遥感影像自动识别分类.ppt

遥感原理与应用（第二版） 孙家抦 主编 武汉大学出版社 2009年6月 第 8 章 遥感影像自动识别分类 遥感影像计算机分类：利用计算机对地球表面及其环境的遥感影像进行属性识别（分类），从而达到识别影像所对应的实际地物，提取所需要地物信息的目的 是模式识别技术的具体应用 仍以波谱分类方法为主 与目视判读技术的目的一致 利用计算机技术模拟人的识别功能 方法 主要采用决策理论（或统计）方法：决策即判别 提取模式（特征空间）属性量测值 ? 标准特征值 波谱特征：最常用，本章主要内容 纹理特征：波谱特征的补充，不能独立进行分类处理 利用决策规则对特征空间进行区域划分 ? 分类 句法（语义、结构）模式识别方法：有待完善 第 8 章 遥感影像自动识别分类 基础知识 模式、模式识别 波谱特征空间、地物特征空间的聚类统计分析 特征变换及特征选择 特征变换 特征选择 监督分类 判别函数、判别规则 分类过程 非监督分类 K﹣均值聚类法 ISODATA算法聚类分析 平行管道法聚类分析 非监督分类 + 监督分类 分类后处理、精度评定 分类后处理 分类后精度评定 非波谱信息的应用 高程信息的应用 纹理信息的应用 自动分类新方法简介 模糊聚类算法 神经元网络法 面向对象分类技术 1.1、模式、模式识别 模式：具有某种特定空间特征或几何特征的研究对象（物体） 物体的标准形式，由一组（统计）测量值表达 模式识别：将待识别物体的一组特征值（波谱、空间、几何）与多种模式的标准特征值相比较，确定待识别物体归属那一个模式的信息提取过程 遥感影像分类 遥感影像的逐像元模式识别 面向对象的像元组合模式识别 测量值 灰度值 灰度分布的统计值 形态参数 … 1.2、波谱特征空间统计特性 多波段遥感影像的每一个像元在每一个波段中均有一个灰度值 在多维灰度坐标系中可以表达为一个波谱特征向量 也可以看作为多维灰度坐标系中的一个投影点 这些投影点的位置因地物不同而呈规律性变化：“星云团” 像元灰度值受多种因素影响 ? 统计性规律变化（正态分布） 地物状态（长势、含水量、病虫害、…） 地理位置（高度、朝向、地形、背景、…） 大气条件（水汽、气溶胶、悬浮颗粒、…） 季节 传感器 … 1.2、波谱特征空间统计特性 遥感影像特征：某一类地物的遥感影像灰度值分布特点，一般用一系列的统计值表达 遥感影像特征空间：多波段遥感影像数据的所有像元在多维灰度坐标系中的分布 波谱特征空间 右图：二维灰度空间中的影像特征空间 横轴：红光波段 纵轴：近红外波段 1.2、波谱特征空间统计特性 同一地物（灰度值）特征向量分布密度函数：满足正态分布 N：像元数 m：波段数 2、特征变换及特征选择 波段数目很大时，即使是计算机自动信息分析也较困难 特征变换：是一种遥感影像数字变换处理，使得地物信息可以集中在新生成“多波段”影像数据的少数几个“波段”中。或者使得新生成“多波段”影像数据更有利于信息自动提取 数据压缩、数据转换 逐像元运算 特征选择：根据波段相关度最低原则选择少数几个波段数据的过程，这样可以用少数几个波段数据就可以同样达到最佳分类效果 波段组合最优化 特征变换后的数据也在选择范围内 其他数据：DEM、坡度、坡向、植被分布图、道路网线、土地利用现状图、人口密度图、…… 2.1、特征变换 主成分变换 哈达玛变换 穗帽变换 比值变换（生物量指标变换） 2.1.1、主成分变换波段间相关性 Feature Space：影像灰度空间 横轴: MSS 4﹣green 纵轴: MSS 5﹣red MSS 4 与 MSS 5 之间明显相关 信息冗余 ? 可以压缩 一个斜线成分可以包含MSS 4 和 MSS 5 加在一起的 90% 信息量 如果旋转这个二维灰度空间使得一个轴向与这个斜线一致的话，… 这就是主成分变换 2.1.1、主成分变换步骤 K﹣L 变换：Karhunen﹣Loeve Transform PCA：Principal Component Analysis 主（轴）成分分析步骤 计算灰度值均值向量 M 计算协方差矩阵ΣX 协方差矩阵ΣX 计算 特征值（Engenvalue） ?i 特征向量（Engenvector）?i 特征值排序大 ? 小 特征向量选择Φn ，n＜波段数 坐标系转换：Y =Φn· X ΣY 为对角矩阵 ? 去相关化 2.1.1、主成分变换新生成的影像 新生成的影像 实质上就是影像灰度坐标系旋转（矩阵）操作 “波段数”为 n ：n 个主成分 每一个主成分轴生成一幅新影像 新影像灰度值：每个像元特征向量在各个主成分轴上的分量值 2.1.1、主成分变换特点 各成分之间去相关 第一成分信息含量最丰富，其他成分的信息含量依次快速减少 MSS 影像主成分信息含量比重 P