1、第八章 遥感图像自动识别分类 1内容提纲 基础知识 特征变换和特征选择 监督分类 非监督分类 监督分类和非监督分类的结合 分类后处理和误差分析 非光谱信息分类 自动分类新方法2概述 遥感图像的计算机遥感图像的计算机分类分类，是，是模式识别模式识别技术在遥感技术领域技术在遥感技术领域中的具体运用中的具体运用 目视判读是直接利用人类的目视判读是直接利用人类的自然识别自然识别智能智能 计算机分类是利用计算机技术来计算机分类是利用计算机技术来人工模拟人工模拟人类的识别功能人类的识别功能 采用决策理论（或统计）方法采用决策理论（或统计）方法 从被识别的模式（即对象）中，提取一组反映模式属性的从被识别的模
2、式（即对象）中，提取一组反映模式属性的量测值，称之为量测值，称之为特征特征 把模式特征定义在一个特征空间中，进而利用决策的原理把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分，以区分不同特征的模式，达到分类对特征空间进行划分，以区分不同特征的模式，达到分类的目的的目的 光谱特征和纹理特征光谱特征和纹理特征3遥感图像分类的理论依据 遥感图像分类的理论依据是:遥感图像中的同类地物在相同的条件下（纹理、地形、光照以及植被覆盖等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像素的特征向量将集群在同一特征空间区域；而不同的地物其光谱
3、信息和空间信息特征将不同，将集群在不同的特征空间区域。58.1 基础知识 模式与模式识别 光谱特征空间 地物在特征空间中的聚类统计特性68.1.1 模式与模式识别 “模式”是指某种具有空间或几何特征的东西，它的含义是某种事物的标准形式。 一个模式识别系统对被识别的模式作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较。若和字典中某一“词目”的比较结果是吻合或比较吻合，则我们就可以得出所需要的分类结果。这一过程称为模式识别 。 这一组测量值就是一种模式 。7图图8-1 模式识别系统的模型模式识别系统的模型8模式与模式识别9姚明姚明ROCKETS11模式识别的应用10模式识别
4、的应用11模式识别的应用128.1.2 光谱特征空间 不同的地物在同一波段图像上表现的亮度一般互不相同 不同的地物在多个波段图像上亮度的呈现规律也不相同 同名地物点在不同波段图像中亮度的观测量将构成一个多维随机向量X，称为光谱特征向量 如TM图像上任一个点 TM=TM1，TM2，TM3，TM4，TM5，TM6，TM713TnxxxX21地物与光谱特征空间的关系 14地物在特征空间中的聚类情况 由于随机性因素（如大气条件，背景，地物朝向，传感器本身的“噪声”等）影响，同类地物的各取样点在光谱特征空间中的特征点将不可能只表现为同一点，而是形成一个相对聚集的点集群，而不同类地物的点集群在特征空间内一
5、般是相互分离的。15特征点集群在特征空间中的分布168.1.3地物在特征空间中的聚类统计特性 地物在特征空间的聚类通常是用特征点（或其相应的随机矢量）分布的概率密度函数来表示 178.2 特征变换和特征选择 目的：减少参加分类的特征图像的数目，从原始信息中抽取能更好进行分类的特征图像。 特征变换特征变换将原有的m 量值集合通过某种变换，然后产生n个（nm）新的特征。 特征选择特征选择从原有的m个测量值集合中，按某一准则选择出n个特征。 188.2.1 特征变换 概念：将原始图像通过一定的数字变换生成一组新的特征图像，这一组新图像信息集中在少数几个特征图像上。 目的：数据量有所减少，去相关，有助
6、于分类。 常用的特征变换：主分量变换、哈达玛变换、穗帽变换、比值变换、生物量指标变换。1920redNIRScatter Plot reveals relationship between information in two bandshere:correlation coefficient = 0.137redNIRPrincipal Components Analysiscorrelation between all bandsTM datacorrelation coefficients : 1.000 0.927 0.874 0.069 0.593 0.426 0.736 0.927
