1、1,第五章 遙感數(shù)字圖像計算機分類,一、遙感數(shù)字圖像計算機分類的一般原理 二、遙感分類的常用判別函數(shù) 三、遙感數(shù)字圖像的分類方法 四、遙感數(shù)字圖像的分類后處理 五、光譜特征分類中的輔助處理技術 六、遙感圖像計算機分類新方法,2,一、遙感數(shù)字圖像計算機分類的一般原理,遙感圖像解譯,3,一、遙感數(shù)字圖像計算機分類的一般原理,遙感圖像解譯,遙感圖像數(shù)據(jù),專題圖像 專題地圖,專業(yè)應用,解譯,方法,計算機分類,目視解譯,光譜規(guī)律 地學規(guī)律 解譯者的經(jīng)驗,解譯標志（亮度、色調(diào)、位置、時間、紋理、結構等）,景物類型,屬性識別、分類,提取信息、識別地物,4,圖像分類的目的 將圖像中每個像元根據(jù)其不同波段的光譜

2、亮度、空間結構特征或其他信息，按照某種規(guī)則或算法劃分為不同的類別。 遙感圖像分類 利用計算機技術來模擬人類的識別功能,對地球表面及其環(huán)境在遙感圖像上的信息進行屬性的自動判別和分類，達到提取所需地物信息的目的。,5,計算機分類 是通過模式識別理論，利用計算機將遙感圖象自動分成若干地物類別的方法。 如土地覆蓋/土地利用分類、森林類型分類、植被 類型分類、巖性分類、 數(shù)據(jù)信息 （遙感數(shù)據(jù)-地物信息）,主要數(shù)據(jù)類型： 1、原始光譜數(shù)據(jù)； 2、光譜變換后數(shù)據(jù)； 3、非遙感數(shù)據(jù),6,理論依據(jù) 在理想條件下，圖像中同類地物在相同的條件下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(xiàn)出同類地物的某種內(nèi)

3、在相似性，即同類地物像元的特征向量將集群在同一特征空間區(qū)域，而不同地區(qū)的光譜信息特征或空間信息特征應不同，因而將集群在不同的特征空間區(qū)域。,7,遙感圖像分類的實質(zhì),圖象分類過程的總目標是，將圖象中所有像元自動地進行土地覆蓋類型或土地覆蓋專題的分類。,8,影響遙感圖像分類精度的因素 大氣狀況的影響：吸收、散射。 下墊面的影響：下墊面的覆蓋類型和起伏狀態(tài)對分類具有一定的影響。 其他因素的影響：云朵覆蓋；不同時相的光照條件不同，同一地物的電磁輻射能量不同；地物邊界的多樣性。,9,統(tǒng)計模式識別的概念和基本問題,模式（pattern）: 在多波段圖象中，每個象元都具有一組對應取值，稱為象元模式，即一個像

4、元對應多個值（地理信息的多維性）。 特征（feature）：在多波段圖象中，每個波段都可看作一個變量，稱為特征變量。特征變量構成特征空間。 波段：光譜波段 其它派生波段（紋理、上下文關系、波段比等） 輔助數(shù)據(jù)(ancillary data) (非遙感數(shù)據(jù)，如DEM、 土壤類型) 特征提?。╢eature extraction）：通過變換找出最能反映地物類別差異的特征變量用于分類的過程,10,模式識別 是人們沿著仿生學的道路，用計算機系統(tǒng)作為工具來模擬人類的感知和識別智能，它是人工智能的一個分支。,xn,分類器（或稱判決器），可以根據(jù)一定的分類規(guī)則，把某一測量矢量X劃入某一組預先規(guī)定的類別之中去

5、。,自然模式,接收器 (傳感器),分類器 (判決器),x2,x1,結果,.,模式識別系統(tǒng)的模型,11,遙感圖像目視判讀與計算機分類的比較 相同點：目的一致； 不同點：目視判讀直接利用人類的自然識別智能； 計算機分類利用計算機模擬人類的識別能力。,遙感圖像的計算機分類 它是對地球表面及其環(huán)境在遙感圖像上的信息進行屬性的識別和分類，從而達到識別圖像信息所相應的實際地物，提取所需地物信息。,12,遙感圖像的模式特征及其分類方法 光譜特征 紋理特征 基于光譜特征的統(tǒng)計識別方法 基于紋理特征的統(tǒng)計識別方法 （主要） （次要、補充）,13,統(tǒng)計模式識別的基本含義 （1）把識別對象的特征的每一個觀測量視為從

