计算机解译.

第6章遥感数字图像计算机解译•遥感数字图像计算机解译：以遥感图像为研究对象，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。第6章遥感数字图像计算机解译6.1遥感数字图像的计算机分类6.2遥感图像的多种特征的抽取6.3遥感图像解译的专家系统再生、校正数据输入模拟图像GIS等输出遥感图像处理流程增强分类6.１遥感数字图像的计算机分类遥感图像的计算机分类：就是对地球表面及其环境在遥感图像上的信息进行属性识别和分类，从而达到识别图像信息所对应的地物，是一种模式识别技术的具体应用。6.１遥感数字图像的计算机分类解决分类问题(模式识别)的数学方法：–句法识别模式，如图像解译专家系统–统计识别模式：基于光谱特征和纹理特征•监督分类（具有先验知识）•非监督分类6.１遥感数字图像的计算机分类基于统计识别模式的分类原理：统计模式识别的出发点，是把识别对象特征的每一个观测值看作一个随机变量。多光谱影像实质上就是一个多维特征空间，其模型识别问题，即是在多维特征空间中识别出不同类别的属性。6.１遥感数字图像的计算机分类B3B2B1—B2—B3组成的特征空间B1各类地物的特征点集群特征点群分布特征理想情况典型情况一般情况x1x1x1x2x2x26.１遥感数字图像的计算机分类统计学分类原理：各类集群的分布特征可以用统计特征值即特征概率密度函数P(X)来描述，通过样本统计确定各类集群的特征值，计算像元与各类集群特征值之间的空间距离，即可确定每个像元的类别属性。6.１遥感数字图像的计算机分类空间距离的计算方法–绝对值距离–欧氏距离–马氏距离–均值混合距离–相关系数–夹角余弦TM影像的B1－B4构成的特征空间B4B16.１遥感数字图像的计算机分类计算机分类方法监督分类方法：从研究区中选取具有代表性的训练场地作为样本，根据训练区的已知样本，通过选择特征参数，建立判别函数，据此对样本像元进行统计，然后依据样本类别的特征对整个研究区的像元进行类别识别。6.１遥感数字图像的计算机分类非监督分类方法：在没有先验类别的(训练场地)作为的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并的方法。遥感图像分类过程收集图像数据及相关资料提取训练数据分类结果统计输出测算各类别的统计值对整幅图像进行分类图像校正和几何纠正分析问题，确定分类目标选取分类方法和算法分类精度检查1.监督分类方法训练场地选取要求:–训练场地的种类要与待分区域的类别一致;–训练场地应在各类目标地物面积较大的中心选取;–训练样本最少要满足建立分类1.监督分类方法(1)最小距离分类法–最小距离判别法：对每个类别选定具有代表意义的统计特征量计算，计算各像元与各类别的统计量之间的距离，将其归属至距离最小的一类。1.监督分类方法最近邻域分类法：在n个波段影像中，计算每一个待分像元到每一类中的每一个统计特征值间的距离，该像元到每一类都有n个距离值，以最小的距离值作为该像元到该类别的距离，最后比较该像元到所有类别的距离值，将其归至距离最小的一类。1.监督分类方法(2)多级切割分类法–通过在特征空间中设定一系列的分割点，将多维空间划分为不同类别的子类空间，待分的像元落在那个空间，就属于那个类别。–多级切割分类法要求训练区选取要覆盖图像中所有类别；由于分割面要与各特征轴正交，常运用主成分分析对图像进行变换。1.监督分类方法(3)特征曲线窗口法–适用于(高)多光谱影像处理，通过统计得出各类类别的光谱特征曲线，对所有像元的光谱曲线进行匹配判别归类。–特征曲线法也称为平行管道法1.监督分类方法(4)最大似然分类法–最大似然法将卫星遥感多波段数据的分布当作多维正态分布来构造判别分类函数。–用统计学方法建立起类别集群的判别函数，以判别函数计算每个像元归属各个类别的概率，把像元归属到概率最大的类别中去。1.