5.1计算机解译(图象分类)

30
平行管道分类
① 使用简单的分类规则进行多光谱遥感图像的分类。 ② 决策线在n维光谱空间中是一个平行的管道。 ③ 管道的直径根据距离平均值的标准差确定。 ④ 如果某个像元落在某一类的平行管道的阈值范围内，
则划分到该类别中。 ⑤ 如果落在多个类中，则将这个像元划分到最后匹配的
类别。 ⑥ 落不到任何管道中，则标识为未分类像元。
相关系数:
n
(xik x j)
ij n
k 1
n
(xik xi )2 (x jk x j)2
k 1
ห้องสมุดไป่ตู้
k 1
25
非监督分类: 方法
最常用的方法: 迭代自组织数据分析技术
（ISODATA，Iteractive Self-Organizing Data Analysis Technique）
在初始设定基础上，在分类过程中根据一定原则不断重新计算类 别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条 件, 分类完毕.
26
开始 初始聚类中心
计算距离 像元归类
ISODATA 算法框图
计算类别均值
均值与 中心数一致？
否
是 停止
新均值代替旧中心
27
聚类过程: 类别中心的变化
原始的聚类中心
第1次迭代后的类别分布 28
聚类过程: 类别中心的变化
第2次迭代后的类别分布
第n次迭代后的类别分布
29
监督分类
最小距离法 平行管道法 最大似然法 …… 人工神经网络法（ANN）
实际类型只地表实测值或标准数据或图件上对应的抽样样本列总数代表分类数据各类的抽样样本数目总和行总数代表实际类型的各类抽样样本数目总和overallaccuracyusersaccuracyproducersaccuracyomissionerrorcommissionerror42分类精度混淆矩阵43分类精度生产者精度某类中正确分类的象元数除以参考数据中所有该类的象元数列方向用户精度某类中正确分类的象元数除以所有的被分为该类的象元数行方向44分类精度第i列的样本总数量45分类方法学提高精度的策略制约分类精度的原因空间结构信息未充分利用46提高精度的策略?校正大气几何?变换特征选择与提取pcandvi?空间信息的提取纹理47提高精度的策略当一次性分类出现类间混淆又难以解决时可采取逐次分类的方法48提高精度的策略监督分类与非监督分类结合
➢ 另一种是遥感图像计算机解译，又称遥感图像理解，它 以计算机系统为支撑环境，利用模式识别技术与人工智 能技术相结合，根据遥感图像中目标地物的各种影像特 征(颜色、形状、纹理与空间位置)，结合专家知识库中 目标地物的解译经验和成像规律等知识进行分析和推理， 实现对遥感图像的理解，完成对遥感图像的解译。
48
提高精度的策略
4、多种信息复合
遥感信息： 非遥感信息：辅助数据
49
提高精度的策略
5、GIS技术支持下的分类改进
GIS与遥感数据复合分类 利用GIS将非遥感数据生成数字地学图象，并与 遥感数据进行复合，然后对复合后的图象进 行分类
间接支持分类 利用GIS数据对遥感图象进行分层和对分类结果 作逻辑操作，可以提高分类精度
33
最小距离分类
34
最大似然法
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， 是应用比较广泛、比较成熟的一种监督分类方法
判别函数：
gi(x)=p(wi/x)
p(wi/x) : 后验概率
根据贝叶斯公式： gi(x)=p(wi/x)= p(x / wi)p(wi)/p(x)
p(x / wi)为在p(x / wi)观测到 wi的条件概率， p(wi)为wi的先验概率， p(x)为变量x与类别无关情况下的出现概率。
1. 确定最初类别数和类别中心;
2. 计算每个像元所对应的特征矢量与各聚类中心的距离; 3. 选与其中心距离最近的类别作为这一矢量(像元)的所属类别; 4. 计算新的类别均值向量; 5. 比较新的类别均值与原中心位置的变化, 形成新的聚类中心; 重复2, 反 复迭代; 6. 如聚类中心不再变化, 停止计算.
