_遥感图像分类

概率P(i,j,δ,θ)的数学式表示为 :
P( i, j,δ,θ) ＝{ [(x,y), (x+Δx，y+Δy)] | f(x,y)=i, f(x+Δx,y+Δy)=j；x, y=0,1 ,…,N-1}
根据上述定义，所构成的灰度共生矩阵的第 i 行、第 j 列元 素，表示图像上所有在θ方向、相隔为δ，一个为灰度i值,另 一个为灰度j值的像素点对出现的频率。这里θ取值一般为0度、 45度、90度和135度。很明显，
4
2 模式识别(Pattern Recognition)原理
•模式（pattern）：
•指涉范围甚广，它标志了事物之间隐藏的规律关系，就是 从不断重复出现的事件中发现和抽象出的规律，以及解决问 题的经验的总结。只要是一再重复出现的事物，就可能存在 某种模式。
•模式还可分成抽象的和具体的两种形式。前者如意识、思 想、议论等,属于概念识别研究的范畴,是人工智能的另一研 究分支。我们所指的模式识别主要是对语音波形、地震波、 心电图、脑电图、图像、文字、符号、生物传感器等对象的 具体模式进行辨识和分类。
第8章 遥感图像自动分类
Image Classification
土地利用/土地覆被
第8章 遥感图像自动分类
Image Classification
• 8.1遥感图像自动分类概述(Overview) • 8.2监督分类(Supervised classification ) • 8.3非监督分类(Unsupervised classification) • 8.4分类后处理与精度分析(Post classification) • 8.5遥感图像分类的新方法(New method)
135o方向灰度共生矩阵计算示意图
灰度共生矩阵(GLCM)计算结果
灰度共生矩阵(GLCM)特征的提取
• 灰度共生矩阵反映了图像灰度关于方向、相邻间隔、 变化幅度的综合信息,它可作为分析图像基元和排列 结构的信息。
• 作为纹理分析的特征量，往往不是直接应用计算的 灰度共生矩阵，而是在灰度共生矩阵的基础上再提 取纹理特征量，称为二次统计量。
灰度共生矩阵(GLCM)特征的实际应用
• Haralick 利用ERTS1002–18134卫星多光谱图像对美国加利 福尼亚海岸带的土地利用问题，用灰度共生矩阵的方法作 纹理分析。海岸带主要有沿岸森林、树林、草地、城区、 小 片 灌 溉 区 、 大 片 灌 溉 区 和 水 域 七 类 。 对 ERTS1002– 18134四波段卫片，将其中的某波段图像，取大小为64*64 象素的非重迭窗口，间隔δ=1，Ng=16(将0–255压缩成16 级)。
• 一幅图像的灰度级数一般是256，这样计算的灰度共 生矩阵太大。为了解决这一问题，在求灰度共生矩 阵之前，常压缩为16级。
wk.baidu.com
基于灰度共生矩阵(GLCM)的特征
• Haralick等人由灰度共生矩阵提取了14种特征。 最常用的5个特征是： 1）角二阶矩（能量） 2) 对比度（惯性矩） 3）相关 4）熵 5）逆差矩
✓ 熵值的定义如下：
✓ 另外还有惯性矩、能量等也是常用的纹理特征。其定 义分别为： 对比度（惯性矩）：对比度大，图像清晰。
能量：纹理粗，能量大。
纹 理 分 割 示 例
对 比 度
It is more likely that the texture feature of a normal building are uniform, in contrast to collapsed building where this may normally not be true.
– 根据事先指定的某一准则，而进行计算机自动判别归类，无 须人为干预，分类后需确定地面类别
– 在非监督分类中，先确定光谱可分的类别，然后定义它们 的信息类
00001111 00001111 00001111 00001111 22222233 22222233 22222233 22222233
一幅数字灰度图像
0o方向灰度共生矩阵计算
45o方向灰度共生矩阵(GLCM)
当
时，
。
00001111 00001111 00001111 00001111 22222233 22222233 22222233 22222233
• 特征（feature）：在多波段图象中，每个波段都可看作一 个变量，称为特征变量。特征变量构成特征空间。
• 光谱特征(Spectral characteristics )
• 空间几何特征(geometrical characteristics )（形状、大小、 相邻关系等）
• 纹理特征(Texture features)
• 若希望提取具有旋转不变性的特征，简单的方 法是对θ取0度、45度、90度和135度的同一特 征求平均值和均方差就可得到。
✓ 熵值是图像所具有的信息量的度量，纹理信息 也属于图像的信息。若图像为较多的细小纹理， 则灰度共生矩阵中的数值近似相等，则图像的 熵值最大，若仅有较少的纹理，则灰度共生矩 阵中的数值差别较大，图像的熵值就较小。
45o方向灰度共生矩阵计算示意图
90o方向灰度共生矩阵(GLCM)
当
时，
。
00001111 00001111 00001111 00001111 22222233 22222233 22222233 22222233
90o方向灰度共生矩阵计算示意图
135o方向灰度共生矩阵(GLCM)
当
时，
。
00001111 00001111 00001111 00001111 22222233 22222233 22222233 22222233
模
以对事物或现象进行
式
描述、辨认、分类和
识 别
解释的过程。
模式识别(Pattern Recognition)的基本原理
概念：是依据一定的分类规则将不同物体区分开来 如：怎样将一筐内不同类的水果挑选出来？
颜色区分 形状区分
7
对于每一个水果有特征向量(Eigenvector)：
X
x1
x2
颜色 形状
•遥感图像分类中指某种具有空间或几何特征的东西，在多 波段图象中，每个像元都具有一组对应取值，称为像元模式
