遥感图像的计算机分类

属于某类别的像素 ❖ 样本观测值
波段2 …
波段n
样本的多光谱矢量 X (x1, x2 , , xn )T
多光谱图像
二、计算机分类的基本原理
➢ 基本原理
多光谱图像和特征空间中的点集具有等价关系。通常 同一类地面目标的光谱特性比较接近，在特征空间中 的点聚集在该类的中心附近，多类目标在特征空间中
形成多个点族（example）
特征 分类时所使用的波段或波段组合
特征参数 选择出来的，新的对于表示类别可分性更为有效的变量
特征空间 特征参数组成的空间
二、计算机分类的基本原理
➢ 相关概念
❖ 像元的特征值
每个波段上灰度值构成的矢量 X (x1, x2 , , xn )T ❖ 特征空间
包含X的的n维空间
波段1
❖ 模式
图像中某一类目标 ❖ 样本
➢ 过程
输入控制参数
聚类
计算初始集群 Ni-1
的有关参数
N
σimax>Ts
N
Y
Ni<N/2或
N
i >σ
Y
分裂
ni<Tn
Y
N
l=I或 |Mil－ Mil-1|≤T
Y 结束
取消
Dik<Tc N
Y
合并
二、ISODATA法
K
DB
MA
DA
x1
二、最大似然法判别函数
➢ 最大似然判别规则
❖ 前提
各类的分布为正态函数
❖ 依据 贝叶斯(Bayes)公式
p(i
/
X)
p(i ) p( X / i )
p(X )
❖ 判别函数
gi ( X ) P( X / i )P(i )
❖ 判别规则
若P(i )P( X / i ) P( j )P( X / j )则X i
第六章 遥感图像的计算机分类
教学目的
理解遥感图像计算机分类的一般原理 和常用的判别函数 掌握传统的监督分类和非监督分类方 法，以及分类中的辅助处理技术 了解计算机分类的新方法
教学提纲
遥感图像计算机分类的一般原理 判别函数 非监督分类 监督分类 光谱特征分类中的辅助处理技术 计算机分类新方法 雷达遥感图像分类新方法
➢ 训练区的选择
❖ 要求 普遍性、代表性
❖ 方法 实地调查 借助地图、航片或其他专题资料 非监督分类
平原水田
水
景观相片
田
遥感影像
丘陵水田
山区水田
平原旱地
旱地
景观相片
遥感影像
丘陵旱地
山区旱地
有林地
林地
景观相片
遥感影像
灌木林地 疏林地
高覆盖度草地
草地
景观相片
遥感影像
中覆盖度草地
低覆盖度草地
❖ 分类 统计模式方法——传统方法 句法模式方法——新方法
一、概述
❖ 相关概念 监督分类和非监督分类 监督分类 基于对于遥感图像上样本区内的地物的类属已有先验知识，
以已知样本的特征作为依据判断非样本数据的类别 非监督分类
遥感图像地物的属性不具有先验知识，纯粹依靠不同光谱 数据组合在统计上的差别进行“盲目分类”,分类结果并 不确定类别的属性
式中，p(X /—i )— 似然概率 —p(—i )先验概率 p(—i /—X )后验概率 ——p(XX )出现的概率
二、最大似然法判别函数
➢ 正态分布
❖ 多变量概率密度函数
P( X
/i )
1
p
(2 ) 2
Si
1 2
exp
1 (X 2
Mi )T
S
1 i
(
X
M i )
式中
1 ni
M i ni
B(xB,yB)
Mij为均值 特点：各特征参数以等权参与，计算简单
A(xA,yA) x
一、距离判别函数
欧几里德距离（欧氏距离） y
n
di (xk )
(xkj M ij )
j 1
A(xA,yA)
特点：各特征参数等权
B(xB,yB)
x
一、距离判别函数
注意 闵氏距离与特征参数的量纲有关
量纲不同时可以通过用标准差或级差标准化的方法 解决 闵氏距离没有考虑特征参数间的相关性
一、概述
❖ 相关概பைடு நூலகம் 光谱类别
完全按照光谱特征在多光谱空间内聚集的类别 信息类别
与地面实际景物对应的类别 同物异谱
同一种地物包含几种光谱类别 异物同谱
同一种光谱类别中有不同的信息类别
一、概述
➢ 遥感图像的计算机分类
❖ 概念 ～将图像中每一个像元点或区域归属于若干个类别中 的一类，或若干个专题要素中的一种，完成将图像数 据从二维灰度空间转换到目标模式空间的工作
§1遥感图像计算机分类的一般原理
