地理信息科学概论-第六章-遥感图像计算机分类课件.pptx

1、 课程内容第一章第一章 绪论绪论第二章第二章 ：电磁辐射的基本特征：电磁辐射的基本特征第三章第三章 遥感成像原理与遥感图像特征遥感成像原理与遥感图像特征第四章第四章 遥感图像处理遥感图像处理第五章第五章 遥感图像目视解译与制图遥感图像目视解译与制图第六章第六章 遥感数字图像计算机解译遥感数字图像计算机解译第七章第七章 遥感应用遥感应用2遥感图像解译遥感图像解译 遥感数字图像计算机解译遥感数字图像计算机解译以遥感数字图像为以遥感数字图像为研究对象，在计算机系统支持下，综合运用研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地学分析、遥感图像处理、GISGIS、模式识别与、模式识别与

2、人工智能技术，实现地学专题信息的智能化人工智能技术，实现地学专题信息的智能化获取。获取。 具有重要的理论意义和应用前景。具有重要的理论意义和应用前景。3 本章主要内容本章主要内容第一节第一节 遥感数字图像的性质与特点遥感数字图像的性质与特点第二节第二节 监督分类、非监督分类监督分类、非监督分类第三节第三节 其它分类方法其它分类方法第四节第四节 误差与精度评价误差与精度评价4 教学目的 巩固基础知识（遥感数字图像的概念、特点及表示方法） 掌握遥感数字图像计算机分类的基本原理 理解监督分类、非监督分类的含义 了解分类方法，做好实践操作的理论准备2022-4-45 遥感数字图像是以数字表示的遥感图像

3、遥感数字图像是以数字表示的遥感图像 其最基本的单元是像素其最基本的单元是像素. . 像素是成像过程的采样点像素是成像过程的采样点, ,也是计算机处理图像的最小单元也是计算机处理图像的最小单元. . 像素具有像素具有空间特征空间特征和和属性特征属性特征. .2022-4-46 遥感数字图像可以用二维数组表示遥感数字图像可以用二维数组表示2022-4-47f(2,0), f(2,1), f(2,2) , , f(2,N-1)f(X,Y) f(0,0), f(0,1), f(0,2) , , f(0,N-1)f(1,0), f(1,1), f(1,2) , , f(1,N-1) f(M-1,0),

4、f(M-1,1), f(M-1,2) , , f(M-1,N-1)坐标位置由所处行列决定坐标位置由所处行列决定每个元素的值决定亮度值每个元素的值决定亮度值 便于计算机处理与分析便于计算机处理与分析 图像信息损失少图像信息损失少 抽象性强抽象性强 保存方便保存方便2022-4-48 多波段数字图像的三种数据格式多波段数字图像的三种数据格式 BSQ (band sequential) BIP(band interleaved by pixel) BIL(band interleaved line)2022-4-49 多波段数字图像的三种数据格式多波段数字图像的三种数据格式BSQBSQ格式格式(Ba

5、nd sequential)(Band sequential)2022-4-410第一波段第一波段 (1,1) (1,2) (1,3) (1,4) (1,n) (2,1) (2,2) (2,3) (2,4) (2,n) (m,1) (m,2) (m,3) (m,4) (m,n) 第二波段第二波段 (1,1) (1,2) (1,3) (1,4) (1,n) (2,1) (2,2) (2,3) (2,4) (2,n) 第第n 波段波段 (1,1) (1,2) (1,3) (1,4) (1,n) (m,1) (m,2) (m,3) (m,4) (m,n)BIPBIP格式格式(Band interle

6、aved by pixel)(Band interleaved by pixel) 第一波段第一波段 第二波段第二波段 第第n波段波段 第一波段第一波段 第二波段第二波段 第一行第一行 (1,1) (1,1) (1,1) (1,2) (1,2) 第二行第二行 (2,1) (2,1) (2,1) (2,2) (2,2) 第第N行行 (n,1) (n,1) (n,1) (n,2) (n,2) BILBIL(band interleaved line)第一波段第一波段 (1,1) (1,2) (1,3) (1,4) (1,n) 第二波段第二波段 (1,1) (1,2) (1,3) (1,4) (1,