7、 1.000 0.954 0.172 0.691 0.446 0.800 0.874 0.954 1.000 0.137 0.740 0.433 0.812 0.069 0.172 0.137 1.000 0.369 -0.084 0.119 0.593 0.691 0.740 0.369 1.000 0.534 0.891 0.426 0.446 0.433 -0.084 0.534 1.000 0.671 0.736 0.800 0.812 0.119 0.891 0.671 1.000211.主分量变换 主分量变换也称为KL变换，是一种线性变换，是就均方误差最小来说的最佳正交变换 KL变
8、换能够把原来多个波段中的有用信息集中到数目尽可能少的特征图像组中去，达到数据压缩的目的。 KL变换还能够使新的特征图像间互不相关，使新的特征图像包含的信息内容不重叠，增加类别的可分性。22主分量变换计算步骤（1）计算均值向量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序；（4）选择前几个特征值对应的几个特征向量构造变换矩阵n；（5）根据nX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。23MSS主分量变换前后的信息量分布24TM主分量变换前后的信息量分布25主分量变换26PC-1PC-72. 哈达玛变换 哈达玛变换是利用哈
9、达玛矩阵作为变换矩阵实施的遥感多光谱域变换。 哈达玛矩阵的变换核为27哈达玛变换 哈达玛矩阵的维数N总是2的倍数 每个高阶哈达玛矩阵都由其低一阶的哈达玛矩阵按如下形式组成 哈达玛变换定义为：28mmmmmHHHHH1XHIH), 2 , 1(2mNm哈达玛变换的几何意义 由哈达玛变换核可知，哈达玛变换实际是将坐标轴旋转了45的正交变换 29哈达玛变换的几何意义 以四波段的陆地卫星图像的哈达玛为换为例 ，取二阶哈达玛变换矩阵 300312ThIhhhh1111111111111111Hh0=(x4+x5)+(x6+x7)h1=(x4+x5)-(x6+x7)h2=(x4-x5)-(x6-x7)h3
10、=(x4-x5)+(x6-x7) 7654101111XXhh7654231111XXhh哈达玛变换的几何意义图图8-4 二维哈达玛变换二维哈达玛变换31哈达玛变换的几何意义 特征图像h0把水同土壤与植被的混合体区分开来 特征图像h1把植被同水和土壤的混合体区分开来 特征图像h3和特征图像h2主要表现为噪声图像，通常在特征选择过程中可舍去，达到数据压缩的目的。323. 穗帽变换 又称K-T变换，由Kauth-Thomas提出，是一种线性特征变换。 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。 特点1：在MSS图像中，土壤在特征空间（光谱空间）的集群，随亮度的
11、变化趋势沿从坐标原点出发的同一根辐射线方向上出现。 特点2：若把土壤和植被的混合集群投影到MSS-5和MSS-6波段图像所组成的特征子空间中，形成一个近似的帽状三角形 。33穗帽变换34Y=AX穗帽变换35Y=AXY=（ISB IGV IY IN）TX=（x4 x5 x6 x7）ISB土壤亮度轴的像元亮度值IGV植物绿色指标轴的像元亮度值IY黄色轴IN噪声轴xi地物在MSS四个波段上的亮度值 SB分量和分量和GV分量一般情况下等价于主分量变换中的第一主分量一般情况下等价于主分量变换中的第一主分量分量PC1和第二主分量和第二主分量PC2 SB分量集中了大部分土壤信息，所以对土壤的分类是有效的分量
