Download
1 / 84
880 likes | 1.05k Views
第 4 章 遥感图像处理 3. 遥感图像分类. 遥感图像分类是影像信息提取的一种方法 遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一. 图像分类 ： 是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。 如土地利用 / 覆被分类、森林类型分类、植被类型分类、岩性分类、 …… 数据－信息（遥感数据－地物信息）. 举例. Landsat TM 真彩色合成影像 分类后的影像. 基本原理 ：
E N D
第4章 遥感图像处理3 遥感图像分类
遥感图像分类是影像信息提取的一种方法 • 遥感图像分类是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一
图像分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。图像分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。 如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、…… 数据－信息（遥感数据－地物信息）
举例 Landsat TM真彩色合成影像 分类后的影像
基本原理： 在遥感图像上，同类物体在同样条件下，应具有相同的光谱信息特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信息特征不同，而群集在不同的光谱空间区域内。
遥感图像分类方法 • 计算机自动分类： 监督分类 非监督分类 • 新的分类方法： 人工神经网络方法 决策树分类法 专家系统分类法
监督分类 监督分类法是选择有代表性的试验区来训练计算机，再按一定的统计判别规则对未知地区进行自动分类的方法。
分类目的: 将图象中所有像元自动地进行土地覆盖专题分类 对应的专题图像 原始遥感图像 分类的依据是什么?
监督分类的思想 1）确定每个类别的样区 2）学习或训练 3）确定判别函数和相应的判别准则 4）计算未知类别的样本观测值函数值 5）按规则进行像元的所属判别
分类过程 原始影像数据的准备 图像变换及特征选择 分类器的设计 初始类别参数的确定 逐个像素的分类判别 形成分类编码图像 输出专题图
监督分类的主要步骤如下： （1）确定感兴趣的类别数。 首先确定要对哪些地物进行分类，这样就可以 建立这些地物的先验知识。 （2）特征变换和特征选择 根据感兴趣地物的特征进行有针对性的特征变换，这部分内容在前面特征选择和特征变换一节有比较详细的介绍。变换之后的特征影像和原始影像共同进行特征选择，以选出既能满足分类需要，又尽可能少参与分类的特征影像，加快分类速度，提高分类精度。
（3）选择训练样区 训练样区的选择要注意准确性、代表性和统计性三个问题。 准确性就是要确保选择的样区与实际地物的一致性 代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况 统计性是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。实际应用中，每一类别的样本数都在102数量级左右。
选择样本区域 植 被 老城区 耕地 水 新城区
（4）确定判决函数和判决规则 一旦训练样区被选定后，相应地物类别的光谱特征便可以用训练区中的样本数据进行统计。 如果使用最大似然法进行分类。那么就可以用样区中的数据计算判别函数所需的参数 和 。 如果使用盒式分类法则和用样区数据算出盒子的边界。判决函数确定之后，再选择一定的判决规则就可以对其它非样区的数据进行分类。
将样本数据在特征空间进行聚类 绿 255 老城区 植被 新城区 • • 255 红 水 耕地 • • 0 • 255 蓝 计算每个类别的 M 和 Σ，建立类别的判别函数
6) 分类结果影像的形成 • • • • • • 老城区 1 ？ 1
监督法分类的优缺点 优点： .根据应用目的和区域，有选择的决定分类类别， 避免出现一些不必要的类别； .可以控制训练样本的选择 .可以通过检查训练样本来决定训练样本是否被精 确分类，从而避免分类中的严重错误,分类精 度高 . 避免了非监督分类中对光谱集群的重新归类 .分类速度快
缺点 主观性； 由于图象中间类别的光谱差异，使得训练样本没有很好的代表性； 训练样本的获取和评估花费较多人力时间； 只能识别训练中定义的类别。
平行管道分类（平行六面体） 最简单的方法——仅仅需要规定每个特征的DN范围 一些像元可能未分类或重复分类
最小距离分类 通过训练样本确定类别中心 某个像元距哪类距离最小，则判归为该类
