遥感图像分类

辅助数据改进遥感分类的方法
地理分层 分类器操作 分类后处理
遥感信息与非遥感信息的复合
遥感影像与地图的复合 地图影像化 影像地图化 DTM与遥感数据的复合 遥感与地球物理、地球化学数据的复合
遥感信息与地球物理、化学数据复合
遥感信息--地表空间特征 地球物理、地球化学特征--不同深度地物的物理性质， 如内部结构、物理组成、基层表面起伏
监督分类—训练样本的选取
• 用于监督分类地训练场地应该是光谱特征比较均一的地区， •
一般在图像显示中根据均一的色调估计只有一类地物，而 且一类地物的训练场地可选取一块以上。 训练样本的数目至少要能满足建立分类用判别函数的要求， 以克服各种偶然因素的影响，而对于光谱特征变化较大的 地物，训练样本的数目要更多一些，以反映其变化范围。 一般情况下，要得出可靠的统计数据，每类至少要有10～ 100个训练样本数据。
transfer function
神经网络的学习方法
神经网络的学习：从环境中获取知识并改进自身性
能，主要指调节网络参数使网络达到某种度量，又 称为网络的训练 学习方式：
监督学习 非监督学习 再励学习
学习规则(learning
rule)：
Hebb学习算法 误差纠正学习算法 竞争学习算法
•
监督分类-波段特征选取
获取每个感兴趣类在各波段上的训练统计量后，必 须确定能最有效区分各种类的波段
方法： 统计分析方法 图形分析方法
监督分类-最小距离分类法
距离作为判别准则，根据像点到各类中心的距离来判别分类
距离公式
• 欧几里德距离 • 绝对距离
Dj
( xi M ij )
i 1
遥感影像分类
• 基于统计的方法和基于规则的方法 • 监督分类和非监督分类 • 硬分类和软分类 • 逐像元分类和面向对象分类
分类标准
• 按照逻辑准则组织的信息类别正确的分类
学定义 参考标准: • 美国规划协会的土地分类标准(LBCS) • 美国国家植被分类系统
基于统计的分类方法
遥感影像光谱特征分布特点
K-最近邻分类器
监督分类--最大似然比分类法
遥感影像分类后处理-小区合并
分类后影像像元值—地面物体的类别 问题：存在零星分布的小面积区域 解决方法： 1）分类前影像平滑 2）分类后小区合并—将小于一定面积的像元合并到邻近 区域
遥感影像分类后处理—误差分析
目的：检验分类效果 方法：抽样检验 抽样方法： 1）监督分类的样本区 2）试验场抽样 3）随机抽样 评价方式：混淆矩阵
wk J
wk . ek pT
delta学 习规则
对于感知器和线性网络：
wkj ek p j
W ep

T
对于多层感知器网络：扩展的delta学习规则， bp算法
前馈神经网络及其主要方法
前馈神经网络(feed
forward NN)：各神经元接受 前级输入，并输出到下一级，无反馈，可用一有向 无环图表示。 特点：前馈网络通常分为不同的层(layer)，第i层 的输入只与第i-1层的输出联结。 层的分类： 可见层：输入层(input layer)和输出层 (output layer) 隐层(hidden layer) ：中间层
神经元-Neuron
43
神经网络-Artificial neural network
神经元模型
Neuron
Model： 多输入，单输出，带偏置
1. R个输入pi∈R，即 R维输入矢量p 2. n: net input, n=wp+b。 1. R个权值wi∈R，即 R维权矢量w 2. 阈值b 3. 输出a=f(n), f:
分割结果
35
尺度空间内影像对象构建
• 考虑遥感、高程、专题矢量图层等多源信息的构建模型 • 多种约束的基元构建方法保证基元的准确性 • 阈值控制基元所在尺度层次
影像对象构建方法与参数优化
对象合并准则
在初始分割基础上，通过将 初始影像对象逐步合并为较 大的对象来实现多尺度对象 的构建，对象合并的停止条 件是由其尺度准则决定的
多尺度影像分割首先通过初始分 割将影像像元合并成较小的初始 影像对象,然后通过多次循环将 较小的影像对象合并成较大的多 边形对象
