遥感图像处理_遥感图像分类剖析

《遥感图像处理_遥感图像分类剖析》由会员分享，可在线阅读，更多相关《遥感图像处理_遥感图像分类剖析（87页珍藏版）》请在金锄头文库上搜索。

1、 遥感图像的分类 1遥感图像分类概述 2遥感图像分类原理 3遥感图像分类基本过程 4遥感图像分类方法 5遥感图像分类后处理 6遥感图像分类精度检查 7遥感图像分类中存在的问题 遥感图像的分类 一、遥感图像分类概述 1. 分类的定义 2. 分类的意义 3. 分类的难点 (一) 概述分类的定义 遥感图像分类以遥感数字图像为研究 对象，在计算机系统支持下，综合运用地 学分析、遥感图像处理、地理信息系统、 模式识别与人工智能技术，实现地学专题 信息的智能化获取。其基本目标是将人工 目视解译遥感图像发展为计算机支持下的 遥感图像理解。 (二) 概述分类的意义 由于利用遥感图像可以客观、真实和快速地 获取

2、地球表层信息，这些现势性很强的遥感数据 在自然资源调查与评价、环境监测、自然灾害评 估与军事侦察上具有广泛应用前景。因此，利用 计算机进行遥感图像智能化解译，快速获取地表 不同专题信息，并利用这些专题信息迅速地更新 地理数据库，这是实现遥感图像自动理解的基础 研究之一，因此具有重要的理论意义和应用前 景。 （三）概述分类的难点 利用计算机对遥感数字图像进行分类难度很大。 遥感图像是从遥远的高空成像的，成像过程要受 传感器、大气条件、太阳位置等多种因素的影 响。影像中所提供的目标地物信息不仅不完全， 而且或多或少地带有噪声，因此人们需要从不完 全的信息中尽可能精确地提取出地表场景中感兴 趣的目标

3、物。 遥感影像信息量丰富，与一般的图像相比，其包 容的内容远比普通的图像多，因而内容非常“拥 挤”。不同地物间信息的相互影响与干扰使得要 提取出感兴趣的目标变得非常困难。 遥感图像的地域性、季节性和不同成像方式更增 加了计算机对遥感数字图像进行解译的难度。 二、分类原理 1. 分类原理概述； 2. 统计特征量； 3. 统计特征量举例； 4. 特征提取； 5. 相似度判断； （一) 分类原理概述 1.计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应 用。统计模式识别的关键是提取待识别模式的一组统计特征值，然 后按照一定准则作出决策，从而对遥感图像予以识别。 2.遥感图像分类的主要依据是地

4、物的光谱特征，即地物电磁波辐射的 测量值，这些测量值可以用作遥感图像分类的原始特征变量。然而 ，就某些特定地物的分类而言，多波段影像的原始亮度值并不能很 好地表达类别特征，因此需要对数字图像进行运算处理（如比值处 理、差值处理、主成分变换以及KT变换等），以寻找能有效描述 地物类别特征的模式变量，然后利用这些特征变量对数字图像进行 分类。分类是对图像上每个像素按照亮度接近程度给出对应类别， 以达到大致区分遥感图像中多种地物的目的。 3.遥感图像分类的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。 （二）分类

5、原理统计特征量 分类过程中采用的统计特征变量包括：全局统计特征 变量和局部统计特征变量。 全局统计特征变量是将整个数字图像作为研究对象， 从整个图像中获取或进行变换处理后获取变量，前者 如地物的光谱特征，后者如对TM的6个波段数据进行K T变换（缨帽变换）获得的亮度特征，利用这两个变 量就可以对遥感图像进行植被分类。 局部统计特征变量是将数字图像分割成不同识别单元 ，在各个单元内分别抽取的统计特征变量。例如，纹 理是在某一图像的部分区域中，以近乎周期性或周期 性的种类、方式重复其自身局部基本模式的单元，因 此可以利用矩阵作为特征对纹理进行识别。 （三）分类原理统计特征量举例 取n*n的窗口，有

