遥感图像的计算机分类.

1、 理解遥感图像计算机分类的一般原理 和常用的判别函数 掌握传统的监督分类和非监督分类方 法，以及分类中的辅助处理技术 了解计算机分类的新方法 遥感图像计算机分类的一般原理遥感图像计算机分类的一般原理 判别函数判别函数 非监督分类非监督分类 监督分类监督分类 光谱特征分类中的辅助处理技术光谱特征分类中的辅助处理技术 计算机分类新方法计算机分类新方法 雷达遥感图像分类新方法雷达遥感图像分类新方法 v概述概述 v计算机分类的基本原理计算机分类的基本原理 v计算机分类处理的一般过程计算机分类处理的一般过程 一、概述一、概述 遥感图像的解译遥感图像的解译 通过对遥感图像所提供的各种识别目标的特征信息进通

2、过对遥感图像所提供的各种识别目标的特征信息进 行分析、推理与判断，从而识别目标或现象的过程行分析、推理与判断，从而识别目标或现象的过程 v目视方法 凭着凭着光谱规律、地学规律和解译者的经验光谱规律、地学规律和解译者的经验从影像的从影像的亮亮 度、色调、位置、时间、纹理、结构度、色调、位置、时间、纹理、结构等特征推出地面等特征推出地面 的景物类型的景物类型 v计算机方法 利用利用计算机模式识别技术计算机模式识别技术对遥感图像上的信息进行属对遥感图像上的信息进行属 性的识别和分类性的识别和分类 一、概述一、概述 光谱特征光谱特征 v概念 地物电磁波辐射的多波段测量值，通常以地物多光谱地物电磁波辐射

3、的多波段测量值，通常以地物多光谱 图像上的亮度体现图像上的亮度体现 v遥感图像分类的主要依据 不同的地物在同一波段图像上表现的亮度一般互不相不同的地物在同一波段图像上表现的亮度一般互不相 同；同时，不同的地物在多个波段图像上亮度的呈现同；同时，不同的地物在多个波段图像上亮度的呈现 规律也不同规律也不同( (exampleexample） 一、概述一、概述 地物反射率差异图地物反射率差异图 若按照地物类别聚集的规律把多光谱空间划分为若干个若按照地物类别聚集的规律把多光谱空间划分为若干个 子空间，每一个子空间包含一个类别，就可以把图像中未知像子空间，每一个子空间包含一个类别，就可以把图像中未知像

4、元进行分类，分配到各自的子空间中元进行分类，分配到各自的子空间中 一、概述一、概述 v相关概念 n光谱类别光谱类别 完全按照光谱特征在多光谱空间内聚集的类别完全按照光谱特征在多光谱空间内聚集的类别 n信息类别信息类别 与地面实际景物对应的类别与地面实际景物对应的类别 n同物异谱同物异谱 同一种地物包含几种光谱类别同一种地物包含几种光谱类别 n异物同谱异物同谱 同一种光谱类别中有不同的信息类别同一种光谱类别中有不同的信息类别 一、概述一、概述 遥感图像的计算机分类遥感图像的计算机分类 v概念 将图像中每一个像元点或区域归属于若干个类别中将图像中每一个像元点或区域归属于若干个类别中 的一类，或若干

5、个专题要素中的一种，完成将图像数的一类，或若干个专题要素中的一种，完成将图像数 据从二维灰度空间转换到目标模式空间的工作据从二维灰度空间转换到目标模式空间的工作 v分类 n统计模式方法统计模式方法传统方法传统方法 n句法模式方法句法模式方法新方法新方法 一、概述一、概述 v相关概念 n监督分类和非监督分类监督分类和非监督分类 l监督分类监督分类 基于对于遥感图像上样本区内的地物的类属已基于对于遥感图像上样本区内的地物的类属已有先验知识有先验知识， 以已知样本的特征作为依据判断非样本数据的类别以已知样本的特征作为依据判断非样本数据的类别 l非监督分类非监督分类 遥感图像地物的属性遥感图像地物的属

6、性不具有先验知识不具有先验知识，纯粹依靠不同光谱，纯粹依靠不同光谱 数据组合在统计上的差别进行数据组合在统计上的差别进行“盲目分类盲目分类”, ,分类结果并分类结果并 不确定类别的属性不确定类别的属性 一、概述一、概述 n分类处理与增强处理 l共同点共同点 增强和提取遥感图像中的目标信息增强和提取遥感图像中的目标信息 l异同点异同点 增强主要是增强图像的目视效果，提高图像的可解译增强主要是增强图像的目视效果，提高图像的可解译 性性定性定性 分类着眼于地物类别的区别分类着眼于地物类别的区别定量定量 一、概述一、概述 n遥感图像分类处理的特点 多变量多变量 l特征选择特征选择 有选择地去除多光谱图

7、像中对分类贡献不大的波段，从有选择地去除多光谱图像中对分类贡献不大的波段，从 而确定分类的信息源的过程而确定分类的信息源的过程 l特征特征 分类时所使用的波段或波段组合分类时所使用的波段或波段组合 l特征参数特征参数 选择出来的，新的对于表示类别可分性更为有效的变量选择出来的，新的对于表示类别可分性更为有效的变量 l特征空间特征空间 特征参数组成的空间特征参数组成的空间 二、计算机分类的基本原理二、计算机分类的基本原理 相关概念相关概念 v像元的特征值 每个波段上灰度值构成的矢量每个波段上灰度值构成的矢量 v特征空间 包含包含X X的的的的n n维空间维空间 v模式 图像中某一类目标图像中某一

