遙感數(shù)字圖像處理_12遙感圖像的自動(dòng)分類基礎(chǔ)

1、第11講課 題 ：遙感圖像的自動(dòng)分類(2)目的要求：1.理解遙感圖像分類的原理；2.掌握遙感圖像分類的工作流程；3.熟悉常用的分類方法；4.掌握分類后處理及分類精度分析。重 點(diǎn) ：監(jiān)督分類與非監(jiān)督分類的結(jié)合難 點(diǎn) ：分類后處理和誤差分析教學(xué)課時(shí)：2課時(shí)教學(xué)方法：授課為主、鼓勵(lì)課堂交流本次課涉及的學(xué)術(shù)前沿：遙感圖像分類的原理及遙感圖像分類方法的最新發(fā)展通過非監(jiān)督法將一定區(qū)域聚類成不同的通過非監(jiān)督法將一定區(qū)域聚類成不同的單一類別，監(jiān)督法再利用這些單一類別區(qū)單一類別，監(jiān)督法再利用這些單一類別區(qū)域域“訓(xùn)練訓(xùn)練”計(jì)算機(jī)。通過計(jì)算機(jī)。通過“訓(xùn)練訓(xùn)練”后的計(jì)后的計(jì)算機(jī)將其它區(qū)域分類完成，這樣避免了使算機(jī)將其

2、它區(qū)域分類完成，這樣避免了使用速度比較慢的非監(jiān)督法對整個(gè)影像區(qū)域用速度比較慢的非監(jiān)督法對整個(gè)影像區(qū)域進(jìn)行分類，使分類進(jìn)行分類，使分類精度精度得到保證的前提下，得到保證的前提下，分類分類速度速度得到了提高。得到了提高。 步驟步驟:第一步：選擇一些有代表性的區(qū)域進(jìn)行非監(jiān)督分第一步：選擇一些有代表性的區(qū)域進(jìn)行非監(jiān)督分類。類。這些區(qū)域的選擇與監(jiān)督法分類訓(xùn)練樣區(qū)的選這些區(qū)域的選擇與監(jiān)督法分類訓(xùn)練樣區(qū)的選擇要求擇要求相反相反，監(jiān)督法分類訓(xùn)練樣區(qū)要求盡可能單，監(jiān)督法分類訓(xùn)練樣區(qū)要求盡可能單一。而這里選擇的區(qū)域包含類別盡可能地多，以一。而這里選擇的區(qū)域包含類別盡可能地多，以便使所有感興趣的地物類別都能得到聚類

3、。便使所有感興趣的地物類別都能得到聚類。第二步：獲得多個(gè)聚類類別的先驗(yàn)知識。這些先驗(yàn)第二步：獲得多個(gè)聚類類別的先驗(yàn)知識。這些先驗(yàn)知識的獲取可以通過判讀和實(shí)地調(diào)查來得到。聚知識的獲取可以通過判讀和實(shí)地調(diào)查來得到。聚類的類別作為監(jiān)督分類的訓(xùn)練樣區(qū)。類的類別作為監(jiān)督分類的訓(xùn)練樣區(qū)。第三步：特征選擇。選擇最適合的特征圖像第三步：特征選擇。選擇最適合的特征圖像進(jìn)行后續(xù)分類。進(jìn)行后續(xù)分類。第四步：使用監(jiān)督法對整個(gè)影像進(jìn)行分類。第四步：使用監(jiān)督法對整個(gè)影像進(jìn)行分類。根據(jù)前幾步獲得的先驗(yàn)知識以及聚類后的根據(jù)前幾步獲得的先驗(yàn)知識以及聚類后的樣本數(shù)據(jù)設(shè)計(jì)分類器。并對整個(gè)影像區(qū)域樣本數(shù)據(jù)設(shè)計(jì)分類器。并對整個(gè)影像區(qū)域

4、進(jìn)行分類。進(jìn)行分類。第五步：輸出標(biāo)記圖像。由于分類結(jié)束后影第五步：輸出標(biāo)記圖像。由于分類結(jié)束后影像的類別信息也已確定。所以可以將整幅像的類別信息也已確定。所以可以將整幅影像標(biāo)記為相應(yīng)類別輸出。影像標(biāo)記為相應(yīng)類別輸出。一分類后處理一分類后處理1、分類后專題圖像的格式、分類后專題圖像的格式遙感影像經(jīng)分類后形成的專題圖，用編號、遙感影像經(jīng)分類后形成的專題圖，用編號、字符、圖符或顏色表示各種類別。字符、圖符或顏色表示各種類別。原始遙感圖像對應(yīng)的專題圖像2、 分類后處理分類后處理用光譜信息對影像逐個(gè)像元地分類，在用光譜信息對影像逐個(gè)像元地分類，在結(jié)果的分類地圖上會(huì)出現(xiàn)結(jié)果的分類地圖上會(huì)出現(xiàn)“噪聲噪聲”產(chǎn)

