《遥感原理与应用遥感图像自动识别分类.pptx》由会员分享，可在线阅读，更多相关《遥感原理与应用遥感图像自动识别分类.pptx（56页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、 遥感图像自动分类是模式识别在遥感中的具体应用一、模式、模式识别 模式：现实中一切可被观察的事物（人）具有空间或时间分布的信息（机）计算机处理下的模式 模式识别：按事物相似程度分类（人）模式类向符号所做的映射（机）样本、类、分类 图像理解：基于图像的模式识别第八章 遥感图像自动识别分类 8.1 基础知识 2/7第1页/共56页二、模式的集群性 模式识别的前提：相似性（人）空间上的集群性（机）举例：集群性的3种情况：理想情况 典型情况 一般情况 模式识别核心问题之一：选择合适特征，使得各类聚类性最好。第八章 遥感图像自动识别分类 8.1 基础知识 3/7第2页/共56页序号序号特征特征门限门限分
2、类精度分类精度1体重65kg75%2身高167cm80%3头发长度15cm85%4胸围腰围比1.395%5喉结99%6生殖特征100%成年男女特征分类示例4/7第3页/共56页第八章 遥感图像自动识别分类 8.1 基础知识 三、模式识别系统 1、数据获取:图像，波形，物理参量 2、预处理:去噪、增强、退化复原 3、特征提取与选择 4、分类决策5/7第4页/共56页四、模式识别基本方法 概括地分为统计识别和句法识别两大类 具体分类如下：统计模式识别（线性空间+最优化理论）句法模式识别（基元及它们的结构关系描述对象）模糊模式识别（隶属函数）人工神经网络（自学习、自适应、容错性）第八章 遥感图像自动
3、识别分类 8.1 基础知识 6/7第5页/共56页五、模式识别的复杂性 低等动物的分类：遗传，自然淘汰 人类的识别能力：后天学习，经验，行为的成败1、目前计算机自动识别水平2、模式识别（工业自动化）对人类生产的巨大贡献 邮件/食品分拣 文字/语音识别 考勤/安检（身份识别）第八章 遥感图像自动识别分类 8.1 基础知识 7/7第6页/共56页本课主要内容 概念及作用 特征提取 特征选择 本课重点内容 特征提取与选择概念 类别可分离判据 基于K-L变换的特征提取第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 1/13第7页/共56页一、概念及作用 1、抽取特征目的：降低维数/去相关性/
4、突出特征 2、常见影像特征 形状特征（面积/周长/圆形度/不变矩/欧拉数/链码）波谱特征波谱特征（光谱特征，波谱响应曲线）纹理特征纹理特征（直方图，共生矩阵，行程统计量）第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 对象的图片描述Dim=m*n客观世界的对象Dim=特征向量V=(X1,X2,Xk)Dim=km*n2/13第8页/共56页3/13第9页/共56页4/13第10页/共56页第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 3、特征提取与特征选择概念（例：成绩）特征提取特征选择本质对原n维特征空间坐标变换，再取子空间。直接从原始获得的D个特征中选出d个特征特点有新
5、特征产生有新特征产生化学变化没有新特征产生没有新特征产生物理变化方法KL变换、类别可分离判据、Fisher变换、哈达玛、穗帽变换穷举法、最优搜索算法、次优搜索算法、遗传算法、Tabu算法5/13第11页/共56页第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 二、特征提取1、基于类别可分离性判据的特征提取 6/13第12页/共56页第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 示意图：原理：类间/类内7/13第13页/共56页2、基于K-L变换的特征提取 步骤：（1）计算多光谱图像的均值向量及协方差矩阵（2）计算矩阵的特征值和特征向量（3）将特征值按从大到小排列（4）选择
6、前n个特征值对应特征向量构造变换矩阵n（5）依据Y=nX进行变换，得到新特征影像。优点：去相关性；信息集中；第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 8/13第14页/共56页第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 3、哈达玛变换 本质：将坐标轴旋转45的正交变换 变换矩阵：9/13第15页/共56页第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 三、特征选择 思路：如何从总体中选择少数特征使得类内距离尽量小，类间距离尽量大。常用判据有：把D个特征每个单独使用时可分离判据按大小排列：前d个最有效特征组合在一起是否就是最优组合?10/13第16页/共5
7、6页第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 11/13第17页/共56页1、穷举法 从m个特征中通过组合的方式求出n个特征，使得该组的判据J最大。（缺点 ）2、最优搜索算法（分支定界法）自上而下，具有回溯功能，每个特征都被考虑3、次优搜索法 顺序前进法：自下而上，逐个增加（缺点）顺序后退法：自上而下，逐个剔除（缺点）4、其它方法：模拟退火法、遗传算法等。第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 12/13第18页/共56页小结：特征提取与选择的概念、作用 特征提取的方法 特征选择的方法第八章 遥感图像自动识别分类 8.2 特征提取与特征选择 13/13第19页
