1、1234提高精度降低精度567纹理度量值统计特征量量化8本文的目的及针对这两个问题展开91011变差函数图05101520253005101520hGamma(h)变异函数的性质1213N-SE-WNE-SWNW-SElag14()211()()()2()N hiiihDN xDN xhN hLandsat TM image变异函数:Lag=1Lag=2Lag=3ixixh15一元变异函数()211()()()2()N hiiihDN xDN xhN h原始影像纹理多元变异函数的基础16()11()()()()()2()N hjkjijikikiihDN xDN xhDN xDN xhN h(
2、)211()()()2()N hjkjikiihDN xDN xhN h交叉变异函数交叉变异函数：伪交叉变异函数：Band jBand kBand jBand k交叉多元变异函数交叉多元变异函数和伪交叉多元变异函数伪交叉多元变异函数的基础17本文工作的重点182()()(+)()(+)TG hAVGMxx hxx hDNDNDNDN11222()()(+)()(+)TGAVGMxx hxx hhDNDNDNDNspatialtemporal12122()()(+)()(+)TGAVGMxx hxx hhDNDNDNDNMV:CMV:PCMV:19Window 15*15一元变异函数纹理多元元变
3、异函数纹理20temp1temp2交叉多元变异函数纹理伪交叉多元变异函数纹理多元变异函数纹理211.读入文件2.选择计算纹理的方向3.设置窗口大小22特征空间中：丢失了空间位置信息2324(1)(2)25核函数：隐式的映射非线性情形转化为线性情形SVM分类中的重要概念26SVM分类与最大似然分类的区别引自(Richard,2005)27sgn(,)iiiji SVsy Kbx x决策函数：用此公式判定每个像素所属的类别核函数28sgn(,)iiiji SVsy Kbx x核函数的替换,(,)(1)(,)()specspectexttextijijijspectextKKK x xxxx x11
4、2212,(,)(1)(,)()ssssijijijssKKK x xx xx x112212,(,)(1)(,)()ssssijijijssKKK x xx xx x扩展光谱核纹理核合成核本文的另一个重点29Visual C#.NET平台上编写303132333435750 750IKONOS影像SPOT影像4m,波段1,2,3,41500 1200波段1,2,3,436IKONOS纹理分类实验SPOT纹理分类实验37IKONOS光谱及单尺度纹理特征组合OA(%)KappaCgamma0光谱 MLC74.9070.28-1光谱 478.220.74200152光谱+纹理(win3_lag1)
5、4+184.250.81200153光谱+纹理(win5_lag1)4+1*84.680.82200254光谱+纹理(win7_lag1)4+184.140.81200155光谱+纹理(win9_lag1)4+1*82.550.7920015SPOT光谱及单尺度纹理特征组合OA（%）KappaCgamma0光谱 MLC89.2187.32-1光谱 490.320.885410102光谱+纹理(win3_lag1)4+194.640.93671.5203光谱+纹理(win5_lag1)4+195.650.94851204光谱+纹理(win7_lag1)4+195.710.94932.5205光谱
6、+纹理(win9_lag1)4+195.510.947012038IKONOS多尺度纹理特征组合OA(%)KappaCgamma6光谱+纹理(win3_5_all_lags)4+388.480.8629200207光谱+纹理(win3_5_7_9_all_lags)4+1091.840.90282002.5SPOT多尺度纹理特 征组合OA（%）KappaCGamma4光谱+纹理 (win7_lag1)4+195.710.94932.5206光谱+纹理(win3_5_7_lag1)4+3 95.930.95185207光谱+纹理(win3_5_7_all_lags)4+6 96.260.9558
7、2.520IKONOS:多尺度纹理有效，大大改善分类精度SPOT:多尺度纹理作用不大，提升很少39IKONOS特征组合OA(%)KappaCgamma3光谱+纹理(mv_win5_lag1)4+184.680.82200258光谱+纹理(nirV_win5_lag1)4+184.450.8149200289光谱+纹理(mv_nirV_win5_lag1)4+285.840.831520017结论：相差不大，反映的信息不通，可相互补充SPOT特征组合OA(%)KappaCgamma4光谱+纹理 (win7_lag1)4+195.710.94932.5208光谱+纹理(nirV_win7_lag1
