遥感图像的计算机分类课件.pptx

1、理解遥感图像计算机分类的一般原理和常用的判别函数掌握传统的监督分类和非监督分类方法，以及分类中的辅助处理技术了解计算机分类的新方法遥感图像计算机分类的一般原理遥感图像计算机分类的一般原理判别函数判别函数非监督分类非监督分类监督分类监督分类光谱特征分类中的辅助处理技术光谱特征分类中的辅助处理技术计算机分类新方法计算机分类新方法雷达遥感图像分类新方法雷达遥感图像分类新方法概述概述计算机分类的基本原理计算机分类的基本原理计算机分类处理的一般过程计算机分类处理的一般过程一、概述一、概述遥感图像的解译遥感图像的解译通过对遥感图像所提供的各种识别目标的特征信息进通过对遥感图像所提供的各种识别目标的特征信息

2、进行分析、推理与判断，从而识别目标或现象的过程行分析、推理与判断，从而识别目标或现象的过程v目视方法凭着凭着光谱规律、地学规律和解译者的经验光谱规律、地学规律和解译者的经验从影像的从影像的亮亮度、色调、位置、时间、纹理、结构度、色调、位置、时间、纹理、结构等特征推出地面等特征推出地面的景物类型的景物类型v计算机方法利用利用计算机模式识别技术计算机模式识别技术对遥感图像上的信息进行属对遥感图像上的信息进行属性的识别和分类性的识别和分类一、概述一、概述光谱特征光谱特征v概念地物电磁波辐射的多波段测量值，通常以地物多光谱地物电磁波辐射的多波段测量值，通常以地物多光谱图像上的亮度体现图像上的亮度体现v

3、遥感图像分类的主要依据不同的地物在同一波段图像上表现的亮度一般互不相不同的地物在同一波段图像上表现的亮度一般互不相同；同时，不同的地物在多个波段图像上亮度的呈现同；同时，不同的地物在多个波段图像上亮度的呈现规律也不同规律也不同( (exampleexample）一、概述一、概述地物反射率差异图地物反射率差异图 若按照地物类别聚集的规律把多光谱空间划分为若干个若按照地物类别聚集的规律把多光谱空间划分为若干个子空间，每一个子空间包含一个类别，就可以把图像中未知像子空间，每一个子空间包含一个类别，就可以把图像中未知像元进行分类，分配到各自的子空间中元进行分类，分配到各自的子空间中一、概述一、概述v相

4、关概念n光谱类别光谱类别完全按照光谱特征在多光谱空间内聚集的类别完全按照光谱特征在多光谱空间内聚集的类别n信息类别信息类别与地面实际景物对应的类别与地面实际景物对应的类别n同物异谱同物异谱同一种地物包含几种光谱类别同一种地物包含几种光谱类别n异物同谱异物同谱同一种光谱类别中有不同的信息类别同一种光谱类别中有不同的信息类别一、概述一、概述遥感图像的计算机分类遥感图像的计算机分类v概念将图像中每一个像元点或区域归属于若干个类别中将图像中每一个像元点或区域归属于若干个类别中的一类，或若干个专题要素中的一种，完成将图像数的一类，或若干个专题要素中的一种，完成将图像数据从二维灰度空间转换到目标模式空间的

5、工作据从二维灰度空间转换到目标模式空间的工作v分类n统计模式方法统计模式方法传统方法传统方法n句法模式方法句法模式方法新方法新方法一、概述一、概述v相关概念n监督分类和非监督分类监督分类和非监督分类l监督分类监督分类基于对于遥感图像上样本区内的地物的类属已基于对于遥感图像上样本区内的地物的类属已有先验知识有先验知识，以已知样本的特征作为依据判断非样本数据的类别以已知样本的特征作为依据判断非样本数据的类别l非监督分类非监督分类遥感图像地物的属性遥感图像地物的属性不具有先验知识不具有先验知识，纯粹依靠不同光谱，纯粹依靠不同光谱数据组合在统计上的差别进行数据组合在统计上的差别进行“盲目分类盲目分类”

6、, ,分类结果并分类结果并不确定类别的属性不确定类别的属性一、概述一、概述n分类处理与增强处理l共同点共同点增强和提取遥感图像中的目标信息增强和提取遥感图像中的目标信息l异同点异同点增强主要是增强图像的目视效果，提高图像的可解译增强主要是增强图像的目视效果，提高图像的可解译性性定性定性分类着眼于地物类别的区别分类着眼于地物类别的区别定量定量一、概述一、概述n遥感图像分类处理的特点多变量多变量l特征选择特征选择有选择地去除多光谱图像中对分类贡献不大的波段，从有选择地去除多光谱图像中对分类贡献不大的波段，从而确定分类的信息源的过程而确定分类的信息源的过程 l特征特征分类时所使用的波段或波段组合分类

