第08章-遥感数字图像计算机解译-

第八章遥感数字图像计算机解译1地球科学学院地信系王庆教学目的及要求：1.理解遥感图像解译的目的和意义2.掌握计算机解译的原理、方法和步骤3.掌握分类精度评价的方法与步骤概要8.1根底知识8.2非监督分类8.3监督分类38.4计算机分类的其他问题8.5计算机解译的其他方法8.6分类后处理和精度评价遥感数字图像的计算机解译以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。利用计算机对遥感数字图像进行解译难度大。广阔的利用前景。8.1根底知识1、遥感数字图像8.1根底知识一、遥感数字图像的根本概念及特点像素空间特征属性特征便于计算机处理与分析图像信息损失少抽象性强2、遥感数字图像的特点8.1根底知识一、遥感数字图像的根本概念及特点遥感数字图像是以二维数组来表示的.3、遥感数字图像的表示方法8.1根底知识一、遥感数字图像的根本概念及特点二值数字图像：0，1表示单波段数字图像:SPOT的全色波段彩色数字图像：红绿蓝三层数据多波段数字图像:TM的7个波段数据3、遥感数字图像的表示方法8.1根底知识一、遥感数字图像的根本概念及特点多波段数字图像的三种数据格式BSQ格式(Bandsequential)BIP格式(Bandinterleavedbypixel)BIL格式(Bandinterleavedbyline)3、遥感数字图像的表示方法8.1根底知识一、遥感数字图像的根本概念及特点1、遥感数字图像计算机解译8.1根底知识二、遥感数字图像计算机解译与模式识别目的：识别图像信息所相应的实际地物，提取所需地物信息。利用计算机技术来模拟人工的识别功能是模式识别的一个方面，识别对象是遥感图像及各种变换之后的特征图像，识别目的是提供数字化信息1、遥感数字图像计算机解译8.1根底知识二、遥感数字图像计算机解译与模式识别分类的依据：图像像素的相似度距离相关系数1、遥感数字图像计算机解译8.1根底知识二、遥感数字图像计算机解译与模式识别主要采用的方法：决策理论〔或统计〕方法从被识别的模式〔对象〕中，提取一组反映模式〔对象〕属性的量测值，称为特征；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，以区分具有不同特征的模式，到达分类的目的。

模式：指某种具有空间或几何特征的东西。通俗的含义是某种事物的标准形式。2、模式8.1根底知识二、遥感数字图像计算机解译与模式识别模式识别：对被识别的模式作一系列的测量，比较测量结果与“模式字典〞中一组“典型的〞测量值。假设和字典中某一“词目〞的比较结果是吻合或者比较吻合，那么就得出所需要的分类结果。这一过程称为模式识别。模式识别对象：遥感图像中的地物

3、模式识别8.1根底知识二、遥感数字图像计算机解译与模式识别3、模式识别8.1根底知识二、遥感数字图像计算机解译与模式识别数据获取模式分割模式识别姚明ROCKETS113、模式识别8.1根底知识二、遥感数字图像计算机解译与模式识别车牌识别3、模式识别8.1根底知识二、遥感数字图像计算机解译与模式识别遥感影像分类3、模式识别8.1根底知识二、遥感数字图像计算机解译与模式识别3、模式识别8.1根底知识二、遥感数字图像计算机解译与模式识别1、光谱特征8.1根底知识三、光谱特征空间光谱特征：图像上的亮度表达出来的。光谱特征向量：同名地物在不同波段图像中亮度的观测值构成的多维随机向量。X=[x1,x2,…,xn]T 2、光谱特征空间8.1根底知识三、光谱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。2、光谱特征空间8.1根底知识三、光谱特征空间

