多個波段圖像上的亮度表現(xiàn)不同，由此構(gòu)成光譜特征向量。而地物在特征空間的聚類情況，能幫助我們更深入地認識地物的特征。

那如何來表示地物在特征空間的聚類呢？通常是用特征點或其相應(yīng)的隨機矢量分布的概率密度函數(shù)。概率密度函數(shù)就像是一把鑰匙，它可以精準地描述特征點在特征空間中的分布規(guī)律。通過分析這個概率密度函數(shù)，我們能夠知道地物在特征空間中是如何聚集的，哪些區(qū)域地物分布更為密集，哪些區(qū)域相對稀疏。這對于遙感影像分類等應(yīng)用有著重要意義，能讓我們更準確地識別不同的地物，提高分類的精度和可靠性。

特征變換和特征選擇在數(shù)據(jù)處理與分類中具有重要意義。其主要目的在于減少參與分類的特征圖像數(shù)量，同時從原始信息里抽取更利于分類的特征圖像。這一目的十分關(guān)鍵，能夠提高數(shù)據(jù)處理的效率和分類的準確性。

特征變換是將原有的m個量值集合，通過特定變換產(chǎn)生n個特征，且n小于等于m。這種變換就像是對原始數(shù)據(jù)進行重新組合和提煉，將分散的數(shù)據(jù)信息集中到更有代表性的特征上，從而使后續(xù)的分類工作更加高效。

特征選擇則是從原有的m個測量值集合中，依據(jù)某一準則挑選出n個特征。這一過程如同從眾多物品中挑選出最有價值的部分，能夠去除那些對分類沒有幫助或者干擾分類的信息，讓分類更加精準。

特征變換和特征選擇相輔相成，共同為數(shù)據(jù)分類提供了有效的手段，能夠提升分類的效果和效率。

特征變換是一項將原始圖像進行數(shù)字變換以生成新特征圖像的技術(shù)，其顯著特點在于能讓新圖像的信息集中于少數(shù)特征圖像上。這種集中并非偶然，而是精心設(shè)計的結(jié)果，目的在于解決數(shù)據(jù)處理中的關(guān)鍵問題。

從數(shù)據(jù)處理角度看，特征變換能夠有效減少數(shù)據(jù)量。原始圖像往往包含大量信息，其中不乏冗余部分。通過特征變換，可以去除這些冗余，使數(shù)據(jù)更加精簡，從而提高處理效率。同時，特征變換還能實現(xiàn)去相關(guān)。在原始圖像中，不同波段之間可能存在較強的相關(guān)性，這會影響后續(xù)的分析和分類。而特征變換能夠打破這種相關(guān)性，讓各個特征之間相對獨立，為后續(xù)的分類工作提供更好的基礎(chǔ)?；谇懊鎯牲c優(yōu)勢，特征變換對分類工作大有幫助，能夠提高分類的準確性和可靠性。

在實際應(yīng)用中，特征變換有多種常用方法，如主分量變換、哈達瑪變換、穗帽變換、比值變換以及生物量指標變換。這些方法各有特點和適用場景，在不同的領(lǐng)域和任務(wù)中發(fā)揮著重要作用。

通過近紅外波段和紅色波段的散點圖能夠揭示這兩個波段信息之間的關(guān)系。這里給出了二者的相關(guān)系數(shù)為0.137，這一數(shù)值表明近紅外波段和紅色波段之間的相關(guān)性較弱。

在遙感影像分析里，波段間的相關(guān)性是一個關(guān)鍵因素。若兩個波段相關(guān)性強，意味著它們所包含的信息存在大量重疊，在后續(xù)處理時保留一個波段即可，這樣既能減少數(shù)據(jù)量，又不會損失太多信息。而相關(guān)性弱，說明兩個波段包含了不同的信息，在分類和特征提取時，兩個波段都具有重要價值。

所以，這個散點圖和相關(guān)系數(shù)為我們在特征變換和選擇時提供了重要參考。我們可以依據(jù)波段間的相關(guān)性，決定是否保留某些波段，或者通過組合不同波段來生成新的特征，從而提高分類的準確性和效率。