7、时所使用的波段或波段组合l特征参数特征参数选择出来的，新的对于表示类别可分性更为有效的变量选择出来的，新的对于表示类别可分性更为有效的变量 l特征空间特征空间特征参数组成的空间特征参数组成的空间二、计算机分类的基本原理二、计算机分类的基本原理相关概念相关概念v像元的特征值每个波段上灰度值构成的矢量每个波段上灰度值构成的矢量v特征空间包含包含X X的的的的n n维空间维空间v模式图像中某一类目标图像中某一类目标v样本属于某类别的像素属于某类别的像素v样本观测值样本的多光谱矢量样本的多光谱矢量波段波段1 1波段波段2 2波段波段n n多光谱图像多光谱图像TnxxxX),(21TnxxxX),(21

8、二、计算机分类的基本原理二、计算机分类的基本原理基本原理基本原理多光谱图像和特征空间中的点集具有等价关系。通常多光谱图像和特征空间中的点集具有等价关系。通常同一类地面目标的光谱特性比较接近，在特征空间中同一类地面目标的光谱特性比较接近，在特征空间中的点聚集在该类的中心附近，多类目标在特征空间中的点聚集在该类的中心附近，多类目标在特征空间中形成多个点族（形成多个点族（exampleexample）二、计算机分类的基本原理二、计算机分类的基本原理BX0)(X0)(，当，当XfXfABAAB多光谱图像分类原理多光谱图像分类原理设图像上有两类设图像上有两类目标目标A A、B B判别准则为判别准则为：遥

9、感图像分类算法的核心就是确定判别函数和相应的判别准则fAB(X)0三、计算机分类处理的一般过程三、计算机分类处理的一般过程原始图像的预处理训练区的选择特征选择和特征提取分类检验结果结果输出原始图像预处理原始图像预处理训练区的选择训练区的选择特征选择和特征提取特征选择和特征提取图像分类运算图像分类运算检验结果检验结果结果输出结果输出三、计算机分类处理的一般过程三、计算机分类处理的一般过程原始图像的预处理原始图像的预处理对观测数据作成像处理，以及图像的几何校正、辐射对观测数据作成像处理，以及图像的几何校正、辐射校正、量化、采样、预滤波、去噪声等处理，以便获校正、量化、采样、预滤波、去噪声等处理，以

10、便获得一幅比较清晰、对比度强、位置准确的图像提高分得一幅比较清晰、对比度强、位置准确的图像提高分类精度类精度三、计算机分类处理的一般过程三、计算机分类处理的一般过程训练区的选择训练区的选择v要求普遍性、代表性普遍性、代表性v方法n实地调查实地调查n借助地图、航片或其他专题资料借助地图、航片或其他专题资料n非监督分类非监督分类水水 田田平原水田平原水田丘陵水田丘陵水田山区水田山区水田景观相片景观相片遥感影像遥感影像平原旱地平原旱地山区旱地山区旱地景观相片景观相片遥感影像遥感影像丘陵旱地丘陵旱地旱旱 地地有林地有林地景观相片景观相片遥感影像遥感影像疏林地疏林地灌木林地灌木林地林林 地地低覆盖度草地

11、低覆盖度草地中覆盖度草地中覆盖度草地高覆盖度草地高覆盖度草地景观相片景观相片遥感影像遥感影像草草 地地河河 渠渠冰川及永久性积雪冰川及永久性积雪水库坑塘水库坑塘湖湖 泊泊河滩地河滩地水 域城镇用地城镇用地农村居民用地农村居民用地工矿和交通用地工矿和交通用地景观相片景观相片遥感影像遥感影像城镇及工矿用地盐碱地盐碱地沙沙 地地戈戈 壁壁沼泽地沼泽地裸土地裸土地裸岩裸岩其他其他未利用土地景观相片景观相片遥感影像遥感影像景观相片景观相片遥感影像遥感影像三、计算机分类处理的一般过程三、计算机分类处理的一般过程特征选择与特征提取特征选择与特征提取v特征选择（feature selection）从众多特征中

12、挑选出可以参加分类运算的若干特征从众多特征中挑选出可以参加分类运算的若干特征v特征提取（feature extraction）在特征选择后，利用特征提取算法从原始特征中求出在特征选择后，利用特征提取算法从原始特征中求出最能反映其类别特性的一组新特征，完成样本空间到最能反映其类别特性的一组新特征，完成样本空间到特征空间的转换特征空间的转换数据压缩、提高不同类别特征之间的可区分性数据压缩、提高不同类别特征之间的可区分性三、计算机分类处理的一般过程三、计算机分类处理的一般过程图像分类运算图像分类运算核心阶段核心阶段根据影像特点和分类目的设计或选择恰当的分类根据影像特点和分类目的设计或选择恰当的分类器

