遥感图像自动识别分类

1、第九章 遥感图像自动识别分类一、基础知识一、基础知识二、特征变换及特征选择二、特征变换及特征选择三、监督分类三、监督分类四、非监督分类四、非监督分类五、非监督分类与监督分类的结合五、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、句法模式识别概述八、句法模式识别概述九、计算机自动分类的新方法九、计算机自动分类的新方法 遥感图像的计算机分类遥感图像的计算机分类,就是利用计算就是利用计算机技术来模拟人类的识别功能机技术来模拟人类的识别功能,对地球表面对地球表面及其环境在遥感图像上的信息进行属性的及

2、其环境在遥感图像上的信息进行属性的自动判别和分类自动判别和分类,达到提取所需地物信息的达到提取所需地物信息的目的。目的。 遥感图像的自动识别分类主要采用决遥感图像的自动识别分类主要采用决策理论方法策理论方法,按照决策理论方法，需要从被按照决策理论方法，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。对特征空间进行划分。一、基础知识一、基础知识1. 模式与模式识别 所谓“模式模式”是指某种具有空间或几何

3、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模式识别。自然模式自然模式接收器接收器(传感器传感器)分类器分类器(判决器判决器)结果结果模式识别系统的模型 分类器（或称判决器）分类器（或称判决器）,可以根据一定可以根据一定的分类规则的分类规则,把某一测量矢量把某一测量矢量X划入某一组划入某一组预先规定的类别之中去。预先规定的类别之中去。2. 光谱特征空间及地物在特征空间中聚类 的统计特性 光谱特征空间光谱特征空间:以各波段图像的亮度分布为以各波段图像的亮度分布为坐标轴组成的空间坐标轴组成的空间.水

4、土壤植被B5B7 特征点集群在特征空间中的分布大致可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分为如下三种情况:理想情况理想情况不同不同类别地类别地物物的集群的集群至至少在一个少在一个特征子空特征子空间中的投影是完全间中的投影是完全可以相互区分开的。可以相互区分开的。BiBj水植被土壤一般情况一般情况无论在总的特征空间中无论在总的特征空间中,还是在还是在任一子空间中任一子空间中,不同类别的集群之间总是存在不同类别的集群之间总是存在重叠重叠现象。这时重叠部分的特征点所对应的现象。这时重叠部分的特征点所对应的地物地物,在分类时总会出现不同程度的分类误差，在分类时总会出现不同程度的分类误差，

5、这是遥感图像中最常见的情况。这是遥感图像中最常见的情况。水植被土壤典型情况典型情况不同类别地物的集群不同类别地物的集群,在在任一任一子空间中都有相互重叠的现象存在子空间中都有相互重叠的现象存在,但在总但在总的特征空间中可以完全区分的。这时可采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。用特征变换使之变成理想情况进行分类。水植被土壤二、特征变换及特征选择二、特征变换及特征选择特征变换特征变换,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。特征变换的目的: 减少特征之间的相关性,使得用尽可

6、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。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 穗帽变换特征选择的目的:用最少的影像数据最好地进行分类。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。三、监督分类三、监督分类自动识别分类监督分类法非监督分类法 监督分类法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。监督分类的思想监督分类的思想: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

7、别的样本观测值函数值5）按规则进行像元的所属判别原始影像数据的准备原始影像数据的准备图像变换及特征选择图像变换及特征选择分类器的设计分类器的设计初始类别参数的确定初始类别参数的确定逐个像素的分类判别逐个像素的分类判别形成分类编码图像形成分类编码图像输出专题图输出专题图监督分类的流程监督分类的流程 判判别别函数函数:当各个类别的判别区域确定后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用来表示和鉴别某个特征矢量属于哪个类别的函数。的函数。 这些函数不是集群在特征空间形状的数这些函数不是集群在特征空间形状的数学描述学描述,而是描述某一未知矢量属于某个类别而是描述某一未知矢量属

8、于某个类别的情况的情况,如属于某个类别的条件概率。一般，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不同的类别都有各自不同的判别别函数。函数。 判别规则判别规则:判断特征矢量属于某类的依据。判断特征矢量属于某类的依据。 当计算完某个矢量当计算完某个矢量,在不同类别判在不同类别判别别函函数中的值后数中的值后,我们要确定该矢量属于某类必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。最大则该矢量属于最大值对应的类别。这这种判断的依据种判断的依据,我们称之为判别规则。我们称之为判别规则。 监督分类的方法

9、监督分类的方法: 最大似然法 最小距离法 盒式分类法 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最大似然分类法。 概率判别函数概率判别函数:把某特征矢量把某特征矢量X落入某类落入某类集群集群wi的条件概率的条件概率P (wi/X)当成分类判决函当成分类判决函数（数（概率判决函数概率判决函数）。 贝叶斯判别规则贝叶斯判别规则:把把X落入某集群落入某集群wi的条的条件概率件概率P (wi/X)最大的类为最大的类为X的类别的类别。 贝叶斯判别规则以错分概率或风险最小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。为准则的判别规则。 最小距离法 基于距离判别函数和判