6、屬于一定分布規(guī)律的隨機變量； （2）在多維觀測的情況下，把識別對象特征的各維觀測值的總體視為一個隨機矢量，每一個隨機矢量在一個多維特征空間中都有一個特征點與之相對應； （3）所有特征點的全體在特征空間中將形成一系列的分布群體，每個分布群體中的特征點被認為具有相似特征，并可以劃為同一類別； （4） 找到各個分布群體的邊界線（面）或確定任意特征點落入每個分布群體中的條件概率，并以此依據(jù)來確定特征點（或相應的識別對象）的分類。,14,光譜特征向量與特征點集群,基于統(tǒng)計模式識別的分類方法 監(jiān)督分類與非監(jiān)督分類 分類處理與增強處理的異同 共同點：增強和提取遙感圖像中目標物的信息 不同點： 增強處理增強視

7、覺效果提高圖像的可解譯性（定性） 圖像分類地物類別的區(qū)分（定量信息）,15,光譜特征向量與特征點集群,圖像波段總數(shù),光譜特征向量 光譜特征變量：由于受外界各種因素的影響，使得同類地物的成像亮度值總是帶有隨機誤差，導致圖像亮度值（即光譜特征）的觀測值為一個隨機變量（x）。 光譜特征向量：同名地物點在不同波段圖像中亮度的觀測量構成一個多維的隨機向量（X），稱為光譜特征向量。即,16,光譜特征向量與特征點集群,光譜特征空間 為度量地物的光譜特征，建立的以各波段圖像的亮度分布為子空間的多維空間。,17,光譜特征向量與特征點集群,特征點集群 每個地物點依其在各個波段所具有的光譜值可以在一個多維空間中找到

8、一個相應的特征點，但由于隨機性所致，同類地物的各取樣點在光譜特征空間中的特征點將不可能表現(xiàn)為一個點，而是表現(xiàn)為一個相對聚集的點集群，不同類地物點集群在特征空間中一般相互分離，這些點集群稱為特征點集群。,18,特征點集群在空間中的分布情況,最理想情況 不同類別集群至少在一個特征子空間（某一波段圖像）中的投影（即亮度范圍）是完全可以相互區(qū)分開的可以用簡單的圖像密度分割實現(xiàn)。,19,典型情況 不同類別地物的集群，在任一個子空間都有重疊現(xiàn)象存在，但在總的特征空間中卻是可以完全分開的。即單波段的圖像不能實現(xiàn)圖像的分類，只有利用多波段圖像在多維空間中才能實現(xiàn)精確分類。,20,一般情況 不論是在總的特征空間

9、還是任一子空間，不同類別的集群之間總有重疊現(xiàn)象，這時重疊部分的特征點所相應的地物，在分類時會出現(xiàn)不同程度的分類誤差，這是遙感圖像分類中最常見的現(xiàn)象。,21,地物與光譜特征空間的關系,22,計算機分類的基本原理,基本原理 不同的地物具有不同的光譜特征，同類地物具有相同或相似的光譜特征將圖像中的每個像元或區(qū)域劃歸為若干類別是的一種，即通過光譜特征分析選擇特征參數(shù)將特征空間劃分為不重疊的子空間將影像像元劃分到各個子空間實現(xiàn)分類 圖象分類：基于數(shù)字圖象中反映的同類地物的光譜相似性和異類地物的光譜差異性。 依據(jù)是遙感圖像像素的相似度。,距離 相關系數(shù),23,計算機分類的基本原理,基本思想 同類地物的光譜

10、特征比較接近，在特征空間中的點聚集在該類的中心附近；多類目標聚集多個點族。,分類算法的核心 判別函數(shù) 判別準則,方法 判別函數(shù)： 找到一個函數(shù)使fAB(X)=0 判別準則： fAB(X)0，X為A類； fAB(X) 0，X為B類,類別界面,24,計算機分類處理的一般過程,25,二、遙感分類的常用判別函數(shù),距離判別函數(shù),歐氏距離:,N, 波段數(shù)；dij第個i像元與第j個像元在N維空間中的距離； xik為第個k波段上第i個像元的灰度值。,相當于高維空間內(nèi)向量所表示的點到點之間的距離。 由于特征向量的各分量的量綱不一致，通常需要先對各分量進行標準化，使其與單位無關，比如對亮度值和NDVI兩個單位不同