13、及其判别准则，对特征矢量进行划分，完成分器及其判别准则，对特征矢量进行划分，完成分类工作类工作检验结果检验结果分类精度和可靠性评价分类精度和可靠性评价结果输出结果输出结果图像的输出和分类结果的统计值结果图像的输出和分类结果的统计值距离判别函数距离判别函数最大似然法判别函数最大似然法判别函数一、距离判别函数一、距离判别函数前提前提地物光谱特征在特征空间中按集群方式分布地物光谱特征在特征空间中按集群方式分布原理原理已知各类别集群的中心位置已知各类别集群的中心位置M Mi i（均值），计算光谱特（均值），计算光谱特征空间中任一点征空间中任一点k k到各类的距离到各类的距离 （i i1 1，2 2，n

14、 n）若若 则则k k i i类；否则类；否则k k j j类类 )(kixd)()(kjkixdxd一、距离判别函数一、距离判别函数常用的距离判别函数常用的距离判别函数v闵氏距离n绝对值距离绝对值距离n欧几里德距离欧几里德距离v马哈拉诺比斯距离一、距离判别函数一、距离判别函数n绝对值距离（出租汽车距离、绝对值距离（出租汽车距离、城市块距离、等混合距离）城市块距离、等混合距离）式中 为距离；j为波段序号；总波段数为n，i为类别号，xkj为k像元在j波段的亮度值；Mij为均值)(kixdA(xA,yA)B(xB,yB)yx特点：各特征参数以等权参与，计算简单特点：各特征参数以等权参与，计算简单一

15、、距离判别函数一、距离判别函数n欧几里德距离（欧氏距离欧几里德距离（欧氏距离）特点：各特征参数等权特点：各特征参数等权yA(xA,yA)B(xB,yB)x一、距离判别函数一、距离判别函数n注意注意l闵氏距离与特征参数的量纲有关闵氏距离与特征参数的量纲有关量纲不同时可以通过用标准差或级差标准化的方法量纲不同时可以通过用标准差或级差标准化的方法解决解决l闵氏距离没有考虑特征参数间的相关性闵氏距离没有考虑特征参数间的相关性一、距离判别函数一、距离判别函数n马哈拉诺比斯距离（马氏距离）马哈拉诺比斯距离（马氏距离）式中，i为I 集群的协方差矩阵，其协方差为TkNkkkxxxx),(21TiNiiiMMM

16、M),(21mNmmNNi212222111211) 1()(1iinkilklijkjjlnnMxMxi一、距离判别函数一、距离判别函数)()()(2ikTikkiMxMxxdDBDAKMBMAx2x1特点：是一种加权的欧特点：是一种加权的欧氏距离，通过协方差矩氏距离，通过协方差矩阵来考虑变量相关性阵来考虑变量相关性当当I 时，为欧式距离时，为欧式距离的平方的平方二、最大似然法判别函数二、最大似然法判别函数最大似然判别规则最大似然判别规则v前提各类的分布为正态函数各类的分布为正态函数v依据贝叶斯贝叶斯(Bayes)(Bayes)公式公式v判别函数v判别规则式中， 似然概率 先验概率 后验概率

17、 X 出现的概率)/(Xpi)/(iXp)(ip)(Xp二、最大似然法判别函数二、最大似然法判别函数正态分布正态分布v多变量概率密度函数式中)()(21exp)2(1)/(1212iiTiipiMXSMXSXPinjjiiXnM11injTijijiiMXMXnS1)(11二、最大似然法判别函数二、最大似然法判别函数v判别函数v判别规则v判别边界类第类否则第，且当jXiXij)()(XgXgji概念概念是在没有先验类别知识是在没有先验类别知识( (训练场地训练场地) )的情况下，根据图像本的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理，身的统计特征及自然点群的分布

18、情况来划分地物类别的分类处理，也叫做也叫做“边学习边分类法边学习边分类法”理论依据理论依据遥感图像上的同类地物在相同的表面结构特征、植被覆盖、遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，一般具有相同或相近的光谱特征，从而表现出某光照等条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域谱信息特征不同，归属于不同的光谱空间区域方法方法聚类分析聚类分析主要过程主要过程确定初始类别参数确定初始类别参数（类别数、集群中心）（类别数、

19、集群中心）计算每个像元计算每个像元Xk到各到各集群中心集群中心j的距离的距离dkj集群中心是否变化集群中心是否变化计算新的集群中心计算新的集群中心dkiMin(dkj)Xk第第i类类结束结束YN初始类别参数的选定初始类别参数的选定ISODATAISODATA法法K-MeanK-Mean算法算法应用举例应用举例一、初始类别参数的选定一、初始类别参数的选定初始类别参数初始类别参数基准类别集群中心（数学期望基准类别集群中心（数学期望Mi），集群分布的协方），集群分布的协方差矩阵差矩阵i选定方法选定方法 v像素光谱特征的比较法v总体直方图均匀定心法v最大最小距离选心法v局部直方图峰值定心法一、初始类别