监督分类方法(4)最大似然分类法–该方法假定该像元亮度值近似服从正态分布，以训练区求出各类集群的平均值、方差及协方差等参数基本思想和数学原理基本思想：各类的已知像元的数据在平面或空间中构成一定的点群；每一类的每一维数据都在自己的数轴上形成一个正态分布，该类的多维数据就构成该类的一个多维正态分布。根据已知各类的已知数据，可以构造出各类的多维正态分布模型。基本思想和数学原理对于任何一个未知类别的m维数据向量x，都可用贝叶斯公式分别计算求出其属于各类的概率；比较这些概率的大小，看属于哪一类的概率大，就把这个数据向量或这个像元归为该类。基本思想和数学原理贝叶斯公式：P（Gk|x）=P(Gk)*P(x|Gk)/P(x)式中：P（Gk|x）是任何一个m维数据向量(即像元)属于第k类的概率；P(x|Gk)是第k类的m维正态分布密度(概率密度)函数；P(x)是在所考虑的全部数据中出现该数据向量x的概率；P(Gk)是第k类在所考虑的全部数据中出现的概率，或者说第k类在g个类中出现的概率，称为先验概率。g个类的先验概率的总和等于1.基本思想和数学原理如果一共要分g个类，那么对每一类都可根据该类的已知m个波段的数据，估计出该类的m维正态分布密度函数。由它们可以看出在各类中m维随机变量x(像元的m维向量)出现各种可能值的概率的大小。基本思想和数学原理有了g个概率密度函数(也叫类分布函数)，对任何一个已知的m维数据向量x(即1个像元)都可反过来计算它属于g个类中第k类的概率。建立贝叶斯判别函数的计算步骤(1)分别计算每一类每个波段的∑xkj，∑x2kj，xkj以及每一类两两波段间的∑xkj/xkl∑xkj=∑xkji∑x2kj=∑x2kjixkj=∑xkji/nk∑xkj/xki=∑xkji/xkli建立贝叶斯判别函数的计算步骤(2)分别计算每个波段的所有各类的总平均值xixi=∑∑xkji建立贝叶斯判别函数的计算步骤(3)分别计算各类每个波段的类内离差平方和wkjj以及各类两两波段间的类内离差乘积和wkjlWkjj=∑(xkji-xkj)2=∑x2kji-(∑xkji)2/nkwkjj=∑(xkji-xkj)(xkli-xkl)=∑xkjixkli-∑xkji∑xkli/nk建立贝叶斯判别函数的计算步骤(4)分别将各类的类内离差平方和wkjj以及各类两两波段间的类内离差乘积和wkjl矩阵，即类内离差矩阵。wk11wk12wk13……wk1mwk21wk22wk23……wk2mWk=………………wkm1wkm2wkm3……wkmm建立贝叶斯判别函数的计算步骤(5)计算所有各类的总的类内离差矩阵W。w11w12w13……w1mw21w22w23……w2mW=………………wm1wm2wm3……wmm建立贝叶斯判别函数的计算步骤(6)计算各类的总的协方差矩阵S。S=W/（N–g）(7)计算各类的总的协方差矩阵S的逆矩阵S–1(8)分别计算各类的判别函数的系数向量和常数项。(9)分别用各类的系数向量和常数项构成各类的判别函数。使用贝叶斯判别函数进行分类2.非监督分类方法分级集群法(系统聚类法)：HierarchicalClustering动态聚类法ISODATAISODATA分类法ISODATA法:即迭代式自组织数据分析技术算法(IterativeSelf-OrganizingDataAnalysisTechniquesAlgorithm)简称迭代法，又称为动态聚类分析(dynamicclusteringanalysis)基本思路与运算步骤基本思路：先给出一个并不怎么正确的初始分类，然后用某种原则反复修改和调整分类，以逐步逼近一个正确的分类。