11、的指標使用歐式距離可能使結果失效。 優(yōu)點：簡單,應用廣泛(如果也算一個優(yōu)點的話) 缺點：沒有考慮分量之間的相關性,體現(xiàn)單一特征的多個分量會干擾結果。,26,絕對距離:,明可夫斯基距離（Minkowski）: 歐氏距離和絕對距離可統(tǒng)一表示為:,明可夫斯基距離存在的主要問題 明氏距離與特征參數(shù)的量綱有關（解決辦法：標準化處理） 明氏距離沒有考慮特征參數(shù)間的相關性,27,為了更一步理解這些距離的差別，我們做下面一個實驗：選取一個點作為中心點，用上述的三個距離公式分別計算周圍的每一個點到這個中心點的距離 ，將距離相同的點用同一種顏色表示，那么得到下面的三個圖：,圖1.歐氏距離 圖2.曼哈頓距離 圖3.

12、閔可夫斯基距離(p=10),從三個圖中可以看出，三個不同的距離公式，對中心的逼近方式也不一樣：歐式距離是以同心圓的方式向中心靠近；曼哈頓距離是以傾斜45度角的正方形的方式向中心靠近；閔可夫斯基距離(p=10)則是以四個角度光滑的四邊形的方式向中心靠近。,28,分類實驗：在維數(shù)為2維的平面空間中（只有橫軸方向x和縱軸方向y兩維空間），有一塊128128的區(qū)域，在這個區(qū)域中有已知的A(110, 18)，B(30, 18)，C(110, 88)，D(90, 58)，E(25, 123)五個點，以這五個點為5個類別的中心，將這個128128的區(qū)域里面的所有的點，用上面的三個不同的距離計算方法，對它們進

13、行最小距離分類，結果如圖,圖4.歐氏距離分類 圖5.曼哈頓距離分類 圖6.閔可夫斯基距離(p=10)分類,從三個圖中可以看出來，不同距離算法，類別中心對周圍點的作用域是不相同的。,29,馬氏距離（Mahalanobis）,1)度量兩個服從同一分布并且其協(xié)方差矩陣為C的隨機變量X與Y的差異程度 2)度量X與某一類的均值向量的差異程度,判別樣本的歸屬。此時，Y為類均值向量. 優(yōu)點： 1）獨立于分量量綱 2）排除了樣本之間的相關性影響。 缺點：不同的特征不能差別對待，可能夸大弱特征。,30,相似系數(shù)(余弦距離) 表示當前像元的向量與類向量之間的光譜夾角。像元i到類k的距離公式為：,相似系數(shù)為1，表明

14、兩個向量重合，但并不代表兩個向量之間的歐氏距離為0。 特點：將地面光譜作為已知類，比較圖像光譜與地面光譜的相似性，相似系數(shù)具有更好的效果。,dik為像元i 到類k的距離，p為波段數(shù)，xij為像元i在j波段的值, Mkj為類k在j波段的中心。,31,最大似然法判別函數(shù) （Bayes準則） 基本思想 （1）地物類數(shù)據(jù)在特征空間中構成特征點集群； （2）每類地物每一特征均為正態(tài)分布，多個特征構成多維正態(tài)分布； （3）按正態(tài)分布規(guī)律用最大似然判別規(guī)則進行判決，得取分類結果。,32,Bayes準則及判別函數(shù),33,假設有兩類，如圖。概率判別函數(shù)的判別邊界為d1(X)和d2(X)，當使用概率判別函數(shù)進行分

15、類時，不可避免會出現(xiàn)錯分現(xiàn)象，分類錯誤的總概率由后驗概率函數(shù)重疊部分下的面積給出。錯分概率是類別判別分界兩側(cè)做出不正確判別的概率之和。 Bayes判別邊界使這個數(shù)最小，因為這個判別邊界無論向左還是向右都將包括不是1類便是2類的一個更大面積，從而增加總的錯分概率。故：Bayes判別規(guī)則是錯分概率最小的最優(yōu)準則。,34,最大似然法和最小距離法分類錯分比較,假設有兩類w1和w2，其后驗概率分布如圖。 最小距離按歐氏距離或計程距離計算（因馬氏距離不僅與均值向量有關，還與協(xié)方差矩陣有關，更復雜）。,結論： 最大似然法的錯分概率小于最小距離法總的錯分概率。 對馬氏距離而言，判別邊界有可能不是兩上均值向量的