20、参数的选定一、初始类别参数的选定定义一个抽样集定义一个抽样集选定一个像素选定一个像素作为第作为第1个类别个类别作为该类的成员作为该类的成员相似？相似？其它像素与已建立的类别比较其它像素与已建立的类别比较计算类别参数计算类别参数YN作为新的类别作为新的类别所有像素或所有像素或按一定间隔抽样的按一定间隔抽样的像素像素设定阈值设定阈值v像素光谱特征的比较法一、初始类别参数的选定一、初始类别参数的选定v总体直方图均匀定心法设总体直方图的均值和方差分别为 和 其中每个类别初始类别集群中心位置Tn22221,TnmmmM,21NjiijiNjijimxNxNm1221)(111一、初始类别参数的选定一、初

21、始类别参数的选定v最大最小距离选心法n原则原则使各初始类别之间，尽可能地保持远距离使各初始类别之间，尽可能地保持远距离n过程过程一、初始类别参数的选定一、初始类别参数的选定定义一个抽样集定义一个抽样集选定一个像素选定一个像素X1作为第一个初始类别中心作为第一个初始类别中心Z1X Xj j作为第作为第2 2个初始类别中心个初始类别中心Z Z2 2D1j=Max(D1i)计算计算X X1 1与其它抽样点与其它抽样点X Xi i距离距离D D1i1i结束结束Y计算剩余抽样点计算剩余抽样点X Xk k到已建立到已建立的初始类别中心的初始类别中心m m距离距离d dkmkmdkMin(dkm)dj=ma

22、x(dk)Xj作为新类别作为新类别达到需要的类别数达到需要的类别数YN一、初始类别参数的选定一、初始类别参数的选定与光谱特征相似法相比，具有不受阈值选定影响的好处与光谱特征相似法相比，具有不受阈值选定影响的好处与总体直方图均匀定心法相比，具有更接近实际各类集群分与总体直方图均匀定心法相比，具有更接近实际各类集群分布位置状况的优点布位置状况的优点nexample局部直方图峰值定心法局部直方图峰值定心法v基本原理每个类别的集群中心一般位于本类别直方图的峰值位每个类别的集群中心一般位于本类别直方图的峰值位置，而在该位置处的总体直方图往往会出现局部峰值置，而在该位置处的总体直方图往往会出现局部峰值v基

23、本过程一、初始类别参数的选定一、初始类别参数的选定获取图像数据获取图像数据抽样集抽样集建立总体建立总体直方图直方图搜索直方图搜索直方图局部峰值局部峰值一、初始类别参数的选定一、初始类别参数的选定v注意n为了减少数据量，通常为了减少数据量，通常按一定距离间隔按一定距离间隔的取样方式来获的取样方式来获得图像的抽样数据集得图像的抽样数据集n为了保证被抽样的像素亮度为非噪声亮度，可以为了保证被抽样的像素亮度为非噪声亮度，可以选定一选定一个个“纯度纯度”阈值阈值，当抽样像素亮度与周围像素亮度之差，当抽样像素亮度与周围像素亮度之差别超出该纯度阈值时，把该像素摒弃别超出该纯度阈值时，把该像素摒弃n为了减少直

24、方图的存储量，可采取以下措施为了减少直方图的存储量，可采取以下措施l限定直方图各维亮度的取值范围限定直方图各维亮度的取值范围l用亮度分辨力用亮度分辨力K K把直方图分切为一系列直方图局部单元把直方图分切为一系列直方图局部单元二、二、ISODATAISODATA法（迭代自组织数据分析技术）法（迭代自组织数据分析技术）过程过程输入控制参数输入控制参数niTsNiiDikTcYYYYYNNNNN二、二、ISODATAISODATA法法example二、二、ISODATAISODATA法法实质实质v以初始类别为以初始类别为“种子种子”进行自动迭代聚类的过程，进行自动迭代聚类的过程，可以自动地进行类别的

25、可以自动地进行类别的“合并合并”和和“分裂分裂”，其参，其参数也在不断地聚类调整中逐渐确定，并最终构建所数也在不断地聚类调整中逐渐确定，并最终构建所需要的判别函数需要的判别函数v基准类别参数的确定过程，也正是利用光谱特征本基准类别参数的确定过程，也正是利用光谱特征本身的统计性质对判别函数不断调整和身的统计性质对判别函数不断调整和“训练训练”过程过程三、三、K-MeanK-Mean算法算法聚类准则聚类准则使每一聚类中，多模式点到该类别的中心的距离的平使每一聚类中，多模式点到该类别的中心的距离的平方和最小方和最小基本思想基本思想通过迭代，逐次移动各类的中心，直至得到最好的聚通过迭代，逐次移动各类的