7、n) 第第 n波段波段 (1,1) (1,2) (1,3) (1,4) (1,n) 第一波段第一波段 (2,1) (2,2) (2,3) (2,4) (2,n) 第二波段第二波段 (2,1) (2,2) (2,3) (2,4) (2,n) 主要内容主要内容第一节第一节 遥感数字图像的性质与特点遥感数字图像的性质与特点第二节第二节 遥感数字图像的计算机分类遥感数字图像的计算机分类第三节第三节 遥感图像多种特征的抽取遥感图像多种特征的抽取第四节第四节 遥感图像解译专家系统遥感图像解译专家系统2022-4-4112022-4-412主要内容主要内容 一一 遥感图像分类物理基础遥感图像分类物理基础 二

8、二 遥感图像计算机分类方法遥感图像计算机分类方法2022-4-413一、计算机分类物理基础 同类地物在相同条件下（光照、地形等）应该具有相同或相似的光谱信息和空间信息特征。不同类的地物之间具有差异。 根据这种差异，将图像中的所有像素按其性质分为若干个类别的过程，称图像分类。 遥感图像分类以每个像素的光谱数据为基础进行。2022-4-414 光谱特征 为了将各个波段影像中像元的亮度值与地面景物特征联系起来，必须发现其中的规律性。 由地物反射率曲线可知，在不同的波段各种地物的反射率有差异。？2022-4-415雪、沙漠、小麦、雪、沙漠、小麦、湿地反射率曲湿地反射率曲线按线按MSSMSS波段波段1

9、1，2 2，3 3，4 4分段，反分段，反射率的差异射率的差异2022-4-416任意选取卫星影像同一景中的两个任意选取卫星影像同一景中的两个或两个以上波段，以每一波段的亮或两个以上波段，以每一波段的亮度度( (灰度灰度) )为轴做多光谱空间；为轴做多光谱空间；对应于地面同一类地物的像元对应于地面同一类地物的像元点在多光谱空间内位置都很接点在多光谱空间内位置都很接近，有集聚的倾向。近，有集聚的倾向。2022-4-417 上图中，凡同一类型的地物，如湿地，亮度接近，上图中，凡同一类型的地物，如湿地，亮度接近，在波段在波段1 1亮度最小，在波段亮度最小，在波段3 3亮度也最小，因此在亮度也最小，因

10、此在二维波段二维波段1313空间中湿地位置在左下角区域；空间中湿地位置在左下角区域；而小麦亮度在波段而小麦亮度在波段1 1较小，在波段较小，在波段3 3却较大，位于却较大，位于光谱空间的左上角等。光谱空间的左上角等。 这种同类聚集的特性说明： 如果按照地物类别聚集的规律把多光谱空间划分为若干个子空间， 每一子空间包含有一个类别， 这样就可以把图像中未知的像元进行分类，把他们分配到各自的子空间中去。2022-4-418 计算机分类的基本原理同类地物在相同条件下（光照、地形等）应该具有相同或者相似的光谱信息和空间信息特征；不同类型的地物之间具有差异。遥感图像分类就是把图像中的每个像元或区域划归为若

11、干类别中的一种，即通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间然后将影像内各个像元划分到各个子空间中去，从而实现分类。 2022-4-419波段波段1波段波段2波段波段 n多光谱图像多光谱图像如图所示，假设多光谱图像如图所示，假设多光谱图像有有n n个波段，则个波段，则( (i i，j j) )位置位置的像元在每个波段上的灰度的像元在每个波段上的灰度值可以构成一个矢量值可以构成一个矢量X X ( (x x1 1，x x1 1，x xn)n)T T，X X称作该像元的特征值，包称作该像元的特征值，包含含X X的的n n维空间称为特征空间维空间称为特征空间 遥感图像

