08高光谱遥感第八讲

研究生选修课：《高光谱遥感》2009-2010学年第二学期主讲：张显峰张显峰北京大学遥感与GIS研究所2010年5月10日高光谱遥感Lecture8：ClassificationandIdentificationofLandSurfaceMaterialsUsingHypspectralImageData研究生选修课：《高光谱遥感》2009-2010学年第二学期ENVI推荐的基于亚像元解混的光谱识别流程大气辐射校正MNF变换PPI分析端元提取亚像元分析端元丰度研究生选修课：《高光谱遥感》2009-2010学年第二学期第五章高光谱图像分类与地物识别™高光谱图像特点™高光谱图像分类算法™高光谱图像地物识别™多源数据辅助高光谱图像分类研究生选修课：《高光谱遥感》2009-2010学年第二学期高光谱图像特点™高光谱图像数据与多光谱图像数据一个巨大的不同就是前者的光谱波段间隐含着特定的物理含义™波段数目要明显多于多光谱传感器的波段数目，而且波段宽度窄，波段连续分布。研究生选修课：《高光谱遥感》2009-2010学年第二学期高光谱遥感图像分类的效果取决于四个因素™类别的可分性：非人为影响下的原始地物光谱具有可分性是高光谱图像分类的前提条件；™图像像元光谱空间的维数：一般来讲，在图像波段信噪比达到一定要求的情况下，光谱波段越多，越有利于分类；™训练样本的数量：训练样本的数量越大，地物的训练特征越全面和具有代表性，因此有利于分类；™分类器类型和分类方案的合理性与有效性。研究生选修课：《高光谱遥感》2009-2010学年第二学期常规方法的缺陷™由于Hughes现象的存在，随着高光谱图像波段的增加，训练样本数量的要求剧增，给分类带来了一定困难；™高光谱数据特定的光谱物理含义往往被忽略，完全从纯数学的角度去进行波段选择和聚类，无形中浪费了高光谱数据的巨大内涵；™自然界中地物的分布都有其特定的一般性规律性，完全基于数学模型的分类算法，其结果常常具有明显的不合逻辑的地方；™在常规的决策树分类中，地物分类的顺序对结果有很大的影响，往往是不可逆的，因此有一定的随意性。研究生选修课：《高光谱遥感》2009-2010学年第二学期高光谱遥感分类的优势™光谱分辨率更高(高达5-10nm)，能够获取地物精细的光谱特征曲线。™覆盖波长范围更宽，延伸到近红外、短波红外、中红外和热红外。光谱覆盖范围越宽，就能够探测地物更多的对电磁波的响应特征。™图像波段众多，可以根据需要选择或提取特定的波段来突出目标特征，尤其是“谱”的概念。™高光谱遥感图像包含丰富的辐射、空间和光谱信息，是多种信息的综合载体，为新理论新方法的引进创造了可能。研究生选修课：《高光谱遥感》2009-2010学年第二学期监督分类与非监督分类™从图像中已知的相应目标物（类别）的存在区域（训练区）中提取数据（训练数据）进行总体特征（统计量）的测定，把它叫做有监督测定。这种分类方法叫监督分类。在监督分类中，必须提取出代表总体特性的训练数据。™当图像中包含的目标物不明确时，把随机采样的像元数据用聚类等方法机械地分割为比较匀质的数据群，把它们作为分类类别。以这些数据群为训练数据测定类别总体的特征，这种分类方法叫非监督分类。研究生选修课：《高光谱遥感》2009-2010学年第二学期分类器™将未知模式识别为已知模式的工具™具有四个组成部分：9分类特征（光谱、几何、其他时相/波形等）9分类判据（距离、相似性）9分类准则（最小误差、最小风险……）9分类算法(非监督、监督)研究生选修课：《高光谱遥感》2009-2010学年第二学期传统模式识别分类技术非监督分类法ISODATA（迭代自组织的数据分析法）K-means缺点：1）很难确定初始化条件；2）很难确定全局最优分类中心点和类别个数；3）很难融合地学专家知识。高光谱遥感技术——分类技术研究生选修课：《高光谱遥感》2009-2010学年第二学期™监督分类最小距离法最大似然法（SMLDF）神经元网络分类法研究生选修课：《高光谱遥感》2009-2010学年第二学期Newalgorithmusingneuralnetwork™Extensiveradiativetransfersimulations™Differentatmosphericconditions™Differentsurfacereflectancespectra™Neuralnetworktrainingusingmultiplebandsandprediction研究生选修课：《高光谱遥感》2009-2010学年第二学期•••InputsOutputsIllustrationofneuralnetwork输入层隐含层输出层过度训练的问题不足训练的问题研究生选修课：《高光谱遥感》2009-2010学年第二学期Predictionsusingthesimulateddata(62)0.628*L(56)+0.372*L(72)AVIRISLCIBR=0.6358AVIRISlog(CIBR)=-0.663545*w研究生选修课：《高光谱遥感》2009-2010学年第二学期PredictionsfromHyperiondataCIBRalgorithmNNalgorithm研究生选修课：《高光谱遥感》2009-2010学年第二学期基于高光谱数据库的光谱匹配分类技术基于高光谱数据库的光谱匹配分类技术光谱相似度测定光谱匹配需要一个指标来衡量在整个测量的波长范围内光谱的相似程度。可用相关系数来测度光谱响应的匹配程度。相关系数定义为：也可用两光谱曲线的均方差D来定义这一个指标[J.C.Price,1994]。