8、类目标 v样本 属于某类别的像素属于某类别的像素 v样本观测值 样本的多光谱矢量样本的多光谱矢量 波段波段1 1 波段波段2 2 波段波段n n 多光谱图像多光谱图像 T n xxxX),( 21 T n xxxX),( 21 二、计算机分类的基本原理二、计算机分类的基本原理 基本原理基本原理 多光谱图像和特征空间中的点集具有等价关系。通常多光谱图像和特征空间中的点集具有等价关系。通常 同一类地面目标的光谱特性比较接近，在特征空间中同一类地面目标的光谱特性比较接近，在特征空间中 的点聚集在该类的中心附近，多类目标在特征空间中的点聚集在该类的中心附近，多类目标在特征空间中 形成多个点族（形成多个

9、点族（exampleexample） 二、计算机分类的基本原理二、计算机分类的基本原理 B X0)( X0)( ，当 ，当 Xf Xf AB AAB 多光谱图像分类原理多光谱图像分类原理 设图像上有两类设图像上有两类 目标目标A A、B B 判别准则为判别准则为： 遥感图像分类算法的核心就是确定判别函数和相应的判别准则 fAB(X)0 三、计算机分类处理的一般过程三、计算机分类处理的一般过程 原始图像的预处理 训练区的选择 特征选择和特征提取 分类 检验结果 结果输出 原始图像预处理原始图像预处理 训练区的选择训练区的选择 特征选择和特征提取特征选择和特征提取 图像分类运算图像分类运算 检验结

10、果检验结果 结果输出结果输出 三、计算机分类处理的一般过程三、计算机分类处理的一般过程 原始图像的预处理原始图像的预处理 对观测数据作成像处理，以及图像的几何校正、辐射对观测数据作成像处理，以及图像的几何校正、辐射 校正、量化、采样、预滤波、去噪声等处理，以便获校正、量化、采样、预滤波、去噪声等处理，以便获 得一幅比较清晰、对比度强、位置准确的图像提高分得一幅比较清晰、对比度强、位置准确的图像提高分 类精度类精度 三、计算机分类处理的一般过程三、计算机分类处理的一般过程 训练区的选择训练区的选择 v要求 普遍性、代表性普遍性、代表性 v方法 n实地调查实地调查 n借助地图、航片或其他专题资料借

11、助地图、航片或其他专题资料 n非监督分类非监督分类 水水 田田 平原水田平原水田 丘陵水田丘陵水田 山区水田山区水田 景观相片景观相片遥感影像遥感影像 平原旱地平原旱地 山区旱地山区旱地 景观相片景观相片遥感影像遥感影像 丘陵旱地丘陵旱地 旱旱 地地 有林地有林地 景观相片景观相片遥感影像遥感影像 疏林地疏林地 灌木林地灌木林地 林林 地地 低覆盖度草地低覆盖度草地 中覆盖度草地中覆盖度草地 高覆盖度草地高覆盖度草地 景观相片景观相片遥感影像遥感影像 草草 地地 河河 渠渠 冰川及永久性积雪冰川及永久性积雪 水库坑塘水库坑塘 湖湖 泊泊 河滩地河滩地 水 域 城镇用地城镇用地 农村居民用地农村

12、居民用地 工矿和交通用地工矿和交通用地 景观相片景观相片遥感影像遥感影像 城镇及工矿用地 盐碱地盐碱地 沙沙 地地 戈戈 壁壁 沼泽地沼泽地 裸土地裸土地 裸岩裸岩 其他其他 未利用土地 景观相片景观相片遥感影像遥感影像景观相片景观相片遥感影像遥感影像 三、计算机分类处理的一般过程三、计算机分类处理的一般过程 特征选择与特征提取特征选择与特征提取 v特征选择（feature selection） 从众多特征中挑选出可以参加分类运算的若干特征从众多特征中挑选出可以参加分类运算的若干特征 v特征提取（feature extraction） 在特征选择后，利用特征提取算法从原始特征中求出在特征选择后

13、，利用特征提取算法从原始特征中求出 最能反映其类别特性的一组新特征，完成样本空间到最能反映其类别特性的一组新特征，完成样本空间到 特征空间的转换特征空间的转换 数据压缩、提高不同类别特征之间的可区分性数据压缩、提高不同类别特征之间的可区分性 三、计算机分类处理的一般过程三、计算机分类处理的一般过程 图像分类运算图像分类运算核心阶段核心阶段 根据影像特点和分类目的设计或选择恰当的分类根据影像特点和分类目的设计或选择恰当的分类 器及其判别准则，对特征矢量进行划分，完成分器及其判别准则，对特征矢量进行划分，完成分 类工作类工作 检验结果检验结果 分类精度和可靠性评价分类精度和可靠性评价 结果输出结果

14、输出 结果图像的输出和分类结果的统计值结果图像的输出和分类结果的统计值 v距离判别函数距离判别函数 v最大似然法判别函数最大似然法判别函数 一、距离判别函数一、距离判别函数 前提前提 地物光谱特征在特征空间中按集群方式分布地物光谱特征在特征空间中按集群方式分布 原理原理 已知各类别集群的中心位置已知各类别集群的中心位置M Mi i（均值），计算光谱特（均值），计算光谱特 征空间中任一点征空间中任一点k k到各类的距离到各类的距离 （i i1 1，2 2，n n） 若若 则则k k i i类；否则类；否则k k j j类类 )( ki xd )()( kjki xdxd 一、距离判别函数一、距离