同种地物在相同的条件下，应具有相同的或相似的光谱特征和空间信息特征，即同类地物像元的特征向量将集群在同一特征空间区域2、光谱特征空间8.1根底知识三、光谱特征空间2、光谱特征空间8.1根底知识三、光谱特征空间特征点集群在特征空间中的分布大致可分为以下情况8.1根底知识四、特征变换波段数多数据量太大，计算复杂分类的效果也不一定好8.1根底知识四、特征变换概念：将原始图像通过一定的数学变换生成一组新的特征图像，这一组新图像信息集中在少数几个特征图像上。目的：数据量有所减少，去相关，有助于分类。常用的特征变换：主分量变换、哈达玛变换、穗帽变换、比值变换、生物量指标变换。

8.1根底知识五、特征选择选择一组最正确的特征影像进行分类1、特征选择策略〔1〕选择各类平均可分性最大的特征；〔2〕选择最难分的类别具有的可分性最大的特征8.1根底知识五、特征选择2、特征选择方法〔1〕单独选择法：根据每个特征所有类别的可分性，取最大的前m个特征；〔2〕扩充最优特征子集：选择对所有类别可分性最大的特征，增加到特征子集，重新计算，逐步增加；8.1根底知识五、特征选择2、特征选择方法〔3〕选择对最难分的类做出奉献最大的特征子集：找出最难分类，选择可分性最大特征，然后逐步扩充特征集〔4〕去掉对最难分的类做出奉献最小的特征子集：找出最难分类，逐步去掉可分性最小特征8.1根底知识五、特征选择3、特征选择定量指标〔1〕距离测度类别间的距离测度，值越大可分性越好〔2〕散布矩阵测度-类内散矩阵行列式值越小可分性越好-类间散布矩阵行列式值越大可分性越好-总体散布矩阵=