16、中點，其判別邊界與集群的分布形狀大小有關。,35,三、遙感數(shù)字圖像的分類方法,分類執(zhí)行方式：監(jiān)督分類、非監(jiān)督分類 分類模型或分類器：統(tǒng)計分類、模糊分類、鄰域分類、神經(jīng)網(wǎng)絡分類等。,36,監(jiān)督分類（supervised classification） 通過選擇代表各類別的已知樣本（訓練區(qū)）的象元光譜特征，事先取得個類別的參數(shù)，確定判別函數(shù)，從而進行分類。 在監(jiān)督分類中，先定義信息類，然后檢驗它們的光譜可分性。,37,監(jiān)督分類（supervised classification） 訓練區(qū)的作用 已知覆蓋類型的代表樣區(qū) 用于描述主要特征類型的光譜屬性 其精度直接影響分類結果,38,訓練區(qū)的選擇要求

17、訓練場地所包含的樣本在種類上要與待分區(qū)域的類別一致。 訓練樣本應在各類目標地物面積較大的中心選取, 這樣才有代表性。 如果采用最大似然法,分類要求各變量正態(tài)分布, 因此訓練樣本應盡量滿足這一要求，訓練樣本的個數(shù)至少要n+1個（n是特征空間的維數(shù)） 訓練樣本的數(shù)目應能夠提供各類足夠的信息和克服各種偶然因素的影響 圖件時間和空間上的一致性,39,訓練區(qū)選擇的關鍵 、類別數(shù) 如果特征空間( 波段數(shù) )的維數(shù)是n，則預分類的類別數(shù)一定要 n+1 ,甚至可以達到3n 。 B、代表性 訓練樣本應該反映該類地物的亮度特征；且需注意同類地物空間分布的不連續(xù)性（如，可以分別在塊草地中選取訓練樣本）。 、亮度分布

18、 從亮度特征角度而言，對于同一類地物具有不同亮度特征情況，通常都要選取（同物異譜）。,40,、純度的把握 一般來說，在已知類別的中間部位純度較高；如果過純，則方差過小，導致許多此類地物的像元被拒分；如果不純，則方差過大，導致不是此類地物的像元被分到該類別中，導致出現(xiàn)“錯分”的情況； 把握純度的方法：讀像元的亮度值，確定該類地物的亮度分布區(qū)間；同時，注意其它地物亮度值與其近似部分的像元亮度分布區(qū)間，依“錯分損失最小”的原則，確定“分類界限”。,41,訓練區(qū)的選擇,42,選擇訓練樣區(qū)-直接在圖像上選取,43,選擇訓練樣區(qū)在特征空間上選取,44,訓練樣本中的各個像素在特征空間中的分布情況,45,最小

19、距離分類法 最小距離分類法是以特征空間中的距離作為像元分類的依據(jù)。原理簡單，計算速度快，分類精度不高。,Step 2 for each unclassified pixel, calculate the distance to average for each training area,特點：原理簡單，容易理解，計算速度快。 缺點：因只考慮每一類樣本的均值，而不用管類別內(nèi)部的方差（每一類樣本的分布），也不用考慮類別之間的協(xié)方差（類別和類別之間的相關關系），所以分類精度不高。 主要用途：一般不用它作為分類對精度有高要求的分類，但它可以在快速瀏覽分類概況中使用。,改進方法,多級切割分類法,通過設

20、定在各軸上的一系列分割點，將多維特征空間劃分成分別對應不同分類類別的互不重疊的特征子空間的分類方法。 對于一個未知類別的像素來說，它的分類取決于它落入哪個類別特征子空間中。 多級切割分類法要求訓練區(qū)樣本的選擇必須覆蓋所有的類型。 運用多級分割法分類前，需要先進行主成分分析，或采用其他方法對各軸進行相互獨立的正交變換。,用多級切割法分割三維特征空間,50,平行多面體分類,要求分割面總是與各特征軸正交，如果各類別在特征空間中呈傾斜分布，就會產(chǎn)生分類誤差?？上炔捎酶鬏S的正交變換后，再進行多級分割。,最大似然比分類法(Maximum Likelihood),通過求出每個像素對于各類別的歸屬概率，把該像