概述 计算机分类的基本原理 计算机分类处理的一般过程
一、概述
➢ 遥感图像的解译
通过对遥感图像所提供的各种识别目标的特征信息进行 分析、推理与判断，从而识别目标或现象的过程 ❖ 目视方法 凭着光谱规律、地学规律和解译者的经验从影像的亮度、 色调、位置、时间、纹理、结构等特征推出地面的景物 类型 ❖ 计算机方法 利用计算机模式识别技术对遥感图像上的信息进行属性 的识别和分类
一、初始类别参数的选定
➢ 局部直方图峰值定心法
❖ 基本原理 每个类别的集群中心一般位于本类别直方图的峰值位 置，而在该位置处的总体直方图往往会出现局部峰值
❖ 基本过程
获取图像数据 抽样集
建立总体 直方图
搜索直方图 局部峰值
一、初始类别参数的选定
❖ 注意 为了减少数据量，通常按一定距离间隔的取样方式来获
mN
∑i为I 集群的协方差矩阵，其协方差为
ni
(xkj M ij )(xkl M il )
jl k 1
ni (ni 1)
一、距离判别函数
特点：是一种加权的欧氏 距离，通过协方差矩阵来 考虑变量相关性
当∑＝I 时，为欧式距离 的平方
d
2 i
(
xk
)
(xk
M i )T
(xk
Mi)
x2 MB
得图像的抽样数据集 为了保证被抽样的像素亮度为非噪声亮度，可以选定一
个“纯度”阈值，当抽样像素亮度与周围像素亮度之差 别超出该纯度阈值时，把该像素摒弃 为了减少直方图的存储量，可采取以下措施 限定直方图各维亮度的取值范围 用亮度分辨力K把直方图分切为一系列直方图局部单元
二、ISODATA法（迭代自组织数据分析技术）
一、距离判别函数
马哈拉诺比斯距离（马氏距离）
di (xk ) (xk M i )T (i )1 (xk M i )
式中， xk ( xk1 , xk 2 , , xkN )T M i (M i1, M i2 , , M iN )T
11
i
21
m1
12 22
m2
1N 2N
§3非监督分类
概念
～是在没有先验类别知识(训练场地)的情况下，根据图像本 身的统计特征及自然点群的分布情况来划分地物类别的分类处理， 也叫做“边学习边分类法”
理论依据
遥感图像上的同类地物在相同的表面结构特征、植被覆盖、 光照等条件下，一般具有相同或相近的光谱特征，从而表现出某 种内在的相似性，归属于同一个光谱空间区域；不同的地物，光 谱信息特征不同，归属于不同的光谱空间区域
河渠
水域
湖泊
水库坑塘 河滩地
冰川及永久性积雪
城镇用地
城镇及工矿用地
景观相片
遥感影像
农村居民用地 工矿和交通用地
沙地
景观相片
未利用土地
遥感影像
景观相片
裸土地
遥感影像
戈壁
裸岩
盐碱地
其他
沼泽地
三、计算机分类处理的一般过程
➢ 特征选择与特征提取
❖ 特征选择（feature selection） 从众多特征中挑选出可以参加分类运算的若干特征
二、计算机分类的基本原理
fAB(X)＝0
设图像上有两类 目标ωA、ωB 判别准则为：
当f 当f
AB AB
( (
X X
) )
0，X 0，X
A B
遥感图像分类算法的核多心光就谱是图确像定分判类别原函理数和相应的判别准则
三、计算机分类处理的一般过程
➢ 原始图像预处理 ➢ 训练区的选择 ➢ 特征选择和特征提取 ➢ 图像分类运算 ➢ 检验结果 ➢ 结果输出
其它像素与已建立的类别比较
Y
相似？
N
设定阈值
作为该类的成员
作为新的类别
计算类别参数
一、初始类别参数的选定
❖ 总体直方图均匀定心法
设总体直方图的均值和方差分别
为 M m1, m2 , , mn和T
其中
2 1
,
2 2
,
,
2 n
T
1 N
mi
N
x ij
j 1
每个类别i2 初 N始1类1 jN别1 (x集ij 群mi中)2 心位置
一、概述
分类处理与增强处理 共同点
增强和提取遥感图像中的目标信息 异同点 ✓ 增强主要是增强图像的目视效果，提高图像的可解译
性——定性 ✓ 分类着眼于地物类别的区别——定量
一、概述
遥感图像分类处理的特点 多变量
特征选择 有选择地去除多光谱图像中对分类贡献不大的波段，从 而确定分类的信息源的过程
一、概述
➢ 光谱特征
❖ 概念 地物电磁波辐射的多波段测量值，通常以地物多光谱 图像上的亮度体现