12、集中了大部分土壤信息，所以对土壤的分类是有效的 GV分量对植被的分类是有效的分量对植被的分类是有效的 4. 生物量指标变换 Ibio生物量变换后的亮度值。 x7，x5为MSS-7和MSS-5图像的像元亮度值。 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。36生物量指标变换)148(5757xxxxIbio3712HHbioIII575757211111xxxxxxIIHHBand 3Band 2Band 1多光谱影像多光谱影像利用已知利用已知的波段数的波段数建立特征建立特征向量空间向量空间Band 1 的的灰度值灰度值Band 2 的的灰度值灰度值水体水体植被植被土壤
13、土壤对原始影像建立的特对原始影像建立的特征空间进行特征变换征空间进行特征变换建立新的特征空间建立新的特征空间V1V2Band1Band2 水体水体植被植被土壤土壤V2V1新的特征影像新的特征影像Band 38.2.2 特征选择选择一组最佳的特征影像进行分类定量选择方法 距离测度距离测度 散布矩阵测度散布矩阵测度类内散布矩阵 类间散布矩阵 总体散布矩阵00()() TmwbSEXMXMSS39类别均值间的标准化距离 前面所述内容主要为分类前的预处理。预处理工作结束后，就将参与分类的数据准备，接下来的工作就是从这些数据提供的信息中让计算机“找”出所需识别的类别，其方式有两种：一种就是监督分类法；另
14、一种称为非监督分类法。408.3 监督分类 监督分类：是基于我们对遥感图像上样本区内地物的类属已知，于是可以利用这些样本类别的特征作为依据来识别非样本数据的类别。 监督分类的思想：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准则，其中利用一定数量的已知类别样本的观测值求解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入判别函数，再依据判别准则对该样本的所属类别作出判定。 41监督分类 判别函数和判别规则 分类过程428.3.1判别函数和判别规则 各个类别的判别区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别，这些函数就称为判别函数。 当计算完某
15、个矢量在不同类别判决函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。如若所得函数值最大则该矢量属于最大值对应的类别。这种判断的依据，我们称之为判别规则。 43判别函数 判别 当且仅当g2(x)g1(x), g2(x)g3(x) ，x2 对于更多的类别，当且仅当gi(x)gj(x)， x i ，其中j=1,2,3,m，ji，m为类别数44概率判别函数和贝叶斯判别规则 可以把某特征矢量（X）落入某类集群的条件概率当成分类判别函数（概率概率判别判别函数函数），X落入某集群的条件概率最大的类为X的类别，这种判决规则就是贝叶斯判别规则贝叶斯判别规则。贝叶贝叶斯判别规则是以错分概率或风险最小
16、为准则的判别规则斯判别规则是以错分概率或风险最小为准则的判别规则。 假设，同类地物在特征空间服从正态分布，则类别的概率密度函数为： 45协方差矩阵协方差矩阵均值向量均值向量概率判别函数和贝叶斯判别规则 根据贝叶斯公式可得：式中：(/)()(/)()iiiP XPPXP X46()(/)(/)iiiiiiiPP XXPXX类出现的概率，即先验概率；在类中出现 的条件概率，也称类的似然概率；属于的后验概率。()(/)()iiid XP XP判别函数为()ln(/)ln()iiid XP XP（8-21）（8-22）（8-23）概率判别函数和贝叶斯判别规则47最大似然法分类的错分概率错分概率是类别判
