遥感图像分类的基本原理

遥感图像自动识别分类遥感图像分类的基本原理遥感图像分类前处理-特征变换监督分类非监督分类分类后处理和精度分析遥感图像分类的新方法8.1基础知识8.1.1模式识别的基本原理8.1.2遥感图像分类的基本原理分类又称模式识别8.1.1模式识别的基本原理模式：某种具有空间或几何特征的东西模式识别：是依据一定的原则将不同物体区分开来如：怎样将一筐不同类的水果挑选出来？形状区分颜色区分数字化形状颜色21xxXnXXX,,,21梨二维特征空间对于每一个水果有特征向量：对于整筐水果有模式n：颜色特征形状特征X梨该水果属于桔子假如一个未知水果有：形状颜色21xxXX梨？该水果属于哪一种（土豆）模式识别的一般步骤：1）数字特征的建立——对象的数学描述（形状，颜色）2）提取一组训练（已知）样本——先验知识3）分类器建立——判决函数4）对未知模式进行分类——识别数学模式8.1.2遥感图像分类的基本原理利用计算机对遥感图像上不同地物进行自动识别和分类。按照决策理论方法，需要从被识别的模式(遥感图像)中，提取一组反映模式属性的量测值(特征)，并把模式特征定义在一个特征空间中，进而利用决策原理对特征空间进行划分实现模式分类。——计算机自动分类的概念与目视解译相比计算机自动提取信息采用决策理论(或统计方法)遥感图像分类的一般步骤：1）数字特征的建立——遥感图像的描述2）训练样本提取——先验知识3）分类器建立——判决函数及其参数的确定4）对整个图像进行分类——识别单个像元光谱特征mxxxX2130米Landsat/TM影像1.数字特征的建立2.训练样本提取图像——特征空间训练样本——特征空间3.分类器及其参数的确定梨1.分布范围2.均值：类别中心3.方差：离散度1)盒式分类器2)最小距离分类器imijMXinmXg,,2,1)(3)极大似然分类器)/(max,,2,1XWPimi),(~NX4.整幅图像逐个像元进行分类mxxxX211)将该特征向量X在分类器里进行判断；2)将该像元归入所属类别，并进行标记；3)依次实现所有像元的分类。Landsat4-3-2波段假彩色合成图像分类结果8.2.1特征建立8.2.2特征变换及特征选择8.2.1特征建立1.单个像元光谱特征mxxxX2130米Landsat/TM影像2.像元与其周围像元的空间关系纹理、形状、大小等——与图像分辨率有关常见纹理图案2.5米SPOT影像光谱特征为主、纹理特征为辅8.2.2特征变换及特征选择0102030405060708012345草坪冬青特征变换特征选择变换矩阵1.特征变换主成分变换哈达马变换穗帽变换比值与生物量指标变换1）主成分变换基本思想：一种线性变换，均方误差最小的最佳正交变换；是在统计特征基础上的线性变换。目的：数据压缩：新的特征图像之间互不相关；增加类别的可分性。几何意义：把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向上。计算步骤：（1）计算图像均值向量m和协方差矩阵C；（2）计算矩阵C的特征值和特征向量；（3）将特征值按由大到小的次序排列；（4）选择前几个特征值对应的几个特征向量构造变换矩阵φn。（5）根据Ｙ＝φnX进行变换，得到的新特征影像就是变换的结果，X为多光谱图像的一个光谱特征矢量。像素平均反射率像素反射率相关性性质：主分量变换后，有的特征影像反差拉大，信息集中，整个影像上离散度变大；而另一些特征影像上离散度变小，出现更多的噪声。PC1PC72.ISODATA算法聚类分析ISODATA（IterativeSelf-OrganizingDataAnalysisTechniquesAlgorithm）算法也称为迭代自组织数据分析算法。它与K－均值算法有两点不同，第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法；第二，ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。a.原始聚类中心b.第一次迭代的类别分布c.第二次迭代的类别分布d.第n次迭代的类别分布2）哈达玛变换主成分变换Ｙ＝φnX哈达玛变换矩阵几何意义：3）穗帽变换又称K－T变换(Kauth和Thomas)一种特殊的主成分变换针对MSS影像MSS图像信息随时间变化的空间分布形态是呈规律性形状的，像一个顶部有缨子的毡帽。4）比值变换和生物量指标变换生物量指标经变换后，植物、土壤和水都分离开来，因此可独立地对绿色植物量进行统计。2.特征选择1)定性选择，根据经验；2)定量方法，从所有波段m中选取一定数量波段n，可以有多种组合，通过距离或散布测度，来选择可分性最好的那一组组合。8.3监督分类原理图像特征空间分类可以是N维空间8.3.1基本分析1.地物在特征空间中的聚类情况2.分类器中参数的确定梨1.分布范围2.均值：类别中心3.方差：离散度8.3.2监督分类思想（概念）X梨首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别规则(分类器)，其中利用一定数量的已知类别的样本的观测值求解判别函数中待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代人判别函数，可依据判别准则对该样本的所属类别作出判定。1.选择训练样本和提取统计信息方差：离散度，距离范围均值：类别中心8.3.3监督分类过程分布范围2.判决函数——分类器建立1）盒式分类器/平行六面体平行六面体分类ParallelepipedClassifier①使用简单的分类规则进行多光谱遥感图像的分类。②决策线在n维光谱空间中是一个平行的管道。