6、关矩阵为： 关联矩阵 以偏离图像灰度为i的点一定位置（方向 和距离）的点的灰度为j的概率P(i,j)，求出 关联矩阵，从该矩阵中算出各种纹理的特征量 （能量、熵、相关性等） 旋转矩阵 以方向上灰度为i的点连续出现k个的频率 P(i,k)为元素，求出旋转矩阵。从矩阵中算 出各种纹理的特征量。 （四）分类原理特征提取 在很多情况下，利用少量特征就可以进行遥感 图像的地学专题分类，因此需要从遥感图像n 个特征中选取k个特征作为分类依据，我们把 从n个特征中选取k个更有效特征的过程称为特 征提取。 特征提取要求所选择的特征相对于其他特征更 便于有效地分类，使图像分类不必在高维特征 空间里进行，其变量的

7、选择需要根据经验和反 复的实验来确定。 分类原理特征提取 统计特征变量可以构成特征空间，多波段遥感 图像特征变量可以构成高维特征空间。 一般说来，高维特征空间数据量大，但这些信 息中仅包含少量的样本分类信息。 为了抽取这些最有效的信息，可以通过变换把 高维特征空间所表达的信息内容集中在一到几 个变量图像上。 主成分变换可以把互相存在相关性的原始多波 段遥感图像转换为相互独立的多波段新图像， 而且使原始遥感图像的绝大部分信息集中在变 换后的前几个组分构成的图像上，实现特征空 间降维和压缩的目的。 （五）分类原理相似度判断 遥感图像计算机分类的依据是遥感图像像素的相似 度。相似度是两类模式之间的相

8、似程度。在遥感图像 分类过程中，常使用距离和相关系数来衡量相似度。 距离: 特征空间中象元数据和分类类别特征的相似程 度。距离最小即相似程度最大。 度量特征空间中的距离经常采用以下几种算法: 绝对值距离 欧氏距离 x为像元数据矢量 类别k的平均值矢量 分类原理相似度判断 马氏距离（Mahalanobis，既考虑离散度，也 考虑各轴间的总体分布相关) 混合距离（像元i到第g类类均值的距离） 为g类k变量的均值 g类的像元数 分类原理相似度判断 相关系数 是指像素间的关联程度。采用相关系数衡 量相似度时，相关程度越大，相似度越大。两 个像素之间的相关系数rij可以定义为： 像元i的第k个分量 均值

9、 三、分类基本过程 遥感数字图像计算机分类基本过程如下： 首先明确遥感图像分类的目的及其需要解决的问题，在 此基础上根据应用目的选取特定区域的遥感数字图像， 图像选取时应考虑图像的空间分辨率、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。 为提高计算机分类的精度，需要对数字图像进行辐射校 正和几何纠正（这部分工作也可能由提供数字图像的卫 星地面站完成）。 对图像分类方法进行比较研究，掌握各种分类方法的优 缺点，然后根据分类要求和图像数据的特征，选择合适 的图像分类方法和算法。根据应用目的及图像数据的特 征制定分类系统，确定分类类别，也可通过监督分类方 法

10、，从训练数据中提取图像数据特征，在分类过程中确 定分类类别。 分类基本过程 找出代表这些类别的统计特征。 为了测定总体特征，在监督分类中可选择具有代表性的 训练场地进行采样，测定其特征。在无监督分类中，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。包括对每个像素进行分 类和对预先分割均匀的区域进行分类。 分类精度检查。在监督分类中把已知的训练数据及分类 类别与分类结果进行比较，确认分类的精度及可靠性。 在非监督分类中，采用随机抽样方法，分类效果的好坏 需经实际检验或利用分类区域的调查材料、专题图进行 核查。 对判别分析的结果统计检验。 四、遥感图像分类方

11、法 利用遥感图像进行分类（classification） 是以区别图像中所含的多个目标物为目的的， 对每个像元或比较匀质的像元组给出对应其特 征的名称。在分类中注重的是各像元的灰度及 纹理等特征。分类方法主要包括以下三大类： 1. 监督分类法 2. 非监督分类法 3. 新的探索：模糊分类法、面向对象分类法等 ； （一）监督分类 监督分类法：选择具有代表已知地面覆盖类型 的训练样本区，用训练样本区中已知地面各类 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（如均值、方 差、判别域等），并以此对未知地区的像元进 行分类处理，分别归入到已知具有最大相似度 的类别中。 监督分