21、素分到歸屬概率最大的類別中去的方法。 假定訓練區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣，近似服從正態(tài)分布。 利用訓練區(qū)可求出均值、方差以及協(xié)方差等特征參數(shù)，從而可求出總體的先驗概率密度函數(shù)。 然后，每一個像素歸為某一類別的歸屬概率可求出。,54,使用最大似然比分類法的注意事項 各類別的訓練數(shù)據(jù)至少要為特征維數(shù)的2-3倍以上，這樣才能統(tǒng)計出具有較高精度的均值、方差與協(xié)方差； 如果2個以上的波段相關性很強，那么方差協(xié)方差矩陣的逆矩陣就不存在，或非常不穩(wěn)定。在訓練數(shù)據(jù)幾乎都取相同值的均質(zhì)性數(shù)據(jù)組的情況下也是如此。此時，最好采用主成分分析法，把維數(shù)減到僅剩相互獨立的波段。 當總體分布不符合正態(tài)分布時

22、，不適于采用以正態(tài)分布的假設為基礎的最大似然比分類法。其分類精度也將下降。,55,分類結果,56,非監(jiān)督分類法不必使用訓練樣區(qū)數(shù)據(jù)作為分類的基礎。通過檢驗大量的未知像元并根據(jù)多光譜空間中的自然集群將它們分為若干類。 基本前提：同種地物類型的值在測量空間上應該相互接近，而不同的地物類型應該具有比較明顯的可分性，即：假定遙感影像上同類物體在同樣條件下具有相同的光譜信息特征。 主要方法：采用聚類分析方法，聚類是把一組像素按照相似性歸成若干類別，即“物以類聚”。,非監(jiān)督分類(unsupervised classification),57,主要目的是使得同一類別的像素之間的距離盡可能的小而不同類別上的像

23、素間的距離盡可能的大。 分類標準的確定不需要人的參與，由計算機根據(jù)自動按照某一標準（例如距離最短）自動進行。需要確定要分幾種類別，或者類似的輸入條件。分類后的結果，還需要再給出具體的涵義，即先分類后確定屬性。 區(qū)別：監(jiān)督分類法確定有用信息類別，然后再檢驗它們的光譜可分性；而非監(jiān)督分類法先確定光譜的可分性，然后再確定它們的有用信息。,58,分類算法的思路 先選擇若干個模式點作為聚類的中心，每一個中心代表一個類別，按照某種相似性度量方法將各模式歸于各聚類中心所代表的類別，形成初始分類。然后由聚類準則判斷初始分類是否合理，如果不合理就修改分類，如此反復迭代運算，直到合理為止。,59,根據(jù)事先指定的某

24、一準則，而進行計算機自動判別歸類，無須人為干預，分類后需確定地面類別。 在非監(jiān)督分類中，先確定光譜可分的類別，然后定義它們的信息類。,60,非監(jiān)督分類的核心：初始類別參數(shù)的選定（基準類別集群中心（數(shù)學期望），集群分布的協(xié)方差矩）；迭代調(diào)整。 非監(jiān)督分類的主要過程,61,非監(jiān)督分類基本過程,62,初始類別參數(shù)的選定方法 像素光譜特征的比較法,63,總體直方圖均勻定心法在總體直方圖的基礎上選定類別中心,64,65,最大最小距離選心法（效果最好） 選心原則：各初始類別之間盡可能保持遠距離,66,先抽樣，設有n個樣本，計算步驟：,67,非監(jiān)督分類的主要算法 ISODATA法（迭代自組織數(shù)據(jù)分析技術）

25、基本思想：在初始類別參數(shù)選定的基礎上，通過逐步趨近求出實際的基準類別參數(shù)。,68,算法流程：,69,70,71,72,總結：以初始類別為“種子”進行自動迭代聚類過程，它可以自動地進行類別的“合并”與“分裂”，其各個參數(shù)也在不斷地聚類調(diào)整中逐漸確定，并最終構成所需要的判別函數(shù)。 因此，基準類別參數(shù)的確定過程，也正是利用光譜特征本身的統(tǒng)計性質(zhì)對判別函數(shù)的不斷調(diào)整和“訓練”的過程。,73,K-mean算法 基本思想：通過迭代，移動各個基準類別的中心，得到最好的聚類結果。 聚類準則（收斂條件）：使每一聚類中，多模式點到該類別的中心的距離的平方和最小。即：對于圖像中互不相交的任意一類，計算該類中的像素值與該類均值差的平方和。將圖像中所有類的差的平方和相加，并使相加后的值達到最??！,74,75,K-mean算法的計算步驟：,76,K-mean算法與ISODATA算法的區(qū)別： （1）ISODATA算法它不是每調(diào)整一個樣本的類別就重新計算一次各樣本的均值，而是在把所有的樣本都調(diào)整完之后才重新計算。 （2） K-mean算法是逐個樣本修正法， ISODATA算法是成批樣本修正法； （3） 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，