遥感图像自动识别分类

第九章 遥感图像自动识别分类
一、基础知识 二、特征变换及特征选择 三、监督分类 四、非监督分类 五、非监督分类与监督分类的结合 六、分类后处理和误差分析 七、非光谱信息在遥感图像分类中的应用 八、句法模式识别概述 九、计算机自动分类的新方法
1
Байду номын сангаас
遥感图像的计算机分类，就是利用计 算机技术来模拟人类的识别功能,对地球表 面及其环境在遥感图像上的信息进行属性 的自动判别和分类，达到提取所需地物信 息的目的。 遥感图像的自动识别分类主要采用决 策理论方法，按照决策理论方法，需要从 被识别的模式中，提取一组反映模式属性 的量测值，称之为特征，并把模式特征定 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。
41
► ISODATA聚类分析法
ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法也 称为迭代自组织数据分析算法。
42
它与K－均值算法有两点不同: 第一，它不是每调整一个样本的类别 就重新计算一次各类样本的均值，而是在 每次把所有样本都调整完毕之后才重新计 算一次各类样本的均值，前者称为逐个样 本修正法，后者称为成批样本修正法； 第二，ISODATA算法不仅可以通过调 整样本所属类别完成样本的聚类分析，而 且可以自动地进行类别的“合并”和“分 裂”，从而得到类数比较合理的聚类结果。
30
植
被
老城区 耕地 水 新城区
选择样本区域
31
（4）确定判别函数和判别规则 一旦训练样区被选定后，相应地物类别的 光谱特征便可以用训练区中的样本数据进行统 计。
（5）根据判别函数和判别规则对非训练样区的 图像区域进行分类。
32
分类得到的专题图
33
监督分类的优点： ► 根据应用目的和区域，有选择的决定分类类 别，避免出现一些不必要的类别； ► 可以控制训练样本的选择； ► 可以通过检查训练样本来决定训练样本是否 被精确分类，从而避免分类中的严重错误， 分类精度高； ► 避免了非监督分类中对光谱集群的重新归 类； ► 分类速度快。
用最少的影像数据最好地进行分类。
13
特征选择的方法：
定性：了解变换前后图像的特征 定量：距离测度和散布矩阵测度。
14
三、监督分类
自动识别分类
监督分类法
非监督分类法
15
监督分类法是选择有代表性的试验区 来训练计算机，再按一定的统计判别规则 对未知地区进行自动分类的方法。
16
监督分类的思想：
23
► 最小距离法
基于距离判别函数和判别规则的分类 方法称为最小距离分类法。
24
距离判别函数是设法计算未知矢量X 到有关类别集群之间的距离，哪类距离它 最近，该未知矢量就属于那类。 距离判别函数不象概率判别函数那样 偏重于集群分布的统计性质，而是偏重于 几何位置。 距离判别规则是按最小距离判别的原 则。
25
最小距离法中常使用的三种距离判别函数
马氏（Mahalanobis）距离 欧氏（Euclidean）距离 计程（Taxi）距离
26
► 盒式分类法 盒式分类法基本思想:首先通过训练样区 的数据找出每个类别在特征空间的位置和形状， 然后以一个包括该集群的“盒子”作为该集群 的判别函数。 判别规则为若未知矢量X落入该“盒子”， 则X分为此类，否则再与其它盒子比较。
19
判别规则:判断特征矢量属于某类的依据。
当计算完某个矢量，在不同类别判别函 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。
20
监督分类的方法：
► 最大似然法 ► 最小距离法 ► 盒式分类法
21
x1 x2 …. xn
自然模式
接收器 (传感器)
分类器 (判决器)
结果
模式识别系统的模型
4
2. 光谱特征空间及地物在特征空间中聚类 的统计特性
光谱特征空间:以各波段图像的亮度分布为 坐标轴组成的空间.
