第8章 遥感作业.doc

第八章 遥感图像自动识别分类 名词解释：遥感图像自动分类 光谱特征向量 特征空间 特征变换 特征选择 KL变换 哈达玛变换 KT变换 判别函数 判别规则 错分概率 最大似然法分类 最小距离法分类 监督分类 非监督分类 K均值聚类 混淆矩阵 用户精度 制图精度问答题：1、 什么叫特征空间？地物在特征空间聚类有哪些特性？2、 说明遥感影像主分量变换及其在遥感中的主要作用。3、 为什么要进行特征选择？列举几种特征选择的主要方法和原理。4、 叙述监督分类与非监督分类的区别。5、 叙述最大似然法分类和最小距离法分类原理及区别。6、 叙述K均值聚类的原理和步骤。7、 说明用户精度和制图精度的区别。名词解释：遥感图像自动分类：利用计算机对地球表面及其环境在遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所对应的实际地物，提取所需地物信息的目的光谱特征向量：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的随即向量X，称为光谱特征向量特征空间：为了度量图像中地物的光谱特征，建立一个以各波段图像的亮度分布为子空间的多维光谱特征空间特征变换：将原有的m个测量值集合并通过某种变换，产生n（n=m）个新的特征，这种处理方法称为特征变换特征选择：从原有的m个测量值集合中，按某一准则选出n个特征，这种方法称为特征选择KL变换：即主分量变换，是一种线性变换，是就均方差最小来说的最佳正交变换；是在统计特征基础上的线性变换哈达玛变换：利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换KT变换：一种线性特征变换。它有两个特点，一是土壤在特征空间的集群随亮度的变化趋势沿从坐标原点出发的同一根辐射线方向上出现，二是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的三角形判别函数：各个类别的判别区域确定后，某个特征矢量属于哪个类型可以用一些函数来表示和鉴别，这些函数称为判别函数判别规则：判断的依据错分概率：类别判别分界两侧做出不正确判别的概率之和最大似然法分类：根据概率判别函数和贝叶斯判别规则来进行的分类最小距离法分类：基于判别函数和判别规则，在实践中以此为原理的分类方法称为最小距离分类法。它的基本思想是设法计算未知矢量到有关类别集群的概率，哪类离它最近，该未知矢量就属于哪类监督分类：事先已经知道样本区类别，再根据先验知识对非样本数据进行分类非监督分类：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类规律，即自然聚类的特性进行”盲目“的分类K均值聚类：使每一聚类中，多模式点到该类别的中心距离的平方和最小混淆矩阵：统计分类图中的类别与实际类别之间的混淆程度用户精度：正确分类/所有分为该类制图精度：正确分类/参考数据中的该类问答题：1. 特征空间：为了度量图像中地物的光谱特征，建立一个以各波段图像的亮度分布为子空间的多维光谱特征空间特性：（1）各种地物，由于其光谱特征不同，将分布在特征空间的不同位置上；（2）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指表现为同一点，而是形成一个相对聚集的点集群，而不同类地物的点集群子啊特征空间里一般是分离的；（3）地物在特征空间的聚类通常是用特征点分布的概率密度函数来表示的2. 主分量变换，是一种线性变换，是就均方差最小来说的最佳正交变换，是在统计特征基础上的线性变换。（1）能把原来多个波段中的有用信息尽量集中到数目尽可能少的特征图像组中去，以压缩数据；（2）使新的图像间互不相关，即，使新的图像中的信息内容不重叠，增加类别的可分性3. 在遥感图像自动分类中，不仅使用原始遥感图像进行分类，还使用多种特征变换之后的影像。为了能用最少的影像数据最好地进行分类，就需要在这些特征影像中，选择一组最佳的特征影像进行分类，这就称为特征选择常采用的方法有：（1）距离测度：距离是最基本的可分性测度，若所选择的一组特征能使感兴趣类别的类内距离最小，而与其他类别的类间距离最大，则用这组特征设计的分类器分类效果最好。类别均值间的标准化距离公式为：，值越大，特征影像可分性越好；（2）散布矩阵测度：用散布矩阵的方式来度量类别的可分性，它是用矩阵的形式来表示模式类别在特征空间中的散布情况。类内散布矩阵的行列式指越小，类间散布矩阵行列式值越大，表示类别的可分性越好4. 区别：（1）分类方式不同：监督分类是先学习后分类，即先获取先验知识，通过已知类别的样本的观测值求解出待定参数，然后将未知类别的样本观测值带入判别函数，再依据判别准则对该样本的所属类别做出判定。而非监督分类是边学习边分类，通过学习找到相同的类别，然后将该类与其他类分开；（2）分类结果不同：监督分类最终可以确定类别的属性，而非监督分类只是对不同类别达到了区分，但并不能确定类别的属性；（3）分类速度不同：监督分类速度比非监督分类速度快5. 最大似然法基本思想：样区内的各类别集群在光谱特征空间中的概率分布函数为先验已知，对于样区外的任一未知像元，分别计算它落于各类别区域内的概率，其概率值最大的相应类别就是该像元应属的类别；最小距离法基本思想：是计算未知类别的特征矢量X到各类别集群之间的距离，哪类离它最近，X就属于哪类区别：最大似然法总的错分概率小于最小距离法总的错分概率6. 原理：使每一聚类中，多模式点到该类别的中心距离的平方和最小 步骤：（1）适当选取m个类的初始中心 （2）在第k次迭代中，对任一样本X：若对于所有的，如果 （3）， （4）对于所有的i=1,2,3，m，若各类中心不再变化，则停止迭代，否则转到第二步进行迭代 7.用户精度：正确分类/所有分为