+

8.1根底知识五、特征选择例子：对于Landsat8OLI_TIRS传感器〔1〕5,4,3-标准假彩色合成，植被显示为红色，植被越健康红色越亮，还可以区分出植被的种类，可用于监测植被、农作物和湿地。〔2〕7,6,4-假彩色合成，用到了短波红外波段，效果比较明亮，可用于城市监测。〔3〕6,5,2-假彩色合成，主要用于农作物监测。8.1根底知识——特征选择5、4、3标准假彩色7、6、4假彩色6、5、2-假彩色8.1根底知识六、特征提取回忆我们上一章讲的目视解译的直接解译标志有哪些….?色调、颜色、阴影、纹理、大小形状、位置、布局等同样遥感图像计算机解译，除了利用地物的光谱特征外，还可以利用地物的纹理特征、形状特征和空间关系特征。如城市中具有明显的形状和结构特征的建筑物、厂房、农田田埂，同为植被的针叶林、阔叶林纹理不一样。8.1根底知识六、特征提取1.光谱特征提取光谱特征是目标物的颜色及灰度方法：主成分分析，基于遗传算法的特征提取8.1根底知识六、特征提取2纹理特征提取纹理：存在于图像中某一范围内的形状很小的，半周期性或有规律排列的图案。方法：灰度共生矩阵法，空间自相关函数法等8.1根底知识六、特征提取2纹理特征提取灰度共生矩阵水平方向上它是一个的矩阵〔L为灰度级，就是一幅图中包含的不同灰度或者颜色的个数〕，是具有空间位置关系且灰度分别为i和j的两个像素出现的次数或频率8.1根底知识六、特征提取3.形状特征提取形状特征：指图像中对象的边缘特征和区域特征。方法：地物边界跟踪法，形状特征描述及提取法，空间关系特征的描述与获取法等。8.1根底知识六、特征提取3.形状特征提取地物边界跟踪法图：两种不同的图像区域分割跟踪方法8.1根底知识六、特征提取3.形状特征提取地物边界跟踪法原理：分类后的图像，同一类地物单元内部是均一的。例如那么四个像元的中间点为内部点那么四个像元的中间点为边界点8.1根底知识六、特征提取3.形状特征提取地物边界跟踪法起始点确实定下一个跟踪点确实定直到图像中所有地物单元跟踪完毕8.1根底知识六、特征提取3.形状特征提取形状特征描述链码定义：一系列具有特定长度和方向的相连的直线段。8.1根底知识六、特征提取3.形状特征提取形状特征描述链码定义：一系列具有特定长度和方向的相连的直线段。右图链码表示为：S101033228.1根底知识六、特征提取3.形状特征提取形状特征描述周长的提取地物的面积线状地物的曲率面状的形状系数8.1根底知识六、特征提取3.形状特征提取空间关系特征描述与提取方位关系：包括距离关系和方向关系包含关系相邻关系相交关系相贯关系8.1根底知识六、特征提取3.形状特征提取空间关系特征描述与提取方位关系：包括距离关系和方向关系包含关系相邻关系相交关系相贯关系8.1根底知识六、特征提取3.形状特征提取空间关系特征描述与提取方位关系：包含关系相邻关系相交关系相贯关系8.1根底知识六、特征提取3.形状特征提取空间关系特征描述与提取方位关系包含关系相邻关系相交关系相贯关系8.1根底知识六、特征提取3.形状特征提取空间关系特征描述与提取方位关系包含关系相邻关系相交关系：点与线，线与线相贯关系8.1根底知识六、特征提取3.形状特征提取空间关系特征描述与提取方位关系包含关系相邻关系相交关系相贯关系8.2监督分类又称训练场地法，根据训练区提供的样本，通过选择特征参数，求出特征参数作为决策规那么，建立判别函数以对各待分类影像进行的图像分类。第一步：根据对研究区域的了解，选择能代表各类别的训练样本。第二步：对样本数据依据所选的分类器进行统计分析，提出给类别的特征数据，并建立适用的判别准那么。第三步：使用判别准那么对每个像元归属类别进行判定。第四部：输出分类结果。8.2监督分类一、监督分类过程1.监督分类的根本过程确定分类体系和感兴趣的类别数；特征变换和特征选择；选择训练样区；确定判决函数和判决规那么；根据判决函数和判决规那么对非训练区的图像区域进行分类；分类效果评估。8.2监督分类一、监督分类过程2.监督分类的主要步骤〔1〕对训练样区的要求准确性、代表性和统计性。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。〔2〕初始类别参数的形成〔3〕样本数据的训练计算每个类别的M和Σ，建立类别的判别函数〔4〕逐像素分类判别分类得到专题图监督分类流程原始图像的预处理训练样区的选择与评估不合格特征提取和特征选择分类精度评价成果输出精度合格精度不合格通过训练样区误差矩阵和分类预警评价、样本可分性度量判断训练样区是否合格合格分类器选择及分类运算8.2监督分类二、监督分类方法最小距离法平行算法特征曲线窗口法最大似然判别法…1.最小距离法8.2监督分类二、监督分类方法根本思想：计算未知矢量X到有关类别集群之间的距离，哪类离它最近，该未知矢量就属于哪类。关注：光谱特征空间中的几何位置1.最小距离法8.2监督分类二、监督分类方法1.最小距离法欧氏(Euclidean)距离计程〔texi〕距离：又称绝对值距离，欧氏距离的进一步简化。马氏距离〔Mahalanobis〕：又称加权的欧式距离8.2监督分类二、监督分类方法平行算法〔盒式决策规那么〕8.2监督分类二、监督分类方法根本思想：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。判别规那么为：位置矢量X落入该盒子，那么X分为此类。关注：光谱特征空间中的几何位置平行算法〔盒式决策规那么〕8.2监督分类二、监督分类方法8.2监督分类二、监督分类方法平行算法〔盒式决策规那么〕特征曲线窗口分类法8.2监督分类二、监督分类方法特征曲线窗口分类法8.2监督分类二、监督分类方法最大似然比分类法

