《五讲遥感影像分类备课讲稿》由会员分享，可在线阅读，更多相关《五讲遥感影像分类备课讲稿（83页珍藏版）》请在金锄头文库上搜索。
1、遥感数字图像的计算机分类,遥感数字图像的分类方法,分类执行方式：监督分类、非监督分类 分类模型或分类器：统计分类、模糊分类、 邻域分类、神经网络分类等、混合像元分解。,监督分类，又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。 非监督分类，也称为聚类分析或点群分析。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，仅需极少
2、的人工输入计算机按一定规则自动地根据像无光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。,模糊分类 ： 前面讲到的各种分类方法都是假设每个像元只能被归入一个类型中像元和类型之间只能是一对一的关系。但在事实上，由于遥感图像分辨率及其他因素的影响，图像中的像元所对应的地面实体并不只是一个类别，面是二个或二个以上类别的混合体。 模糊分类就是允许根据其混合类型的百分比将一个像元归到几个类型。如果一个像元50是草地、20是房屋、30是道路则在模糊分类中，这个像元属于这三种类型的成分分别为0.5、0.2和0.3。 算法包括两个主要步骤:对来自模糊训练数据的模糊参数的估
3、计;对光谱空间的模糊划分。这可以鉴别混合象元中各组分覆盖类型的不完全隶属性以及产生更精确的统计参数,从而达到更高的分类精度。,空间结构纹理分类 ： 单纯的光谱分类器只考虑图像的光谱特征，但在实际景观中，由于地物是具有一定空间结构特征的，如城市的居住区多是由树木、草地、道路、房屋顶、停车地等组成的。因此在分类中，利用其空间特征纹理的差异可以比较容易地区分不同类型，而单纯的亮度信息则不一定能很好地区分不同类型。 空间结构分类器主要是利用一些测量空间纹理结构的函数得到新的层。一般这些函数都是利用一定的窗口测量像元和其周边像元之间的关系，比如说在5x 5窗口内像元之间的方差、空间相关系数等，将这些层加
4、到原始图像的光谱层中从而对混合图像进行分类。 纹理特征：中值(Mean), 协方差(Variance), 同质性（或称为逆差距）(Homogeneity), 反差(Contrast), 差异性(Dissimilarity), 熵(Entropy), 二阶距(Angular Second Moment), 自相关(Correlation)。,用于分类的辅助数据 ： 利用辅助数据的一个主要障碍是辅助数据和遥感数据之间的不匹配。由于多数辅助数据并不是用来为遥感数据应用服务的，因此其数字化辅助数据对应的比例尺、分辨率、时间、精度以及记录格式很少和遥感图像相匹配。当其应用于遥感图像分类时，有时必须对其进
5、行预处理，以保证其和图像之间的物理匹配。 另外，哪种辅助数据也成为一个重要的决策问题。比如对于山区的植物分类，其地形高度、坡度和坡向是一些有用的辅助信息，帮助确定植被的类型。但在其他分类中，地形也许就不是一个关键的因素。虽然有人提倡尽可能多的利用所有相关辅助数据，但考虑到其中的时间和其他代价，这种提议显然并不是最好的。仔细地选择和决定重要的辅助数据应该是必需的。,分类精度评价方法 精度评价最好是比较两幅图像中每个像元之间的一致性。但在多数情况下，我们很难取得一整幅精确的参考图，因此大多数精度评价都是对图像采样的一部分像元进行评价，其参考类别可以通过野外考察、更详细的航空像片，或者其他来源的分类
6、图上得到。通常把训练样本分为两部分，一部分用于分类，另一部分用于精度评价。 1 采样方法 采样设计应当采用概率采样以确保样本的代表性和有效性，使利用样本估计总体参数建立在可靠的基础之上。 精度评价中有不同的采样方法，常用的概率采样方法包括简单随机采样、分层采样、聚点式集群采样以及系统采样等。不同的采样方法所采用的参数估计的具体形式和计算公式不同，它们各具有一定的优缺点。具体采用哪种方法，应考虑分类系统相应用目的的影响，依据精度评价的目的而定。,1 采样方法 1)简单随机采样 即在分类图上随机地选择一定数量的像元，然后比较这些像元的类别和其标准(或实际)类别之间的一致性。应用此设计，所有样本空间
7、中的单元被选中的概率都是相同的。在此基础上所计算出的有关总体的参数估计也是无偏的。如果所研究区域内各种类型分布均匀，且面积差异不大，则简单随机采样应予以优先考虑。相反，如果地域内类型的空间分布不均匀，或出现空间上稀少并群集的类型，采用简单随机采样就有可能遗漏这些类型，或抽取不到足够数量的样本。 2)分层采样 当图像中某些类别占的数量很小时，随机采样往往会丢掉这些类别。为了保证每个类别都能在采样中出现，可以用分层采样即分别对每个类别进行随机采样。分层采样往往是为保证在采样空间或类型选取上的均匀性及代表性所采用的方法。如没有特殊需要，随机采样可取得较好的样本。但在野外调查或采样时有可能遇到一些困难