15、判别函数 常用的距离判别函数常用的距离判别函数 v闵氏距离 n绝对值距离绝对值距离 n欧几里德距离欧几里德距离 v马哈拉诺比斯距离 一、距离判别函数一、距离判别函数 n绝对值距离（出租汽车距离、绝对值距离（出租汽车距离、 城市块距离、等混合距离）城市块距离、等混合距离） 式中 为距离；j为波段序 号；总波段数为n，i为类别号， xkj为k像元在j波段的亮度值； Mij为均值 n j ijkjki Mxxd 1 )( )( ki xd A(xA,yA) B(xB,yB) y x 特点：各特征参数以等权参与，计算简单特点：各特征参数以等权参与，计算简单 一、距离判别函数一、距离判别函数 n欧几里德

16、距离（欧氏距离欧几里德距离（欧氏距离） 特点：各特征参数等权特点：各特征参数等权 n j ijkjki Mxxd 1 )()( y A(xA,yA) B(xB,yB) x 一、距离判别函数一、距离判别函数 n注意注意 l闵氏距离与特征参数的量纲有关闵氏距离与特征参数的量纲有关 量纲不同时可以通过用标准差或级差标准化的方法量纲不同时可以通过用标准差或级差标准化的方法 解决解决 l闵氏距离没有考虑特征参数间的相关性闵氏距离没有考虑特征参数间的相关性 一、距离判别函数一、距离判别函数 n马哈拉诺比斯距离（马氏距离）马哈拉诺比斯距离（马氏距离） 式中， i为I 集群的协方差矩阵，其协方差为 )()()

17、()( 1 iki T ikki MxMxxd T kNkkk xxxx),( 21 T iNiii MMMM),( 21 mNmm N N i 21 22221 11211 ) 1( )( 1 ii n k ilklijkj jl nn MxMx i 一、距离判别函数一、距离判别函数 )()()( 2 ik T ikki MxMxxd DB DA K MB MA x2 x1 特点：是一种加权的欧特点：是一种加权的欧 氏距离，通过协方差矩氏距离，通过协方差矩 阵来考虑变量相关性阵来考虑变量相关性 当当I 时，为欧式距离时，为欧式距离 的平方的平方 二、最大似然法判别函数二、最大似然法判别函数

18、最大似然判别规则最大似然判别规则 v前提 各类的分布为正态函数各类的分布为正态函数 v依据 贝叶斯贝叶斯( (BayesBayes) )公式公式 v判别函数 v判别规则 式中， 似然概率 先验概率 后验概率 X 出现的概率 )/(Xp i )()/()( iii PXPXg i X)/()()/()(则若 jjii XPPXPP )/( i Xp )( i p )( )/()( )/( Xp Xpp Xp ii i )(Xp 二、最大似然法判别函数二、最大似然法判别函数 正态分布正态分布 v多变量概率密度函数 式中 )()( 2 1 exp )2( 1 )/( 1 2 1 2 ii T i i

19、 p i MXSMX S XP i n j j i i X n M 1 1 i n j T ijij i i MXMX n S 1 )( 1 1 二、最大似然法判别函数二、最大似然法判别函数 v判别函数 v判别规则 v判别边界 类第类否则第，且当jXiXij)()(XgXg ji )()( 2 1 ln 2 1 )(ln)( 1 ii T iiii MXSMXSPXg 0)()( 21 XgXg v概念概念 是在没有先验类别知识是在没有先验类别知识( (训练场地训练场地) )的情况下，根据图像本的情况下，根据图像本 身的统计特征及自然点群的分布情况来划分地物类别的分类处理，身的统计特征及自然点

20、群的分布情况来划分地物类别的分类处理， 也叫做也叫做“边学习边分类法边学习边分类法” v理论依据理论依据 遥感图像上的同类地物在相同的表面结构特征、植被覆盖、遥感图像上的同类地物在相同的表面结构特征、植被覆盖、 光照等条件下，一般具有相同或相近的光谱特征，从而表现出某光照等条件下，一般具有相同或相近的光谱特征，从而表现出某 种内在的相似性，归属于同一个光谱空间区域；不同的地物，光种内在的相似性，归属于同一个光谱空间区域；不同的地物，光 谱信息特征不同，归属于不同的光谱空间区域谱信息特征不同，归属于不同的光谱空间区域 v方法方法 聚类分析聚类分析 v主要过程主要过程 确定初始类别参数确定初始类别

21、参数 （类别数、集群中心）（类别数、集群中心） 计算每个像元计算每个像元Xk到各到各 集群中心集群中心j的距离的距离dkj 集群中心是否变化集群中心是否变化 计算新的集群中心计算新的集群中心 dkiMin(dkj) Xk第第i类类 结束结束 Y N v初始类别参数的选定初始类别参数的选定 vISODATAISODATA法法 vK-MeanK-Mean算法算法 v应用举例应用举例 一、初始类别参数的选定一、初始类别参数的选定 初始类别参数初始类别参数 基准类别集群中心（数学期望基准类别集群中心（数学期望Mi），集群分布的协方），集群分布的协方 差矩阵差矩阵i 选定方法选定方法 v像素光谱特征的比

22、较法 v总体直方图均匀定心法 v最大最小距离选心法 v局部直方图峰值定心法 一、初始类别参数的选定一、初始类别参数的选定 定义一个抽样集定义一个抽样集 选定一个像素选定一个像素 作为第作为第1个类别个类别 作为该类的成员作为该类的成员 相似？相似？ 其它像素与已建立的类别比较其它像素与已建立的类别比较 计算类别参数计算类别参数 YN 作为新的类别作为新的类别 所有像素或所有像素或 按一定间隔抽样的按一定间隔抽样的 像素像素 设定阈值设定阈值 v像素光谱特征的比较法 一、初始类别参数的选定一、初始类别参数的选定 v总体直方图均匀定心法 设总体直方图的均值和方差分别 为 和 其中 每个类别初始类别