8.2监督分类二、监督分类方法概率判别函数：某特征矢量〔X〕落入某类集群的条件概率贝叶斯判别规那么：把X落入某集群的条件概率最大的类为X的类别。贝叶斯判别规那么以错分概率或风险最小为准那么的判别规那么。假设：同类地物在特征空间服从正态分布。根据贝叶斯公式可得：8.2监督分类二、监督分类方法概率判别函数：相应的贝叶斯判别规那么：假设对于所有可能的j=1,2,…,m；j≠i有，那么X属于类。判决边界为〔假设有两类〕最大似然比分类法

最大似然比分类法

8.2监督分类二、监督分类方法最大似然比分类法

8.2监督分类二、监督分类方法错分概率及判决边界选取样本像元分类结果8.2监督分类K最近邻(k-NearestNeighbor，KNN)分类算法，该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，那么该样本也属于这个类别。K-最邻近判别法8.2监督分类二、监督分类方法优点：可根据应用的目的和区域，充分利用对研究区的先验知识，有选择地决定分类类别，防止出现一些不必要的类别。可控制训练样本的选择。光谱类别与信息类别的匹配可通过反复检验训练样本来提高分类精度，防止分类中的严重错误。防止了非监督分类中对光谱集群组的重新归类。8.2监督分类三、监督分类特点缺点：其分类系统确实定，训练样本的选择，均人为主观因素太强。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地代表性。训练样本的选取和评估需要花费较多的人力、时间。只能识别训练样本中所定义的类别，假设某类别由于训练者不知道或者其数量太少未被定义，那么监督分类不能识别。8.2监督分类三、监督分类特点训练样区必须选择具有典型性和代表性对所有使用的图件要求时间和空间上的一致训练样区的数量要满足训练要求根据影像及地物特征确定训练样区的大小训练样区的位置8.2监督分类四、训练样区的选择8.3非监督分类一、非监督分类方法分级集群法

K均值聚类法动态聚类法…物以类聚1.分级集群法确定评价各样本相似程度所采用的指标初定分类总数；计算样本间的距离，据距离最近的原那么判定待分象元归并到不同类别；归并后的类别作为新类，与剩余的类别重新组合，然后再计算并改正其距离。8.3非监督分类一、非监督分类方法确定采用的距离确定分类总数n找出距离最小的类别组归并距离最小的类别计算归并后新的个体间的距离归并后的类别数STOPYN8.3非监督分类一、非监督分类方法1.分级集群法特点是分级进行的，可能导致对一个像元的操作次序不同，得到不同的分类结果。这是该方法的缺点。8.3非监督分类一、非监督分类方法2.K均值聚类法8.3非监督分类一、非监督分类方法聚类准那么是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。根本思想：通过迭代，逐次移动各类的中心，直到得到最好的聚类结果为止。2.K均值聚类法8.3非监督分类一、非监督分类方法第一步：适中选取m个类的初始中心Z(1)1,Z(1)2，Z(1)3，……第二步：对所有样本按最小距离法〔到哪一类中心的距离最小就属于哪一类〕分到每一个类中去。第三步：根据上一步的分类结果，重新计算每一类的聚类中心。第四步：比较聚类中心是否发生改变，如果都不变，分类结束，否那么转到第二步迭代。K均值聚类法8.3非监督分类一、非监督分类方法K均值聚类法8.3非监督分类一、非监督分类方法缺点：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的因素影响，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。8.3非监督分类一、非监督分类方法动态聚类法ISODATA在初始状态给出图像粗糙的分类，然后基于一定原那么在类别间重新组合象元，直到分类比较合理为止。8.3非监督分类一、非监督分类方法动态聚类法〔ISODATA〕步骤1.初始化；2.选择初始中心；3.按一定规那么(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.否那么，重复3-5；7.确认类别，精度评定.ISODATA〔迭代自组织数据分析技术〕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样本的均值，而是每次把所有的样本都调整完毕之后才重新一次重新计算均值。第二、ISODATA算法不仅可以通过调整样本所属类别完成聚类，而且可以自动的进行类别的合并与分裂，从而得到类别比较合理的聚类结果。8.3非监督分类一、非监督分类方法确定分类数量选择集群类别中心类别中心的处理像元初始归类重分类8.3非监督分类二、非监督分类步骤8.3非监督分类三、非监督分类特点优点：非监督分类不需要预先对所要分类的区域有广泛的了解和熟悉，仅需一定的知识来解释分类出的集群组。人为误差的时机减少。独特的、覆盖量小的类别均能够被识别。8.3非监督分类三、非监督分类特点缺点：非监督分类产生的光谱集群组需进行大量分析及后处理，将其结果与研究区的类别相匹配，才能得到分类结果。分析者较难对产生的类别进行控制。因此产生的类别也许并不能让分析者满意。非监督分类结果根本区别：是否利用训练样区来获取先验的类别知识。