最大似然分类 建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类 计算每个像元属于每一类的概率，找出概率最大者，将该像元归为概率最大的一类
非监督分类 • 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（将相似度大的像元归为一类） 在非监督分类中，先确定光谱可分的类别（光谱类），然后定义它们的信息类
非监督分类举例 聚类 解译
人工神经网络法 • 人工神经网络是基于生物神经系统分布式存储、并行处理、自适应学习这些现象构造出具有一些低级智慧的人工神经网络系统。 • 目前代表性的神经网络模型有： BP（Back Propagation）神经网络 模糊自组织神经网络 RBF（Radial Basis Function）神经网络 Kohonen自组织神经网络 ……
决策树分类法 • 决策树是一树状结构，依据规则把遥感数据集一级级往下细分以定义决策树的各个分支。
决策树分类法 • 基本思想：从“原级”（根结点）开始，利用表达式，每一个决策将影像中的像元分成两类，使用另一表达式，每个新类又能被分成另外的两个新类，如此不断地通过选择不同的特征用于进一步地有效细分类，直到所要求的“终极”（叶结点）类别分出为止。
决策树分类法 • 在决策树分类中经常采用的特征有： 光谱值； 通过光谱值算出来的指标（如NDVI）； 光谱值的算术运算值（如，和、差、比值等）； 主成分； …… 由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类处理
专家系统分类方法 • 专家系统也是人工智能的一个分支，它采用人工智能语言将某一领域（如地学知识）的专家分析方法或经验，对地物的多种属性进行分析、判断，从而确定各地物的归属。 • 利用这样的系统就可以把判读专家的经验性知识综合起来进行分类
其它分类方法 • 除了以上常用的分类方法之外，还有多时相数据分类方法、模糊分类法、亚像元分类法，基于纹理的分类法等等
分类精度评价 • 分类精度的评价通常是用分类图与标准数据（图件或地面实测值）进行比较，以正确的百分比来表示精度。 • 已经有一系列建立在混淆矩阵基础上的精度指标来反映分类精度问题，各精度指标建立在抽样样本基础上形成样本混淆矩阵得到的统计值，是总体混淆矩阵的估计值。
混淆矩阵 每一行之和为50，表示50个样本 第一行说明类1的50个样本有43个分类正确，5个错分为类2， 2个错分为类3
混淆矩阵的一般形式 对角线元素是被正确分类的样本数目，非对角线元素为各类别中混分样本数目，列、行总数分别为地表类别和分类类别样本数目和。
用户精度：正确分类数/（正确分类数+错分到某类别总数）用户精度：正确分类数/（正确分类数+错分到某类别总数） 生产者精度：正确分类数/某类别总数 。 总体精度：由被正确分类的像元总和/总像元数。
Kappa系数： 主对角线上：xii = 35 + 37 + 41 = 113 非主对角线上： x+ixi+ = 5039 + 4050 + 4647 = 6112 Kappa 系数：= (136113-6112)/(1362-6112) = 74.8 %
遥感图像分类中的若干问题 • 遥感分类的精度和可靠性除了与分类方法本身的优劣有关外，还取决于一些其它的因素： 训练场地和训练样本的选择问题 地形因素的影响 混合像元问题 特征变量的选择问题 空间信息在分类中的应用问题 图像分类的后处理问题
非监督分类 • 初始分类 • 专题判别 • 分类后处理 • 色彩重定义 • 栅格矢量转换
初始分类 Main> Classification> Unsupervised classification 提示： 实际工作中将分类设为最终分类数的2倍以上。
专题判别 1) 同时显示germtm.img和germtm_isodata.img 提示:germtm.img显示方式用RGB（4,5,3）；打开第2幅图时关闭clear display 2) 打开属性表调整字段显示顺序 提示：raster>attributes… 打开上图，Edit>Column Properties…打开下图
专题判别 3）编辑类别颜色和名称
专题判别 4) 对比显示 提示：对比Utility>flicker/ Blend/ Swipe区别
分类后处理 1) 聚类统计 提示：main>image interpreter>gis analysis>clump
分类后处理 1) 聚类统计 提示：main>image interpreter>gis analysis>clump • 提示：如果计算时间过长，统计邻域选择4
分类后处理 1) 聚类统计 提示：main>image interpreter>gis analysis>clump 聚类统计后图像属性表
分类后处理 2) 过滤分析 提示：main>image interpreter>gis analysis>Sieve 确定最小图斑大小
