遥感原理与应用_第5章_3 遥感影像解译-分类后处理及精度评价、分类新方法.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 漏分误差 (Errors of omission) 说明某类像元被错分到其它类的概率，利用混淆矩阵的列来计算。如植被的漏分误差： 返回本节首页 精度评价 随着模式识别与机器学习技术的不断发展，将先进的机器学习技术应用到遥感影像分类中，并充分考虑影像本身的光谱信息、空间信息、时间序列信息及各类地理辅助信息可以大大提高遥感影像分类的精度。 分类新方法 半监督分类； 面向对象分类； 分类器集成 … … 分类新方法 半监督分类 机器学习 (Machine Learning)模式： 监督学习：仅仅利用已标注类别的样本进行训练以确定分类器； 非监督学习：只利用未标注类别的数据进行聚类分析； 半监督学习：利用已标注类别的样本+未标注样本来确定分类器。 分类新方法 基于半监督学习的遥感影像分类 遥感影像分类应用领域的特点： 未标注类别的影像样本易获取，地表真实值收集过程成本较高； 传统监督模式下的遥感分类器设计，往往可供训练利用的标注样本十分有限，而且完全忽略了非标注样本所蕴藏的信息价值，故难以对影像的潜在概率分布函数做出合适的估计，从而使得分类器泛化能力的提高遇到瓶颈； 半监督学习的特点与遥感影像分类的应用需求十分契合，将其引入到遥感影像分类中能够充分发挥其优越性。 分类新方法 + + _ _ 半监督学习示意图 + + _ _ 仅仅根据标注样本 极大化类别边界 + + _ _ 研究方法 SVM 极大化类别边界+样本似然 分类新方法 Graph-Based Semi-supervised Learning 分类新方法 半监督分类相关拓展阅读 O. Chapelle.?Semi-supervised learning. Cambridge, Mass.: MIT Press, 2006. ?X. Zhu.?Semi-supervised learning literature survey. Computer Sciences, University of Wisconsin-Madison, 2008. 分类新方法 高分辨率遥感数据拥有更加丰富的地物信息（光谱、几何、结构、纹理等） 过去的方法是依靠人工勾绘边界，看图识字。高分辨率遥感图像地物信息丰富、数据量大。但仅依靠人工的方法对高分辨率遥感影像进行解析已经难以满足应用需求。因此，需要自动化的处理方法。 耕地 居民区 地物精细识别 = 精确提取地块边界 +准确确认地块属性 面向对象分类 分类新方法 高分辨率遥感影像自动分类方法 基于像元分析 面向对象分析 自然的趋势 像元间彼此独立 斑点噪声严重 分析基元为图像块或 像素簇，顾及上下文关系 空间平滑性较好 原始影像 基于像元分类结果 面向对象分类结果 分类新方法 面向对象分类的流程 (1) 通过影像分割生成 对象分析基元 (2) 对象特征综合了光谱和 空间等信息 分类新方法 分类与分割 分割： 获取影像对象的过程（像素向上合并的过程）。 分类： 把具有相近关系的影像对象归为一类的过程。 分类新方法 影像分割 根据影像的部分特征将一幅图像分成若干“有意义”的互不交叠的区域，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同。 影像分割是对遥感影像进行进一步面向对象分析、理解和识别的基础，是高分辨率遥感影像应用领域的关键技术之一。 分类新方法 基于区域合并的多尺度分割 分类新方法 不同尺度下的分割结果 分类新方法 影像对象特征 包括颜色、形状、位置、纹理、专题图层等。 分类新方法 面向对象分类结果 分类新方法 面向对象分类相关拓展阅读 T. Blaschke. Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1):2-16. T. Blaschke, et al. Geographic Object-Based Image Analysis – Towards a new paradigm，ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87:180-191. eCognition 操作手册 分类新方法 分类器集成 利用多个分类器集成来共同解决一个分类问题： 问题 分类器 传统分类