12、类主要包括：最小距离分类法、最近邻 分类法、多级切割分类法、最大似然比分类法 等； 1、最小距离分类法 最小距离分类法概念； 最小距离分类法判据； 最小距离分类法特点； 最小距离分类法示例； 最小距离分类法-概念 最小距离分类法（minimum distance classifier） 是用特征空间中的距离表示像元数 据和分类类别特征的相似程度，在距离 最小时（相似度最大）的类别上对像元 数据进行分类的方法。 Step 2 for each unclassified pixel, calculate the distance to average for each training area

13、最小距离分类法-判据 最小距离分类法判据 这种方法要求对遥感图像中每一个类别选一个具有代表意义的 统计特征量（均值），首先计算待分像元与已知类别之间的距离 ，然后将其归属于距离最小的一类。 最小距离分类法-特点 优点：最小距离分类法原理简单，计算 速度快； 缺点：分类精度不高，没有解决分类的 边界问题； 适用对象：它可以在快速浏览分类概况 中使用； 最小距离分类法-示例 2、最近邻分类法 在多波段遥感图像分类中，每一类别具有多个统计特征 量。最近邻域分类法首先计算待分像元到每一类中每一个统 计特征量间的距离，这样，该像元到每一类都有几个距离值 ，取其中最小的一个距离作为该像元到该类别的距离，最

14、后 比较该待分像元到所有类别间的距离，将其归属于距离最小 的一类。 该方法有三种具体的分类器： 最近邻分类器：计算带分类像元到训练数据中最近像 元的欧式距离； 最近邻分类器：以待分类像元为中心，沿各个方 向搜索，直到搜索出个用户指定的训练像元为止(如 ：k10) 最近邻权重分类器：加权重的分类器； 最近邻分类法示意图 3、多级切割法 多级切割法（multi-level slice classifier）是根据设定 在各轴上的值域分割多维特征空间的分类方法。 这种方法要求通过选取训练区，详细了解分类类别（总体 ）的特征，并以较高的精度设定每个分类类别的在各轴上的 一系列分割点（光谱特征上限值和下

15、限值），以便构成特征 子空间。 对于一个未知类别的像素来说，它的分类取决于它落入哪 个类别特征子空间中。 因此多级切割分类法要求训练区样本的选择必须覆盖所有 的类型，在分类过程中，需要利用待分类像素光谱特征值与 各个类别特征子空间在每一维上的值域进行内外判断，检查 其落入哪个类别特征子空间中，直到完成各像素的分类。 用多级切割法分割三维特征空间 多级切割法特点 多级分割法分类便于直观理解如何分割特征空间 ，以及待分类像素如何与分类类别相对应。但它要求 分割面总是与各特征轴正交，如果各类别在特征空间 中呈现倾斜分布，就会产生分类误差。因此运用多级 分割法分类前，需要先进行主成分分析，或采用其他

16、方法对各轴进行相互独立的正交变换，然后进行多级 分割。 4、最大似然比分类法(Maximum Likelihood) 最大似然比分类法（maximum likelihood classifier）是应用非常广泛的监督分类之一。 主要是利用概率密度函数，求出每个像素对于各类别的 似然度（likelihood），把该像元分到似然度最大的类 别中去的方法。 它假定训练区地物的光谱特征和自然界大部分随机现象 一样，近似服从正态分布，利用训练区可求出均值、方 差以及协方差等特征参数，从而可求出总体的先验概率 密度函数。当总体分布不符合正态分布时，其分类可靠 性将下降，这种情况下不宜采用最大似然比分类法。 最大似然比分类法-判据 最大似然比分类法在多类别分类时，常采用 统计学方法建立起一个判别函数集，然后根据这 个判别函数集计算各待分像元的归属概率。 x为待分像元，P（k)为类别k的先验概率， 可以通过训练区来决定