12、计算机分类方法遥感图像计算机分类方法 监督分类监督分类 非监督分类非监督分类2022-4-420 监督分类监督分类 又称训练分类法又称训练分类法, ,即用即用被确认类别的样本像元被确认类别的样本像元去识别其它未去识别其它未知类别像元的过程。知类别像元的过程。 已被确认类别的样本像元是指那些位于训练区的像元。已被确认类别的样本像元是指那些位于训练区的像元。 在这种分类中在这种分类中, ,分析者在图像上对每一种类别选取一定数量分析者在图像上对每一种类别选取一定数量的训练区的训练区, ,计算机计算每种训练样区的统计或其他信息计算机计算每种训练样区的统计或其他信息, ,每每个像元和训练样本作比较个像元

13、和训练样本作比较, ,按照不同规则将其划分到和其最按照不同规则将其划分到和其最相似的样本类。相似的样本类。2022-4-421? ? 步骤： 一、选择训练样本和提取统计信息 二、评价训练样本 三、执行监督分类 四、评价分类结果 训练样本的选择与评价 如何选择 如何评价样本类别样本类别样本典型性样本典型性样本数量样本数量样本的光谱特征分析样本的光谱特征分析如均值、方差、标准差等如均值、方差、标准差等直方图直方图训练样本的选择1.训练样本的选择需要分析者对要分类的图像所在的区域有所了解。2.同一类别训练样本必须是均质的,不能包含其他类别,也不能是和其他类别之间的边界或混合像元;其大小、形状和位置必

14、须能同时在图像和实地(或其他参考图)容易识别和定位 3.必须考虑每一类别训练样本的总数量。 1.训练样本的来源实地收集,即通过全球定位系统(GPS)定位,实地记录的样本。屏幕选择,即通过参考其他图或根据分析者对该区的了解,在屏幕上数字化每一类别有代表性的像元或区域,或用户指定一个中心像元,机器自动评价其周边像元,选择与其相似的像元。 训练样本评价 (1)收集有关分类区的信息,包括地图、航空像片或实地资料等,以了解该区主要的分类类别及分布状况; (2)对图像进行检查,对照已有的参考数据或者实地考察经验,评价图像质量,检查其直方图,决定是否需要别的预处理,如地形纠正、配准等,并确定其分类系统; (

15、3)在图像上对每一类别按照前面提到的标准选择训练样本,训练样本必须是容易识别的,均匀分布于全图 (4)对每一类别的训练样本,显示和检查其直方图,计算和检查其均值、方差、协方差短阵,以及其对应的特征空间相关波谱椭圆形图和不同的指示其分离度的统计指数等,从而评估其训练样本的有效性; (5)根据上面(4)中的检查和评估,修改训练样本,必要时可重新选择和评估训练样本; (6)将训练样本的信息运用于合适的分类过程中。 监督分类中常用的分类方法监督分类中常用的分类方法 最小距离分类法最小距离分类法 多级切割分类法多级切割分类法 特征曲线窗口法特征曲线窗口法 最大似然比分类法最大似然比分类法2022-4-4

16、27 最小距离法最小距离法是利用训练样本中各类别在各波段的均值是利用训练样本中各类别在各波段的均值, ,根据各根据各像元离训练样本平均值距离的大小来决定其类别像元离训练样本平均值距离的大小来决定其类别 2022-4-428 1 1、最小距离分类法、最小距离分类法Step 2 for eachunclassified pixel,calculate the distance toaverage for each trainingarea 2022-4-429 2 2、多级切割分类法多级切割分类法通过设定在各轴上的一系列分割点，将多维特征空间划通过设定在各轴上的一系列分割点，将多维特征空间划分成分

17、别对应不同分类类别的互不重叠的特征子空间的分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。分类方法。对于一个未知类别的像素来说，它的分类取决于它落入对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。哪个类别特征子空间中。 2022-4-431 3 3、最近邻域法、最近邻域法 最近领域法与最小距离分类法相似，都使用距离的远近作为类别归属的依据。但不使用均值。 2022-4-432 4 4、最大似然比分类法、最大似然比分类法( (通过求出每个像素对于各类别的归属概率，把该像素分通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。到归属概率最