5
B5
水 B7
地物与光谱特征空间的关系
6
特征点集群在特征空间中的分布大致可 分为如下三种情况：
47
第三步：特征选择。选择最适合的特征图像 进行后续分类。 第四步：使用监督法对整个影像进行分类。 根据前几步获得的先验知识以及聚 类后的样本数据设计分类器。并对 整个影像区域进行分类。
第五步：输出标记图像。由于分类结束后影 像的类别信息也已确定。所以可以 将整幅影像标记为相应类别输出。
48
六、分类后处理和误差分析 1. 分类后处理
Bj
理想情况——不同 类别地物的集群至 少在一个特征子空 间中的投影是完全 可以相互区分开的。
植被
Bi
7
一般情况——无论在总的特征空间中，还是 在任一子空间中，不同类别的集群之间总是 存在重叠现象。这时重叠部分的特征点所对 应的地物，在分类时总会出现不同程度的分 类误差，这是遥感图像中最常见的情况。
36
非监督分类也称聚类分析。 一般的聚类算法是先选择若干个模式 点作为聚类的中心。 每一中心代表一个类别，按照某种相 似性度量方法（如最小距离方法）将各模 式归于各聚类中心所代表的类别，形成初 始分类。 然后由聚类准则判断初始分类是否合 理，如果不合理就修改分类，如此反复迭 代运算，直到合理为止。
37
非监督分类的方法：
► K-均值聚类法 ► ISODATA聚类分析法 ► 平行管道聚类分析法
38
► K-均值聚类法 K-均值算法的聚类准则是使每一聚类中， 多模式点到该类别的中心的距离的平方和最 小。 基本思想：通过迭代，逐次移动各类的 中心，直至得到最好的聚类结果为止。
39
40
缺点:这种算法的结果受到所选聚类中心的 数目和其初始位置以及模式分布的几何性 质和读入次序等因素的影响，并且在迭代 过程中又没有调整类数的措施，因此可能 产生不同的初始分类得到不同的结果，这 是这种方法的缺点。可以通过其它的简单 的聚类中心试探方法，如最大最小距离定 位法，来找出初始中心，提高分类效果。
► 分类后专题图像的格式
► 分类后处理
49
► 分类后专题图像的格式
遥感影像经分类后形成的专题图，用 编号、字符、图符或颜色表示各种类别。
50
原始遥感图像
对应的专题图像
51
► 分类后处理 用光谱信息对影像逐个像元地分类，在 结果的分类地图上会出现“噪声”。 产生噪声的原因有原始影像本身的噪声， 在地类交界处的像元中包括有多种类别，其 混合的幅射量造成错分类，以及其它原因等。 另外还有一种现象，分类是正确的，但 某种类别零星分布于地面，占的面积很小， 我们对大面积的类型感兴趣，因此希望用综 合的方法使它从图面上消失。
10
特征变换的目的：
► 减少特征之间的相关性，使得用尽可能 少的特征来最大限度地包含所有原始数 据的信息。 ► 使得待分类别之间的差异在变换后的特 征中更明显，从而改善分类效果。
11
特征变换的方法：

主分量变换 哈达玛变换 生物量指标变换 比值变换 穗帽变换
12
特征选择的目的：
43
► 平行管道聚类分析法 它以地物的光谱特性曲线为基础，假定 同类地物的光谱特性曲线相似作为判别的标 准。设置一个相似阈值，这样，同类地物在 特征空间上表现为以特征曲线为中心，以相 似阈值为半径的管子，此即为所谓的“平行 管道”。 这种聚类方法实质上是一种基于最邻近 规则的试探法。
44
与监督分类相比，非监督分类具有下 列优点：不需要对被研究的地区有事先的 了解，对分类的结果与精度要求相同的条 件下，在时间和成本上较为节省。 但实际上，非监督分类不如监督分类 的精度高，所以监督分类使用的更为广泛。
52
多数平滑:平滑时中心像元值取周围占多数的类别。
53
平滑前后举例
54
2. 分类后的误差分析 利用一些样本对分类误差进行估计。 采集样本的方式有三种类型： ﹡来自监督分类的训练样区； ﹡专门选定的试验场； ﹡随机取样。
55
1）确定每个类别的样区 2）学习或训练 3）确定判别函数和相应的判别准则 4）计算未知类别的样本观测值函数值 5）按规则进行像元的所属判别
17
原始影像数据的准备
监督分类的流程
图像变换及特征选择 分类器的设计 初始类别参数的确定 逐个像素的分类判别