現(xiàn)在我們來深入探討主成分分析中的重要內(nèi)容——各波段之間的相關(guān)性。主成分分析旨在將原來多個波段中的有用信息集中到數(shù)目盡可能少的特征圖像組中去，而各波段之間的相關(guān)性是這一過程中的關(guān)鍵考量因素。

這里展示的是TM數(shù)據(jù)各波段之間的相關(guān)系數(shù)，其中一個相關(guān)系數(shù)為1.000。相關(guān)系數(shù)為1.000意味著兩個波段之間存在完全的正相關(guān)關(guān)系。在主成分分析里，這種強相關(guān)性信息非常重要。因為主分量變換的目的之一就是使新的特征圖像間互不相關(guān)，讓新的特征圖像包含的信息內(nèi)容不重疊，從而增加類別的可分性。

當波段之間存在強相關(guān)性時，說明這幾個波段所包含的信息有很大的重疊部分。通過主成分分析，我們可以把這些重疊的信息進行整合和提取，將有用信息集中到少數(shù)幾個特征圖像中，達到數(shù)據(jù)壓縮的目的。同時，在后續(xù)的分類等處理中，不相關(guān)的特征圖像能讓分類更加準確和高效。所以，對各波段之間相關(guān)性的研究，是主成分分析中不可或缺的環(huán)節(jié)，它為我們更好地處理和分析多光譜圖像數(shù)據(jù)提供了重要依據(jù)。

主分量變換，也被稱為KL變換，是一種在圖像處理領(lǐng)域極具價值的線性變換方式，并且是基于均方誤差最小原則上的最佳正交變換。在實際應(yīng)用中，這一特性有著顯著的優(yōu)勢。

對于數(shù)據(jù)處理來說，它能夠?qū)⒃径鄠€波段中的有用信息進行高效整合，把這些信息集中到數(shù)量盡可能少的特征圖像組中。這意味著在不損失關(guān)鍵信息的前提下，實現(xiàn)了數(shù)據(jù)的有效壓縮。這種數(shù)據(jù)壓縮功能不僅可以減少數(shù)據(jù)存儲空間的占用，還能提高數(shù)據(jù)傳輸和處理的效率，為后續(xù)的分析和應(yīng)用節(jié)省大量的時間和資源。

另外，KL變換還具備使新生成的特征圖像之間互不相關(guān)的能力。這就使得每個特征圖像所包含的信息內(nèi)容不會出現(xiàn)重疊的情況，從而增加了類別的可分性。在圖像分類等應(yīng)用場景中，類別可分性的提高能夠讓分類更加準確和高效，幫助我們更清晰地識別和區(qū)分不同的地物或目標，為地理信息系統(tǒng)、遙感監(jiān)測等領(lǐng)域的研究和應(yīng)用提供了強有力的支持。

主分量變換的計算步驟嚴謹且環(huán)環(huán)相扣。第一步，需計算均值向量M和協(xié)方差矩陣C，這是后續(xù)計算的基礎(chǔ)，能讓我們了解數(shù)據(jù)的集中趨勢和離散程度。第二步，計算矩陣C的特征值和特征向量，特征值反映了數(shù)據(jù)的方差大小，特征向量則體現(xiàn)了數(shù)據(jù)的主要方向，它們是主分量變換的關(guān)鍵要素。

第三步，將特征值按由大到小的次序排序。這樣排序能使我們清晰地看到各個特征的重要程度，便于后續(xù)選擇重要的特征。第四步，選擇前幾個特征值對應(yīng)的幾個特征向量構(gòu)造變換矩陣φn。之所以選擇前幾個，是因為它們包含了數(shù)據(jù)的主要信息，構(gòu)造出的變換矩陣能有效實現(xiàn)數(shù)據(jù)的壓縮和特征的提取。