18、大的类别中去的方法。假定训练区地物的光谱特征和自然界大部分随机现象一假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。样，近似服从正态分布。 非监督分类非监督分类 是指人们事先对分类过程不施加任何的先验知识，仅凭据遥感影像地物的光谱是指人们事先对分类过程不施加任何的先验知识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类。特征的分布规律，随其自然地进行盲目的分类。 分类的结果，只是对不同类别达到了区分，并不确定类别的属性，其属性是通分类的结果，只是对不同类别达到了区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后

19、确定的。过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。2022-4-433基本过程基本过程1.1.选取特定区域的遥感数字图像。选取特定区域的遥感数字图像。2.2.收集与分析地面参考信息与有关数据。收集与分析地面参考信息与有关数据。3.3.选择合适的图像分类方法和算法并制定分类系统，确定分类类别。选择合适的图像分类方法和算法并制定分类系统，确定分类类别。4.4.找出代表这些类别的统计特征。找出代表这些类别的统计特征。5.5.测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可

20、用聚类等方法对特征相似的像素进测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。行归类，测定其特征。6.6.进行分类。进行分类。7.7.分类精度检查。分类精度检查。8.8.对判别分析的结果进行统计检验。对判别分析的结果进行统计检验。2022-4-434 非监督分类中常用的方法非监督分类中常用的方法 分级集群法分级集群法 动态聚类法动态聚类法2022-4-435l监督分类的的主要优点:可根据应用目的和区域可根据应用目的和区域, ,有选择地决定分类类别有选择地决定分类类别, ,避免避免出现一些不必要的类别出现一些不必要的类别; ;可控制训练样本的选择可控制训练样本的选

21、择; ;可通过检查训练样本来决定训练样本是否被精确分类可通过检查训练样本来决定训练样本是否被精确分类, ,从而能避免分类中的严重错误；从而能避免分类中的严重错误；避免了非监督分类中对光谱集群组的重新归类。避免了非监督分类中对光谱集群组的重新归类。 2022-4-436l监督分类的缺点: 其分类系统的确定、训练样本的选择其分类系统的确定、训练样本的选择, ,均人为主观因素较强均人为主观因素较强, ,分析者分析者定义的类也许并不是图像中存在的自然类别定义的类也许并不是图像中存在的自然类别, ,导致多维数据空间中导致多维数据空间中各类别间并非独一无二各类别间并非独一无二, ,而有重叠而有重叠; ;分

22、析者所选择的训练样本也可能分析者所选择的训练样本也可能并不代表图像中的真实情形并不代表图像中的真实情形; ; 由于图像中同一类别的光谱差异由于图像中同一类别的光谱差异, ,如同一森林类如同一森林类, ,由于森林密度、年由于森林密度、年龄、阴影的差异龄、阴影的差异, ,其森林类的内部方差大其森林类的内部方差大, ,造成训练样本并没有很好造成训练样本并没有很好的代表性的代表性; ; 训练样本的选取和评估需花费较多的人力、时间训练样本的选取和评估需花费较多的人力、时间; ; 只能识别训练样本中所定义的类别只能识别训练样本中所定义的类别, ,若某类别由于训练者不知道或若某类别由于训练者不知道或者其数量

23、太未被定义者其数量太未被定义, ,则监督分类不能识别。则监督分类不能识别。2022-4-437 和监督分类相比和监督分类相比, ,非监督分类的主要优点表现在非监督分类的主要优点表现在非监督分类不需要预先对所要分类的区域有广泛的了解和熟悉非监督分类不需要预先对所要分类的区域有广泛的了解和熟悉, ,而监而监督分类则需要分析者对所研究区域有很好的了解从而才能选择训练样督分类则需要分析者对所研究区域有很好的了解从而才能选择训练样本。但是在非监督分类中分析者仍需要一定的知识来解释非监督分类本。但是在非监督分类中分析者仍需要一定的知识来解释非监督分类得到的集群组。得到的集群组。人为误差的机会减少。非监督分

