第五章-图像分类.ppt

第五章 图 像 分 类——专题图象的生成 一、分类概论 二、图像分类 三、分类误差评价 一、分类概论 图像分类简介 统计模式识别 卫星信息的空间转换 特征提取及特征选择 光谱类别和信息类别 分类判别函数和判决规则 多光谱域中的图像变换 图像分类简介 图像分类是基于图像像元，将像元归并成有限几种类型、等级或数据集的过程 一幅图像不同地物类别可以通过地物的波谱特征和空间变化来显示，其中 波谱特征是指亮度值或像元值的高低差异 空间变化是指地物的结构特征等信息 遥感图像的数字分类处理一般使用多波段数据，而且可加入其他变量，如由多波段图像数据提取的各种变量（如比值、主成分、梯度等）和物化探和地形数据 1.图像分类简介 遥感图像的计算机分类是自动模式识别技术在遥感技术领域中的具体运用 模式识别是用计算机模拟人类的感知和识别智能，同时它还是人工智能的一个分支 遥感图像的计算机分类就是对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到对图像信息所相应的实际地物实现分类的目的 1.图像分类简介 遥感图像的目视解译技术和遥感图像的计算机分类的目的一致，但手段不同 目视解译技术是直接利用人类的自然识别智能 计算机分类则用计算机技术来人工模拟人类的识别功能 1.图像分类简介 解决模式识别问题的数学方法一般分为两大类： 决策理论（或统计）方法——统计模式识别 句法（或结构）方法——句法（结构）模式识别 按照决策理论方法需要从被识别的模式（即对象）中提取一组反映模式属性的量测值，被称为特征 遥感图像模式的特征主要表现为光谱特征和纹理特征 基于光谱特征的统计分类方法是遥感应用处理的实践中最常用的方法 基于纹理特征的统计分类方法是光谱特征统计分类方法的一个辅助手段 图像分类简介 多维图像中的一个像元相当于多维坐标空间中的一个点 同一类地物的像元值既不集中于一点，也不是杂乱无章地分布，而是相当密集地形成点群，不同点群之间可能有少部分重叠或交错 图像分类的关键之一是选择适当地分类规则（或叫分类器）和程序 图像分类简介 最简单的分类器是密度分割或灰度分割，即按灰度值或亮度值得大小划分几个层次，每个层次算一类 多波段图像的分类原则： 多波段图像数据或多维向量的分类要由整个向量数据特征出发，了解点在多维空间中的位置及聚集情况（或空中点群分布情况） 一个点群或类在特征空间的位置用其均值向量表示该点群或类的中心 图像分类简介 第一种分类方法：由每一点群的统计特征出发，确定它所应该占据的区域范围，例如，以每一类的均值向量为中心，将几个标准差范围内的点归入一类（方法比较生硬，常造成类与类之间互有重叠） 第二种分类方法：由划分类与类之间的边界出发建立边界函数或判别函数，每一类都有一个判别函数 无论哪一种方法关键在于确定每一类在多维特征空间中的 位置（类均值向量） 范围（协方差矩阵） 类与类之间的边界（判别函数） 图像分类简介 要获取位置、范围、类与类之间的边界的确切数值一般要利用已知地物类型样区取得训练组数据，以这些数据作为整个图像的分类统计特征的估计值 遥感图像的统计分类方法一般有两种实施方案，或者按照是否已知样区训练组的分类数据，分类程序可分为 监督分类 非监督分类 1.图像分类简介 监督分类方案是基于我们对遥感图像上采样区影像地物的类属已有先验知识，并利用这些样本类别的特征作为依据来识别非样本数据类别 非监督分类方案是事先对遥感影像地物的属性不具先验知识，纯粹依靠不同影像地物在统计特征上的差别来进行“盲目分类” ，事后再对已分出各类的实地属性进行确认。 一、分类概论 图像分类简介 统计模式识别 卫星信息的空间转换 特征提取及特征选择 光谱类别和信息类别 分类判别函数和判决规则 多光谱域中的图像变换 2. 统计模式识别 统计模式识别的出发点是把对识别对象的每一个观测量视为从属于一定分布规律的随机变量。 在多维观测下把识别对象特征的各维观测值的总体视为一随机变量，每个随机矢量在一个多维特征空间中都有一个特征点与之对应。 所有特征点的全体在特征空间中将形成一系列的分布群体，每个分布群体中的特征点被认为具有相似特征而划为同一个类别 最后，设法找到各个分布群体的边界线或确定任意特征点落入每个分布群体的条件概率，并以此为判据来实现特征点之分类。 2. 统计模式识别 遥感图像中模式识别所使用的特征主要是光谱特征及其表征参数 纯理想的情况下属于同一地物类别的各地物点理应具有相同的影像亮度值，即完全相同的光谱响应 同名地物点在不同波段影像中亮度的观测值是一个随机变量。 同名地物点在不同波段影像中亮度的观测量将构成一个多维的随机向量(X)——光谱特征向量，即X=[x1 x2 …xn ] T 2. 统计模式识别 由于随机性所致，同类地物的各取样点在光谱特征空