8、/共56页本课主要内容 分类器概念 最小错误率分类器（Bayes 准则）线性判别分类器 （Fisher准则）非线性判别分类器（最短距离法）本课重点内容 Bayes判别准则 最短距离分类器第八章 遥感图像自动识别分类 8.3 分类器设计 1/11第20页/共56页一、分类器概念 判别准则（函数）；例子 1、分类器的分类 线性：Fisher、MSE、感知准则 非线性：最小距离、二次判别函数、近邻法 2、分类器和特征空间维数的关系第八章 遥感图像自动识别分类 8.3 分类器设计 2/11第21页/共56页第八章 遥感图像自动识别分类 8.3 分类器设计 二、最小错误率准则（Bayes判别准则）1、本
9、质：2、前提：类条件概率密度已知 3、Bayes判别规则 3/11第22页/共56页第八章 遥感图像自动识别分类 8.3 分类器设计 Bayes判别规则如下：（1）（2）（3）4/11第23页/共56页 4、求类条件概率密度的方法（了解）将分类器设计问题转化为求类条件概率密度问题 概率密度估计问题（真正的困难）常用的方法：参数估计：点估计/区间估计/最大似然估计 非参数估计：Parzen窗法、k-近邻估计法 Bayes分类器的理论作用大于实际作用 能否直接利用特征设计分类器呢？第八章 遥感图像自动识别分类 8.3 分类器设计 5/11第24页/共56页第八章 遥感图像自动识别分类 8.3 分类
10、器设计 三、线性判别分类器 1、原理：以两类为例 2、本质：根据实际情况确定一个准则函数J,并求出准则函数的极值解w和w0。对于未知样本xk，只要计算g(xk)，根据上面的原理就可判断xk的类别。6/11第25页/共56页第八章 遥感图像自动识别分类 8.3 分类器设计 3、fisher线性判别 将Sb/Sw作为准则函数，求解w，即寻找最好的投影方向问题。7/11第26页/共56页四、非线性判别分类器（以最短距离分类器为例）对未知样本x，我们只要比较x与c个已知类别之间的欧氏距离，并决策x与离它最近的类别同类。问题：v=(0.41 4.30 45 421)v=(0.14 0.15 0.2 0.
11、18)第八章 遥感图像自动识别分类 8.3 分类器设计 8/11第27页/共56页特征提取的案例（PPT155页）为了对影像进行分类，共提取出影像的15个（见280及281页）纹理特征，这些特征对分类都有不同程度的贡献，通过KL变换或Fisher变换，从中提取出2个（为什么？）最有效的特征用于分类，分类效果不错。第八章 遥感图像自动识别分类 8.3 分类器设计 9/11第28页/共56页第29页/共56页小结基于最小错误率的分类方法（Bayes）线性分类器（fisher、感知器、MSE）非线性分类器（最短距离法）祝同学们周末愉快第八章 遥感图像自动识别分类 8.3 分类器设计 11/11第30
12、页/共56页上节主要内容 贝叶斯分类器 线性分类器（以Fisher准则为例）非线性分类器（以最短距离方法为例）本节主要内容 监督分类的思想 监督/非监督分类的区别 监督分类步骤 K-均值聚类算法第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 1/17第31页/共56页分类方法：监督分类、非监督分类,有何区别？监督分类精度一般高于后者，是最常用的方法第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 分类前（要求）分类中（算法）分类后（结果）监督分类事先知道样区类别信息与样本特征匹配的过程在分类基础上获得类别属性信息非监督分类不知道样区的类别信息聚类分析仅区分出类别，
13、未确定类别属性2/17第32页/共56页一、监督分类1、监督分类的思想 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函数中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。第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 3/17第33页/共56页2、监督分类步骤 1）选择样区：根据已知的样本类别和先验知识 2）学习或训练：利用一定数量的已知类别函数中求解待定参数；3）确定每一类的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在每一类函数值 5）判别：按一
14、定准则对该样本作出判。第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 4/17第34页/共56页3、对训练样区的要求 准确性：要确保选择的样区与实际地物一致；代表性：所选样区为某一地物的代表，还要考虑到地物本身的复杂性，反映同类地物光谱特性的波动情况；统计性：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第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 5/17第35页/共56页6/17第36页/共56页计算每个类别的均值和方差，建立类别的判别计算每个类别的均值和方差，建立类别的判别函数函数7/17第37页/共56页根据判别函数逐个像