24、类只需要定义几个预先的参数人为误差的机会减少。非监督分类只需要定义几个预先的参数, ,如集如集群组的数量群组的数量, ,最大最小像元数量等最大最小像元数量等, ,监督分类中所要求的决策细节在非监督分类中所要求的决策细节在非监督分类中都不需要监督分类中都不需要, ,因此大大减少了人为误差。即使分析者对分类因此大大减少了人为误差。即使分析者对分类图像有很强的看法偏差图像有很强的看法偏差, ,也不会对分类结果有很大影响。因此非监督也不会对分类结果有很大影响。因此非监督分类产生的类别比监督分类所产生的更均质。分类产生的类别比监督分类所产生的更均质。独特的、覆盖量小的类别均能够被识别独特的、覆盖量小的类

25、别均能够被识别, ,而不会像监督分类那样被分而不会像监督分类那样被分析者的失误所丢失。析者的失误所丢失。2022-4-438非监督分类的主要缺点来自于对其非监督分类的主要缺点来自于对其 自然自然 的依赖性的依赖性: :非监督分类产生的光谱集群组并不一定对应于分析者想要的类别非监督分类产生的光谱集群组并不一定对应于分析者想要的类别, ,因此因此分析者面临着如何将它们和想要的类别相匹配的问题分析者面临着如何将它们和想要的类别相匹配的问题, ,实际上几乎很少实际上几乎很少有一对一的对应关系。有一对一的对应关系。 分析者较难对产生的类别进行控制。因此其产生的类别也许并不能让分析者较难对产生的类别进行控

26、制。因此其产生的类别也许并不能让分析者满意。分析者满意。图像中各类别的光谱特征会随时间、地形等变化图像中各类别的光谱特征会随时间、地形等变化, ,不同图像以及不同时不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性段的图像之间的光谱集群组无法保持其连续性, ,从而使其不同图像之间从而使其不同图像之间的对比变得困难。的对比变得困难。2022-4-43940一、地物边界跟踪法1.1.点状地物与面状地物的边界跟踪点状地物与面状地物的边界跟踪2.2.线装地物信息检测与跟踪线装地物信息检测与跟踪二、形状特征描述与提取1.1.地物形状特征的描述地物形状特征的描述2.2.地物形态特征的提取地物形态特

27、征的提取41 三、地物空间关系特征描述与提取不同地物之间的空间关系：不同地物之间的空间关系：方位关系、包含关系、相邻关系、相交关系、相贯关系。空间关系特征提取与描述空间关系特征提取与描述（1）方位关系的提取（2）包含关系特征提取与描述（3）相邻关系特征抽取（4）相交关系特征抽取（5）相关关系特征的提取42 专家系统：把某一特定领域的专家知识与经验形式化后输入到计算机中，由计算机模仿专家思考问题与解决问题，是代替专家解决专业问题的技术系统。 遥感图像解译专家系统的组成 图像处理与特征提取子系统 遥感图像解译知识获取子系统 遥感图像解译专家系统的机理 计算机解译的主要技术发展趋势 431、图像处理

28、与特征提取子系统：包括图像处理、地形图数字化、精纠正、特征提取，结果存贮在遥感数据库内。2、遥感图像解译知识获取系统：获取遥感图像解译专家知识，并把专家知识形式化表示，存贮在知识库中。3、狭义的遥感图像解译专家系统。一、遥感图像解译专家系统的组成一、遥感图像解译专家系统的组成441、图像处理：图像滤波可消除图像的噪声；图像增强可突出目标物体与背景的差异；大气纠正可消除大气散射、雾霁等影响；几何精校正后的数字影像可与专题图精确复合；2、分类与特征提取子系统 从图像中抽取光谱特征、图像特征和空间特征，为专家系统进行推理、判断及分析提供依据。 二、图像处理与特征提取子系统二、图像处理与特征提取子系统

