遥感图像分类

遥感影像分类遥感影像计算机自动解译•利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间去。•特征—能够反映地物光谱信息和空间信息并可用于图像分类处理的变量遥感影像分类•基于统计的方法和基于规则的方法•监督分类和非监督分类•硬分类和软分类•逐像元分类和面向对象分类分类标准•按照逻辑准则组织的信息类别正确的分类学定义参考标准:•美国规划协会的土地分类标准(LBCS)•美国国家植被分类系统基于统计的分类方法遥感影像光谱特征分布特点遥感影像分类原理•同类地物在相同的条件下（纹理、地形等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息特征或空间信息特征将不同，集群在不同的特征空间区域。基于光谱特征的分类原理遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，距离越小相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。监督分类和非监督分类监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。非监督分类：是在没有先验类别（训练场地）作为样本的条件下，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（即相似度的像元归为一类）的方法。遥感分类基本过程1.根据图像分类目的选取特定区域的遥感影像，考虑空间分辨率、光谱分辨率、成像时间、图像质量等。2.根据研究区域，收集与分析地面参考信息与有关数据。3.根据分类要求和影像的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。4.找出代表这些类别的统计特征5.测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。6.对遥感图像中各像素进行分类。7.分类精度检查。8.对判别分析的结果进行统计检验。非监督分类—特征空间图形识别•图形识别分类就是对分类的地区事先完全不了解，计算机只根据人们规定的某些要求和阈值对图像进行分析，采用对图像逐行逐个像元相比较的无人管理分类方法。特征空间图形识别分类特点1．不能精确控制分类的类别数。2．当地物光谱响应是不重合的正态分布时是可行的，并且容易实现，但若特征分布出现交叠，则使用这种方法将产生较大的分类错误。3．该分类法的主要优点是简单、速度快。非监督分类—系统聚类1）将图像中每个像元看作一类，作为分类的初始值2）计算各类均值间的相关系数矩阵R3）从已分类别中选取最邻近的两类进行合并4）重复步骤2-3，直到合并的新类之间符合分类的要求为止(各类间的相关系数小于阀值或是距离大于阀值）系统聚类法的局限性系统聚类过程中采用的统计量要视具体情况而定，但也可利用该特点结合不同统计量分类，提高准确性非监督分类—动态聚类动态聚类就是在开始时先建立一批初始中心，而让待分类的各个像元依据某些判决准则向初始中心凝聚，然后再逐步修改调整中心，重新分类；并根据各类离散性统计量和两类间可分离性的统计量再进行合并和分裂。此后再修改调整中心，这样不断继续下去，直到分类比较合理为止。监督分类需要事先确定训练场地和选择训练样本，训练样本需要具有一定的代表性考虑到各种地物光谱辐射的复杂性和干扰因素的多样性，需要多考虑一些样本在某一地区建立起来的判别式只能适用于同一地区或地学条件相似的地区监督分类-训练样区选择与统计收集现场信息在屏训练数据多边形选择在屏训练数据的种子选择监督分类—训练样本的选取•用于监督分类地训练场地应该是光谱特征比较均一的地区，一般在图像显示中根据均一的色调估计只有一类地物，而且一类地物的训练场地可选取一块以上。•训练样本的数目至少要能满足建立分类用判别函数的要求，以克服各种偶然因素的影响，而对于光谱特征变化较大的地物，训练样本的数目要更多一些，以反映其变化范围。一般情况下，要得出可靠的统计数据，每类至少要有10～100个训练样本数据。监督分类—训练样本的选取•尽可能地利用一些已知的有用资料，来确定训练场地和训练样本。在使用各种图件资料时应注意以下两个方面：（1）各种图件的成图日期要尽可能地接近图像成像日期,以保证地物类别分类准确。（2）空间。要考虑到每一种地物类型随空间变化发生光谱特征变化的可能性，选择训练场地应当能够反映这种变化。•在监督分类中由于训练场地是人为选取的，可能不包括所有的自然地物类别，因而分类后留下无类可归的像元。对于这种情况，有两种解决方法：一是将无类可归的像元组成一个未知类；二是按最近距离原则划归到各个已知类中。监督分类-波段特征选取获取每个感兴趣类在各波段上的训练统计量后，必须确定能最有效区分各种类的波段方法：统计分析方法图形分析方法监督分类-最小距离分类法距离作为判别准则，根据像点到各类中心的距离来判别分类距离公式•欧几里德距离•绝对距离piijijMxD12)(piijijMxD1||不同类别的灰度值的变化范围即其方差的大小是不同的，不能简单地用像元到类中心的距离来划分像元的归属；自然地物类别的点群分布不一定是圆形或球形的，即在不同方向上半径是不同的，因而距离的量度在不同方向上应有所差异。