26、中心，直至得到最好的聚类结果为止类结果为止三、三、K-MeanK-Mean算法算法开始开始选择初始类别的中心选择初始类别的中心将所有像元分到将所有像元分到c个类别中个类别中聚类中心不变聚类中心不变计算新的集群中心计算新的集群中心结束结束NY过程过程四、应用举例四、应用举例打开非监督分类模打开非监督分类模块，选择输入、块，选择输入、输出影像输出影像确定相关参数执确定相关参数执行非监督分类行非监督分类一般一般最终分最终分类个数的类个数的2倍倍四、应用举例四、应用举例确定类别确定类别四、应用举例四、应用举例Swipe训练区的选择训练区的选择判别分析分类判别分析分类检验检验应用实例应用实例一、训练区的

27、选择一、训练区的选择注意注意v训练区必须具有典型性和代表性v对所有使用的图件要求时间和空间上的一致性选取方式选取方式v坐标输入式v人机对话式训练区样本分析训练区样本分析一般要求是单峰，近似于正态分布一般要求是单峰，近似于正态分布 训练样本数的确定训练样本数的确定根据对图像的了解程度和图像本身的情况确定根据对图像的了解程度和图像本身的情况确定 理论最小值理论最小值N N1 1（N N为特征数为特征数）二、判别分析分类二、判别分析分类线性判别分析分类线性判别分析分类逐步判别分析分类逐步判别分析分类平行多面体分类平行多面体分类最小距离分类最小距离分类最大的似然比分类最大的似然比分类二、判别分析分类二

28、、判别分析分类线性判别分析分类线性判别分析分类v线性判别函数 v算法n由已知均值向量及协方差矩阵计算归并的协方差矩阵由已知均值向量及协方差矩阵计算归并的协方差矩阵S S及其逆矩阵及其逆矩阵S S1 1n计算系数计算系数a ai i及及c ci in计算计算d di i，如果假定，如果假定g gi i都相同，则都相同，则lnglngi iln(1/k)ln(1/k)n把把X X分到分到d di i最大的一类最大的一类)(glni11iiipipiipgCXaXad式中iiiiiknSmS11) 1(1121SMaaaiipii), 2 , 1(2111kiMSMCii二、判别分析分类二、判别分析

29、分类逐步判别分析分类逐步判别分析分类选择少数贡献最大的自变量建立判别函数选择少数贡献最大的自变量建立判别函数v比较和选择自变量单因素方差分析或单因素方差分析或F F检验检验v建立判别函数同线性判别分析同线性判别分析二、判别分析分类二、判别分析分类平行多面体分类平行多面体分类v原理只有当只有当 否则排除，否则排除，Class(xClass(xi i) )0 0相当于在数据空间中划分出若干个平行多面体块段，相当于在数据空间中划分出若干个平行多面体块段，每一块段为一类每一块段为一类二、判别分析分类二、判别分析分类v优点分类标准简单，计算速度比较快分类标准简单，计算速度比较快v缺点按照各个波段的均值和

30、标准差划分的平行多面体与按照各个波段的均值和标准差划分的平行多面体与实际地物类别数据点的分布的点群形态不一致实际地物类别数据点的分布的点群形态不一致v改进 将自然点群分割为几个较小的平行多面体将自然点群分割为几个较小的平行多面体二、判别分析分类二、判别分析分类最小距离分类最小距离分类v原理n由训练组数据得出每一类别由训练组数据得出每一类别的均值向量及标准差向量的均值向量及标准差向量n以均值向量作为该类在多维以均值向量作为该类在多维空间中的中心位置，计算输空间中的中心位置，计算输入图像中每个像元到各类中入图像中每个像元到各类中心的距离（欧几里德距离、心的距离（欧几里德距离、折线距离）折线距离）n

31、到哪一类中心的距离最小，到哪一类中心的距离最小，则该像元就归入哪一类则该像元就归入哪一类二、判别分析分类二、判别分析分类v缺陷n不同类别的亮度值（或其它特性）的变化范围，其方差不同类别的亮度值（或其它特性）的变化范围，其方差的大小不同，不能简单地用到类中心的距离来划分像元的大小不同，不能简单地用到类中心的距离来划分像元的归属的归属n自然地物类别的点群分布不一定是圆形或球形，即不同自然地物类别的点群分布不一定是圆形或球形，即不同方向上半径是不等的，因而距离的量度在不同方向上应方向上半径是不等的，因而距离的量度在不同方向上应有所差异有所差异v改进在距离算法上改进在距离算法上改进二、判别分析分类二、