15、素分类根据判别函数逐个像素分类8/17第38页/共56页分类得到的专题图分类得到的专题图9/17第39页/共56页4、监督分类的优缺点优点：1）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；2）可以控制训练样本的选择；3）避免了非监督分类中对光谱集群的重新归类。缺点：1）由于图像中间类别的光谱差异，使得训练样本没有很好的代表性；2）训练样本的获取和评估花费较多人力时间；3）只能识别训练中定义的类别。第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 10/17第40页/共56页二、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，而仅凭数据遥感
16、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。非监督分类也称聚类分析。第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 11/17第41页/共56页1、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。其基本思想是，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。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
17、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。第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 12/17第42页/共56页K-K-均值聚类法均值聚类法13/17第43页/共56页2、ISODATA聚类算法 也称为迭代自组织数据分析算法。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
18、理的聚类结果。第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 14/17第44页/共56页ISODATA算法（了解）1）初始化；2）选择初始中心；3）按一定规则(如距离最小)对所有像元划分；4）重新计算每个集群的均值和方差；按初始化的参数进行分裂和合并；5）结束，迭代次数或者两次迭代之间类别均值变化小于阈值；6）否则，重复3-5；7）确认类别，精度评定.第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 15/17第45页/共56页3、非监督分类优缺点优点：1）不需要对所分类别的区域有广泛的了解；2）人为误差的机会减少；3）量小的类别能被区分。缺点：1）分类结果不一
19、定是分析者想要的类别；2）难对产生的类别进行控制；3）需要用一定的知识来解释得到的集群组。第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 16/17第46页/共56页小结监督分类：概念；原理；步骤；非监督分类：概念；常用聚类方法；两者之间的比较第八章 遥感图像自动识别分类 8.4 8.4 监督/非监督分类 17/17第47页/共56页分类后处理目的 过滤分析 专题图制作 栅格/矢量转化 精度评定一、过滤分析 将分类结果中产生的一些面积很小的图斑或单个像素“剔除”。（两类图斑）如何“剔除”？第八章 遥感图像自动识别分类 8.5 8.5 分类后处理 1/8第48页/共56页原始影像
20、原始分类结果第49页/共56页 原始分类影像3*3中值滤波后影像第50页/共56页剔除小图斑后的影像3*3中值滤波后影像4/8第51页/共56页 中值滤波：剔除掉单个像素或零星图斑 图斑过滤：剔除面积稍大但无用的图版图斑过滤的思路：将小合并到相邻的最大分类中。具体为：求出图斑最外层所有像素，记为集合，并将小区所有像素的灰度值改为集合中数量占优像素的灰度值。过滤分析虽在精度上有所损失，但更符合实际情况 第八章 遥感图像自动识别分类 8.5 8.5 分类后处理 5/8第52页/共56页二、制作专题图 将分类结果用不同的编号、字符、颜色表示。三、栅格/矢量转化 在GIS中矢量图形比栅格图形应用更广泛
21、 关键：求出小区的边界线。如何求？1、求出边界像素，如何判断边界/内部像素 2、连接边界像素中心，获得边界线（？）3、解决双边界问题，获得矢量图形第八章 遥感图像自动识别分类 8.5 8.5 分类后处理 6/8第53页/共56页7/8第54页/共56页四、精度评定（误差分析）对正确分类程度的检查 评定方法：对监督分类的训练样区 专门选定的试验场 评定指标：混淆矩阵（课本215页）第八章 遥感图像自动识别分类 8.5 8.5 分类后处理 实际类别试验像素的百分比（）像素个数类别1类别2类别3类别184.34.910.8102类别28.580.311.2152类别36.14.189.849第55页/共56页感谢您的观看！第56页/共56页