第五步，根據(jù)Y=φnX進行變換，這里的X為多光譜圖像的一個光譜特征矢量，通過這個變換得到的新特征影像就是變換的結(jié)果。經(jīng)過這一系列步驟，主分量變換能夠把原來多個波段中的有用信息集中到數(shù)目盡可能少的特征圖像組中，達到數(shù)據(jù)壓縮和增加類別可分性的目的。

前面我們詳細了解了主分量變換的概念、目的、計算步驟等內(nèi)容。接下來，我們聚焦到第22頁的內(nèi)容——MSS主分量變換前后的信息量分布。

主分量變換是一種非常重要的特征變換方式，它能把原來多個波段中的有用信息集中到數(shù)目盡可能少的特征圖像組中，達到數(shù)據(jù)壓縮的目的，還能使新的特征圖像間互不相關(guān)，增加類別的可分性。而這頁展示的MSS主分量變換前后的信息量分布，能讓我們直觀地看到這種變換對信息量的具體影響。

通過分析這前后的信息量分布，我們可以更深入地理解主分量變換在實際應(yīng)用中的效果和價值，也有助于我們在后續(xù)的工作中更好地運用這種變換方法。接下來，我將為大家詳細解讀這其中的具體情況。

在上一頁，我們了解了MSS主分量變換前后的信息量分布情況。接下來，讓我們聚焦到TM主分量變換。主分量變換是一種重要的線性變換，能把多波段中的有用信息集中，達到數(shù)據(jù)壓縮目的，還能增加類別的可分性。

今天要探討的TM主分量變換前后的信息量分布，對于我們深入理解主分量變換的實際效果和應(yīng)用價值至關(guān)重要。通過分析TM主分量變換前后的信息量分布，我們可以更清晰地看到哪些信息在變換過程中被保留、哪些被壓縮，這有助于我們更好地利用主分量變換處理TM數(shù)據(jù)，為后續(xù)的遙感數(shù)據(jù)分析和應(yīng)用提供有力支持。

接下來，我將為大家詳細介紹TM主分量變換前后的信息量分布情況。

主分量變換，即KL變換，是一種能把多波段有用信息集中到少量特征圖像組以實現(xiàn)數(shù)據(jù)壓縮的線性變換，還可使新特征圖像互不相關(guān)，增加類別的可分性。這里提到的PC-1和PC-7，代表主分量變換后的不同主成分。PC-1通常是最重要的主成分，它集中了原始多光譜數(shù)據(jù)中絕大部分的信息，具有最大的方差，能反映數(shù)據(jù)的主要特征和變化趨勢?？梢哉f，PC-1是多光譜數(shù)據(jù)信息的高度濃縮體現(xiàn)。

而PC-7相較于PC-1，包含的信息量大幅減少，它所代表的往往是數(shù)據(jù)中一些較為細微、次要的特征和變化。不過，這些細微信息在某些特定的分析場景中，如對數(shù)據(jù)進行精細分類、探測特殊目標時，也可能發(fā)揮重要作用。

主分量變換通過提取PC-1到PC-7等不同主成分，實現(xiàn)了對多光譜數(shù)據(jù)的有效降維與信息提取，能幫助我們更高效地分析和處理遙感影像數(shù)據(jù)。

接下來我們要探討的是哈達瑪變換。哈達瑪變換是遙感多光譜域變換里的一種重要方法，它借助哈達瑪矩陣作為變換矩陣來實施。

在遙感領(lǐng)域，多光譜數(shù)據(jù)包含著豐富的信息，但也存在數(shù)據(jù)冗余等問題。哈達瑪變換的出現(xiàn)，為解決這些問題提供了新的途徑。通過以哈達瑪矩陣作為變換矩陣，它能夠?qū)Χ喙庾V數(shù)據(jù)進行有效的處理和變換。

哈達瑪矩陣有著獨特的性質(zhì)，其變換核更是有著特殊的意義。它的存在使得哈達瑪變換在遙感多光譜域中發(fā)揮著重要作用。就如同主分量變換能集中有用信息、增加類別可分性一樣，哈達瑪變換也有著自身獨特的優(yōu)勢和應(yīng)用場景。它可以對多光譜數(shù)據(jù)進行重新組合和變換，從而挖掘出數(shù)據(jù)中更有價值的信息，為后續(xù)的遙感分析和應(yīng)用提供有力支持。