17、别分界两侧做出不正确判别的概率之和。贝叶斯判别边界使这个数错误为最小，因为这个判别边界无论向左还是向右移都将包括不是1类便是2类的一个更大的面积，从而增加总的错分概率。由此可见，贝叶斯判别规则是错分概率最小的最优准则。根据概率判别函数和贝叶斯判别规则来进行的分类通常称为最大似根据概率判别函数和贝叶斯判别规则来进行的分类通常称为最大似然分类法。然分类法。48距离判别函数和判别规则 基本思想：计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于哪类。 距离判别规则：最小距离判别的原则。 若对于所有的比较类j=1,2,m；j i，有di(X)=theta 时 y=1，反之 y=0
18、。请注意输出可以是连续的，因为它也可以由一函数 f判定，该函数的自变量是 a，函数值在 0 和 1 之间，y=f(a)。神经网络方法神经网络方法10()niiiyfW x99ixiWy第第i个输入元素；个输入元素；第第i个输入与处理单元间的互联权重元素；个输入与处理单元间的互联权重元素；处理单元的内部阈值；处理单元的内部阈值；处理单元的输出值。处理单元的输出值。图图8-14 一个人工神经元的输入及输出一个人工神经元的输入及输出神经网络方法神经网络方法100图图8-15 神经网络分类器神经网络分类器神经网络方法神经网络方法101面向对象分类技术面向对象分类技术102影像对象具有的特征：影像对象具
19、有的特征：- - 光谱信息光谱信息 - - 形状信息形状信息- - 拓扑关系拓扑关系 - - 纹理信息纹理信息- - 上 下 文 关 系上 下 文 关 系影像像素具有的特征：影像像素具有的特征： - - 光谱信息光谱信息面向对象的方法面向对象的方法面向像素的方法面向像素的方法面向对象分类技术面向对象分类技术103特点：特点：1.利用对象的多特征（光谱、形状、纹理、阴影、空间位置、利用对象的多特征（光谱、形状、纹理、阴影、空间位置、相关布局等）；相关布局等）；2.多尺度分割，不同地物类别的分类在各自最佳尺度上进行。多尺度分割，不同地物类别的分类在各自最佳尺度上进行。多尺度影像分割多尺度影像分割1
20、04多尺度影像分割多尺度影像分割105图图8-16 面向对象分割层次图面向对象分割层次图多尺度影像分割多尺度影像分割212()dddfdffhlhn1061122()()diffcmccmccchw n hhn hhlhb相邻对象异质度相邻对象异质度合并前后异质度变化合并前后异质度变化形状异质度形状异质度122diffmhhhh紧致度紧致度光滑度光滑度1 12212diffmhnh nhhnn多尺度影像分割多尺度影像分割 光谱与形状特征空间内的异质度光谱与形状特征空间内的异质度colorcolorshapeshapefwhwh121212()()mmcompactmmllllhnnnnnn10
21、71122()()colorcmccmccchw nnshapecompactcompactsmoothsmoothhwhwh121212()()mmsmoothmmllllhnnbbbb多尺度影像分割多尺度影像分割108面向对象分割层次图面向对象分割层次图面向对象分类技术面向对象分类技术 面向对象分类方法面向对象分类方法最近邻分类最近邻分类 对于每一个影像对象，在特征空间中寻找最近的样本对象。对于每一个影像对象，在特征空间中寻找最近的样本对象。 2( )( )soffffvvd109dso是指样本对象 与影像对象 之间的距离；( )sfvf为样本对象的特征 的特征值；ff为特征 值的标准差；
22、( )ofvf为影像对象的特征 的特征值；面向对象分类技术面向对象分类技术 面向对象分类方法面向对象分类方法决策支持的模糊分类决策支持的模糊分类(基于隶属度函数分类基于隶属度函数分类) 对于某个类别，针对某个特征对于某个类别，针对某个特征 建立隶属度函数，根据待分类建立隶属度函数，根据待分类 对象的特征计算属于该类别对象的特征计算属于该类别 的的 隶属度，根据隶属度判别类别。隶属度，根据隶属度判别类别。 可以利用多个特征的隶属度函可以利用多个特征的隶属度函 数一起判别。数一起判别。 110面向对象分类技术面向对象分类技术面向对象分类方法面向对象分类方法决策支持的模糊分类决策支持的模糊分类1.运
