您好、欢迎来到现金彩票网!
当前位置:满堂彩 > 航空遥感任务 >

航空航天地面遥感概念及特点 (2)

发布时间:2019-07-16 18:43 来源:未知 编辑:admin

  航空.航天.地面遥感概念及特点 (2)_天文/地理_自然科学_专业资料。航空.航天.地面遥感概念及特点

  第八章 遥感图像自动识别分类 主讲人 张毅 内容提纲 ? ? ? ? ? ? ? ? ? 基础知识 特征变换和特征选择 监督分类 非监督分类 监督分类和非监督分类的结合 分类后处理和误差分析 非光谱信息分类 句法模式识别 自动分类新方法 概述 ? 遥感图像的计算机分类,是模式识别技 术在遥感技术领域中的具体运用 ? 目视判读是人类的自然识别智能 ? 计算机分类是人工模拟人类的识别功能 ? 采用决策理论或统计方法 ? 提取一组反映模式属性的量测值,称之 为特征 ? 光谱特征和纹理特征 8.1 基础知识 ? 模式与模式识别 ? 光谱特征空间 ? 地物在特征空间中的聚类统计特性 8.1.1 模式与模式识别 ? 一个模式识别系统对被识别的模式作一系 列的测量,然后将测量结果与“模式字典” 中一组“典型的”测量值相比较。若和字典 中某一“词目”的比较结果是吻合或比较吻 合,则我们就可以得出所需要的分类结果。 这一过程称为模式识别 。 ? 这一组测量值就是一种模式 。 模式与模式识别 姚明 ROCKETS 11 数据 获取 模式 分割 模式 识别 模式识别的应用 车牌识别 模式识别的应用 信函分拣 模式识别的应用 遥感影像分类 8.1.2 光谱特征空间 ? 不同的地物在同一波段图像上表现的亮度一般 互不相同 ? 不同的地物在多个波段图像上亮度的呈现规律 也不相同 ? 同名地物点在不同波段图像中亮度的观测量将 构成一个多维随机向量X,称为光谱特征向量 T X = [ x1 x 2 L x n ] ? 如TM图像上任一个点 ? TM=[TM1,TM2,TM3,TM4,TM5,TM6,TM7] 地物与光谱特征空间的关系 地物在特征空间中的聚类情况 8.1.3地物在特征空间中的聚类统计特性 ? 地物在特征空间的聚类通常是用特征点(或其 相应的随机矢量)分布的概率密度函数来表示 8.2 特征变换和特征选择 ? 目的:减少参加分类的特征图像的数 目,从原始信息中抽取能更好进行分类 的特征图像。 ? 特征变换——将原有的m 量值集合通过 某种变换,然后产生n个(n≤m)特征 ? 特征选择——从原有的m个测量值集合 中,按某一准则选择出n个特征 8.2.1 特征变换 ? 概念:将原始图像通过一定的数字变换 生成一组新的特征图像,这一组新图像 信息集中在少数几个特征图像上。 ? 目的:数据量有所减少,去相关,有助 于分类。 ? 常用的特征变换:主分量变换、哈达玛 变换、穗帽变换、比值变换、生物量指 标变换。 NIR Scatter Plot reveals relationship between information in two bands NIR red here: correlation coefficient = 0.137 red Principal Components Analysis correlation between all bands TM data correlation coefficients : 1.000 0.927 0.874 0.069 0.593 0.426 0.736 0.927 1.000 0.954 0.172 0.691 0.446 0.800 0.874 0.954 1.000 0.137 0.740 0.433 0.812 0.069 0.172 0.137 1.000 0.369 -0.084 0.119 0.593 0.691 0.740 0.369 1.000 0.534 0.891 0.426 0.446 0.433 -0.084 0.534 1.000 0.671 0.736 0.800 0.812 0.119 0.891 0.671 1.000 1.主分量变换 ? 主分量变换也称为KL变换,是一种线性变换,是就均 方误差最小来说的最佳正交变换 ? KL变换能够把原来多个波段中的有用信息集中到数目 尽可能少的特征图像组中去,达到数据压缩的目的。 ? KL变换还能够使新的特征图像间互不相关,使新的特 征图像包含的信息内容不重叠,增加类别的可分性。 主分量变换计算步骤 (1)计算均值向量M和协方差矩阵C; (2)计算矩阵C的特征值和特征向量; (3)将特征值按由大到小的次序排序 (4)选择前几个特征值对应的几个特征 向量构造变换矩阵φn。 ? (5)根据Y=φnX进行变换,得到的新 特征影像就是变换的结果,X为多光谱图 像的一个光谱特征矢量。 ? ? ? ? MSS主分量变换前后的信息量分布 TM主分量变换前后的信息量分布 主分量变换 PC-1 PC-7 2. 哈达玛变换 ? 哈达玛变换是利用哈达玛矩阵作为变换 矩阵新实施的遥感多光谱域变换。 ? 哈达玛矩阵的变换核为 哈达玛变换 ? 哈达玛矩阵的维数N总是2的倍数 N = 2 m (m = 1,2,K) ? 每个高阶哈达玛矩阵都由其低一阶的哈 达玛矩阵按如下形式组成 H m+1 ?H m =? m ?H Hm ? m? ?H ? ? 哈达玛变换定义为: IH = H ? X 哈达玛变换的几何意义 ? 由哈达玛变换核可知,哈达玛变换实际 是将坐标轴旋转了45℃的正交变换 哈达玛变换的几何意义 ? 以四波段的陆地卫星图像的哈达玛为换 为例 ,取二阶哈达玛变换矩阵 1 1? ?1 1 ?1 ? 1 1 ? 1? ? H =? ?1 1 ? 1 ? 1? ? ? 1 ?1 ?1 1 ? ? I h = [h0 h1 h2 h3 ] T h0=(x4+x5)+(x6+x7) h1=( x4+x5)-( x6+x7) h2=( x4-x5)-( x6-x7) h3=( x4-x5)+( x6-x7) ?h0 ? ?1 1 ? ? X 4+5 ? ? h ? = ?1 ? 1? ? X ? ? ? 6+ 7 ? ? 1? ? ? h3 ? ?1 1 ? ? X 4?5 ? ?h ? = ?1 ? 1? ? X ? ? ? 6?7 ? ? 2? ? 哈达玛变换的几何意义 ? 特征图像h0把水同土壤与植被的混合体区分开来 ? 特征图像h1把植被同水和土壤的混合体区分开来 ? 特征图像h3和特征图像h2主要表现为噪声图像,通常 在特征选择过程中可舍去,达到数据压缩的目的。 3. 穗帽变换 ? 又称K-T变换,由Kauth—Thomas提出,也是一 种线性特征变换。 ? MSS图像信息随时间变化的空间分布形态是呈 规律性形状的,像一个顶部有缨子的毡帽。 ? 特点1:在MSS图像中,土壤在特征空间(光谱 空间)的集群,随亮度的变化趋势沿从坐标原 点出发的同一根辐射线方向上出现。 ? 特点2:若把土壤和植被的混合集群投影到 MSS5和MSS6波段图像所组成的特征子空间中, 形成一个近似的帽状三角形 穗帽变换 Y=A·X Y=(ISB IGV IY IN)T X=(X4 X5 X6 X7) ISB——土壤亮度轴的像元亮度值 IGV——植物绿色指标轴的像元亮度值 IY——黄色轴 IN——噪声轴 Xi——地物在MSS四个波段上的亮度值 ? SB分量和GV分量一般情况下等 价于主分量变换中的第一主分量 PCI和第二主分量PC2 ? SB分量集中了大部分土壤信 息,所以对土壤的分类是有效的 ? GV分量对植被的分类是有效的 4. 生物量指标变换 ? Ibio——生物量变换后的亮度值。 ? x7,x5为MSS7和MSS5图像的像元亮度值。 ? 经变换后,植物、土壤和水都分离开 来,因此可独立地对绿色植物量进行统 计。 生物量指标变换 8.2.2 特征选择 ? 选择一组最佳的特征影像进行分类 ? 定量选择方法 – 距离测度 – 散布矩阵测度 ? 类内散矩阵 ? 类间散布矩阵 ? 总体散布矩阵 = + TM 7,4,1 TM 5,4,3 TM 5,7,2 TM 4,3,2 ? 前面所述内容主要为分类前的预处理。 预处理工作结束后,就将参与分类的数 据准备,接下来的工作就是从这些数据 提供的信息中让计算机“找”出所需识别 的类别方式有两种:一种就是监督分类 法;另一种称为非监督分类法。下面先 介绍监督分类法。 8.3 监督分类 ? 监督分类:是基于我们对遥感图像上样本区内 地物的类属已知,于是可以利用这些样本类别 的特征作为依据来识别非样本数据的类别。 ? 监督分类的思想:首先根据已知的样本类别和 类别的先验知识,确定判别函数和相应的判别 准则,其中利用一定数量的已知类别函数中求 解待定参数的过程称之为学习或训练,然后将 未知类别的样本的观测值代入判别函数,再依 据判别准则对该样本的所属类别作出判定。 监督分类 ? 判别函数和判别规则 ? 分类过程 8.3.1判别函数和判别规则 ? 各个类别的判别区域确定后,某个特征 矢量属于哪个类别可以用一些函数来表 示和鉴别,这些函数就称为判别函数。 ? 当计算完某个矢量,在不同类别判决函 数中的值后,我们要确定该矢量属于某 类必须给出一个判断的依据。如若所得 函数值最大则该矢量属于最大值对应的 类别。这种判断的依据,我们称之为判 别规则。 