29、451、遥感图像解译知识获取系统的主要功能是知识获取.2、知识获取有三个层次:增加遥感解译新知识增加遥感解译新知识发现原有错误知识发现原有错误知识,修改或补充新知识修改或补充新知识根据解译结果根据解译结果,自动总结经验，修改错误知识自动总结经验，修改错误知识,增加新知识增加新知识.4、遥感图像解译描述性知识可以采用框架式方法表示框架知识表示方法的特点框架知识表示方法的特点5、过程性知识采用产生式规则知识表示方法产生式规则的特点产生式规则的特点三、遥感图像解译知识获取子系统三、遥感图像解译知识获取子系统461、遥感图像数据库包括遥感图像数据和每个地物单元的不同特征，由数据管理系统管理。2、解译知

30、识库包括专家解译知识和背景知识，由知识库管理系统管理。3、推理机采用正向推理和反向推理相结合的方式进行遥感图像解译。四、遥感图像解译专家系统的机理四、遥感图像解译专家系统的机理 推理机具有两种运行形式推理机具有两种运行形式 咨询式：用户和系统进行人机对话，解译系统根据用户提供的咨询式：用户和系统进行人机对话，解译系统根据用户提供的区域信息和任务要求，完成遥感图像解译。区域信息和任务要求，完成遥感图像解译。隐蔽式：解译过程中图像数据同解译知识的结合在专家系统内隐蔽式：解译过程中图像数据同解译知识的结合在专家系统内部进行。数据的传递、知识的调用都在系统内部独立完成部进行。数据的传递、知识的调用都在

31、系统内部独立完成47五、计算机解译的主要技术发展趋势五、计算机解译的主要技术发展趋势1 1、抽取遥感图像多种特征、抽取遥感图像多种特征 对高分辨率卫星图像的自动解译来说，一般分别对高分辨率卫星图像的自动解译来说，一般分别对目标地物采用地、中、高三个层次进行特征抽取和对目标地物采用地、中、高三个层次进行特征抽取和表达。表达。 低层次的对象是像素，每个像素对应的低层次的对象是像素，每个像素对应的 数值是该地物波谱特征数值是该地物波谱特征的表征；的表征； 中层次主要抽取和描述目标的形态、纹理等空间特征；中层次主要抽取和描述目标的形态、纹理等空间特征； 高层次主要抽取和描述识别目标与相邻地物之间的空间

32、关系。高层次主要抽取和描述识别目标与相邻地物之间的空间关系。48 GIS数据库在计算机自动解译中发挥以下重要作用：（1）对遥感图像进行辐射校正，消除或降低地形差异的影响；（2）作为解译的直接证据，增加遥感图像的信息量；（3）作为解译的辅助证据，减少自动解译中的不确定性；（4）作为解译结果的检验数据，降低误判率。五、计算机解译的主要技术发展趋势五、计算机解译的主要技术发展趋势2 2、逐步完成、逐步完成GISGIS各种专题数据库的建设，利用各种专题数据库的建设，利用GISGIS数数据减少自动解译中的不确定性据减少自动解译中的不确定性49 需要从以下两方面开展工作：建立解译知识库和背景知识库。 解译

33、知识库是遥感图像解译认识和经验经形式化后记录在贮存 介质上的。背景知识库是有关遥感解译背景知识与经验的集合，以地学知识为主。 根据遥感图像解译的特点来构造专家系统。五、计算机解译的主要技术发展趋势五、计算机解译的主要技术发展趋势3 3、建立适用于遥感图像自动解译的专家系统，提高、建立适用于遥感图像自动解译的专家系统，提高自动解译的灵活性自动解译的灵活性50 既可以发挥图像解译专家知识的指导作用，在一定程度上为模式识别提供经验性的知识，又可以利用数字遥感图像本身提供的特征，有助于提高计算机解译的灵活性。五、计算机解译的主要技术发展趋势五、计算机解译的主要技术发展趋势4 4、模式识别与专家系统相结合、模式识别与专家系统相结合51（1）人工神经网络(Artificial Neural Networks)在遥感图像识别中的应用。（2）小波分析在遥感图像识别中的应用。（3）分形技术在遥感图像识别中的应用。（4）模糊分类方法遥感图像识别中的应用。五、计算机解译的主要技术发展趋势五、计算机解译的主要技术发展趋势5 5、计算机解译新方法的应用、计算机解译新方法的应用