5
0 mg/l 0 b. 40 0 500 600 700 800 90 0
Wavelength (nm)
水体光谱特征的变化： 同物异谱
9
图像分类
问题：光谱类和信息类不对应
光谱类（spectral class）：基于光谱特征形成的类别 如房屋的阳面和阴面光谱特征不同，不同的光谱类
信息类(information class)：根据实际需要待分的类别 人为的划分.
4
图象分类
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）
5
图像分类
基本原理： 不同的地物具有不同的光谱特征，同类地物 具有相同或相似的光谱特征 图象分类：基于数字图象中反映的同类地物 的光谱相似性和异类地物的光谱差异性
Percent Reflectan ce
25 Al gae-Laden W ate r with Variou s
Sus pen ded Se di me nt Con centra ti ons 20
500 mg/l
15
10
长满藻类并含有不同浓度悬 浮物的水体（0 - 500 mg/l） 的光谱曲线
38
训练区与 检验区
39
分类精度的评价
图象分类精度评价是分类过程不可或缺的组成部分 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 方法： 非位置精度：以一个简单的数值，如面积、象元数目等 表示分类精度，未考虑位置因素，所获得的精度偏高 位置精度：将分类的类别与其所在的空间位置进行统一 检查。目前普遍采用混淆矩阵方法
如城市类由道路、建筑物、水体、绿地等不同地物组成，不同地物 光谱特征不同
砖场：烟囱（窑）、取土坑、堆砖处、房屋等
10
图象分类
几个基本概念：
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
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
11
图象分类
分类方法：
监督分类（supervised classification）：通过选择代表各类 别的已知样本（训练区）的象元光谱特征，事先取得个类 别的参数，确定判别函数，从而进行分类。
在监督分类中，先定义信息类，然后检验它们的光谱可分性
12
图象分类
非监督分类(unsupervised classification)：根据事先指 定的某一准则，而进行计算机自动判别归类，无须人 为干预，分类后需确定地面类别
N
dij [ | xik x jk |q ]1/q
k 1
24
常用的距离和有关统计量
马氏距离(Mahalanobis):
dij [(xi x j)T
1(xi x j )]1/ 2
相似系数:
N
xik x jk
cij cos
k 1 N
N
xik 2
x
j
2 k
k 1
k 1
其中, 为两个矢量间的夹角
假设：训练区光谱特征服从正态分布 计算每个像元属于每一类的概率gi(x), 找出gi(x)最大者,将该像元 归为概率最大的这一类
35
类的概率分布计算:
P(X
/
i
)
（2）N
/
1 2|
|1/ 2
exp[
1 2
(X
Mi
)T
1 i
(X Mi )]
i
其中:
P(X/ i ): X属于i类的概率; N为参加分类的特征数(波段数);
在非监督分类中，先确定光谱可分的类别，然后定义它们的信 息类
13
非监督分类
4-3-2假彩色合 成图像
非监督分类(聚类)结果:
15个光谱类
14
非监督分类 1. 4-3-2假彩色合成图象(香港九龙); 2. 聚类结果(10类)
15
非监督分类 3. 聚类结果合并(5类);
4. 最终结果 (类别颜色改变)
8
4
3.5
Percent Reflectance
3 clear water
2.5
2
algae-laden water
1.5
1
0.5
0 a. 40 0 500 600 700 800 90 0
Wavelength (nm)
清水和长满藻类的水体的实 测光谱曲线
叶绿素a在 400 与500 nm间和 675 nm处的强烈吸收
输入参数 Max stdev from the mean, 是距离平均值多少个标准差。
31
平行管道分类
32
最小距离法
一种相对简化了的分类方法。前提是假设图象 中各类地物光谱信息呈多元正态分布。
假设N维空间存在M个类别，某一像元距哪类 距离最小，则判归该类