最大似然分类法 概率判别函数:某特征矢量(X)落入某类集群的条件概率 贝叶斯判别规则:把X落入某集群 wi 的条件概率 P( wi / X ) 最大的 类为X的类别。贝叶斯判别规则以错分概率或风险最小为准则的 判别规则。 假设:同类地物在特征空间服从正态分布,则类别的概率密度函 数如式(8-2)所示。根据贝叶斯公式可得: 最大似然分类法 概率判别函数: d i ( X ) = P ( wi / X ) P ( wi ) 1 ?1 1 T d i ( X ) = ? ( X ? M i ) ∑ i ( X ? M i ) ? ln ∑ i + lnP( wi ) 2 2 相应的贝叶斯判别规则: 若对于所有可能的j=1,2 ,…,m;j≠ i有di ( X ) d j ( X ) ,则X 属于类 wi 。 判决边界为 d1 ( X ) d 2 ( X ) (假设有两类)。 最大似然法分类的错分概率 ? 错分概率是类别判决分界两侧做出不正确判决的概率 之和。贝叶斯判决边界使这个数错误为最小,因为这 个判决边界无论向左还是向右移都将包括不是1类便是 2类的一个更大的面积,从而增加总的错分概率。,贝 叶斯判决规则是以错分概率最小的最优准则。 最小距离分类法 ? 基本思想:计算未知矢量X到有关类别集 群之间的距离,哪类距离它最近,该未 知矢量就属于哪类。 ? 马氏距离 ? 欧氏距离 ? 计程距离 错分概率及判决边界 盒式分类法 ? 基本思想:首先通过训 练样区的数据找出每个 类别在特征空间的位置 和形状,然后以一个包 括该集群的“盒子”作为 该集群的判别函数。判 决规则为若未知矢量X 落入该“盒子”,则X分 为此类,否则再与其它 盒子比较。 8.3.2 分类过程 ? ? ? ? ? (1)确定感兴趣的类别数 (2)特征变换和特征选择 (3)选择训练样区 (4)确定判决函数和判决规则 (5)根据判决函数和判决规则对非训练 样区的图像区域进行分类 (1)对训练样区的要求 ? 准确性、代表性和统计性。 ? 准确性:要确保选择的样区与实际地物 一致; ? 代表性:所选样区为某一地物的代表, 还要考虑到地物本身的复杂性,反映同 类地物光谱特性的波动情况; ? 统计性: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。 (2)初始类别参数的形成 (3)样本数据的训练 ? 计算每个类别的M 和Σ,建立类别的判 别函数 (4)逐像素分类判别 分类得到专题图 监督分类流程 原始图像的预处理 特征提取和特征选择 训练样区的选择与评估 不合格 通过训练样区误差矩阵和分类预警评价、 样本可分性度量判断训练样区是否合格 精度不合格 合 格 分类器选择及分类运算 分类精度评价 精度合格 成果输出 监督分类的缺点 ? 主观性 ? 由于图像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 8.4 非监督分类 ? 非监督分类:也称聚类分析,是事先对 分类过程不施加任何先验知识,仅凭遥 感图像地物的光谱特征的分布规律,进 行自动分类。 ? 分类方法: – K-均值聚类法 – ISODATA算法聚类分析 – 平行管道发聚类分析 8.4.1 K-均值聚类法 ? 算法准则:多模式点到类别中心的距离 的平方和最小。 ? 算法步骤: – (1)选择m个类的初始中心 – (2)按照到类中心距离最小的原则对像元分 类 – (3)重新计算类中心 – (4)类中心不变,算法结束;否则返回(2) 8.4.1 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 K-均值聚类法 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 8.4.2 ISODATA算法聚类分析 ? 第一,它不是每调整一个样本的类别就重新计 算一次各类样本的均值,而是在每次把所有样 本都调整完毕之后才重新计算一次各类样本的 均值,前者称为逐个样本修正法,后者称为成 批样本修正法。 ? 第二,ISODATA算法不仅可以通过调整样本所 属类别完成样本的聚类分析,而且可以自动地 进行类别的“合并”和“分裂”,从而得到类数比较 合理的聚类结果。 ISODATA算法 1.初始化; 2.选择初始中心; 3.按一定规则(如距离最小)对所有像元划分; 4.重新计算每个集群的均值和方差;按初始化 的参数进行分裂和合并; ? 5.结束,迭代次数或者两次迭代之间类别均值 变化小于阈值; ? 6.否则,重复3-5; ? 7.