32、判别分析分类最大似然比分类最大似然比分类v基本前提每一类的概率密度分布都是正态分布每一类的概率密度分布都是正态分布v判别函数v说明n分类的准确程度不仅取决于方法的选择，还与地区的分类的准确程度不仅取决于方法的选择，还与地区的特点、有关参数的选择、应用人员的经验，特别是训特点、有关参数的选择、应用人员的经验，特别是训练数据的代表性有关练数据的代表性有关n训练组统计数的可靠性程度比分类器算法的选择对分训练组统计数的可靠性程度比分类器算法的选择对分类的准确度影响更大类的准确度影响更大二、判别分析分类二、判别分析分类example三、检验三、检验0)/()(2221xdxXppE0)/()(1112x

33、dxXppE一维空间错误概率一维空间错误概率1221EEE总错误概率总错误概率)()/()()()/()(222111pXpxgpXpxg三、检验三、检验错误概率估计错误概率估计 （先验概率相同时较准确）（先验概率相同时较准确）混淆矩阵混淆矩阵v一个一个m mm m的矩阵，的矩阵，m m为分类的类别数，矩阵的列通常表示为分类的类别数，矩阵的列通常表示参考类别，行表示分类类别参考类别，行表示分类类别v基于混淆矩阵可以得到基于混淆矩阵可以得到以下以下一些统计指标来衡量分类的一些统计指标来衡量分类的精度精度NNEerr三、检验三、检验先验概率相同）总精度%(100nm1kkknROmission漏分

34、误差生产精度%100nkkknommissionC%100nkkkn错分误差使用者精度（先验概率不同）总精度miiiRPR1)(mkkkmkkkmkkknnnnnnnKappa1211系数式中，式中，n n为样本总数，为样本总数，n nkkkk为矩阵对角线上的元素，为矩阵对角线上的元素，n nk+k+为为矩阵的行数据之和，矩阵的行数据之和，n n+k+k为矩阵的列数据之和为矩阵的列数据之和三、检验三、检验类型类型水体水体建设建设用地用地荒草荒草地地园地园地水田水田林地林地总和总和使用者使用者精度精度未分类未分类0000000水体水体24200323177.42建设用地建设用地011340291

35、2888.28荒草地荒草地091509114434.09园地园地010152123050水田水田3410108311990.76林地林地0000315716098.13总和总和271292015127194512生产精度生产精度88.8987.607510085.0480.93总精度总精度84.3884.38 KappaKappa系数系数0.79240.7924四、应用实例四、应用实例打开待分类影像打开待分类影像打开模板窗口打开模板窗口四、应用实例四、应用实例定义分类模板定义分类模板四、应用实例四、应用实例评价分类模板评价分类模板误差矩阵精度误差矩阵精度85%85%，模板需要要重建模板需要要重

36、建四、应用实例四、应用实例监督分类监督分类林地林地旱地旱地建设用地建设用地水浇地水浇地水域水域果园果园未利用地未利用地四、应用实例四、应用实例精度评价精度评价比较比较非监督分类主要优点非监督分类主要优点v不需要预先对所要分类的区域有广泛的了解和熟悉，不需要预先对所要分类的区域有广泛的了解和熟悉，而监督分类则需要分析者对所研究区域有很好的了解而监督分类则需要分析者对所研究区域有很好的了解从而才能选择训练样本。但是在非监督分类中分析者从而才能选择训练样本。但是在非监督分类中分析者仍需要一定的知识来解释非监督分类得到的集群组仍需要一定的知识来解释非监督分类得到的集群组v人为误差的机会减少，即使分析者

37、对分类图像有很强人为误差的机会减少，即使分析者对分类图像有很强的看法偏差，也不会对分类结果有很大影响。因此非的看法偏差，也不会对分类结果有很大影响。因此非监督分类产生的类别比监督分类所产生的更均质监督分类产生的类别比监督分类所产生的更均质v独持的、覆盖量小的类别均能够被识别，而不会像监独持的、覆盖量小的类别均能够被识别，而不会像监督分类那样被分析者的失误所丢失督分类那样被分析者的失误所丢失 比较比较非监督分类主要缺点非监督分类主要缺点来自于对其来自于对其“自然自然”的依赖性的依赖性v非监督分类产生的光谱集群组并不一定对应于分析者想非监督分类产生的光谱集群组并不一定对应于分析者想要的类别，因此分

38、析者面临着如何将它们和想要的类别要的类别，因此分析者面临着如何将它们和想要的类别相匹配的问题，实际上几乎很少有一对一的对应关系相匹配的问题，实际上几乎很少有一对一的对应关系v分析者较难对产生的类别进行控制，因此其产生的类别分析者较难对产生的类别进行控制，因此其产生的类别也许并不能让分析者满意也许并不能让分析者满意v图像中各类别的光谱特征会随时间、地形等变化，不同图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使其不同图像之间的对比变得困难连续性，从而使其不同图像之间的对比变得困难比较比较