通过训练样本事先确定类别数、类别中心，然 后进行分类。分类的精度取决与训练样本的准 确与否
数字图像的计算机解译
陈建国
数学地质遥感地质研究所
(e-mail: jgchen@)
1
遥感图像解译
➢ 遥感图像解译是从遥感图像上获取目标地物信息 的过程。
➢ 遥感图像解译分为两种：
➢ 一种是目视解译，又称目视判读，或目视判译，它指专 业人员通过直接观察或借助辅助判读仪器在遥感图像上 获取特定目标地物信息的过程。
20
原始图象
21
分类图象
22
最终结果： 专题制图
23
常用的距离和有关统计量
欧氏距离:
dij
N
(xik x jk)2
k 1
N
N, 波段数; dij第个i像元与第j个像元在N维空间中的距离;
xik为第个k波段上第i个像元的灰度值;
绝对距离:
N
dij | xik x jk | k 1
明斯基距离: 欧氏距离和绝对距离可统一表示为:
Mi为均值向量, i为类别i的协方差矩阵
1 ni
Mi ni
Xj
j1
i
1 ni 1
ni j1
[(X j
Mi )(X j
Mi )T ]
ni是类i的像元数目; j为像元标号; T矩阵的转置
36
最大似然分类
37
训练区的选择
训练阶段的质量决定着分类阶段的成功与否，也决 定着从分类中所获取的信息的价值 用于图象分类的训练区的统计结果，一定要充分反 映每种信息类型中光谱类别的所有组成。 代表性、完整性 分布：多个样区
45
提高精度的策略
1、分类前处理：
•校正（大气、几何） •变换（特征选择与提取）（PCA、NDVI） •空间信息的提取（纹理）
46
提高精度的策略
2、分类树与分层分类
当一次性分类出现类间混淆又难以解决时，可采取逐 次分类的方法
47
提高精度的策略
3、使用不同的分类方法
监督分类与非监督分类结合：混合分类
i 1
N：样本总数 m: 混淆矩阵中的行数 pii : 位于第i行和第i列的样本数量 pi+: 第i行的样本总数量 p+i : 第i列的样本总数量
44
分类方法学（提高精度的策略）
制约分类精度的原因
遥感数据制约
光谱：相似性、时相与环境 空间分辨率
分类方法制约
单点分类（基于象元的分类） 空间、结构信息未充分利用
16
监督分类
训练区：
▪已知覆盖类型的代表样区 ▪用于描述主要特征类型的光谱属性 ▪其精度直接影响分类结果
检验区：
▪用于评价分类精度的代表样区
17
训练区的 选择
18
分类结果
19
分类过程
分类预处理：大气校正、几何校正与配准 特征选择(提取) 分类（监督分类训练区的选择） 分类后处理，包括精度评价 专题图制作
40
分类精度的评价
混淆矩阵: 用图件或某些实测值 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。实际类型只地 表实测值或标准数据或图件上对应的抽样样本，列总 数代表分类数据各类的抽样样本数目总和，行总数代 表实际类型的各类抽样样本数目总和 精度:
总体精度（overall accuracy） 用户精度(user’s accuracy) 生产者精度(producer’s accuracy) omission error commission error
6
图象分类
图象分类过程的 总目标是，将图 象中所有的像元 自动地进行土地 覆盖类型或土地 覆盖专题的分类。
7
图象分类
问题（光谱分类）： 同物异谱：同类地物具有不同的光谱特征 同谱异物：不同的地物可能具有相似的光谱特征。
如：同一作物，生长状态不同，光谱特征有差异； 不同的植被类型可能有相似的光谱特征
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
特征选择(feature selection)：直接从原始波段数据中选择
2
计算机解译
➢ 遥感图像的计算机分类
➢ 依据象素的多光谱特征,用统计模式识别技术,进行分类. 而不考虑相邻象素间的关系
➢ 遥感图像的特征提取
➢ 除利用地物的光谱特征外,还利用地物的形状特征和空间 关系特征,进行结构模式识别---又叫句法模式识别
3
遥感图象分类
监督分类 非监督分类
方法 过程：包括精度分析
41
分类精度
混淆矩阵
42
分类精度
生产者精度
某类中正确分类的象元数除以参考数据中所有该类的象 元数（列方向）
用户精度
某类中正确分类的象元数除以所有的被分为该类的象元 数（行方向）
43
分类精度
Kappa系数
m
m
N pii (pi *pi )
Κ i1
i 1 m
N2 (pi *pi )