K-最近邻分类器piijijijMxD122/)(21/||ijpiijijMxD监督分类--最大似然比分类法遥感影像分类后处理-小区合并分类后影像像元值—地面物体的类别问题：存在零星分布的小面积区域解决方法：1）分类前影像平滑2）分类后小区合并—将小于一定面积的像元合并到邻近区域遥感影像分类后处理—误差分析目的：检验分类效果方法：抽样检验抽样方法：1）监督分类的样本区2）试验场抽样3）随机抽样评价方式：混淆矩阵辅助数据改进遥感分类的方法地理分层分类器操作分类后处理遥感信息与非遥感信息的复合遥感影像与地图的复合地图影像化影像地图化DTM与遥感数据的复合遥感与地球物理、地球化学数据的复合遥感信息与地球物理、化学数据复合遥感信息--地表空间特征地球物理、地球化学特征--不同深度地物的物理性质，如内部结构、物理组成、基层表面起伏专题图栅格化空间配准构建信息表达模型及提取方法遥感信息与地球物理、化学数据复合基于面向对象影像分割的分类方法遥感信息认知中的对象对象对象面向基元的遥感信息提取方案高空间分辨率影像SAR数据Lidar数据GIS矢量数据多尺度分析光谱、形状、纹理特征库模糊规则库认知基元基元特征的定量化表达模糊逻辑推理信息提取结果决策知识库地物知识库数据层分析层基元层决策层结果层遥感信息认知中的尺度问题地表信息—多层次结构尺度依赖认知过程--不同的地物实体有不同的最佳提取尺度选择适当的尺度，才能有效、完整地提取信息影像对象的尺度表示…邻对象…子对象…父对象35影像对象构建方法输入影像分割结果设置分割参数(尺度阈值、光谱形状特征权值)第1次分割(基于影像像元层的分割)第n(n≥2)次分割(基于影像对象层的分割)f≤s对象多边形的生成是否多尺度影像分割首先通过初始分割将影像像元合并成较小的初始影像对象,然后通过多次循环将较小的影像对象合并成较大的多边形对象尺度空间内影像对象构建•考虑遥感、高程、专题矢量图层等多源信息的构建模型•多种约束的基元构建方法保证基元的准确性•阈值控制基元所在尺度层次37影像对象构建方法与参数优化对象合并准则在初始分割基础上，通过将初始影像对象逐步合并为较大的对象来实现多尺度对象的构建，对象合并的停止条件是由其尺度准则决定的shapeshapevaluevaluehwhwfccmccmccvaluennwh))()((2211smoothsmoothcmpctcmpctshapehwhwh)()(222111nlnlnnlnlnhmmmmcmpct)()(222111blblnblblnhmmmmsmooth38影像对象构建方法尺度为：16平均面积：867.6尺度为：32平均面积：2131.1尺度为：128平均面积：8274.8尺度为：256平均面积：30171影像对象的特征描述基于对象的信息识别作操辑逻…目标类2目标类3目标类n目标类1特征1特征2特征3特征m…结果特征元μc1μc2μc3…μc4表示对应目标类中所选择的特征人工神经网络分类生物神经网络(biologicalneuralnetwork,BNN)，特别是人脑人工神经网络(artificialneuralnetwork,ANN)：由大量神经元经广泛互联组成的非线性网络（功能模块，数学模型）自底向上的综合方法：43神经元-Neuron神经网络-Artificialneuralnetwork神经元模型NeuronModel：多输入，单输出，带偏置1.R个输入pi∈R，即R维输入矢量p2.n:netinput,n=wp+b。1.R个权值wi∈R，即R维权矢量w2.阈值b3.输出a=f(n),f:transferfunction神经网络的学习方法神经网络的学习：从环境中获取知识并改进自身性能，主要指调节网络参数使网络达到某种度量，又称为网络的训练学习方式：监督学习非监督学习再励学习学习规则(learningrule)：Hebb学习算法误差纠正学习算法竞争学习算法监督学习对训练样本集中的每一组输入能提供一组目标输出网络根据目标输出与实际输出的误差信号来调节网络参数教师神经网络比较环境实际输出输入期望输出误差信号p(n)t(n)a(n)e(n)第八章人工神经网络48误差纠正学习对于输出层第k个神经元的实际输出:ak(n)目标输出:tk(n)误差信号:ek(n)=tk(n)-ak(n)目标函数为基于误差信号ek(n)的函数，如误差平方和判据(sumsquarederror,SSE)，或均方误差判据(meansquarederror,MSE,即SSE对所有样本的期望)211()()()22TkkJEenEnnee211()()()()22TkkJnennneeSSEMSE误差纠正学习梯度下降法：kJw对于感知器和线性网络：.Tkkewpkjkjwepdelta学习规则对于多层感知器网络：扩展的delta学习规则，bp算法TWep前馈神经网络及其主要方法前馈神经网络(feedforwardNN)：各神经元接受前级输入，并输出到下一级，无反馈，可用一有向无环图表示。特点：前馈网络通常分为不同的层(layer)，第i层的输入只与第i-1层的输出联结。层的分类：可见层：输入层(inputlayer)和输出层(outputlayer)隐层(hiddenlayer)：中间层感知器感知器(perceptron)：单层网络，通过监督学习建立模式识别能力感知器目标输出的编码方法一个输出单元对应一个类别，如果输入训练样本的类别标号是i，则对应的目标输出编码为：第i个输出节点为1，其余节点均为0多层感知器多层感知器:Multi-LayerPerceptron,MLPArchitecture：多层感知器的一致逼近性单个阈值神经元可以实现任意多输入的与、或及与非、或非逻辑门任何逻辑函数可由两层前馈网络实现当神经元的输出函数为Sigmoid等函数时，两层前馈网络可以逼近任意的多元非线性函数MLP的适用范围大大超过单层网络反向传播(BP)算法问题：多层感知器的中间隐层不直接与外界连接，其误差无法直接计算。反向传播(Backpropagation)算法：从后向前（反向）逐层“传播”输出层的误差，以间接算出隐层误差。分两个阶段：正向过程：从输入层经隐层逐层正向计算各单元