23、集群中心位置 T n 22 2 2 1 , T n mmmM, 21 N j iiji N j iji mx N x N m 1 22 1 )( 1 1 1 1) 1/() 1(2QqmZ iiqi iiiiii iiiiii mZmZ mZmZ 43 21 ; 3 1 3 1 ; 一、初始类别参数的选定一、初始类别参数的选定 v最大最小距离选心法 n原则原则 使各初始类别之间，尽可能地保持远距离使各初始类别之间，尽可能地保持远距离 n过程过程 一、初始类别参数的选定一、初始类别参数的选定 定义一个抽样集定义一个抽样集 选定一个像素选定一个像素X1 作为第一个初始类别中心作为第一个初始类别中心

24、Z1 X Xj j作为第作为第2 2个初始类别中心个初始类别中心Z Z2 2 D1j=Max(D1i) 计算计算X X1 1与其它抽样点与其它抽样点X Xi i距离距离D D1i 1i 结束结束 Y 计算剩余抽样点计算剩余抽样点X Xk k到已建立到已建立 的初始类别中心的初始类别中心m m距离距离d dkm km dkMin(dkm) dj=max(dk) Xj作为新类别作为新类别 达到需要的类别数达到需要的类别数 Y N 一、初始类别参数的选定一、初始类别参数的选定 与光谱特征相似法相比，具有不受阈值选定影响的好处与光谱特征相似法相比，具有不受阈值选定影响的好处 与总体直方图均匀定心法相比

25、，具有更接近实际各类集群分与总体直方图均匀定心法相比，具有更接近实际各类集群分 布位置状况的优点布位置状况的优点 nexample 局部直方图峰值定心法局部直方图峰值定心法 v基本原理 每个类别的集群中心一般位于本类别直方图的峰值位每个类别的集群中心一般位于本类别直方图的峰值位 置，而在该位置处的总体直方图往往会出现局部峰值置，而在该位置处的总体直方图往往会出现局部峰值 v基本过程 一、初始类别参数的选定一、初始类别参数的选定 获取图像数据获取图像数据 抽样集抽样集 建立总体建立总体 直方图直方图 搜索直方图搜索直方图 局部峰值局部峰值 一、初始类别参数的选定一、初始类别参数的选定 v注意 n

26、为了减少数据量，通常为了减少数据量，通常按一定距离间隔按一定距离间隔的取样方式来获的取样方式来获 得图像的抽样数据集得图像的抽样数据集 n为了保证被抽样的像素亮度为非噪声亮度，可以为了保证被抽样的像素亮度为非噪声亮度，可以选定一选定一 个个“纯度纯度”阈值阈值，当抽样像素亮度与周围像素亮度之差，当抽样像素亮度与周围像素亮度之差 别超出该纯度阈值时，把该像素摒弃别超出该纯度阈值时，把该像素摒弃 n为了减少直方图的存储量，可采取以下措施为了减少直方图的存储量，可采取以下措施 l限定直方图各维亮度的取值范围限定直方图各维亮度的取值范围 l用亮度分辨力用亮度分辨力K K把直方图分切为一系列直方图局部单

27、元把直方图分切为一系列直方图局部单元 二、二、ISODATAISODATA法（迭代自组织数据分析技术）法（迭代自组织数据分析技术） 过程过程 输入控制参数输入控制参数 niTs Ni i DikTc Y Y Y Y Y N N N N N 二、二、ISODATAISODATA法法 example 二、二、ISODATAISODATA法法 实质实质 v以初始类别为以初始类别为“种子种子”进行自动迭代聚类的过程，进行自动迭代聚类的过程， 可以自动地进行类别的可以自动地进行类别的“合并合并”和和“分裂分裂”，其参，其参 数也在不断地聚类调整中逐渐确定，并最终构建所数也在不断地聚类调整中逐渐确定，并最

28、终构建所 需要的判别函数需要的判别函数 v基准类别参数的确定过程，也正是利用光谱特征本基准类别参数的确定过程，也正是利用光谱特征本 身的统计性质对判别函数不断调整和身的统计性质对判别函数不断调整和“训练训练”过程过程 三、三、K-MeanK-Mean算法算法 聚类准则聚类准则 使每一聚类中，多模式点到该类别的中心的距离的平使每一聚类中，多模式点到该类别的中心的距离的平 方和最小方和最小 基本思想基本思想 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 类结果为止类结果为止 三、三、K-MeanK-Mean算法算法 开始开始 选择初始类别的中心选择初

29、始类别的中心 将所有像元分到将所有像元分到c个类别中个类别中 聚类中心不变聚类中心不变 计算新的集群中心计算新的集群中心 结束结束 N Y 过程过程 四、应用举例四、应用举例 打开非监督分类模打开非监督分类模 块，选择输入、块，选择输入、 输出影像输出影像 确定相关参数执确定相关参数执 行非监督分类行非监督分类 一般一般最终分最终分 类个数的类个数的2倍倍 四、应用举例四、应用举例 确定类别确定类别 四、应用举例四、应用举例 Swipe v训练区的选择训练区的选择 v判别分析分类判别分析分类 v检验检验 v应用实例应用实例 一、训练区的选择一、训练区的选择 注意注意 v训练区必须具有典型性和代

30、表性 v对所有使用的图件要求时间和空间上的一致性 选取方式选取方式 v坐标输入式 v人机对话式 训练区样本分析训练区样本分析 一般要求是单峰，近似于正态分布一般要求是单峰，近似于正态分布 训练样本数的确定训练样本数的确定 根据对图像的了解程度和图像本身的情况确定根据对图像的了解程度和图像本身的情况确定 理论最小值理论最小值N N1 1（N N为特征数为特征数） 二、判别分析分类二、判别分析分类 线性判别分析分类线性判别分析分类 逐步判别分析分类逐步判别分析分类 平行多面体分类平行多面体分类 最小距离分类最小距离分类 最大的似然比分类最大的似然比分类 二、判别分析分类二、判别分析分类 线性判别分