输入影像 设置分割参数 (尺度阈值、光谱形状特征权值)
第 1 次分割 (基于影像像元层的分割) 否
f ≤ s
是 第 n(n≥2) 次分割 (基于影像对象层的分割)
对象多边形的生成
p
2
Dj
(x
i 1
p
i
2 M ij ) 2 / ij
D j | xi M ij |
i 1
p
2 D j | xi M ij | / ij i 1
p
不同类别的灰度值的变化范围即其方差的大小是不同的，不能 简单地用像元到类中心的距离来划分像元的归属； 自然地物类别的点群分布不一定是圆形或球形的，即在不同方 向上半径是不同的，因而距离的量度在不同方向上应有所差异。
1 1 T 2 J ( n ) ek ( n ) e ( n )e( n ) 2 k 2
1 1 T 2 J E ek (n ) E e (n )e(n ) 2 2 k
第八章 人工神经网络
SSE MSE
48
误差纠正学习
梯度下降法：

遥感影像分类原理
• 同类地物在相同的条
件下（纹理、地形 等），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 某种内在的相似性， 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 同的地物其光谱信息 特征或空间信息特征 将不同，集群在不同 的特征空间区域。
基于光谱特征的分类原理
动态聚类就是在开始 时先建立一批初始 中心，而让待分类 的各个像元依据某 些判决准则向初始 中心凝聚，然后再 逐步修改调整中心， 重新分类；并根据 各类离散性统计量 和两类间可分离性 的统计量再进行合 并和分裂。此后再 修改调整中心，这 样不断继续下去， 直到分类比较合理 为止。
非监督分类—动态聚类
遥感分类基本过程
1. 根据图像分类目的选取特定区域的遥感影像，考虑空间分
2. 3.
4. 5. 6. 7. 8.
辨率、光谱分辨率、成像时间、图像质量等。 根据研究区域，收集与分析地面参考信息与有关数据。 根据分类要求和影像的特征，选择合适的图像分类方法和 算法。制定分类系统，确定分类类别。 找出代表这些类别的统计特征 测定总体特征，在监督分类中可选择具有代表性的训练场 地进行采样。在非监督分类中，可用聚类等方法对特征相 似的像素进行归类，测定其特征。 对遥感图像中各像素进行分类。 分类精度检查。 对判别分析的结果进行统计检验。
非监督分类—特征空间图形识别
• 图形识别分类就是对分类的地区事先完全不了解，计算机
只根据人们规定的某些要求和阈值对图像进行分析，采用 对图像逐行逐个像元相比较的无人管理分类方法。
特征空间图形识别分类特点
1．不能精确控制分类的类别数。 2．当地物光谱响应是不重合的正态分布时是可行的，并且 容易实现，但若特征分布出现交叠，则使用这种方法将产 生较大的分类错误。 3．该分类法的主要优点是简单、速度快。
f wvaluehvalue wshape hshape
hvalue wc (n1 ( mc 1c ) n2 ( mc 2c ))
c
hshape wcmpct hcmpct wsmooth hsmooth
hcmpct n1 ( lm nm l l1 l ) n2 ( m 2 ) n1 nm n2
非监督分类—系统聚类
1）将图像中每个像元看作一类， 作为分类的初始值 2）计算各类均值间的相关系数矩 阵R 3）从已分类别中选取最邻近的两 类进行合并 4）重复步骤2-3，直到合并的新类 之间符合分类的要求为止(各类 间的相关系数小于阀值或是距离 大于阀值）
系统聚类法的局限性
系统聚类过程中采用的统计量要视具体情况而定， 但也可利用该特点结合不同统计量分类，提高准 确性
基元层
认知基元
基元特征的定量化表达
决策层
模糊逻辑推理
决策知识库
地物知识库
结果层
信息提取结果
遥感信息认知中的尺度问题
地表信息—多层次结构 尺度依赖 认知过程--不同的地物 实体有不同的最佳提取 尺度
选择适当的尺度，才 能有效、完整地提取 信息
影像对象的尺度表示
…父对象
…邻对象