39、监督分类的主要优点监督分类的主要优点v可根据应用目的和区域，有选择地决定分类类别，避可根据应用目的和区域，有选择地决定分类类别，避免出现一些不必要的类免出现一些不必要的类v可控制训练样本的选择可控制训练样本的选择v可通过检查训练样本来决定训练样本是否被精确分类可通过检查训练样本来决定训练样本是否被精确分类v避免了非监督分类中对光谱集群组的重新归类避免了非监督分类中对光谱集群组的重新归类。比较比较监督分类的缺点监督分类的缺点v分类系统的确定、训练样本的选择，均人为主观因素较分类系统的确定、训练样本的选择，均人为主观因素较强，分析者定义的类别也许并不是图像中存在的自然类强，分析者定义的类别也许并不

40、是图像中存在的自然类别，导致多维数据空间中各类别间并非独一无二，而是别，导致多维数据空间中各类别间并非独一无二，而是有重叠；分析者所选择的训练样本也可能并不代表图像有重叠；分析者所选择的训练样本也可能并不代表图像中的真实情形中的真实情形v由于图像中同一类别的光谱差异，造成训练样本并没有由于图像中同一类别的光谱差异，造成训练样本并没有很好的代表性很好的代表性v训练样本的选取和评估需花费较多的人力、时间训练样本的选取和评估需花费较多的人力、时间v只能识别训练样本中所定义的类别，若某类别由于训练只能识别训练样本中所定义的类别，若某类别由于训练者不知道或者其数量太少未被定义，则不能识别者不知道或者其数

41、量太少未被定义，则不能识别上下文分析方法上下文分析方法基于地形信息的计算机分类处理基于地形信息的计算机分类处理辅以纹理特征的光谱特征分类法辅以纹理特征的光谱特征分类法一、上下文分析方法一、上下文分析方法基本概念基本概念v点独立遥感图像中每一像元的信息来自于地面上与像元对应区域遥感图像中每一像元的信息来自于地面上与像元对应区域v类别噪声分类图像中出现一大片同类地物中夹杂着散点分布的异类分类图像中出现一大片同类地物中夹杂着散点分布的异类地物的不一致现象地物的不一致现象v上下文分析基于邻近像元特征的比较分析基于邻近像元特征的比较分析方法方法v预处理法v后处理法v概率松弛法一、上下文分析方法一、上下文

42、分析方法v预处理法式中，X(P)为P的原始光谱特征向量，X(P)为调整后的光谱特征向量，X(C)为P周边最邻近的6个点构成的集群中心点C的光谱特征向量，dpc为P与C在特征空间中距离，T为比较阈值N1N2N3N8PN4N7N6N5TdPXTdCXpXpcpc),(),()(一、上下文分析方法一、上下文分析方法v后处理法是在分类处理之后，对分类结果类别分布的一致性检是在分类处理之后，对分类结果类别分布的一致性检查和调整，调整的原理服从查和调整，调整的原理服从“多数多数”原则，即原则，即在分类图像中，若某像元的在分类图像中，若某像元的8 8个邻接像元中至少有个邻接像元中至少有6 6个像个像元同属于

43、某一类，则该像元的类别属性也调整为该类；元同属于某一类，则该像元的类别属性也调整为该类；否则，保持该像元已分的类别属性不变否则，保持该像元已分的类别属性不变一、上下文分析方法一、上下文分析方法v概率松弛法n基本思想基本思想利用邻接像元从属于各类别的概率，来调整中心像元从利用邻接像元从属于各类别的概率，来调整中心像元从属于各类别的概率，并根据调整后的概率按属于各类别的概率，并根据调整后的概率按BayesBayes分类分类法对各像元进行分类。该过程是一个多次迭代的过程法对各像元进行分类。该过程是一个多次迭代的过程n基本过程基本过程一、上下文分析方法一、上下文分析方法l假设假设各类别的光谱特征服从正

44、态分布各类别的光谱特征服从正态分布属于同一类别的像元属于该类的概率趋于同一个先验概率属于同一类别的像元属于该类的概率趋于同一个先验概率对于某个像元属于对于某个像元属于i i类而邻近像元属于类而邻近像元属于j j类的联合事件类的联合事件的概率，与本像元的点位无关，而只与的概率，与本像元的点位无关，而只与“本邻像元对本邻像元对”8 8个方向有关且在每个方向上趋同于一个先验概率个方向有关且在每个方向上趋同于一个先验概率jnkjkjipnp10)(1)(一、上下文分析方法一、上下文分析方法l定义概率兼容系数定义概率兼容系数l估计某一类估计某一类i i的某像元的某像元k k在在N N方向邻近像元影响下的