31、析分类线性判别分析分类 v线性判别函数 v算法 n由已知均值向量及协方差矩阵计算归并的协方差矩阵由已知均值向量及协方差矩阵计算归并的协方差矩阵S S及其逆矩阵及其逆矩阵S S 1 1 n计算系数计算系数a ai i及及c ci i n计算计算d di i，如果假定，如果假定g gi i都相同，则都相同，则lnglngi iln(1/k)ln(1/k) n把把X X分到分到d di i最大的一类最大的一类 )(gln i11iiipipii pgCXaXad式中 i i i ii kn Sm S 1 1 ) 1( 11 2 1 SM a a a i ip i i ), 2 , 1( 2 1 11

32、 kiMSMC ii 二、判别分析分类二、判别分析分类 逐步判别分析分类逐步判别分析分类 选择少数贡献最大的自变量建立判别函数选择少数贡献最大的自变量建立判别函数 v比较和选择自变量 单因素方差分析或单因素方差分析或F F检验检验 v建立判别函数 同线性判别分析同线性判别分析 二、判别分析分类二、判别分析分类 平行多面体分类平行多面体分类 v原理 只有当只有当 否则排除，否则排除，Class(xClass(xi i) ) 0 0 ijiji STMx ki * 相当于在数据空间中划分出若干个平行多面体块段，相当于在数据空间中划分出若干个平行多面体块段， 每一块段为一类每一块段为一类 二、判别分

33、析分类二、判别分析分类 v优点 分类标准简单，计算速度比较快分类标准简单，计算速度比较快 v缺点 按照各个波段的均值和标准差划分的平行多面体与按照各个波段的均值和标准差划分的平行多面体与 实际地物类别数据点的分布的点群形态不一致实际地物类别数据点的分布的点群形态不一致 v改进 将自然点群分割为几个较小的平行多面体将自然点群分割为几个较小的平行多面体 二、判别分析分类二、判别分析分类 最小距离分类最小距离分类 v原理 n由训练组数据得出每一类别由训练组数据得出每一类别 的均值向量及标准差向量的均值向量及标准差向量 n以均值向量作为该类在多维以均值向量作为该类在多维 空间中的中心位置，计算输空间中

34、的中心位置，计算输 入图像中每个像元到各类中入图像中每个像元到各类中 心的距离（欧几里德距离、心的距离（欧几里德距离、 折线距离）折线距离） n到哪一类中心的距离最小，到哪一类中心的距离最小， 则该像元就归入哪一类则该像元就归入哪一类 二、判别分析分类二、判别分析分类 v缺陷 n不同类别的亮度值（或其它特性）的变化范围，其方差不同类别的亮度值（或其它特性）的变化范围，其方差 的大小不同，不能简单地用到类中心的距离来划分像元的大小不同，不能简单地用到类中心的距离来划分像元 的归属的归属 n自然地物类别的点群分布不一定是圆形或球形，即不同自然地物类别的点群分布不一定是圆形或球形，即不同 方向上半径

35、是不等的，因而距离的量度在不同方向上应方向上半径是不等的，因而距离的量度在不同方向上应 有所差异有所差异 v改进 在距离算法上改进在距离算法上改进 二、判别分析分类二、判别分析分类 最大似然比分类最大似然比分类 v基本前提 每一类的概率密度分布都是正态分布每一类的概率密度分布都是正态分布 v判别函数 v说明 n分类的准确程度不仅取决于方法的选择，还与地区的分类的准确程度不仅取决于方法的选择，还与地区的 特点、有关参数的选择、应用人员的经验，特别是训特点、有关参数的选择、应用人员的经验，特别是训 练数据的代表性有关练数据的代表性有关 n训练组统计数的可靠性程度比分类器算法的选择对分训练组统计数的

36、可靠性程度比分类器算法的选择对分 类的准确度影响更大类的准确度影响更大 )()( 2 1 ln 2 1 )(ln)( 1 ii T iiii MXSMXSPXg 二、判别分析分类二、判别分析分类 example 三、检验三、检验 0 )/()( 2221 x dxXppE 0 )/()( 1112 x dxXppE 一维空间错误概率一维空间错误概率 1221 EEE 总错误概率总错误概率 )()/()( )()/()( 222 111 pXpxg pXpxg 三、检验三、检验 错误概率估计错误概率估计 （先验概率相同时较准确）（先验概率相同时较准确） 混淆矩阵混淆矩阵 v一个一个m mm m的

37、矩阵，的矩阵，m m为分类的类别数，矩阵的列通常表示为分类的类别数，矩阵的列通常表示 参考类别，行表示分类类别参考类别，行表示分类类别 v基于混淆矩阵可以得到基于混淆矩阵可以得到以下以下一些统计指标来衡量分类的一些统计指标来衡量分类的 精度精度 N N E err 三、检验三、检验 先验概率相同）总精度 %(100 n m 1k kkn R Omission漏分误差 生产精度%100 n k kkn ommissionC %100 n k kkn 错分误差 使用者精度 （先验概率不同）总精度 m i ii RPR 1 )( m k kk m k kk m k kk nnn nnnn Kappa

