遥感数字图像处理-第五章 遥感数字图像的计算机分类(一)2016
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
——图像波段总数 ——地物图像点在第 波段图像中的亮度值
15
光谱特征向量与特征点集群
光谱特征空间 为度量地物的光谱特征，建立的以各波段图像的亮度
分布为子空间的多维空间。
16
光谱特征向量与特征点集群 特征点集群
每个地物点依其在各个波段所具有的光谱值可以在一个多 维空间中找到一个相应的特征点，但由于随机性所致，同类地 物的各取样点在光谱特征空间中的特征点将不可能表现为一个 点，而是表现为一个相对聚集的点集群，不同类地物点集群在 特征空间中一般相互分离，这些点集群称为特征点集群。
波段：光谱波段
其它派生波段（纹理、上下文关系、波段比等）
辅助数据(ancillary data) (非遥感数据，如DEM、 土壤类型)
特征提取（feature extraction）：通过变换找出最能反映 地物类别差异的特征变量用于分类的过程
9
模式识别 是人们沿着仿生学的道路，用计算机系统作为工具来
（4） 找到各个分布群体的边界线（面）或确定任意特征点落 入每个分布群体中的条件概率，并以此依据来确定特征点（或相 应的识别对象）的分类。
13
光谱特征向量与特征点集群
基于统计模式识别的分类方法 监督分类与非监督分类 分类处理与增强处理的异同 共同点：增强和提取遥感图像中目标物的信息 不同点： 增强处理→增强视觉效果→提高图像的可解译性（定性） 图像分类→地物类别的区分（定量信息）
水 19
Biblioteka Baidu
•一般情况
不论是在总的特征空间还是任一子空间，不同类别的集群之间 总有重叠现象，这时重叠部分的特征点所相应的地物，在分类时 会出现不同程度的分类误差，这是遥感图像分类中最常见的现象。
6
遥感图像分类的实质
图象分类 过程的总目标 是，将图象中 所有像元自动 地进行土地覆 盖类型或土地 覆盖专题的分 类。
7
影响遥感图像分类精度的因素
大气状况的影响：吸收、散射。 下垫面的影响：下垫面的覆盖类型和起伏状态对分类
具有一定的影响。 其他因素的影响：云朵覆盖；不同时相的光照条件不
同，同一地物的电磁辐射能量不同；地物边界的多样 性。
8
➢ 统计模式识别的概念和基本问题
模式（pattern）: 在多波段图象中，每个象元都具有一组 对应取值，称为象元模式，即一个像元对应多个值（地理 信息的多维性）。
特征（feature）：在多波段图象中，每个波段都可看作一 个变量，称为特征变量。特征变量构成特征空间。
遥感图像解译
遥感图像数据
专题图像 解译 专题地图
方法
专业应用
目视解译
光谱规律 解译标志（亮度、色 地学规律 调、位置、时间、纹 解译者的经验 理、结构等）
景物类型
计算机分类 属性识别、分类 提取信息、识别地物
3
➢ 图像分类的目的 将图像中每个像元根据其不同波段的光谱亮
度、空间结构特征或其他信息，按照某种规则 或算法划分为不同的类别。 ➢ 遥感图像分类
利用计算机技术来模拟人类的识别功能,对地 球表面及其环境在遥感图像上的信息进行属性 的自动判别和分类，达到提取所需地物信息的 目的。
4
计算机分类
是通过模式识别理论，利用计算机将遥感图象自动 分成若干地物类别的方法。
如土地覆盖/土地利用分类、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）
模拟人类的感知和识别智能，它是人工智能的一个分支。
分类器（或称判决器），可以根据一定的分类规则， 把某一测量矢量X划入某一组预先规定的类别之中去。
自然模式
接收器 (传感器)
x1 …x2.
