用计算机遥感技术图片,遥感图像的计算机分类.ppt

遥感图像的计算机分类

第六章 遥感图像的计算机分类 教学目的 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 教学提纲 遥感图像计算机分类的一般原理 判别函数 非监督分类 监督分类 光谱特征分类中的辅助处理技术 计算机分类新方法 雷达遥感图像分类新方法 §1遥感图像计算机分类的一般原理 概述 计算机分类的基本原理 计算机分类处理的一般过程 一、概述 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行分析、推理与判断，从而识别目标或现象的过程 目视方法 凭着光谱规律、地学规律和解译者的经验从影像的亮度、色调、位置、时间、纹理、结构等特征推出地面的景物类型 计算机方法 利用计算机模式识别技术对遥感图像上的信息进行属性的识别和分类 一、概述 光谱特征 概念 地物电磁波辐射的多波段测量值，通常以地物多光谱图像上的亮度体现 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(example) 一、概述 一、概述 相关概念 光谱类别 完全按照光谱特征在多光谱空间内聚集的类别 信息类别 与地面实际景物对应的类别 同物异谱 同一种地物包含几种光谱类别 异物同谱 同一种光谱类别中有不同的信息类别 一、概述 遥感图像的计算机分类 概念 ～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 分类 统计模式方法——传统方法 句法模式方法——新方法 一、概述 相关概念 监督分类和非监督分类 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 非监督分类 遥感图像地物的属性不具有先验知识，纯粹依靠不同光谱数据组合在统计上的差别进行“盲目分类”,分类结果并不确定类别的属性 一、概述 分类处理与增强处理 共同点 增强和提取遥感图像中的目标信息 异同点 增强主要是增强图像的目视效果，提高图像的可解译性——定性 分类着眼于地物类别的区别——定量 一、概述 遥感图像分类处理的特点 多变量 特征选择 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 特征 分类时所使用的波段或波段组合 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 特征空间 特征参数组成的空间 二、计算机分类的基本原理 相关概念 像元的特征值 每个波段上灰度值构成的矢量 特征空间 包含X的的n维空间 模式 图像中某一类目标 样本 属于某类别的像素 样本观测值 样本的多光谱矢量 二、计算机分类的基本原理 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形成多个点族(example) 二、计算机分类的基本原理 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 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，以便获得一幅比较清晰、对比度强、位置准确的图像提高分类精度 三、计算机分类处理的一般过程 训练区的选择 要求 普遍性、代表性 方法 实地调查 借助地图、航片或其他专题资料 非监督分类 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(feature selection) 从众多特征中挑选出可以参加分类运算的若干特征 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 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 图像分类运算——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器及其判别准则，对特征矢量进行划分，完成分类工作 检验结果 分类精度和可靠性评价 结果输出 结果图像的输出和分类结果的统计值 §2判别函数 距离判别函数 最大似然法判别函数 一、距离判别函数 前提 地物光谱特征在特征空间中按集群方式分布 原理 已知各类别集群的中心位置Mi(均值)，计算光谱特征空间中任一点k到各类的距离 (i＝1，2，…，n) 若 则k?i类；否则k?j类 一、距离判别函数 常用的距离判别函数 闵氏距离 绝对值距离 欧几里德距离 马哈拉诺比斯距离 一、距离判别函数 绝对值距离(出租汽车距离、 城市