5、生噪聲的原因有原始影像本身的噪聲，產(chǎn)生噪聲的原因有原始影像本身的噪聲，在地類交界處的像元中包括有多種類別，在地類交界處的像元中包括有多種類別，其混合的幅射量造成錯(cuò)分類，以及其它原其混合的幅射量造成錯(cuò)分類，以及其它原因等。因等。另外還有一種現(xiàn)象，分類是正確的，但另外還有一種現(xiàn)象，分類是正確的，但某種類別零星分布于地面，占的面積很小，某種類別零星分布于地面，占的面積很小，我們對大面積的類型感興趣，因此希望用我們對大面積的類型感興趣，因此希望用綜合的方法使它從圖面上消失。綜合的方法使它從圖面上消失。多數(shù)平滑多數(shù)平滑:平滑時(shí)中心像元值取周圍占多數(shù)的 類別。 二分類后的誤差分析二分類后的誤差分析利用一些

6、樣本對分類誤差進(jìn)行估計(jì)。利用一些樣本對分類誤差進(jìn)行估計(jì)。采集樣本的方式有三種類型：采集樣本的方式有三種類型： 來自監(jiān)督分類的訓(xùn)練樣區(qū)；來自監(jiān)督分類的訓(xùn)練樣區(qū)； 專門選定的試驗(yàn)場；專門選定的試驗(yàn)場； 隨機(jī)取樣。隨機(jī)取樣。 混淆矩陣 分類精度的評定 實(shí)際類別 試驗(yàn)像元的百分比%類別1 類別2 類別3 試驗(yàn)像元 1 2 3 84.3 4.9 10.8 8.5 80.3 11.2 6.1 4.1 89.8100% 102100% 152100% 49根據(jù)這個(gè)混淆矩陣可以算出平均精度，對角線元素之和取平均： S =（84.3%+80.3%+89.8%）/3=84.8%由于各種類別樣本元素的總數(shù)不一致，所

7、以更合理的方法應(yīng)加權(quán)平均，以總精度S表示加權(quán)平均，則： S =（84.3%*102+80.3%*152+89.8%*49）/(102+152+49)=83.2%一、面向?qū)ο蟮倪b感信息提取一、面向?qū)ο蟮倪b感信息提取基于像素級別的信息提取以單個(gè)像素為基于像素級別的信息提取以單個(gè)像素為單位單位,過于著眼于局部而忽略了附近整片圖過于著眼于局部而忽略了附近整片圖斑的幾何結(jié)構(gòu)情況，從而嚴(yán)重制約了信息斑的幾何結(jié)構(gòu)情況，從而嚴(yán)重制約了信息提取的精度，而面向?qū)ο蟮倪b感信息提取，提取的精度，而面向?qū)ο蟮倪b感信息提取，綜合考慮了光譜統(tǒng)計(jì)特征、形狀、大小、綜合考慮了光譜統(tǒng)計(jì)特征、形狀、大小、紋理、相鄰關(guān)系等一系列因素

8、，因而具有紋理、相鄰關(guān)系等一系列因素，因而具有更高精度的分類結(jié)果。更高精度的分類結(jié)果。方法如下：方法如下： 首先對圖像數(shù)據(jù)進(jìn)行影像分割，從二維首先對圖像數(shù)據(jù)進(jìn)行影像分割，從二維化了的圖像信息陣列中恢復(fù)出圖像所反映化了的圖像信息陣列中恢復(fù)出圖像所反映的景觀場景中的目標(biāo)地物的空間形狀及組的景觀場景中的目標(biāo)地物的空間形狀及組合方式。影像的最小單元不再是單個(gè)的像合方式。影像的最小單元不再是單個(gè)的像素，而是一個(gè)個(gè)對象，后續(xù)的影像分析和素，而是一個(gè)個(gè)對象，后續(xù)的影像分析和處理也都基于對象進(jìn)行。處理也都基于對象進(jìn)行。光譜特征包括均值、方差、灰度比值光譜特征包括均值、方差、灰度比值形狀特征包括面積、長度、寬度