10、别规则的分类方法称为最小距离分类法最小距离分类法。 距离判别函数距离判别函数是设法计算未知矢量是设法计算未知矢量X到有关类别集群之间的距离到有关类别集群之间的距离,哪类距离它最哪类距离它最近近,该未知矢量就属于那类。该未知矢量就属于那类。 距离判距离判别别函数不象概率判函数不象概率判别别函数那样函数那样偏重于集群分布的统计性质偏重于集群分布的统计性质,而是偏重于而是偏重于几几何位置。何位置。 距离判别规则是按最小距离判别的原距离判别规则是按最小距离判别的原则则。 马氏（马氏（Mahalanobis）距离）距离 欧氏（欧氏（Euclidean）距离）距离 计程（计程（Taxi）距离）距离 最小距

11、离法中常使用的三种距离判别函数 盒式分类法 盒式分类法基本思想盒式分类法基本思想:首先通过训练样区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然后以一个包括该集群的“盒子盒子”作为该集群的作为该集群的判别函数。判别函数。 判判别别规则为若未知矢量规则为若未知矢量X落入该落入该“盒子盒子”,则则X分为此类分为此类,否则再与其它盒子比较。否则再与其它盒子比较。例如例如对于对于A类的盒子类的盒子,其其边界（最小值和最大边界（最小值和最大值）分别是值）分别是X1=a、X1=b;X2=c、X2=d。这种分类法在盒子重这种分类法在

12、盒子重叠区域有错分现象。叠区域有错分现象。错分与比较盒子的先错分与比较盒子的先后次序有关。后次序有关。 监督分类的步骤监督分类的步骤:（1）确定感兴趣的类别数。）确定感兴趣的类别数。 首先确定要对哪些地物进行分类首先确定要对哪些地物进行分类,这样就可这样就可以建立这些地物的先验知识。以建立这些地物的先验知识。（2）特征变换和特征选择）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根据感兴趣地物的特征进行有针对性的特征变换征变换,这部分内容在前面特征选择和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一节有比较详细的介绍。变换之后的特征影像和原始影像

13、共同进行特征选择和原始影像共同进行特征选择,以选出既能满足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，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。加快分类速度，提高分类精度。（3）选择训练样区）选择训练样区训练样区的选择要注意训练样区的选择要注意准确性、代表性和统准确性、代表性和统计性计性三个问题。三个问题。准确性就是要确保选择的样区与实际地物的准确性就是要确保选择的样区与实际地物的一致性一致性。代表性一方面指所选择区为某一地物的代表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另一方面还要考虑到地物本身的复杂性,所以必须所以必须在

14、一定程度上反映同类地物光谱特性的波动情况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统计性是指选择的训练样区内必须有足够多的像元的像元,以保证由此计算出的类别参数符合统计规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律。实际应用中，每一类别的样本数都在102数量数量级左右。级左右。选择样本区域（4）确定判）确定判别别函数和判函数和判别别规则规则 一旦训练样区被选定后一旦训练样区被选定后,相应地物类别的光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。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

15、对非训练样区的）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。图像区域进行分类。监督分类的优点监督分类的优点: 根据应用目的和区域根据应用目的和区域,有选择的决定分类类有选择的决定分类类 别别,避免出现一些不必要的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可以通过检查训练样本来决定训练样本是否 被精确分类被精确分类,从而避免分类中的严重错误从而避免分类中的严重错误， 分类精度高分类精度高; 避免了非监督分类中对光谱集群的重新归避免了非监督分类中对光谱集群的重新归 类类； 分类速度快分类速度快。监督分类的缺点监督

16、分类的缺点: 主观性主观性; 由于图象中间类别的光谱差异由于图象中间类别的光谱差异,使得训练样本使得训练样本没有很好的代表性没有很好的代表性; 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。只能识别训练中定义的类别。四、非监督分类四、非监督分类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是指人们事先对分类过程不施加任何的先验知识的先验知识,而仅凭遥感影像地物的光谱特而仅凭遥感影像地物的光谱特征的分布规律征的分布规律,即自然聚类的特性即自然聚类的特性,进行进行“盲盲目目”的分类的分类。 其分类的结果只是对不同类别达到了其分类的结果