23、用继承机制、模糊逻辑概念和方法以及语义模型，建立用于运用继承机制、模糊逻辑概念和方法以及语义模型，建立用于分类的决策知识库。分类的决策知识库。2.首先建立不同尺度的分类层次，在每一层次上分别定义对象的：首先建立不同尺度的分类层次，在每一层次上分别定义对象的：光谱特征（均值、方差、灰度比值）光谱特征（均值、方差、灰度比值）形状特征（面积、长度、宽度、边界长度、长宽比、形状因子等）形状特征（面积、长度、宽度、边界长度、长宽比、形状因子等）纹理特征及相邻关系特征纹理特征及相邻关系特征3.通过定义多种特征并指定不同的权重，给出每个对象隶属于某通过定义多种特征并指定不同的权重，给出每个对象隶属于某一类的
24、概率，建立分类标准，并按照最大概率原则，先在大尺一类的概率，建立分类标准，并按照最大概率原则，先在大尺度上分出度上分出“父类父类”，再根据需要对感兴趣的地物在小尺度上定，再根据需要对感兴趣的地物在小尺度上定义特征，分出义特征，分出“子类子类”，最终产生确定的分类结果。，最终产生确定的分类结果。111面向对象分类技术面向对象分类技术112 ADS40ADS40彩红外影像彩红外影像 （a a）分割尺度为）分割尺度为100 100 （b b）分割尺度）分割尺度6060 不同尺度分割的局部细节对比不同尺度分割的局部细节对比面向对象分类技术面向对象分类技术113面向对象分类技术面向对象分类技术114类类
25、分类中所用的特征分类中所用的特征建筑物建筑物光谱特征；光谱特征；Length / WidthLength / Width树木树木光谱特征；光谱特征；NDVINDVI值；纹理值；纹理农田农田光谱特征；光谱特征；NDVINDVI值；纹理值；纹理 裸地裸地bare indexbare index；纹理特征；纹理特征水泥地面水泥地面光谱特征光谱特征沥青公路沥青公路光谱特征；光谱特征；ShapeShape指数；指数；Length / WidthLength / Width塑胶操场塑胶操场光谱特征（均值）光谱特征（均值）; ; 纹理特征纹理特征建筑阴影建筑阴影光谱特征光谱特征; ; 邻接特征邻接特征树木阴
26、影树木阴影光谱特征光谱特征; ; 邻接特征邻接特征面向对象分类技术面向对象分类技术115 通过多尺度分割得到多个影像对象层，可以构建一个层次分明、通过多尺度分割得到多个影像对象层，可以构建一个层次分明、结构清晰、独特的分类层次等级网络体系结构清晰、独特的分类层次等级网络体系 ADS40ADS40影像的分类层次图影像的分类层次图面向对象分类技术面向对象分类技术116 建筑物建筑物 植被植被 农田农田 塑胶操场塑胶操场 沥青公路沥青公路 水泥路面水泥路面 面向对象分类法面向对象分类法 最大似然法分类最大似然法分类裸地裸地本章结束1178.1 8.1 基础知识基础知识118小结小结第八章第八章 遥感
27、图像自动识别分类遥感图像自动识别分类8.2 8.2 特征变换及特征选择特征变换及特征选择概念：特征变换、特征选择及其目的常用的特征变换方法：主分量变换、哈达玛变换、穗帽变换、比值变换、生物量指标变换。距离测度、散布矩阵8.3 8.3 监督分类监督分类 最大似然法：根据距离判别函数和贝叶斯判别规则来进行的分类。 最小距离分类法：基于距离判别函数和判别规则的分类方法。 监督分类的主要步骤119小结小结第八章第八章 遥感图像自动识别分类遥感图像自动识别分类8.4 8.4 非监督分类非监督分类 K-K-均值聚类法均值聚类法 ISODATAISODATA算法算法 平行管道法平行管道法8.5 8.5 非监督与监督分类的结合非监督与监督分类的结合8.6 8.6 分类后处理和精度评定分类后处理和精度评定 混淆矩阵及其应用8.7 8.7 非光谱信息在遥感图像中的应用非光谱信息在遥感图像中的应用 高程信息、纹理信息8.8 8.8 计算机自动分类的新方法简介计算机自动分类的新方法简介 模糊聚类、神经元网络面向对象的分类技术120小结小结第八章第八章 遥感图像自动识别分类遥感图像自动识别分类