9、、邊界長度、形狀特征包括面積、長度、寬度、邊界長度、長寬比、形狀因子、密度、主方向、對稱長寬比、形狀因子、密度、主方向、對稱性，位置性，位置對于線狀地物包括線長、線寬、線長寬比、對于線狀地物包括線長、線寬、線長寬比、曲率、曲率與長度之比等曲率、曲率與長度之比等 對于面狀地物包括面積、周長、緊湊度、對于面狀地物包括面積、周長、緊湊度、多邊形邊數(shù)、各邊長度的方差、各邊的平多邊形邊數(shù)、各邊長度的方差、各邊的平均長度、最長邊的長度均長度、最長邊的長度紋理特征包括對象方差、面積、密度、對稱紋理特征包括對象方差、面積、密度、對稱性、主方向的均值和方差性、主方向的均值和方差等。通過定義多種特征并指定不同權(quán)重

10、，建通過定義多種特征并指定不同權(quán)重，建立分類標(biāo)準(zhǔn)，然后對影像分類。分類時(shí)先立分類標(biāo)準(zhǔn)，然后對影像分類。分類時(shí)先在大尺度上分出在大尺度上分出父類父類，再根據(jù)實(shí)際需要，再根據(jù)實(shí)際需要對感興趣的地物在小尺度上定義特征，分對感興趣的地物在小尺度上定義特征，分出出子類子類。二神經(jīng)元網(wǎng)絡(luò)方法二神經(jīng)元網(wǎng)絡(luò)方法 （Artificial Neural Netwroks，簡稱，簡稱ANN）什么是什么是人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)？T.Koholen的定義：的定義：“人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是由具有適是由具有適應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它應(yīng)性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)

11、對真實(shí)世界物體所的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界物體所作出的交互反應(yīng)。作出的交互反應(yīng)。” 三三 決策樹分類法決策樹分類法 模擬人工分類過程由整個(gè)數(shù)據(jù)集從上模擬人工分類過程由整個(gè)數(shù)據(jù)集從上往下逐級細(xì)分，而在其算法描述中卻是由往下逐級細(xì)分，而在其算法描述中卻是由“終級終級”到到“原級原級”的逆過程，即在預(yù)先的逆過程，即在預(yù)先已知已知“終極終極”類別樣本數(shù)據(jù)的情況下，根類別樣本數(shù)據(jù)的情況下，根據(jù)各類別的相似程度逐級往上聚類，每一據(jù)各類別的相似程度逐級往上聚類，每一級聚類形成一個(gè)樹結(jié)點(diǎn)，在該結(jié)點(diǎn)處選擇級聚類形成一個(gè)樹結(jié)點(diǎn)，在該結(jié)點(diǎn)處選擇對其往下細(xì)分的有效特征。依此往上發(fā)展對其往下細(xì)分的有效特征。依

12、此往上發(fā)展到到“原級原級”，完成對各級各類組的特征選，完成對各級各類組的特征選擇。擇。 在此基礎(chǔ)上，再根據(jù)已選出的特征，從“原級”到“終級”對整個(gè)影像實(shí)行全面的逐級往下分類。對于每一級處的特征選擇，依據(jù)散布矩陣準(zhǔn)則來進(jìn)行。決策樹分類器 決策樹分類器 決策樹分類器決策樹分類器 四四 專家系統(tǒng)方法專家系統(tǒng)方法 采用人工智能語言如采用人工智能語言如LISP、PROLOG或或C語言，將某一領(lǐng)域的專家分析方法或經(jīng)語言，將某一領(lǐng)域的專家分析方法或經(jīng)驗(yàn)，對對象的多種屬性進(jìn)行分析、判斷，驗(yàn)，對對象的多種屬性進(jìn)行分析、判斷，確定事物的歸屬。其核心內(nèi)容是知識庫和確定事物的歸屬。其核心內(nèi)容是知識庫和推理機(jī)推理機(jī) 五五 基于基于GIS的遙感圖像分類方法的遙感圖像分類方法 將原有的將原有的GIS數(shù)據(jù)和各種土地利用類型數(shù)據(jù)和各種土地利用類型變化的先驗(yàn)性知識綜合集成用于新的遙感變化的先驗(yàn)性知識綜合集成用于新的遙感圖像的分類中，不