ISODATAexample:2classes,2bandsDNCh1DNCh2InitialclustermeansPixel1abPixel2DNCh1DNCh2Allpixelsassignedtoaorb-updatestatsNewpositionsofclustermeansAssignpixel1toclustera,2tobetc.DNCh1DNCh2baClustermeansmovetowardspixels1and2respectivelyPixel1Pixel2DNCh2Splitainto2,recalculate.Repeat….DNCh1NewpositionsofclustermeansSDofclusteratoolarge?ISODATA分类法原始数据：3个波段，16个像元123456789101112131415161542343111610886914124413441215117769160353124310061078610130像元号i波段j基本思路与运算步骤1.确定初始聚类中心的数目即初始类数目g0(initialclassnumber)。这是迭代开始时假定要分的类的个数，原则上说，可以随机地规定。如果对研究对象有较多的了解，也可令它接近于实际类型的个数。需要注意，在像元较少的情况下，初始类数目不宜定得过大。g0=5G1(0),G2(0),G3(0),G4(0),G5(0)基本思路与运算步骤2．确定初始聚类中心值即各初始类的各波段的初值(initialclusteringcentres)或凝聚点(seeds)。它是像元的初始归类中心。其数值规定是大概的，不要求也不可能准确。一般应在原始数据的分布范围内，选出g0个有代表性的像元，分别将它们的波段值作为初始分类的波段值。m个波段，g0个m维向量，g0×m个初始聚类中心值基本思路与运算步骤m个波段，g0个m维向量，g0×m个初始聚类中心值m=3g0=5，5个三维向量:w1(0),w2(0),w3(0),w4(0),w5(0)w1(0)=(222)w2(0)=(444)w3(0)=(666)w4(0)=(888)w5(0)=(101010)基本思路与运算步骤3.定义像元与各聚类中心的距离dik–绝对距离(absolutedistance）–欧氏距离(Euclideandistance)–马氏距离(Mahalanobisdistance)绝对距离公式：Dik=∑|xij-wkj|式中，i是像元编号；j是波段编号；k是类编号；dik是像元i到第k类聚类中心的距离；xij是像元i第j波段的像元值；wkj是第k类第j波段的聚类中心值。基本思路与运算步骤4．进行第1次分类或第1次迭代按定义的距离，分别计算各个像元与各初始聚类中心的距离，比较每个像元到各类的距离值，把它们分别归到距离最近的类里去。当全部像元计算归类完毕，就完成了第1次分类，或称第1次迭代。第1次迭代分类结果j=123j=123G1（1）4x3，x4，x8，x161.81.30.82222.1G2（1）4x1，x2，x5，x6443.84440.2G3（1）2x9，x1365.566660.5G4（1）2x11，x12877.58881.5G5（1）4x7，x10，x14，x15111210.81010103.8类Gk（1）第1次第j波段均值初始类中心第j波段均值第1次重心与初始聚类中心的绝对距离像元数nk像元构成基本思路与运算步骤5.第1次分类的修改——第2次迭代第1次分类结果带有很大的主观性，因而是很粗糙的，与实际相差较远。这就需要对它进行修改、调整。一般的方法是:–先计算第1次分类得到的各类Gk(1)的重心——各类的以各波段的均值wkj为分量构成的向量。–将它们作为第2次分类的聚类中心，重算各像元与这些新聚类中心的距离，并把各像元归到距离最近的类中去。–全部像元经过这样重新计算和归类后，就完成了第2次分类或第2次迭代。基本思路与运算步骤将第1次分类后计算得到的wk（1）作为第2次迭代的聚类中心。w1(1)=(1.81.30.8)w2(1)=(4.04.03.8)w3(1)=(6.05.56.0)w4(1)=(8.07.07.5)w5(1)=(11.012.010.8)基本思路与运算步骤分别计算各个像元与各类新聚类中心的