xn
分类器 结果 (判决器)
模式识别系统的模型
10
遥感图像的计算机分类 它是对地球表面及其环境在遥感图像上的信息进行属
主要数据类型： 1、原始光谱数据； 2、光谱变换后数据； 3、非遥感数据
5
➢ 理论依据
在理想条件下，图像中同类地物在相同的条件下应具有 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，而不同地区的光谱信息特征或空间 信息特征应不同，因而将集群在不同的特征空间区域。
17
特征点集群在空间中的分布情况
•最理想情况
不同类别集群至少在一个特征子空间（某一波段图像）中的投影 （即亮度范围）是完全可以相互区分开的——可以用简单的图像密度 分割实现。
Bj
植被
Bi
18
•典型情况
不同类别地物的集群，在任一个子空间都有重叠现象存在，但 在总的特征空间中却是可以完全分开的。即单波段的图像不能实现 图像的分类，只有利用多波段图像在多维空间中才能实现精确分类。
（主要）
（次要、补充）
12
统计模式识别的基本含义
（1）把识别对象的特征的每一个观测量视为从属于一定分布 规律的随机变量；
（2）在多维观测的情况下，把识别对象特征的各维观测值的 总体视为一个随机矢量，每一个随机矢量在一个多维特征空间中 都有一个特征点与之相对应；
（3）所有特征点的全体在特征空间中将形成一系列的分布群 体，每个分布群体中的特征点被认为具有相似特征，并可以划为 同一类别；
第五章 遥感数字图像计算机分类
一、遥感数字图像计算机分类的一般原理 二、遥感分类的常用判别函数 三、遥感数字图像的分类方法 四、遥感数字图像的分类后处理 五、光谱特征分类中的辅助处理技术 六、遥感图像计算机分类新方法
1
一、遥感数字图像计算机分类的一般原理
遥感图像解译
2
一、遥感数字图像计算机分类的一般原理
性的识别和分类，从而达到识别图像信息所相应的实际地 物，提取所需地物信息。
遥感图像目视判读与计算机分类的比较 相同点：目的一致； 不同点：目视判读——直接利用人类的自然识别智能； 计算机分类——利用计算机模拟人类的识别能力。
11
遥感图像的模式特征及其分类方法 光谱特征
纹理特征
↓
↓
基于光谱特征的统计识别方法 基于纹理特征的统计识别方法
14
光谱特征向量与特征点集群
光谱特征向量
光谱特征变量：由于受外界各种因素的影响，使得同类地 物的成像亮度值总是带有随机误差，导致图像亮度值（即光谱特 征）的观测值为一个随机变量（x）。
光谱特征向量：同名地物点在不同波段图像中亮度的观测量 构成一个多维的随机向量（X），称为光谱特征向量。即
X x 1 , x 2 , , x n T
15
光谱特征向量与特征点集群
光谱特征空间 为度量地物的光谱特征，建立的以各波段图像的亮度
分布为子空间的多维空间。
16
光谱特征向量与特征点集群 特征点集群
每个地物点依其在各个波段所具有的光谱值可以在一个多 维空间中找到一个相应的特征点，但由于随机性所致，同类地 物的各取样点在光谱特征空间中的特征点将不可能表现为一个 点，而是表现为一个相对聚集的点集群，不同类地物点集群在 特征空间中一般相互分离，这些点集群称为特征点集群。
波段：光谱波段
其它派生波段（纹理、上下文关系、波段比等）
辅助数据(ancillary data) (非遥感数据，如DEM、 土壤类型)
特征提取（feature extraction）：通过变换找出最能反映 地物类别差异的特征变量用于分类的过程
9
模式识别 是人们沿着仿生学的道路，用计算机系统作为工具来
（4） 找到各个分布群体的边界线（面）或确定任意特征点落 入每个分布群体中的条件概率，并以此依据来确定特征点（或相 应的识别对象）的分类。
13
光谱特征向量与特征点集群
基于统计模式识别的分类方法 监督分类与非监督分类 分类处理与增强处理的异同 共同点：增强和提取遥感图像中目标物的信息 不同点： 增强处理→增强视觉效果→提高图像的可解译性（定性） 图像分类→地物类别的区分（定量信息）
水 19
Biblioteka Baidu
•一般情况
不论是在总的特征空间还是任一子空间，不同类别的集群之间 总有重叠现象，这时重叠部分的特征点所相应的地物，在分类时 会出现不同程度的分类误差，这是遥感图像分类中最常见的现象。
6
遥感图像分类的实质
图象分类 过程的总目标 是，将图象中 所有像元自动 地进行土地覆 盖类型或土地 覆盖专题的分 类。