哈達瑪變換在遙感多光譜域變換中有著獨特的幾何意義。從哈達瑪變換核能夠得知，哈達瑪變換本質(zhì)上是一種將坐標軸旋轉(zhuǎn)了45°的正交變換。

正交變換具有諸多重要特性，它能保持向量的長度和向量間的夾角不變，這在數(shù)據(jù)處理和分析中意義重大。在遙感多光譜域里，這種將坐標軸旋轉(zhuǎn)45°的操作，實際上是對數(shù)據(jù)進行了一種特殊的線性變換。它可以把原始數(shù)據(jù)映射到一個新的空間中，使得數(shù)據(jù)在這個新空間里呈現(xiàn)出不同的分布特征。

通過這樣的變換，能夠更清晰地揭示數(shù)據(jù)中的潛在信息。例如，在處理多光譜圖像時，原本在原始坐標軸下相互交織、不易區(qū)分的信息，經(jīng)過哈達瑪變換后，可能會在新的坐標軸下變得更加分離和易于識別。這有助于我們更精準地分析和提取圖像中的關(guān)鍵信息，為后續(xù)的研究和應(yīng)用提供有力支持。所以，哈達瑪變換的這種幾何意義，是其在遙感領(lǐng)域發(fā)揮重要作用的關(guān)鍵因素之一。內(nèi)容提綱?基礎(chǔ)知識?特征變換和特征選擇?監(jiān)督分類?

非監(jiān)督分類?監(jiān)督分類和非監(jiān)督分類的結(jié)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(shù)在遙感技術(shù)領(lǐng)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(tǒng)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?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(tǒng)計特性8.1基礎(chǔ)知識?一個模式識別系統(tǒng)對被識別的模式作一系列的測量，然后將測量結(jié)果與“模式字典”中一組“典型的”測量值相比較。若和字典中某一“詞目”的比較結(jié)果是吻合或比較吻合，則我們就可以得出所需要的分類結(jié)果。這一過程稱為模式識別。?這一組測量值就是一種模式。8.1.1模式與模式識別數(shù)據(jù)模式模式獲取分割識別模式與模式識別姚明ROCKETS11模式識別的應(yīng)用車牌識別模式識別的應(yīng)用信函分揀模式識別的應(yīng)用遙感影像分類?

不同的地物在同一波段圖像上表現(xiàn)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(xiàn)規(guī)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(gòu)成一個多維隨機向量X，稱為光譜特征向量X

=[x1

x2

…

xn

]T?如TM圖像上任一個點?TM=[TM1，TM2，TM3，TM4，TM5，TM6，TM7]8.1.2光譜特征空間地物與光譜特征空間的關(guān)系地物在特征空間中的聚類情況8.1.3地物在特征空間中的聚類統(tǒng)計特性?

地物在特征空間的聚類通常是用特征點（或其相應(yīng)的隨機矢量）分布的概率密度函數(shù)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(shù)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(chǎn)生n個（

n≤m）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?概念：將原始圖像通過一定的數(shù)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(shù)幾個特征圖像上。?

目的：數(shù)據(jù)量有所減少，去相關(guān)，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。8.2.1特征變換NIRScatterPlotrevealsrelationshipbetweeninformationintwobandshere:correlationcoefficient=0.137redredNIRPrincipal

Components

Analysiscorre

lation

between

a

ll

bandsTM

datacorre

lat

ion

coefficients

:1.0000.9270.8740.0690.5930.4260.7360.9271.0000.9540.1720.6910.4460.8000.8740.9541.0000.1370.7400.4330.8120.0690.1720.1371.0000.369-0.0840.1190.5930.6910.7400.3691.0000.5340.8910.4260

7360.4460

8000.4330

812-0.0840

1190.5340

8911.0000

6710.6711

000?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(shù)目盡可能少的特征圖像組中去，達到數(shù)據(jù)壓縮的目的。?KL變換還能夠使新的特征圖像間互不相關(guān)，使新的特征圖像包含的信息內(nèi)容不重疊，增加類別的可分性。1.主分量變換主分量變換計算步驟?

