第八章 遥感图像自动识别分类 内容提纲 基础知识 特征变换和特征选择 监督分类 非监督分类 监督分类和非监督分类的结合 分类后处理和误差分析 非光谱信息分类 句法模式识别 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 目视判读是人类的自然识别智能 计算机分类是人工模拟人类的识别功能 采用决策理论或统计方法 提取一组反映模式属性的量测值，称之 为特征 光谱特征和纹理特征 8.1 基础知识 模式与模式识别 光谱特征空间 地物在特征空间中的聚类统计特性8.1.1 模式与模式识别 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 。 这一组测量值就是一种模式 。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ROCKETS11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8.1.2 光谱特征空间 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 如TM图像上任一个点 TM=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8.1.3地物在特征空间中的聚类统计特性 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 8.2 特征变换和特征选择 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个（nm）特征 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 8.2.1 特征变换 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。redNIRScatter Plot reveals relationship between information in two bandshere:correlation coefficient = 0.137redNIRPrincipal Components Analysiscorrelation between all bands TM data correlation coefficients :1.000 0.927 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 1.0001.主分量变换 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 （1）计算均值向量M和协方差矩阵C； （2）计算矩阵C的特征值和特征向量； （3）将特征值按由大到小的次序排序 （4）选择前几个特征值对应的几个特征 向量构造变换矩阵n。 （5）根据nX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。MSS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-1PC-72. 哈达玛变换 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 哈达玛变换定义为：哈达玛变换的几何意义 由哈达玛变换核可知，哈达玛变换实际 是将坐标轴旋转了45的正交变换 哈达玛变换的几何意义 以四波段的陆地卫星图像的哈达玛为换 为例 ，取二阶哈达玛变换矩阵 h0=(x4+x5)+(x6+x7) h1=( x4+x5)-( x6+x7) h2=( x4-x5)-( x6-x7) h3=( x4-x5)+( x6-x7) 哈达玛变换的几何意义 特征图像h0把水同土壤与植被的混合体区分开来 特征图像h1把植被同水和土壤的混合体区分开来 特征图像h3和特征图像h2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。 3. 穗帽变换 又称K-T变换，由KauthThomas提出，也是一 种线性特征变换。 MSS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MSS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方向上出现。 特点2：若把土壤和植被的混合集群投影到 MSS5和MSS6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=AX Y=（ISB IGV IY IN）T X=（X4 X5 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 GV分量对植被的分类是有效的 4. 生物量指标变换 Ibio生物量变换后的亮度值。 x7，x5为MSS7和MSS5图像的像元亮度 值。 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计 。生物量指标变换8.2.2 特征选择 选择一组最佳的特征影像进行分类 定量选择方法 距离测度 散布矩阵测度 类内散矩阵 类间散布矩阵 总体散布矩阵= + TM 7,4,1TM 5,7,2TM 5,4,3TM 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。 8.3 监督分类 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 判别函数和判别规则 分类过程8.3.1判别函数和判别规则 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：最大似然分类法最大似然分类法概率判别函数：相应的贝叶斯判别规则：若对于所有可能的j=1,2 ,m；j i有 ，则X 属于类 。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 2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。 马氏距离 欧氏距离 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。 8.3.2 分类过程 （1）确定感兴趣的类别数 （2）特征变换和特征选择 （3）选择训练样区 （4）确定判决函数和判决规则 （5）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（1）对训练样区的要求 准确性、代表性和统计性。 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。（2）初始类别参数的形成（3）样本数据的训练 计算每个类别的M 和，建立类别的判别 函数（4）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合合 格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 主观性 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 训练样本的获取和评估花费较多人力时 间 只能识别训练中定义的类别8.4 非监督分类 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。 分类方法： K-均值聚类法 ISODATA算法聚类分析 平行管道