7
影响遥感图像分类精度的因素
大气状况的影响：吸收、散射。 下垫面的影响：下垫面的覆盖类型和起伏状态对分类
具有一定的影响。 其他因素的影响：云朵覆盖；不同时相的光照条件不
同，同一地物的电磁辐射能量不同；地物边界的多样 性。
8
➢ 统计模式识别的概念和基本问题
模式（pattern）: 在多波段图象中，每个象元都具有一组 对应取值，称为象元模式，即一个像元对应多个值（地理 信息的多维性）。
特征（feature）：在多波段图象中，每个波段都可看作一 个变量，称为特征变量。特征变量构成特征空间。
遥感图像解译
遥感图像数据
专题图像 解译 专题地图
方法
专业应用
目视解译
光谱规律 解译标志（亮度、色 地学规律 调、位置、时间、纹 解译者的经验 理、结构等）
景物类型
计算机分类 属性识别、分类 提取信息、识别地物
3
➢ 图像分类的目的 将图像中每个像元根据其不同波段的光谱亮
度、空间结构特征或其他信息，按照某种规则 或算法划分为不同的类别。 ➢ 遥感图像分类
利用计算机技术来模拟人类的识别功能,对地 球表面及其环境在遥感图像上的信息进行属性 的自动判别和分类，达到提取所需地物信息的 目的。
4
计算机分类
是通过模式识别理论，利用计算机将遥感图象自动 分成若干地物类别的方法。
如土地覆盖/土地利用分类、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）
模拟人类的感知和识别智能，它是人工智能的一个分支。
分类器（或称判决器），可以根据一定的分类规则， 把某一测量矢量X划入某一组预先规定的类别之中去。
自然模式
接收器 (传感器)
x1 …x2.
xn
分类器 结果 (判决器)
模式识别系统的模型
10
遥感图像的计算机分类 它是对地球表面及其环境在遥感图像上的信息进行属
主要数据类型： 1、原始光谱数据； 2、光谱变换后数据； 3、非遥感数据
5
➢ 理论依据
在理想条件下，图像中同类地物在相同的条件下应具有 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，而不同地区的光谱信息特征或空间 信息特征应不同，因而将集群在不同的特征空间区域。
17
特征点集群在空间中的分布情况
•最理想情况
不同类别集群至少在一个特征子空间（某一波段图像）中的投影 （即亮度范围）是完全可以相互区分开的——可以用简单的图像密度 分割实现。
Bj
植被
Bi
18
•典型情况
不同类别地物的集群，在任一个子空间都有重叠现象存在，但 在总的特征空间中却是可以完全分开的。即单波段的图像不能实现 图像的分类，只有利用多波段图像在多维空间中才能实现精确分类。
（主要）
（次要、补充）
12
统计模式识别的基本含义
（1）把识别对象的特征的每一个观测量视为从属于一定分布 规律的随机变量；
（2）在多维观测的情况下，把识别对象特征的各维观测值的 总体视为一个随机矢量，每一个随机矢量在一个多维特征空间中 都有一个特征点与之相对应；
（3）所有特征点的全体在特征空间中将形成一系列的分布群 体，每个分布群体中的特征点被认为具有相似特征，并可以划为 同一类别；
第五章 遥感数字图像计算机分类
一、遥感数字图像计算机分类的一般原理 二、遥感分类的常用判别函数 三、遥感数字图像的分类方法 四、遥感数字图像的分类后处理 五、光谱特征分类中的辅助处理技术 六、遥感图像计算机分类新方法
1
一、遥感数字图像计算机分类的一般原理
遥感图像解译
2
一、遥感数字图像计算机分类的一般原理
性的识别和分类，从而达到识别图像信息所相应的实际地 物，提取所需地物信息。
遥感图像目视判读与计算机分类的比较 相同点：目的一致； 不同点：目视判读——直接利用人类的自然识别智能； 计算机分类——利用计算机模拟人类的识别能力。
11
遥感图像的模式特征及其分类方法 光谱特征
纹理特征
↓
↓
基于光谱特征的统计识别方法 基于纹理特征的统计识别方法
14
光谱特征向量与特征点集群
光谱特征向量
光谱特征变量：由于受外界各种因素的影响，使得同类地 物的成像亮度值总是带有随机误差，导致图像亮度值（即光谱特 征）的观测值为一个随机变量（x）。
光谱特征向量：同名地物点在不同波段图像中亮度的观测量 构成一个多维的随机向量（X），称为光谱特征向量。即
X x 1 , x 2 , , x n T