形成分类编码图像
输出专题图
18
判别函数:当各个类别的判别区域确定后， 用来表示和鉴别某个特征矢量属于哪个类别 的函数。 这些函数不是集群在特征空间形状的数 学描述，而是描述某一未知矢量属于某个类 别的情况，如属于某个类别的条件概率。一 般，不同的类别都有各自不同的判别函数。
► 最大似然法
根据概率判别函数和贝叶斯判别规则来 进行的分类称为最大似然分类法。
22
概率判别函数：把某特征矢量X落入某 类集群wi的条件概率P (wi/X)当成分类判决 函数（概率判决函数）。 贝叶斯判别规则：把X落入某集群wi的 条件概率P (wi/X)最大的类为X的类别。
贝叶斯判别规则以错分概率或风险最小 为准则的判别规则。
45
五、非监督分类与监督分类的结合
通过非监督法将一定区域聚类成不同的 单一类别，监督法再利用这些单一类别区域 “训练”计算机。通过“训练”后的计算机 将其它区域分类完成，这样避免了使用速度 比较慢的非监督法对整个影像区域进行分类， 使分类精度得到保证的前提下，分类速度得 到了提高。
46
步骤: 第一步：选择一些有代表性的区域进行非监 督分类。这些区域的选择与监督法 分类训练样区的选择要求相反，监 督法分类训练样区要求尽可能单一。 而这里选择的区域包含类别尽可能 地多，以便使所有感兴趣的地物类 别都能得到聚类。 第二步：获得多个聚类类别的先验知识。这 些先验知识的获取可以通过判读和 实地调查来得到。聚类的类别作为 监督分类的训练样区。
27
例如
对于A类的盒子， 其边界（最小值和最 大值）分别是X1=a、 X1=b；X2=c、X2=d。 这种分类法在盒子重 叠区域有错分现象。 错分与比较盒子的先 后次序有关。
28
监督分类的步骤： （1）确定感兴趣的类别数。 首先确定要对哪些地物进行分类，这样就可 以建立这些地物的先验知识。 （2）特征变换和特征选择 根据感兴趣地物的特征进行有针对性的特征 变换，这部分内容在前面特征选择和特征变换 一节有比较详细的介绍。变换之后的特征影像 和原始影像共同进行特征选择，以选出既能满 足分类需要，又尽可能少参与分类的特征影像， 加快分类速度，提高分类精度。
水
8
典型情况——不同类别地物的集群，在任一 子空间中都有相互重叠的现象存在，但在 总的特征空间中可以完全区分的。这时可 采用特征变换使之变成理想情况进行分类。
水
9
二、特征变换及特征选择
特征变换，是将原有的m测量值集合并通过 某种变换，产生n个新的特征。 特征选择，是从原有的m个测量值集合中， 按某一准则选择出n个特征。
29
（3）选择训练样区 训练样区的选择要注意准确性、代表性和统 计性三个问题。 准确性就是要确保选择的样区与实际地物的 一致性。 代表性一方面指所选择区为某一地物的代表， 另一方面还要考虑到地物本身的复杂性，所以必 须在一定程度上反映同类地物光谱特性的波动情 况。 统计性是指选择的训练样区内必须有足够多 的像元，以保证由此计算出的类别参数符合统计 规律。实际应用中，每一类别的样本数都在102数 量级左右。
2
一、基础知识
1. 模式与模式识别
所谓“模式”是指某种具有空间或几何 特征的东西。 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,得出所需要的分类结果。这一 过程称为模式识别。
3
分类器（或称判决器），可以根据一 定的分类规则，把某一测量矢量X划入某一 组预先规定的类别之中去。
34
监督分类的缺点：
• 主观性； • 由于图象中间类别的光谱差异，使得训练样本 没有很好的代表性； • 训练样本的获取和评估花费较多人力时间； • 只能识别训练中定义的类别。
35
四、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，而仅凭遥感影像地物的光谱 特征的分布规律，即自然聚类的特性，进 行“盲目”的分类。 其分类的结果只是对不同类别达到了 区分，但并不能确定类别的属性；其类别 的属性是通过分类结束后目视判读或实地 调查确定的。