38、 1 2 11 系数 式中，式中，n n为样本总数，为样本总数，n nkk kk为矩阵对角线上的元素， 为矩阵对角线上的元素，n nk+ k+为 为 矩阵的行数据之和，矩阵的行数据之和，n n+k +k为矩阵的列数据之和 为矩阵的列数据之和 三、检验三、检验 类型类型水体水体 建设建设 用地用地 荒草荒草 地地 园地园地水田水田林地林地总和总和 使用者使用者 精度精度 未分类未分类0000000 水体水体24200323177.42 建设用地建设用地0113402912888.28 荒草地荒草地091509114434.09 园地园地010152123050 水田水田3410108311990

39、.76 林地林地0000315716098.13 总和总和271292015127194512 生产精度生产精度 88.8987.607510085.0480.93 总精度总精度84.3884.38 KappaKappa系数系数0.79240.7924 四、应用实例四、应用实例 打开待分类影像打开待分类影像 打开模板窗口打开模板窗口 四、应用实例四、应用实例 定义分类模板定义分类模板 四、应用实例四、应用实例 评价分类模板评价分类模板 误差矩阵精度误差矩阵精度85%85%， 模板需要要重建模板需要要重建 四、应用实例四、应用实例 监督分类监督分类 林地林地 旱地旱地 建设用地建设用地 水浇地水

40、浇地 水域水域 果园果园 未利用地未利用地 四、应用实例四、应用实例 精度评价精度评价 比较比较 非监督分类主要优点非监督分类主要优点 v不需要预先对所要分类的区域有广泛的了解和熟悉，不需要预先对所要分类的区域有广泛的了解和熟悉， 而监督分类则需要分析者对所研究区域有很好的了解而监督分类则需要分析者对所研究区域有很好的了解 从而才能选择训练样本。但是在非监督分类中分析者从而才能选择训练样本。但是在非监督分类中分析者 仍需要一定的知识来解释非监督分类得到的集群组仍需要一定的知识来解释非监督分类得到的集群组 v人为误差的机会减少，即使分析者对分类图像有很强人为误差的机会减少，即使分析者对分类图像有

41、很强 的看法偏差，也不会对分类结果有很大影响。因此非的看法偏差，也不会对分类结果有很大影响。因此非 监督分类产生的类别比监督分类所产生的更均质监督分类产生的类别比监督分类所产生的更均质 v独持的、覆盖量小的类别均能够被识别，而不会像监独持的、覆盖量小的类别均能够被识别，而不会像监 督分类那样被分析者的失误所丢失督分类那样被分析者的失误所丢失 比较比较 非监督分类主要缺点非监督分类主要缺点来自于对其来自于对其“自然自然” 的依赖性的依赖性 v非监督分类产生的光谱集群组并不一定对应于分析者想非监督分类产生的光谱集群组并不一定对应于分析者想 要的类别，因此分析者面临着如何将它们和想要的类别要的类别，

42、因此分析者面临着如何将它们和想要的类别 相匹配的问题，实际上几乎很少有一对一的对应关系相匹配的问题，实际上几乎很少有一对一的对应关系 v分析者较难对产生的类别进行控制，因此其产生的类别分析者较难对产生的类别进行控制，因此其产生的类别 也许并不能让分析者满意也许并不能让分析者满意 v图像中各类别的光谱特征会随时间、地形等变化，不同图像中各类别的光谱特征会随时间、地形等变化，不同 图像以及不同时段的图像之间的光谱集群组无法保持其图像以及不同时段的图像之间的光谱集群组无法保持其 连续性，从而使其不同图像之间的对比变得困难连续性，从而使其不同图像之间的对比变得困难 比较比较 监督分类的主要优点监督分类

43、的主要优点 v可根据应用目的和区域，有选择地决定分类类别，避可根据应用目的和区域，有选择地决定分类类别，避 免出现一些不必要的类免出现一些不必要的类 v可控制训练样本的选择可控制训练样本的选择 v可通过检查训练样本来决定训练样本是否被精确分类可通过检查训练样本来决定训练样本是否被精确分类 v避免了非监督分类中对光谱集群组的重新归类避免了非监督分类中对光谱集群组的重新归类。 比较比较 监督分类的缺点监督分类的缺点 v分类系统的确定、训练样本的选择，均人为主观因素较分类系统的确定、训练样本的选择，均人为主观因素较 强，分析者定义的类别也许并不是图像中存在的自然类强，分析者定义的类别也许并不是图像中

44、存在的自然类 别，导致多维数据空间中各类别间并非独一无二，而是别，导致多维数据空间中各类别间并非独一无二，而是 有重叠；分析者所选择的训练样本也可能并不代表图像有重叠；分析者所选择的训练样本也可能并不代表图像 中的真实情形中的真实情形 v由于图像中同一类别的光谱差异，造成训练样本并没有由于图像中同一类别的光谱差异，造成训练样本并没有 很好的代表性很好的代表性 v训练样本的选取和评估需花费较多的人力、时间训练样本的选取和评估需花费较多的人力、时间 v只能识别训练样本中所定义的类别，若某类别由于训练只能识别训练样本中所定义的类别，若某类别由于训练 者不知道或者其数量太少未被定义，则不能识别者不知道

45、或者其数量太少未被定义，则不能识别 v上下文分析方法上下文分析方法 v基于地形信息的计算机分类处理基于地形信息的计算机分类处理 v辅以纹理特征的光谱特征分类法辅以纹理特征的光谱特征分类法 一、上下文分析方法一、上下文分析方法 基本概念基本概念 v点独立 遥感图像中每一像元的信息来自于地面上与像元对应区域遥感图像中每一像元的信息来自于地面上与像元对应区域 v类别噪声 分类图像中出现一大片同类地物中夹杂着散点分布的异类分类图像中出现一大片同类地物中夹杂着散点分布的异类 地物的不一致现象地物的不一致现象 v上下文分析 基于邻近像元特征的比较分析基于邻近像元特征的比较分析 方法方法 v预处理法 v后处