17、只是对不同类别达到了区分，但并不能确定类别的属性区分，但并不能确定类别的属性;其类别的其类别的属性是通过分类结束后目视判读或实地调属性是通过分类结束后目视判读或实地调查确定的。查确定的。 非监督分类也称聚类分析。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一般的聚类算法是先选择若干个模式点作为聚类的点作为聚类的中心中心。 每一中心代表一个类别每一中心代表一个类别,按照某种相似按照某种相似性度量方法（如最小距离方法）将各模式性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别归于各聚类中心所代表的类别,形成形成初始分初始分类。类。 然后由聚类准则判断初始分类是否合然后由聚

18、类准则判断初始分类是否合理理,如果不合理就修改分类，如此如果不合理就修改分类，如此反复迭代反复迭代运算运算，直到合理为止。，直到合理为止。非监督分类的方法非监督分类的方法: K-均值聚类法 ISODATA聚类分析法 平行管道聚类分析法 K-均值聚类法 K-均值算法的聚类均值算法的聚类准则准则是使每一聚类中是使每一聚类中,多模式点到该类别的中心的距离的平方和最多模式点到该类别的中心的距离的平方和最小。小。 基本思想基本思想:通过迭代通过迭代,逐次移动各类的中心逐次移动各类的中心,直至得到最好的聚类结果为止。直至得到最好的聚类结果为止。缺点缺点:这种算法的结果受到所选聚类中心的这种算法的结果受到所

19、选聚类中心的数目和其初始位置以及模式分布的几何性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质和读入次序等因素的影响,并且在迭代过并且在迭代过程中又没有调整类数的措施程中又没有调整类数的措施,因此可能产生因此可能产生不同的初始分类得到不同的结果不同的初始分类得到不同的结果,这是这种这是这种方法的缺点。可以通过其它的简单的聚类方法的缺点。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，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。来找出初始中心，提高分类效果。 ISODATA聚类分析法ISODATA（Iterative Self-Organizin

20、g Data Analysis Techniques Algorithm）算法也）算法也称为迭代自组织数据分析算法。称为迭代自组织数据分析算法。它与它与K均值算法有两点不同均值算法有两点不同: 第一第一,它不是每调整一个样本的类别就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重新计算一次各类样本的均值,而是在每次而是在每次把所有样本都调整完毕之后才重新计算一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次各类样本的均值,前者称为前者称为逐个样本修正逐个样本修正法法，后者称为，后者称为成批样本修正法成批样本修正法; 第二，第二，ISODATA算法不仅可以通过调算法不仅可以通过调整

21、样本所属类别完成样本的聚类分析，而整样本所属类别完成样本的聚类分析，而且可以且可以自动地进行类别的自动地进行类别的“合并合并”和和“分裂分裂”，从而得到类数比较合理的聚类结果。从而得到类数比较合理的聚类结果。 平行管道聚类分析法 它以地物的它以地物的光谱特性曲线为基础光谱特性曲线为基础,假定假定同类地物的光谱特性曲线相似作为判同类地物的光谱特性曲线相似作为判别别的的标准。设置一个相似阈值标准。设置一个相似阈值,这样这样,同类地物在同类地物在特征空间上表现为以特征曲线为中心，以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，此即为所谓的相似阈值为半径的管子，此即为所谓的“平平行管道行管

22、道”。 这种聚类方法实质上是一种基于最邻近这种聚类方法实质上是一种基于最邻近规则的试探法。规则的试探法。 与监督分类相比与监督分类相比,非监督分类具有下列非监督分类具有下列优点优点:不需要对被研究的地区有事先的了解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对分类的结果与精度要求相同的条件下,在在时间和成本上较为节省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。的精度高，所以监督分类使用的更为广泛。五、非监督分类与监督分类的结合五、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

23、的通过非监督法将一定区域聚类成不同的单一类别单一类别,监督法再利用这些单一类别区域监督法再利用这些单一类别区域“训练训练”计算机。通过计算机。通过“训练训练”后的计算机将其后的计算机将其它区域分类完成它区域分类完成,这样避免了使用速度比较慢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的非监督法对整个影像区域进行分类,使分类使分类精度精度得到保证的前提下，分类得到保证的前提下，分类速度速度得到了提得到了提高。高。步骤步骤:第一步第一步:选择一些有代表性的区域进行非监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分类

24、训练样区的选择要求相反相反,监监 督法分类训练样区要求尽可能单一。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而这里选择的区域包含类别尽可能 地多地多,以便使所有感兴趣的地物类以便使所有感兴趣的地物类 别都能得到聚类。别都能得到聚类。第二步第二步:获得多个聚类类别的先验知识。这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。聚类的类别作为实地调查来得到。聚类的类别作为 监督分类的训练样区。监督分类的训练样区。第三步第三步:特征选择。选择最适合的特征图像特征选择。选择最适合的特征图像 进行后续分类。进行后续分类。第四步第四步:使用监督法对整个影像进行分类。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。并对类后的样本数据设计分类器。并对 整个影像区域进行分类。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。所以可以像的类别信息也已确定。所以