确认类别,精度评定. ? ? ? ? 8.4.3 平行管道发聚类分析 ? 以地物的光谱特性曲线 为基础,假定同类地物 的光谱特性曲线相似作 为判决的标准。设置一 个相似阈值 ? 同类地物在特征空间上 表现为以特征曲线为中 心,以相似阈值为半径 的管子,此即为所谓的 “平行管道”。 非监督分类结果 非监督分类特点 ? 优点 – 不需要预先对所分类别的区域有广泛的了解,需要 用一定的知识来解释得到的集群组; – 人为误差的机会减少; – 量小的类别能被区分。 ? 缺点 – 得到的集群组类别不一定对应分析者想要的类别; – 难对产生的类别进行控制; – 不同图像之间的对比困难。 8.5 非监督分类和监督分类的结合 ? 选择一些有代表性的区域进行非监督分 类。 ? 获得多个聚类类别的先验知识。 ? 特征选择。选择最适合的特征图像进行 后续分类。 ? 使用监督法对整个影像进行分类。 ? 输出标记图像。 8.6 分类后处理和误差分析 ? 分类后处理 ? 误差分析 8.6.1 分类后处理 ? 用光谱信息对影像逐个像元地分类,在 结果的分类地图上会出现“噪声” 。 ? 分类是正确的,但某种类别零星分布于 地面,占的面积很小 ,希望用综合的方 法使它从图面上消失。 ? 分类平滑技术可以解决以上的问题。 ? 逻辑运算,非代数运算。 ? 处理原则服从多数原则。 多数平滑过程 多数平滑 8.6.2 分类后误差分析 ? 采用混淆矩阵来进行分类精度的评定。 ? 对检核分类精度的样区内所有的像元, 统计其分类图中的类别与实际类别之间 的混淆程度。 ? 混淆矩阵中,对角线上元素为被正确分 类的样本数目,非对角线上的元素为被 混分的样本数。 混淆矩阵 ? 表中每一项都是实际检验的像元占该类总像元数的百分率。 根据这个混淆矩阵可以算出平均精度,对角线元素之和取平 均:S=(84.3%+80.3%+89.8%)/3=84.8% ? 由于各种类别样本元素的总数不一致,所以更合理的方法应 加权平均,以总精度S表示加权平均,则: S=(84.3%×102+80.3%×152+89.8%×49) /(102+152+49)=83.2% 8.7 非光谱信息分类 ? 纹理信息 ? 高程信息 纹理信息分类 ? 灰度共生矩阵:灰度共生矩阵纹理可以认为是 在局部窗口内,影像灰度级之间的空间分布及 空间相互关系。 ? 分形模型:遥感图像是三维空间在二维表面的 投影,其形成的二维影像的灰度表面同样也是 分形布朗面,且分维数等于空间三维表面体的 分维法向向量。 ? Markov随机场模型:这一模型假设每一像元的 密度与邻域像元有关,与其它像元无关。 常用纹理统计量 能量 熵 对比度 非相似度 均匀性 均值 方差 相关 纹理分类结果 待 分 类 影 像 分 类 精 度 评 价 参 考 图 光谱信息监督分类结果 光谱+纹理信息监督分类结果 8.8 句法模式识别 u 许多复杂的模式可以分解为简单的子模式,这 些子模式组成所谓 “基元” u 每个模式都可以由基元根据一定的关系来组成 u 基元可以认为是语言中的词语,每个模式都可 以认为是一个句子,关系可以认为是语法 u 模式的相似性由句子的相似性来决定 u 1970s由付京荪(K.S. Fu, Purdue Univ.)提出 u 优点:适合结构性强的模式 u 缺点:抗噪声能力差,计算复杂度高 8.9 自动分类新方法 ? 模糊聚类 ? 神经网络 8.9.1 模糊聚类 ? 模糊分类的思想基于事物的表现不是绝 对的,而是存在着一个不确定的模糊因 素。同样在遥感影像计算机分类中也存 在着这种模糊性。 ? 模糊分类就是允许根据其混合类型的百 分比将一个像元归到几个类型,这种隶 属关系的程度用像元的隶属度来表示。 FCM J m = ∑∑ u vi ? c j i =1 j =1 m ij m c j = (∑ u ij ? vi ) i =1 N m u ij ∑ i =1 N N C 2 u ij = 1 ∑( v p k =1 i ?cj vi ? c k ) 2 m ?1 8.9.2 神经网络 ? 利用计算器模拟人类学习的过程,建立输入和输出数 据之间联系的程序。这种程序模仿人脑的学习过程, 通过重复地输入和输出训练,来增强和修改输入和输 出数据之间的联系。 ? 优势: – 它不被统计假设所约束,是完全非参数化的 – 对于缺失或噪声信息有更强的抵御能力 – 并行结构运算速度快 本章结束

http://photosmoz.com/hangkongyaoganrenwu/149.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有