…子对象
影像对象构建方法
监督学习
对训练样本集中的每一组输入能提供一组目标输 出 网络根据目标输出与实际输出的误差信号来调节 网络参数

教师
t(n)
期望输出
环境
输入
实际输出
神经网络
a(n)
比较
p(n)
误差信号
e(n)
误差纠正学习
对于输出层第k个神经元的
实际输出: ak(n) 目标输出: tk(n) 误差信号: ek(n) = tk(n) - ak(n) 目标函数为基于误差信号ek(n)的函数，如误差平方 和判据(sum squared error, SSE)，或均方误差判据 (mean squared error, MSE, 即SSE对所有样本的期 望)
遥感影像分类
遥感影像计算机自动解译
• 利用计算机通过
对遥感图像中各 类地物的光谱信 息和空间信息进 行分析，选择特 征，并用一定的 手段将特征空间 划分为互不重叠 的子空间，然后 将图像中的各个 像元划归到各个 子空间去。 • 特征—能够反映 地物光谱信息和 空间信息并可用 于图像分类处理 的变量
遥感图像计算机分类的依据是遥感图像像素的相似度。
常使用距离和相关系数来衡量相似度。 采用距离衡量相似度时，距离越小相似度越大。 采用相关系数衡量相似度时，相关程度越大，相似 度越大。
监督分类和非监督分类
监督分类法：选择具有代表性的典型实验区或训练区， 用训练区中已知地面各类地物样本的光谱特性来“训练” 计算机，获得识别各类地物的判别函数或模式，并以此 对未知地区的像元进行分类处理，分别归入到已知的类 别中。 非监督分类：是在没有先验类别（训练场地）作为样本 的条件下，即事先不知道类别特征，主要根据像元间相 似度的大小进行归类合并（即相似度的像元归为一类） 的方法。
监督分类
需要事先确定训练场地和选择训练样本，训练样本需要具
有一定的代表性 考虑到各种地物光谱辐射的复杂性和干扰因素的多样性， 需要多考虑一些样本 在某一地区建立起来的判别式只能适用于同一地区或地学 条件相似的地区
监督分类-训练样区选择与统计
收集现场信息 在屏训练数据多边形选择
在屏训练数据的种子选择
hsmooth n1 (
lm l l l 1 ) n2 ( m 2 ) bm b1 bm b2
37
影像对象构建方法
尺度为： 16 平均 面积： 867.6 尺度为：32 平 均面积：2131.1
尺度为： 128 平 均面积： 8274.8
尺度为：256 平均面积： 30171
38
பைடு நூலகம்
影像对象的特征描述
专题图栅格化 空间配准 构建信息表达模型及提取方法
遥感信息与地球物理、化学数据复合
基于面向对象影像分割的分类方法
遥感信息认知中的对象
对象 对象
面向基元的遥感信息提取方案
数据层 高空间分辨率影像 SAR数据 Lidar数据 GIS矢量数据
分析层
光谱、形状 、纹理
多尺度分析
特征库
模糊规则库
监督分类—训练样本的选取
• 尽可能地利用一些已知的有用资料，来确定训练场地和训
练样本。在使用各种图件资料时应注意以下两个方面： （1）各种图件的成图日期要尽可能地接近图像成像日 期,以保证地物类别分类准确。 （2）空间。要考虑到每一种地物类型随空间变化发生 光谱特征变化的可能性，选择训练场地应当能够反映这种 变化。 在监督分类中由于训练场地是人为选取的，可能不包括所 有的自然地物类别，因而分类后留下无类可归的像元。对 于这种情况，有两种解决方法：一是将无类可归的像元组 成一个未知类；二是按最近距离原则划归到各个已知类中。
基于对象的信息识别
特征1
目标类1
特征2
特征3
…
特征m
结果特征元
μ c1 逻 μ c2 辑 μ c3 操 … 作 μ c4
目标类2 目标类3 … 目标类n
表示对应目标类中所选择的特征
人工神经网络分类
生物神经网络(biological
neural network, BNN)，
特别是人脑 人工神经网络(artificial neural network, ANN)： 由大量神经元经广泛互联组成的非线性网络（功能模 块，数学模型） 自底向上的综合方法：