非监督分类不受类别先验知识的影响，因此分类所得到的每一类别究竟代表什么实际地物仍然不清楚。要确定类别与实际地物的关系还需进行归纳分析，抽样，实地识别。8.4计算机分类的其他问题一、监督分类与非监督分类方法区别当光谱特征类能够和唯一的地物类型相对应，非监督分类可取得较好分类效果。当两个地物类型对应的光谱特征类差异很小时，非监督分类效果不如监督分类好。一、监督分类与非监督分类方法区别8.4计算机分类的其他问题二、监督分类与非监督分类方法结合

先对光谱数据进行非监督分类，以取得光谱特征较为均一的集群，再对集群进行监督分类，以获得所需要的类型。8.4计算机分类的其他问题二、监督分类与非监督分类方法结合第一步：选择一些有代表性的区域进行非监督分类第二步：获得多个聚类类别的先验知识第三步：特征选择第四步：使用监督分类法对整个影像进行分类第五步：输出标记图像8.4计算机分类的其他问题三、影响遥感图像分类的主要因素未充分利用遥感图像提供的多种信息计算机分类依据：像素的光谱特征形状和空间位置

岛屿和陆地湖泊与河流......8.4计算机分类的其他问题√X三、影响遥感图像分类的主要因素2.提高遥感图像分类精度受到限制大气状况的影响吸收和散射下垫面的影响：覆盖类型和起伏其他因素的影响：云朵，多时相，边界多样性8.4计算机分类的其他问题目视判读用到的信息与计算机自动分类所用信息的区别目视判读计算机自动分类处理对象多个像元的组合单个像元面积的估算粗略的精确的波段最多3个波段没有限制分别灰阶的能力大约十几个灰阶能够充分利用所有灰阶地物形状可以利用存在限制，依赖于算法空间信息可以利用存在限制非遥感信息可以利用（图像融合）可以利用，程度不够处理时间慢快结果重现差好三、影响遥感图像分类的主要因素8.4计算机分类的其他问题目视判读用到的信息与计算机自动分类所用信息的区别目前计算机能够利用的信息还是很有限的8.4计算机分类的其他问题一方面从地物本身的复杂性着手，一方面从分类方法着手提高分类前预处理的精度决策树分类，即分层分类混合分类多种信息的复合与GIS的集成基于对象的遥感图像分类提高分类精度的方法8.4计算机分类的其他问题四、非光谱信息在遥感图像分类中的应用也称辅助数据：航空像片、地面摄影像片、野外考察资料、各种专题地图、报告和文献数字化的辅助数据应用方式：将辅助数据作为新的图层，参与分类分类分层法8.4计算机分类的其他问题四、非光谱信息在遥感图像分类中的应用高程信息在遥感图像分类中的应用纹理信息在遥感图像分类中的应用8.4计算机分类的其他问题8.5计算机解译的其他方法一、模糊聚类法根本思想：事物的表现有时不是绝对的，而是存在着一个不确定的模糊因素。在遥感影像计算机分类中也存在着这种模糊性，因此划分类别的分类矩阵最好也是一个模糊矩阵。8.5计算机解译的其他方法一、模糊聚类法利用模糊矩阵A＝[aij]对样本集U进行划分——软分类A的定义aijЄ[0,1]，表示样本Uj属于第i类的隶属度A中每列元素之和为1，即一个样本对各类的隶属度之和为1A中每行元素之和大于0，表示每类不为空聚类准那么一般b≥1，b越大，分类越模糊，当b＝1时为硬分类8.5计算机解译的其他方法一、模糊聚类法给出初始划分A计算聚类中心Vi计算新的分类矩阵A*分类NY8.5计算机解译的其他方法二、人工神经网络分类法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、存储和搜索等过程特点分布式存储信息对信息的并行处理及推理具有自组织、自学习8.5计算机解译的其他方法二、人工神经网络分类法对权系数置初值给定训练数据集计算各层实际输出计算学习误差修正权系数和阈值误差是否满足要求分类NY8.5计算机解译的其他方法三、专家系统分类法是模式识别与人工智能技术相结合的产物。