8、)4+196.280.95600.9209光谱+纹理(mv_nirV_win7_lag1)4+296.390.95740.9204041ASTER 数据：波段1，2，36月10月426月10月交叉多元变异函数纹理(CMV)伪交叉多元变异函数纹理(PCMV)多元变异函数纹理(MV)6月和10月43纹理特点：MV表现边界很强PCMV表现变化区域44多尺度特征组合OA(%)KappaCgamma3spectral_0610 686.760.84341000.1040610+textures(0610MV_win357_lag1)6+390.740.89061001.2850610+textures(
9、0610MV_win357_all_lags)6+691.210.89631001.2860610+textures(0610CMV_win357_lag1)6+389.850.88031002.5670610+textures(0610CMV_win357_all_lags)6+689.670.87821002.5680610+textures(0610PCMV_win357_lag1)6+3*89.350.87371000.6490610+textures(0610PCMV_win357_all_lags)6+989.610.87691000.64100610+textures(0610M
10、V_CMV_PCMV_win357_all_lags)6+24*91.320.89751000.50结论：MV,CMV,PCMV都可改善精度，提供不同的信息，可相互补充。4546未烧毁植被烧毁植被(nonBV_BV)未烧毁植被未烧毁植被(nonBV_nonBV)海海(seasea,sea_sea)47MVCMVPCMV 33 55 77 99 1111 1313 lag=0 lag=1 lag=2 lag=3 lag=4 lag=5PCMV对变化区域最突出边界模糊，噪声减少噪声增多，边界不准确48参照数据无变化 变化总计无变化132220344132564变化33020702400总计1325
11、502414134964OA99.50%Kappa0.8574参照数据无变化变化总计无变化132454111 132565变化 962303 2399总计1325502414134964OA99.85%Kappa0.9562加入纹理后的变化检测混淆矩阵，Kappa系数提高近0.1，说明加入纹理后对变化检测非常有效。加入纹理前的变化检测混淆矩阵49加纹理前加纹理后在加入纹理后，噪声明显减少 加入纹理后，在火灾区域的上部仍然有部分遗漏警报，但是错误警报主要分布在下部边界上的很小邻域 505152IKONOSSPOT结论：1.比纯的光谱核、纹理核都高2.不比直接综合法高3.原因：I.纹理核的精度太低
12、II.两个核性能相差太大4.此方法对多光谱的综合分类可能并不有效Lambda=0时，为纯纹理分类53Lambda=0时，为10月的光谱分类54光谱核SVMs纹理核/光谱核SVMs综合光谱与纹理/光谱的单个核SVMs综合光谱与纹理/光谱的合成核SVMsIKONOS数据组合178.2254.1288.4887.98IKONOS数据组合278.2261.6791.8490.88SPOT数据组合90.2158.3496.2694.82ASTER数据组合83.0278.6486.7688.38*结论：1.权重因子对最终精度的提高影响不大2.该实验中，综合多时相光谱信息更好5556OAKappaMNF_6
13、88.51%0.8511NDVI_584.11%0.7927MNF_6+NDVI_5直接综合88.23%0.8487MNF_6+NDVI_5合成核SVMs91.41%0.8889分析：合成核SVMs方法比光谱分类高2.9%，比直接综合高3.2%。合成核SVMs方法在多源信息融合中表现出潜在的能力57发现：所有的植被类别的精度都上升精度提升的可能原因：植被被突出来，NDVI的优势合成核SVMs58MNF_6NDVI_5直接综合合成核SVMs合成核SVMs分类图分析：左边、右下角，突出了光谱和NDVI分类图上的特征分类结果更接近两个分类结果综合的结果，发挥了综合两种信息的作用。合成核SVMs分类图分析：几乎没突出NDVI的分类结果5960616263