③管道的直径根据距离平均值的标准差确定。④如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。⑤如果落在多个类中，ENVI则将这格像元划分到最后匹配的类别。⑥落不到任何管道中，则标识为未分类像元。输入参数Maxstdevfromthemean,是距离平均值多少个标准差。平行六面体分类(续1)最小距离分类MinimumDistanceClassifier计算未知像元距离各个类别均值向量的欧氏距离，将该像元划分到距离最小的类别中。如果没有没有确定最大的标准差和距离阈值，则所有的像元都会分类。输入参数：Maxstdevfromthemean,是距离平均值多少个标准差。Maxdistanceerror,距离的最大阈值如果两个参数都输入了，ENVI使用其中小的作为最终的判别标准。NjijjeiMxD12)(N-波段数Xj-像元x在j波段的像元值Mij-第i类在第j波段的均值最小距离分类(续1)最大似然分类MaximumLikelihoodClassifier假设条件：数据符合多维正态分布。如果不符合，分类的精度也将下降。计算每个像元属于各个类别的似然度（likelihood）,该像元分到似然度最大的类别中。似然度是像元数据矢量X属于类别G的后验概率。如果类别G中X的条件概率为P(g/X),则似然度P(g/X)的计算公式为：1)/()(/)/()()/(iiiiiXPPXPPXgP类别wi的先验概率，分类图像中类别wi出现的概率类别wi中像元X出现的概率不管什么类别，X出现的概率，对于各类类别来说是一个公共因子，比较的时候不起做用。)]()(21exp[)2(1)/(12/12/iiTiipiMXSMXSXP均值向量和协方差距阵使用训练区的均值向量和协方差距阵作为估计值P:参加分类的特征数，即波段个数)()(21ln21))(ln()(1iiTiiMXSMXSiPXg分类时，逐个像元进行计算，对每一类进行计算，实际使用的判别函数(Bayes非线性分类)：最大似然分类(续1)最大似然分类（续2）马氏距离分类MDistanceClassifier马哈拉诺斯（Mahalanobis）距离考虑了集群的离散程度，马氏距离是加权的欧氏距离，通过协方差距阵来考虑变量的相关性。欧氏距离是马氏距离的特例。因此速度比最大似然法要快，比最小距离法慢。)()(1ijjTijiijMxMxD2）最小距离分类器类别中心：3）k－近邻法分类器4）极大似然分类器P（X）对于每一类是个常数当P(ωi)设为相同时贝叶斯估计：),(~NX当当Σi等于单位阵时最大似然分类退化为最小距离分类3.计算每一像元特征进行分类1)将该特征向量X在分类器里进行判断；2)将该像元归入所属类别，并进行标记；3)依次实现所有像元的分类。Landsat4-3-2波段假彩色合成图像分类结果8.4非监督分类监督分类：通过训练样本得到类别的先验知识，来确定判别函数（分类器）的相应参数。非监督分类：不需要先验知识，而仅凭数据遥感影像地物的光谱特征的分布规律，即自然聚类的特性进行“盲目”的分类。其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。1.K－均值聚类法K－均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果，这是这种方法的缺点。8.5监督分类与非监督分类的结合1)在图像上选择一些代表区域进行非监督分类得到类似监督分类训练样本的类别信息。2)获得聚类类别信息的先验知识。3)然后，进行监督分类8.3.1分类后处理1）分类后专题图像的输出2）分类结果的平滑a.去除孤立点——噪声点b.去除零星小面积地类a.B邻近有6个Cb.B邻近没有6个C8.3.2分类后误差分析——精度评定1)平均精度2)总精度浅谈遥感精度分析精度分析是遥感研究的重要组成部分NOAA/AVHRRCH1&CH2NDVISoilMoisture=F（NDVI）精度分析终止位置精度类型精度数量精度遥感精度-accuracy位置精度(也称定位精度)：是指分类单元与参考图上对应单元在空间坐标上的位置差异原始数据重投影后几何校正：在…个像元以内类型精度(也称定性精度)：是指像元分类类型与像元实际类型相比较的分类正确程度分类精度矩阵：实际类型与分类类型的二维表行：分类数据；列：参考数据每一类中分类正确的像元数与参考数据中对应类的像元数(即列数据和)之比:分类者精度=65/75*100%=87%一个类中分类正确的像元数与分到这一类的像元数(行数据和)之比：使用者精度(可靠性)=65/115*100%=57%尽管分类者能够判别出一个区域中87%的落叶林，但对这张分类图的使用者来说，分类图上的落叶林只有57%是真正的落叶林。分类者精度(分类精度)和使用者精度(用户精度)都要达到某一精度!样本大小抽样方式检验方法影响类型精度的因素样本越大，误差越小，工作成本越高在允许误差范围内的最少样本个数：22/dpqzne.g.n=0.9×0.1×1.962/0.052=138Ifd=±2%，n=864Ifd==±1%，n=3456p、q分别表示判读正确和错误的百分比（可以通过对判读结果精度的认识或试探性抽取少量样本进行检验得出）；z是对应于置信水平，从正态分布z值的概率表上所查出的值；d为误差允许范围。每一层(每一类)的样本数nh：lhhhhhhhhhhfqpNfqpnNn1/分层与随机相结合的抽样方式n为总样本数，Nh为h层内的单元数，ph、qh分别为h层分类正确与错误的百分比，fh为h层的重要性系数，l为分层数。矢量形式的参考图栅格形式的遥感分类结果处在类型边缘的像元因时间差导致的