46、理法 v概率松弛法 一、上下文分析方法一、上下文分析方法 v预处理法 式中，X(P)为P的原始光谱特征向量，X(P)为调整后的 光谱特征向量，X(C)为P周边最邻近的6个点构成的集 群中心点C的光谱特征向量，dpc为P与C在特征空间中 距离，T为比较阈值 N1N2N3 N8PN4 N7N6N5 TdPX TdCX pX pc pc ),( ),( )( 一、上下文分析方法一、上下文分析方法 v后处理法 是在分类处理之后，对分类结果类别分布的一致性检是在分类处理之后，对分类结果类别分布的一致性检 查和调整，调整的原理服从查和调整，调整的原理服从“多数多数”原则，即原则，即 在分类图像中，若某像元

47、的在分类图像中，若某像元的8 8个邻接像元中至少有个邻接像元中至少有6 6个像个像 元同属于某一类，则该像元的类别属性也调整为该类；元同属于某一类，则该像元的类别属性也调整为该类； 否则，保持该像元已分的类别属性不变否则，保持该像元已分的类别属性不变 一、上下文分析方法一、上下文分析方法 v概率松弛法 n基本思想基本思想 利用邻接像元从属于各类别的概率，来调整中心像元从利用邻接像元从属于各类别的概率，来调整中心像元从 属于各类别的概率，并根据调整后的概率按属于各类别的概率，并根据调整后的概率按BayesBayes分类分类 法对各像元进行分类。该过程是一个多次迭代的过程法对各像元进行分类。该过程

48、是一个多次迭代的过程 n基本过程基本过程 一、上下文分析方法一、上下文分析方法 l假设假设 各类别的光谱特征服从正态分布各类别的光谱特征服从正态分布 属于同一类别的像元属于该类的概率趋于同一个先验概率属于同一类别的像元属于该类的概率趋于同一个先验概率 对于某个像元属于对于某个像元属于i i类而邻近像元属于类而邻近像元属于j j类的联合事件类的联合事件 的概率，与本像元的点位无关，而只与的概率，与本像元的点位无关，而只与“本邻像元对本邻像元对”8 8 个方向有关且在每个方向上趋同于一个先验概率个方向有关且在每个方向上趋同于一个先验概率 j n k jk j i p n p 1 0 )( 1 )(

49、 ),.,2 , 1,; 8,.,2 , 1( )()( 1 ),( 1 00 mjiNpp n p kij n k jNik kij jiN 一、上下文分析方法一、上下文分析方法 l定义概率兼容系数定义概率兼容系数 l估计某一类估计某一类i i的某像元的某像元k k在在N N方向邻近像元影响下的调整方向邻近像元影响下的调整 概率概率 式中，式中， ),.,2 , 1,; 8,.,2 , 1( )()( ),( ),(mjiN pp p r ji jiN jiN m j jikNj l Ni l ki l kN rppQ 1 1 ),()()()( ),.,2 , 1,; 8,.,2 , 1(

50、 )( )( )( 1 1 1 1 mjiN Q Q q m j j l kN i l kN i l kN 一、上下文分析方法一、上下文分析方法 l计算第计算第l1次迭代时，像元次迭代时，像元k属于属于i类的概率调整值类的概率调整值 l当当 变动小于给定的阈值或有变动的像元个数小变动小于给定的阈值或有变动的像元个数小 于给定的阈值时，迭代结束于给定的阈值时，迭代结束 8 1 11 )( 8 1 )( N i l kNi l k qp i k)()(，则若 jkik pp )( ik p 一、上下文分析方法一、上下文分析方法 v比较 n优点优点 l预处理方法和后处理方法算法比较简单预处理方法和后

51、处理方法算法比较简单 l概率松弛算法充分利用了各像元从属于某一类别的概率概率松弛算法充分利用了各像元从属于某一类别的概率 信息，因而比前两种方法理论依据更充实、算法更精细信息，因而比前两种方法理论依据更充实、算法更精细 n缺点缺点 l预处理法不可避免地会产生某些不希望有的图像平滑效预处理法不可避免地会产生某些不希望有的图像平滑效 果，以致损失了必要的类别边界或纹理细节信息果，以致损失了必要的类别边界或纹理细节信息 l后处理法所能依据的信息仅是各像元的分类结果，而不后处理法所能依据的信息仅是各像元的分类结果，而不 知各像元从属某类的可靠程度知各像元从属某类的可靠程度( (概率概率) )，因而近似

52、性较大，因而近似性较大 l概率松弛算法所需计算机容量和计算时间较费概率松弛算法所需计算机容量和计算时间较费 二、基于地形信息的计算机分类处理二、基于地形信息的计算机分类处理 不同地物类别在不同高程中出现的先验概率不同地物类别在不同高程中出现的先验概率 不同不同 exampleexample 高程高程 带带 类别类别 高程高程m 1234567 耕地耕地园地园地林地林地草地草地水域水域城镇城镇裸地裸地 10208611111 2215067418453 351100426452221 410120021169414 520190013551283 全县全县494366321 二、基于地形信息的计

53、算机分类处理二、基于地形信息的计算机分类处理 方法方法 v作为先验条件概率，在判别函数中引入高程信息 v按高程带分层分类 注意注意 类似其它信息也可以辅助分类，但辅助信息的先验概类似其它信息也可以辅助分类，但辅助信息的先验概 率必须能如实反映地物在区域中的分布特点，并对不率必须能如实反映地物在区域中的分布特点，并对不 同类别的区分普遍有效同类别的区分普遍有效 )( )/(),/( ),/( Xp rprXp rXp nini ni 三、辅以纹理特征的光谱特征分类法三、辅以纹理特征的光谱特征分类法 纹理特征纹理特征 v概念 图像上细部结构以一定频率重复出现，是单一特征的图像上细部结构以一定频率重

