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:2019-07-18 08:35 来源:未知 编辑:admin

  第八章遥感图像自动识别分类 主讲人 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 提取一组反映模式属性的量测值,称之为特征 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 模式与模式识别数据 数据 获取 获取 模式 模式 分割 分割 模式 模式 识别 识别 姚明 ROCKETS 11 模式识别的应用 车牌识别 车牌识别 模式识别的应用 信函分拣 信函分拣 模式识别的应用 遥感影像分类 遥感影像分类 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 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 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 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 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 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。 red ScatterPlot reveals relationship between information twobands here: correlation coefficient 0.137red NIR Comp 1.0000.927 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 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 )选择前几个特征值对应的几个特征向量构造变换矩阵φn )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。 MS 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 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 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 由哈达玛变换核可知,哈达玛变换实际是将坐标轴旋转了4 的正交变换哈达玛变换的几何意义 h0=(x4+x5)+(x6+x7)h1=( x4+x5)-( x6+x7) h2=( x4-x5)-( x6-x7) h3=( x4-x5)+( x6-x7) 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。 又称K-T变换,由Ka 提出,也是一种线性特征变换。 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MS 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:若把土壤和植被的混合集群投影到 MS 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=(ISBIGV IY X=(X4X5 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 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 TM7,4,1 TM 5,7,2 TM 5,4,3 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。 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 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。 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 的条件概率 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 相应的贝叶斯判别规则:若对于所有可能的j=1,2 判决边界为(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 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。 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。 )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 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。 计算每个类别的M和Σ,建立类别的判 别函数 )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 原始图像的预处理 训练样区的选择与评估 训练样区的选择与评估 不合格 不合格 特征提取和特征选择 特征提取和特征选择 分类精度评价 分类精度评价 成果输出 成果输出 精度合格 精度合格 精度不合格 精度不合格 通过训练样区误差矩阵和分类预警评价、 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 样本可分性度量判断训练样区是否合格 分类器选择及分类运算分类器选择及分类运算 监督分类的缺点 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 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。 算法准则:多模式点到类别中心的距离的平方和最小。 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。 ODATA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。 按一定规则(如距离最小) 对所有像元划分; 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; 结束,迭代次数或者两次迭代之间类别均值变化小于阈值; 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 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; 特征选择。选择最适合的特征图像进行后续分类。 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。 处理原则服从多数原则。多数平滑过程 多数平滑 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% 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。 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 能量 对比度对比度 非相似度 非相似度 均匀性 均匀性 均值 均值 方差 方差 相关 相关 纹理分类结果 光谱信息监督分类结果光谱信息监督分类结果 光谱 光谱+ +纹理信息监督分类结果 纹理信息监督分类结果 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” 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 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。 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。 并行结构运算速度快本章结束

  航空航天地面遥感概念及特点2,航天遥感地面系统,航天返回与遥感,航天遥感,遥感的特点,地面遥感,遥感技术的特点,微波遥感的特点,航天返回与遥感 投稿,遥感技术特点

http://photosmoz.com/hangkongyaoganrenwu/168.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