（

1）計算均值向量M和協(xié)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(yīng)的幾個特征向量構(gòu)造變換矩陣φn。?

（

5）根據(jù)Y=φnX進行變換，得到的新特征影像就是變換的結(jié)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-7?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2.哈達瑪變換哈達瑪變換?哈達瑪矩陣的維數(shù)N總是2的倍數(shù)

N=

2m

(m

=

1,2,

…)?每個高階哈達瑪矩陣都由其低一階的哈達瑪矩陣按如下形式組成

?哈達瑪變換定義為：IH

=H.

X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(zhuǎn)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(wèi)星圖像的哈達瑪為換為例

，取二階哈達瑪變換矩陣Ih

=

[h0

h1

h2

h3

]T

h0=(x4+x5)+(x6+x7)h1=(x4+x5)-(x6+x7)h2=(x4-x5)-(x6-x7)h3=(x4-x5)+(x6-x7)?特征圖像h0把水同土壤與植被的混合體區(qū)分開來?特征圖像h1把植被同水和土壤的混合體區(qū)分開來?特征圖像h3和特征圖像h2主要表現(xiàn)為噪聲圖像，通常在特征選擇過程中可舍去，達到數(shù)據(jù)壓縮的目的。哈達瑪變換的幾何意義?

又稱K-T變換，由Kauth—Thomas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(tài)是呈規(guī)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(fā)的同一根輻射線方向上出現(xiàn)。?

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3.穗帽變換Y=A·XY=（ISB

IGV

IY

IN）TX=（X4X5X6X7）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穗帽變換

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(jīng)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(tǒng)計。生物量指標變換?定量選擇方法–

距離測度–散布矩陣測度?

類內(nèi)散矩陣?

類間散布矩陣?

總體散布矩陣?選擇一組最佳的特征影像進行分類8.2.2特征選擇

=

+

TM7,4,1TM5,4,3TM5,7,2TM4,3,2?前面所述內(nèi)容主要為分類前的預(yù)處理。預(yù)處理工作結(jié)束后，就將參與分類的數(shù)據(jù)準備，接下來的工作就是從這些數(shù)據(jù)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(jiān)督分類法；

另一種稱為非監(jiān)督分類法。下面先介紹監(jiān)督分類法。?監(jiān)督分類：是基于我們對遙感圖像上樣本區(qū)內(nèi)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(jù)來識別非樣本數(shù)據(jù)的類別。?監(jiān)督分類的思想：首先根據(jù)已知的樣本類別和類別的先驗知識，確定判別函數(shù)和相應(yīng)的判別準則，其中利用一定數(shù)量的已知類別函數(shù)中求解待定參數(shù)的過程稱之為學(xué)習(xí)或訓(xùn)練，然后將未知類別的樣本的觀測值代入判別函數(shù)，再依據(jù)判別準則對該樣本的所屬類別作出判定。8.3監(jiān)督分類監(jiān)督分類?

判別函數(shù)和判別規(guī)則?

分類過程

8.3.1判別函數(shù)和判別規(guī)則?各個類別的判別區(qū)域確定后，某個特征矢量屬于哪個類別可以用一些函數(shù)來表示和鑒別，這些函數(shù)就稱為判別函數(shù)。?