54、复出现，是单一特征的 集合集合,实地为同类地物聚集分布实地为同类地物聚集分布 v类型 n侧重于对地物形态（大小、形状、结构轴的方向、具侧重于对地物形态（大小、形状、结构轴的方向、具 体形态的地物在空间中的分布规律）的具体描述体形态的地物在空间中的分布规律）的具体描述 n侧重于描述图像区域中总体亮度变化的特点侧重于描述图像区域中总体亮度变化的特点 三、辅以纹理特征的光谱特征分类法三、辅以纹理特征的光谱特征分类法 v辅助分类过程 n提取纹理特征提取纹理特征 l方法方法结果结果 n进行纹理特征的辅助分类进行纹理特征的辅助分类 l直接参与直接参与 l间接参与间接参与 l后处理后处理 自相关函数法、数学

55、变 换法、数学形态法、 灰度相关矩阵法、灰度 延长法、单位面积边缘 数法、纹理变换法、 自回归模型法 纹理特征量度参数 纹理分类图像 v神经网络分类器神经网络分类器 v基于小波神经网络遥感图像分类基于小波神经网络遥感图像分类 v模糊聚类法模糊聚类法 v树分类器树分类器 v专家系统方法的应用专家系统方法的应用 一、神经网络分类器一、神经网络分类器 概念概念 神经元网络模型用于模拟人脑神经元活动的过程，包括对神经元网络模型用于模拟人脑神经元活动的过程，包括对 信息的加工、处理、存储和搜索等过程信息的加工、处理、存储和搜索等过程 特点特点 v分布式存储信息 v对信息的并行处理及推理 v具有自组织、自

56、学习 类型类型 BP、Hopfield、ART、自组织特征映射模型、自组织特征映射模型 一、神经网络分类器一、神经网络分类器 f(a) f(b) f(n) y1 y2 yn x1 x2 xm 输入层输入层输出层输出层隐含层隐含层 BP网结构网结构 W1k k 一、神经网络分类器一、神经网络分类器 BP网基本原理网基本原理 v正向传播 输入的样本从输入层经过隐单元一层一层进行处理，输入的样本从输入层经过隐单元一层一层进行处理， 通过所有的隐层之后，传向输出层；在逐层处理的过通过所有的隐层之后，传向输出层；在逐层处理的过 程中，每一层神经元的状态只对下一层神经元的状态程中，每一层神经元的状态只对下

57、一层神经元的状态 产生影响。到输出层时，再把现行输出和期望输出进产生影响。到输出层时，再把现行输出和期望输出进 行比较，如果现行输出不等于期望输出，则进入反向行比较，如果现行输出不等于期望输出，则进入反向 传播过程传播过程 v反向传播 把误差信号按原来正向传播的通路方向传回，并对每把误差信号按原来正向传播的通路方向传回，并对每 个隐层的各个神经元的权系数进行修改，从而使误差个隐层的各个神经元的权系数进行修改，从而使误差 信号趋向于最小信号趋向于最小 一、神经网络分类器一、神经网络分类器 具体过程具体过程 对权系数置初值对权系数置初值 给定训练数据集给定训练数据集 计算各层实际输出计算各层实际输

58、出 计算学习误差计算学习误差 修正权系数和阈值修正权系数和阈值 误差是否满足要求误差是否满足要求 分类分类 N Y 一、神经网络分类器一、神经网络分类器 结论结论 n可以在一定程度上消除传统的遥感影像分类所带来的模可以在一定程度上消除传统的遥感影像分类所带来的模 糊性和不确定性糊性和不确定性 n从分类所需的时间上来讲，已经过训练的神经网络所具从分类所需的时间上来讲，已经过训练的神经网络所具 有的速度不会低于传统的遥感影像分类方法，如果隐节有的速度不会低于传统的遥感影像分类方法，如果隐节 点的数目选择合适，神经网络模型的建立合理，速度还点的数目选择合适，神经网络模型的建立合理，速度还 会超过传统

59、的遥感影像分类方法会超过传统的遥感影像分类方法 n存在许多有待解决的问题存在许多有待解决的问题 二、基于小波神经网络遥感图像分类二、基于小波神经网络遥感图像分类 小波变换小波变换 v基本思想 用一族函数去表示或接近一信号或函数，这一族函数称为用一族函数去表示或接近一信号或函数，这一族函数称为 小波函数系。它是通过基本小波函数的不同尺寸的平移和小波函数系。它是通过基本小波函数的不同尺寸的平移和 伸缩构成的。若设基本小波函数为伸缩构成的。若设基本小波函数为h(xh(x) )，伸缩和平移因子，伸缩和平移因子 分别为分别为a a和和b b，则小波变换基底定义为，则小波变换基底定义为 函数函数f(xf(

60、x) )的小波变换为的小波变换为 v优点 线性叠加性、平移共变性、尺度共变性、能量守恒性、局线性叠加性、平移共变性、尺度共变性、能量守恒性、局 域正则性域正则性 a bx haxh ba 2 1 , )( dxxfxhfW baba )()()( , 二、基于小波神经网络遥感图像分类二、基于小波神经网络遥感图像分类 r j m k j j kiji a bk htxWfty 11 )()( f(a) f(b) f(n) y1 y2 yn w11 w1n j=1 r x1 x2 xm 1 1 1 a b h r r a bm h 结构结构 三、模糊聚类法三、模糊聚类法 基本原理基本原理 利用模糊