222)()())((∑∑∑−−−−==iiiiiiiiiiiyyxxxyxyyyxxyyxxrσσσ[]2/1221)()(1⎥⎦⎤⎢⎣⎡−−=∫λλλλλλλdSSDbaab研究生选修课：《高光谱遥感》2009-2010学年第二学期如果考虑到每类的光谱响应值的分布存在一个范围，我们可以采用规一化的方法来给出这一指标，即夹角余弦：[]212221212121)()(/)()(),cos(∫∫∫⎥⎦⎤⎢⎣⎡=λλλλλλλdSdSdSSSS研究生选修课：《高光谱遥感》2009-2010学年第二学期SpectralSimilarityMapping(withJapaneseCabbage)HighLow研究生选修课：《高光谱遥感》2009-2010学年第二学期SpectralSimilarityMapping(withChineseCabbage)HighLow研究生选修课：《高光谱遥感》2009-2010学年第二学期TreeIdentificationJamIdentification研究生选修课：《高光谱遥感》2009-2010学年第二学期高光谱遥感技术——光谱匹配分类技术基于高光谱数据库的光谱角度匹配分类技术研究生选修课：《高光谱遥感》2009-2010学年第二学期光谱角度匹配当模式类的分布呈扇状分布时，定义两矢量之间的广义夹角余弦为相似函数，这即为较为广泛应用的广义夹角匹配模型。将象元N个波段的光谱响应作为N维空间的矢量，则可通过计算它与端元的光谱之间广义夹角来表征其匹配程度：夹角越小，说明越相似(F.A.Kruseetal,1993)。两矢量广义夹角余弦为：端元光谱可从光谱库来，也可直接从图像抽取出来。YXYXcos(a)⋅=研究生选修课：《高光谱遥感》2009-2010学年第二学期™光谱角度填图以两光谱向量的广义夹角为基础，比较两光谱的相似性。设有两个n波段的光谱向量T＝(t1,t2,...tn),R=(r1,r2,...rn),T,R不是零向量。™它们的广义夹角θ定义为:RTRT⋅⋅=−1cosθ研究生选修课：《高光谱遥感》2009-2010学年第二学期∑∑∑===−⋅=niiniiniiirtrt121211cosθ]2,0[πθ∈SAM表达式研究生选修课：《高光谱遥感》2009-2010学年第二学期“端元”Po01,Po02,Po03的光谱“端元”Po01的光谱波形相似度图像(相似度角度0.01为红色区域)高光谱遥感技术——光谱匹配分类技术研究生选修课：《高光谱遥感》2009-2010学年第二学期与端元Po01的光谱相似度影像redarea:similarityangel0.01)与端元Po02的光谱相似度影像)greenarea:similarityangel0.01)SpectralAngleMapper研究生选修课：《高光谱遥感》2009-2010学年第二学期IdentificationofNaturalandArtificialGrassbySpectralIdentificationofNaturalandArtificialGrassbySpectralVectorAnalysisofHyperspectralRemoteSensingDataVectorAnalysisofHyperspectralRemoteSensingData研究生选修课：《高光谱遥感》2009-2010学年第二学期TruegrasslandArtificialgrassland研究生选修课：《高光谱遥感》2009-2010学年第二学期通过一系列的决策表达式，进行多步骤分类。每次决策通过某表达式将影像的部分像元分为两类，每类再通过一个新的表达式分为两类或更多，…。如此组成了很多分类节点,最终的节点就是我们需要的类别。来自不同源的数据和文件都可共同用来进行决策。DecisionTreeClassifier－决策树分类法高光谱遥感技术——分类技术研究生选修课：《高光谱遥感》2009-2010学年第二学期DecisionTreeClassifier－决策树分类法决策树分类示意图研究生选修课：《高光谱遥感》2009-2010学年第二学期HybridDecisionTreeModel(HDT)（混合决策树）•XJ8016•WX4•Mixed•99-15•WY5021•cabbage•9520•9520•WX8313•WX8313•Mixed•99-15•Mixed•Mixed•Mixed•WY5021•99-15•WY5021•99-15•WY5021•99-15•WY5021•water•Paddystubble•SweetpotatoAWaterBCDEFGHIJKConcrete9520WX8313WY502199-15XJ8016WX4CabbagePaddystubbleSweetpotatoM-distanceA,B,C,D,E,F,G,H,I,J,KMLCABC,D,E,F,G,HCGMLCFIKJMLCE,FD,GC,HMLCEDH9520WX8313WY502199-15XJ8016WX4otheraccuracy(%)95201477000000100WX83130121412310097.3WY502104388840038199-15038123400384.8XJ8016211002770294.9WX412000156081.2Overallaccuracy94.9%研究生选修课：《高光谱遥感》2009-2010学年第二学期特征优化的专家决策分类的两大原则™基于待分类别的光谱特征优化与参量化原则：对待分地物的理解不能停留在样本的数学统计基础上，要从地物地面光谱分析入手，完成光谱特征的优化和构造具有排它性的光谱特征参量。这种光谱特征参量的构造在分类算法的选择上要具有第一位的优先级。™类别判定中的模糊定义与专家决策原则由于自然界的复杂性（一方面是太阳辐射变化、大气等环境的影响，另一方面地物自身的多方面差异），以及波段变窄和波段增多可能带来的“噪声”增加，对每个像元的归属应避免使用0/1判据，这样每个分类图斑都具有“膨胀”和“收缩”的双重属性，专家知识最终影响决策，可避免很多误判。研究生选修课：《高光谱遥感》2009-2010学年第二学期特征优化的专家决策分类包括以下几个部分™高光谱图像数