當計算完某個矢量，在不同類別判決函數(shù)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(jù)。如若所得函數(shù)值最大則該矢量屬于最大值對應(yīng)的類別。這種判斷的依據(jù)，我們稱之為判別規(guī)則。最大似然分類法概率判別函數(shù)：某特征矢量（X）落入某類集群的條件概率貝葉斯判別規(guī)則：把X落入某集群

wi

的條件概率

P(wi

/

X)

最大的類為X的類別。貝葉斯判別規(guī)則以錯分概率或風(fēng)險最小為準則的判別規(guī)則。假設(shè)：同類地物在特征空間服從正態(tài)分布，則類別的概率密度函數(shù)如式（8-2）所示。根據(jù)貝葉斯公式可得：最大似然分類法概率判別函數(shù)：

di

(X)

=

P(wi

/

X)P(wi

)

相應(yīng)的貝葉斯判別規(guī)則：若對于所有可能的j=1,2,

…

,m；j≠

i有di

(X)>dj

(X)

，則X屬于類wi

。判決邊界為

d1

(X)>d2

(X)

（假設(shè)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(cè)做出不正確判決的概率之和。貝葉斯判決邊界使這個數(shù)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(guī)則是以錯分概率最小的最優(yōu)準則。最小距離分類法?基本思想：計算未知矢量X到有關(guān)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?基本思想：首先通過訓(xùn)練樣區(qū)的數(shù)據(jù)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”作為該集群的判別函數(shù)。判決規(guī)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。盒式分類法?

（

1）確定感興趣的類別數(shù)?

（

2）特征變換和特征選擇?

（3）選擇訓(xùn)練樣區(qū)?

（4）確定判決函數(shù)和判決規(guī)則?

（

5）根據(jù)判決函數(shù)和判決規(guī)則對非訓(xùn)練樣區(qū)的圖像區(qū)域進行分類8.3.2分類過程（

1）對訓(xùn)練樣區(qū)的要求?準確性、代表性和統(tǒng)計性。?準確性：要確保選擇的樣區(qū)與實際地物一致；?代表性：所選樣區(qū)為某一地物的代表，還要考慮到地物本身的復(fù)雜性，反映同類地物光譜特性的波動情況；?統(tǒng)計性：指選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元，以保證由此計算出的類別參數(shù)符合統(tǒng)計規(guī)律。（

2）初始類別參數(shù)的形成（3）樣本數(shù)據(jù)的訓(xùn)練?計算每個類別的M和

Σ

,

建立類別的判別函數(shù)（4）逐像素分類判別分類得到專題圖原始圖像的預(yù)處理特征提取和特征選擇訓(xùn)練樣區(qū)的選擇與評估通過訓(xùn)練樣區(qū)誤差矩陣和分類預(yù)警評價、樣本可分性度量判斷訓(xùn)練樣區(qū)是否合格合

格分類器選擇及分類運算分類精度評價精度合格成果輸出監(jiān)督分類流程精度不合格不合格監(jiān)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(xùn)練樣本沒有很好的代表性?訓(xùn)練樣本的獲取和評估花費較多人力時間?只能識別訓(xùn)練中定義的類別?非監(jiān)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(guī)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(fā)聚類分析8.4

非監(jiān)督分類?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)類中心不變，算法結(jié)束；否則返回(2)8.4.1

K-均值聚類法01

234

567

891001

234

567

891001

2

3

4

567

8

91001

23

4

5

6

7

8

9

101074211074211074211074218.4.1

K-均值聚類法668805309953668893509530

8.4.2

ISODATA算法聚類分析?第一，它不是每調(diào)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(diào)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(diào)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(shù)比較合理的聚類結(jié)果。?

1.初始化；?

2.選擇初始中心；?

3.按一定規(guī)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(shù)進行分裂和合并；?

5.結(jié)束，迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值；?

6.否則，重復(fù)3-5；?

7.確認類別，精度評定.ISODATA算法?

以地物的光譜特性曲線為基礎(chǔ)，假定同類地物的光譜特性曲線相似作為判決的標準。設(shè)置一個相似閾值?同類地物在特征空間上表現(xiàn)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”。

8.4.3平行管道發(fā)聚類分析非監(jiān)督分類結(jié)果非監(jiān)督分類特點?

優(yōu)點–不需要預(yù)先對所分類別的區(qū)域有廣泛的了解，需要用一定的知識來解釋得到的集群組；–

人為誤差的機會減少；–