45、调整方向邻近像元影响下的调整概率概率式中，式中，一、上下文分析方法一、上下文分析方法l计算第计算第l1次迭代时，像元次迭代时，像元k属于属于i类的概率调整值类的概率调整值l当当 变动小于给定的阈值或有变动的像元个数小变动小于给定的阈值或有变动的像元个数小于给定的阈值时，迭代结束于给定的阈值时，迭代结束)(ikp一、上下文分析方法一、上下文分析方法v比较n优点优点l预处理方法和后处理方法算法比较简单预处理方法和后处理方法算法比较简单l概率松弛算法充分利用了各像元从属于某一类别的概率概率松弛算法充分利用了各像元从属于某一类别的概率信息，因而比前两种方法理论依据更充实、算法更精细信息，因而比前两种方

46、法理论依据更充实、算法更精细n缺点缺点l预处理法不可避免地会产生某些不希望有的图像平滑效预处理法不可避免地会产生某些不希望有的图像平滑效果，以致损失了必要的类别边界或纹理细节信息果，以致损失了必要的类别边界或纹理细节信息l后处理法所能依据的信息仅是各像元的分类结果，而不后处理法所能依据的信息仅是各像元的分类结果，而不知各像元从属某类的可靠程度知各像元从属某类的可靠程度( (概率概率) )，因而近似性较大，因而近似性较大l概率松弛算法所需计算机容量和计算时间较费概率松弛算法所需计算机容量和计算时间较费二、基于地形信息的计算机分类处理二、基于地形信息的计算机分类处理不同地物类别在不同高程中出现的先

47、验概率不同地物类别在不同高程中出现的先验概率不同不同exampleexample高程高程带带 类别类别高程高程m1234567耕地耕地园地园地林地林地草地草地水域水域城镇城镇裸地裸地102086111112215067418453351100426452221410120021169414520190013551283全县全县494366321二、基于地形信息的计算机分类处理二、基于地形信息的计算机分类处理方法方法v作为先验条件概率，在判别函数中引入高程信息v按高程带分层分类注意注意类似其它信息也可以辅助分类，但辅助信息的先验概类似其它信息也可以辅助分类，但辅助信息的先验概率必须能如实反映地物

48、在区域中的分布特点，并对不率必须能如实反映地物在区域中的分布特点，并对不同类别的区分普遍有效同类别的区分普遍有效)()/(),/(),/(XprprXprXpninini三、辅以纹理特征的光谱特征分类法三、辅以纹理特征的光谱特征分类法纹理特征纹理特征v概念图像上细部结构以一定频率重复出现，是单一特征的图像上细部结构以一定频率重复出现，是单一特征的集合集合,实地为同类地物聚集分布实地为同类地物聚集分布v类型n侧重于对地物形态（大小、形状、结构轴的方向、具侧重于对地物形态（大小、形状、结构轴的方向、具体形态的地物在空间中的分布规律）的具体描述体形态的地物在空间中的分布规律）的具体描述n侧重于描述图

49、像区域中总体亮度变化的特点侧重于描述图像区域中总体亮度变化的特点三、辅以纹理特征的光谱特征分类法三、辅以纹理特征的光谱特征分类法v辅助分类过程n提取纹理特征提取纹理特征l方法方法结果结果n进行纹理特征的辅助分类进行纹理特征的辅助分类l直接参与直接参与l间接参与间接参与l后处理后处理 自相关函数法、数学变换法、数学形态法、灰度相关矩阵法、灰度延长法、单位面积边缘数法、纹理变换法、自回归模型法纹理特征量度参数纹理分类图像神经网络分类器神经网络分类器基于小波神经网络遥感图像分类基于小波神经网络遥感图像分类模糊聚类法模糊聚类法树分类器树分类器专家系统方法的应用专家系统方法的应用一、神经网络分类器一、神

50、经网络分类器概念概念神经元网络模型用于模拟人脑神经元活动的过程，包括对神经元网络模型用于模拟人脑神经元活动的过程，包括对信息的加工、处理、存储和搜索等过程信息的加工、处理、存储和搜索等过程特点特点v分布式存储信息v对信息的并行处理及推理v具有自组织、自学习类型类型BP、Hopfield、ART、自组织特征映射模型、自组织特征映射模型一、神经网络分类器一、神经网络分类器f(a)f(b)f(n)y1y2ynx1x2xm输入层输入层输出层输出层隐含层隐含层BP网结构网结构W1kk一、神经网络分类器一、神经网络分类器BP网基本原理网基本原理v正向传播输入的样本从输入层经过隐单元一层一层进行处理，输入的