❖ 遥感图像分类的主要依据 不同的地物在同一波段图像上表现的亮度一般互不相 同；同时，不同的地物在多个波段图像上亮度的呈现
规律也不同(example）
一、概述
若按照地物类别聚地集物的反规射律率把差多异光图谱空间划分为若干个 子空间，每一个子空间包含一个类别，就可以把图像中未知像 元进行分类，分配到各自的子空间中
计算X1与其它抽样点Xi距离 D1i
D1j=Max(D1i)
Y
Xj作为第2个初始类别中心 Z2
计算剩余抽样点Xk到已建立 的初始类别中心m距离 dkm
结束
Y
N 达到需要的类别数
Xj作为新类别
dj=max(dk)
dk＝Min(dkm)
一、初始类别参数的选定
example
与光谱特征相似法相比，具有不受阈值选定影响的好处 与总体直方图均匀定心法相比，具有更接近实际各类集群分 布位置状况的优点
➢ 检验结果
分类精度和可靠性评价
➢ 结果输出
结果图像的输出和分类结果的统计值
§2判别函数
距离判别函数 最大似然法判别函数
一、距离判别函数
➢ 前提
地物光谱特征在特征空间中按集群方式分布
➢ 原理
已知各类别集群的中心位置Mi（均值），计算光谱特 征空间中任一点k到各类的距离
（di＝i (x1k，) 2，…，n）
❖ 特征提取（feature extraction） 在特征选择后，利用特征提取算法从原始特征中求出 最能反映其类别特性的一组新特征，完成样本空间到 特征空间的转换 数据压缩、提高不同类别特征之间的可区分性
三、计算机分类处理的一般过程
➢ 图像分类运算——核心阶段
根据影像特点和分类目的设计或选择恰当的分类 器及其判别准则，对特征矢量进行划分，完成分 类工作
➢ 初始类别参数
基准类别集群中心（数学期望Mi），集群分布的协方 差矩阵∑i
➢ 选定方法
❖ 像素光谱特征的比较法 ❖ 总体直方图均匀定心法 ❖ 最大最小距离选心法 ❖ 局部直方图峰值定心法
一、初始类别参数的选定
❖ 像素光谱特征的比较法
定义一个抽样集
选定一个像素 作为第1个类别
所有像素或
按一定间隔抽样的 像素
Xj
j 1
Si
1 ni 1
ni j 1
(X
j
Mi )(X
j
Mi )T
二、最大似然法判别函数
❖ 判别函数
gi
(
X
)
ln
P(i
)
1 2
ln
Si
1(X 2
M i )T Si1 ( X
Mi)
❖ 判别规则
当gi (X ) g j (X )且j i，X第i类否则X第j类
❖ 判别边界
g1( X ) g2 ( X ) 0
方法
聚类分析
主要过程
§3非监督分类
确定初始类别参数 （类别数、集群中心） 计算每个像元Xk到各
集群中心j的距离dkj
dki＝Min(dkj)
XkЄ第i类 计算新的集群中心
集群中心是否变化 Y
N
结束
§3非监督分类
初始类别参数的选定 ISODATA法 K-Mean算法 应用举例
一、初始类别参数的选定
若 di (xk ) d则j (kxkЄ) i类；否则kЄj类
一、距离判别函数
➢ 常用的距离判别函数
❖ 闵氏距离 绝对值距离 欧几里德距离 ❖ 马哈拉诺比斯距离
一、距离判别函数
绝对值距离（出租汽车距离、 y 城市块距离、等混合距离）
n
di (xk ) xkj M ij j 1
式中 di (x为k ) 距离；j为波段序号； 总波段数为n，i为类别号，xkj为 k像元在j波段的亮度值；
Z qi mi i 2(q 1) /(Q 1) 1
Z1i
mi
i ; Z2i
mi
1 3
i
Z 3i
mi
1 3
i
;
Z
4i
mi
i
一、初始类别参数的选定
❖ 最大最小距离选心法 原则
使各初始类别之间，尽可能地保持远距离 过程
一、初始类别参数的选定
定义一个抽样集
选定一个像素X1 作为第一个初始类别中心Z1
原始图像的预处理 训练区的选择
特征选择和特征提取 分类
检验结果 结果输出
三、计算机分类处理的一般过程
➢ 原始图像的预处理
对观测数据作成像处理，以及图像的几何校正、辐射 校正、量化、采样、预滤波、去噪声等处理，以便获 得一幅比较清晰、对比度强、位置准确的图像提高分 类精度
三、计算机分类处理的一般过程