模式识别(Pattern Recognition)
• 模式识别(Pattern
Recognition)
– 指对表征事物或现象
的各种形式的(数值的、
文字的和逻辑关系的)
人 脸
信息进行处理和分析,
– 可通过比值法增强某些地
物的光谱特征
PCA
• NDVI：NDVI=（NIR-R） /(NIR+R) （归一化差值植被 指数）
– 主成分变换（PCA,
Principal Component Analysis）
– 缨帽变换
（2）空间特征提取(geometrical characteristics )
• 空间形状特征
– 形状（圆形度、长宽比、凹凸、孔洞等） – 大小、周长、面积 – 线状地物的曲率
• 空间关系特征
– 方位关系 – 包含关系 – 相邻关系 – 相交关系 – 相贯关系（一个线状地物通过面状地物内部）
（3）纹理特征(Texture features)提取P216
• 纹理：地物颜色和灰度的某种变化特征，在图像 局部呈现不规则变化，而在整体和宏观上表现出 某种规律性的图斑。
4 特征选择
• 在提取的特征影像中，选取一组最佳的特 征影像（波段最少）进行分类。
• 特征选择与地物类别及影像特征有关
– 植被、土壤分类？ – 图像波段之间的相关性？ – 主成分分析PCA？
• 特征选择定量方法
– 距离测度、散布矩阵测度
4 特征选择——距离测度
5 遥感数字图像的分类方法
Classification method
数字化
对于整筐水果有： X1, X 2, , X n 选取样本,建立规则：
特
形 状
梨
征
空
颜色
间
8
假如一个未知水果有：
X
x1
x2
颜色 形状
梨 X
该水果属于桔子
9
梨 X
该水果属于哪一种？
10
模式识别的一般步骤：
1）数字特征的建立——对象的数学描述 2）提取一组训练（已知）样本——先验知识 3）分类器建立——判决函数 4）对未知模式进行分类——识别
• 将纹理特征和多光谱灰度特征组合成16*1特征向量，对七 类地域分别取训练样本314个，检验样本310个，提取特征， 用分段线性分类器分类，获得了平均83.5%的分类精度。
• 若仅仅用多光谱信息，用8个光谱特征向量对七类地域分 类，分类精度只有74~77%，由此可见，纹理分类改善了 典型模式识别的结果，这是因为图像的纹理分析充分利用 了图像灰度分布的结构信息。
1 遥感图像分类概念(Concept )
• 遥感图像计算机分类：是通过模式识别理论，利用计算机
将遥感图像自动分成若干地物类别的方法。
– 如土地覆盖/土地利用分类、森林类型分类、植被类型分类、岩性 分类、……
• 数据--信息 （遥感数据---地物信息）
数据包括： 1、原始光谱数据； 2、光谱变换后数据； 3、非遥感数据
34
监督分类(Supervised classification)步骤：
•训练区：
•已知覆盖类型的代表样区 •用于描述主要特征类型的光谱属性 •其精度直接影响分类结果
•检验区：
•用于评价分类精度的代表样区
35
遥感数字图像的计算机分类
训练区的 选择
36
分类结果
37
• 分类方法
• 非监督分类(Unsupervised classification)
数学 模式
11
遥感数字图像的计算机分类基本原理
• 不同的地物具有不同的 特征（光谱、纹理、形 状等），同类地物具有 相同或相似的特征
• 基于数字图象中反映的 同类地物的特征相似性 和异类地物的特征差异 性。通过分析特征空间 中点群的位置分布中心、 分布规律等，确定点群 的界限，完成分类。
12
3 特征提取(Feature extraction)
• 辅助数据(ancillary data) (非遥感数据，如DEM、 土壤 类型)
• 特征提取(feature extraction)：通过变换找出最能反映地物 类别差异的特征变量用于分类的过程
（1）光谱特征提取(Spectral characteristics )
• 光谱特征：
– 地物反射、辐射波谱特征
• 表示纹理的方法：
– 图斑内像元的均值和标准偏差（直方图统计） – 灰度共生矩阵Gray-level Co-occurrence Matrix(GLCM)
纹理不同，直方图相同
灰度共生矩阵 (GLCM)的定义
在二维空间中,相隔某一距离的两个像素，它 们具有相同的灰度级，或者具有不同的灰度级， 若能找出这样两个像素的联合分布的统计形式， 对于图像的纹理分析将是很有意义的。灰度共生 矩阵就是从图像 (x,y)灰度为i的像素出发，统计在 某一方向上距离为δ=(Δx2+Δy2 )1/2、灰度为j的像素 同时出现的概率P。
分类执行方式： 监督分类(Supervised classification) 非监督分类(Unsupervised classification)
分类模型或分类器： 统计分类、模糊分类、决策树分类、神经网络分类、 面向对象分类等。
33
•分类方法：
•监督分类(Supervised classification) •通过选择代表各类别的已知样本（训练区）的象元光 谱特征，事先取得各个类别的参数，确定判别函数，从 而进行分类。 •在监督分类中，先定义信息类，然后检验它们的光谱 可分性
若Δx＝1，Δy＝0，则θ＝00； Δx＝1，Δy＝-1，则θ＝450 ； Δx＝0，Δy＝-1，则θ=900 ； Δx=-1，Δy=-1，则θ=1350 。 δ的取值与图像有关，一般根据试验确定。
0o方向灰度共生矩阵(GLCM)
当 时，
，由于所给图像中只有4个灰度级，因此所
求得的灰度共生矩阵的大小为 。
8.1 遥感图像分类概述 Overview of Image Classification
• 1 遥感图像分类概念(Concept ) • 2 模式识别(Pattern Recognition)与遥感图像分
类原理(Principle ) • 3 特征提取(Feature extraction ) • 4 特征选择(Selection) • 4 遥感图像分类的方法类型(Type ) • 5 遥感图像分类的一般过程(Process )