应用人工智能技术，运用遥感图像解译专家的经验和方法，模拟遥感图像目视解译的具体思维过程，进行遥感图像解译。知识获取界面地理名词数据字典完整性一致性检查框架产生器规则产生器图像解译知识库知识库管理公共数据区推理机解释器用户界面图像处理图形输入图像几何精校正图像分类区域分割与特征提取数据库管理遥感数据库遥感图像解译专家CCT数据磁带地形图查询解释属性数据空间数据联合式遥感图像解译专家系统遥感图像解译专家系统8.5计算机解译的其他方法四、支持向量机分类法基于像素级别的信息提取以单个像素为单位，过于着眼于局部而忽略了附近整片图斑的几何结构情况，从而严重制约了信息提取的精度面向对象的分类方法首先对图像数据进行影像分割，影像的最小单元不再是单个的像素，而是一个个对象(图斑)，后续的影像分析和处理也都基于对象进行优点：面向对象的遥感信息提取，综合考虑了光谱统计特征、形状、大小、纹理、相邻关系等一系列因素，因而具有更高精度的分类结果面向对象的分类方法8.5计算机解译的其他方法决策树分类采取逐次分类的方法，先确定特征明显的大类别，对每一大类再作进一步的划分，直到所有类别全局部出为止在不同层次可以更换分类方法，也可以更换分类特征，以提高这类别的可分性决策树分类法城市非建筑物建筑物裸地植被树木草地8.5计算机解译的其他方法将原有的GIS数据和各种土地利用类型变化的先验性知识综合集成用于新的遥感图像的分类中，不仅可以促进GIS数据更新的自动化，而且还可以得到比常规最大似然法高的分类精度基于GIS的遥感图像分类方法8.5计算机解译的其他方法一、分类后处理8.6分类后处理和精度评价1.分类后专题图像的格式用编号、字符、图幅或颜色表示各种类别2.分类后处理去噪声某些类别零星分布于地面，占的面积很小，需要平滑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分类后处理原始遥感图像对应的专题图像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〞分类后处理多数平滑过程多数平滑二、精度评价8.6分类后处理和精度评价精度评价是对两幅图像进行比较，分析它们之间的吻合度。其中一幅是要进行评价的遥感分类图像，另一幅是假设精确的参考图，一般用正确分类的百分比来表示分类精度。1.精度的相关概念和意义精度：正确性，一幅不知道质量的图像和一幅假设标准的图像之间的吻合度。详细度：细节，降低详细度可以提高精度8.6分类后处理和精度评价二、精度评价2.分类误差的来源及特征遥感图像目视解译产生的误差在计算机分类过程中产生的误差遥感图像分类时所采用的分类系统或分类方法不同而产生的误差地面景观特征差异产生人为的因素对分类精度的影响8.6分类后处理和精度评价二、精度评价3.精度评价方法面积精度评价法位置精度评价法8.6分类后处理和精度评价二、精度评价比较两幅图像上每种类别的数量差异，如面积、像元数目等比较两幅图像位置之间的一致性，以像元为单元。混淆矩阵，Kappa系数混淆矩阵与精度指标实测数据类型分类数据类型实