8、，如是否能到达采样地点等；如在层内采用系统采样往往也可获得区域中具代表性的样本，且较容易进行野外作。,1 采样方法 3)聚点采样 聚点采样也是一种经常采用的较为经济的采样方法。聚点采样往往先在样本空间内抽取一定数量的主样本(每个主样本可以是一个多边形、一平方公里范围或一张航空像片等)，然后在每一个主样本内再抽取若干个二级样本作为地面实地考察的对象。比如在每个多边形或每张航片之内抽取一定数量的样本。这种采样方式能够在有限的空间范围内取得更多的样本，以利于野外调查和样本数据的收集。 采样数量：用于精度评价的像无数量通常难以统一决定。但是对每个类别应有一定的数量保证，建议精度评价的每个类别至少有50
9、个像元；当区域很大或者分类类别较多时，每类的最小数量应增加到75一100个；当然这个数量需要根据每个类别各占多少而有所调整。,2 误差矩阵与精度估计量,2 误差矩阵与精度估计量,2 误差矩阵与精度估计量,混合像元分解,一、 概念,二、 常用的混合像元分解模型,三、 线性光谱混合模型,四、 应用实例,遥感器所获取的地面反射或发射光谱信号是以像元为单位记录的。它是嫁元所对应的地表物质光谱信号的综合。图像中每个像元所对应的地表，往往包含不同的覆盖类型，它们有着不同的光谱响应特征。若该像元仅包含一种类型，则为纯像元(pure pixel)，它所记录的正是该类型的光谱响应特征或光谱信号；若该像元包含不止
10、一种土地覆盖类型，则称为混合像元（mixed pixel)，它记录的是所对应的不同土地覆盖类型光谱响应特征的综合。如；野外测得的值物光谱多为植物及其下垫面土壤的混合光谱(往往还包含有阴影)，即使裸露的地表(无植被或少植被覆盖)也是不同类型土壤、矿物质等的混合光谱。,一 概念,为了提高遥感应用的精度，就必须解决混合像元的分解问题，使遥感应用由像元级达到亚像元级，进入像冗内部，将混合像元分解为不同的“基本组分单元”或称“终端单元”(end member)，并求得这些基本组分所占的比例。这就是所谓的混合像元分解”过程。,一 概念,二、 常用的混合像元分解模型,线性光谱混合模型 几何光学模型 随机几何
11、模型 概率模型 模糊模型 神经网络模型,表1 三种混合像元分解模型比较,二、 常用的混合像元分解模型,这些模型中，除几何光学模型和随机几何模型不适合于土地覆盖类型的混合像元分解，其他模型均可用于土地覆盖研究。比较而言，线性光谱混合模型是建立在像元内相同地物都有同样的光谱特征以及植被指数线性可加性基础上的，其物理含义明确，理论上有较好的科学性，对于解决像元内的混合现象有一定的效果，且操作运算较简单、便利，因而被广泛应用。,二、 常用的混合像元分解模型,定义： 像元的光谱亮度值是由构成像元的基本组分或称为端元（endmember）的光谱亮度值以其所占像元面积比例为系数的线性组合，可用下式表达：,：
12、第i像元在波段上的光谱反射值,：第k个基本组分在波段的光谱反射值。,：第波段第i像元对应的误差值。,：i像元中第k个组分所占的分量,：均方根误差图像,（1）,1、 线性混合光谱模型定义,三、 线性光谱混合模型,（1）Endmember 类型的确定 （2） Endmember的代表值 （3）最佳波段选择,2、 关键问题,三、 线性光谱混合模型,四、 应用实例：基于线性光谱混合模型的积雪面积提取-以新疆北疆为例,MODIS是当前世界上新一代“图谱合一”的光学遥感仪器，具有36个光谱通道，分布在0.414m的电磁波谱范围内，波谱范围和主要用途如表4.1所示。MODIS的空间分辨率分别为250m，50
13、0m和1000m，扫描宽度为2330km，在对地观测过程中，每秒可同时获得6.1Mb的来自大气、海洋和陆地表面信息。多波段数据可以同时提供反映陆地、云边界、云特性、海洋水色、浮游植物、生物地理、化学、大气水汽、地表温度、云顶温度、大气温度、臭氧和云顶高度等特征信息，用于地表、生物圈、固体地球、大气和海洋进行长期观测,表2 各种端元提取算法比较,1.1 提取端元方法 ：,1、 提取端元 ：,四、 应用实例：基于线性光谱混合模型的积雪面积提取-以新疆北疆为例,PPI分析是目前应用比较广泛，而且比较成功的方法，主要缺点是具有监督性，需要操作人员具备丰富的先验知识，类别确定困难。,PPI认为图像数据集
14、合是在N维空间中形成的一个凸集，像素向量是在N维空间上的矢量。首先通过最小化噪声的方法（MNF)对数据进行降维，接着生成大量穿过数据集合内部的随机的测试向量, 然后将光谱点分别往各个测试向量上投影, 投影的结果, 用一个确定门限选出在这个方向上的极值点, 如图 (在这里举的是二维空间的例子)。随着向量方向的不断变化, 记录下图像中每个像素作为极值点的次数, 最后认定出现频率最高的点就是我们要找的纯点。,图2 PPI示意图,四、 应用实例：基于线性光谱混合模型的积雪面积提取-以新疆北疆为例,1.1 提取端元方法 ：,MNF(最小噪声分离)变换对数据进行降维，它是同主分量变换相似的一种方法，它被用
15、来分离数据中的噪声，确定数据内在的维数，减少随后处理的计算量。,图3 MNF变换图,从波段能量变化直方图，也可以看出，1波段到2波段能量变化是最快的，2到3、3到4次之，4到5到6，能量变化最缓，而后面几个波段的能量值也很小，所能利用的信息较少，噪声较多。,1.2 MNF变换 ：,四、 应用实例：基于线性光谱混合模型的积雪面积提取-以新疆北疆为例,图5 端元反射光谱曲线图,图4 端元散点图,1.3 PPI提取端元 ：,四、 应用实例：基于线性光谱混合模型的积雪面积提取-以新疆北疆为例,同时，在积雪分量图沿东西方向做一剖面，见积雪分量图中的东西向的红线，得到积雪盖度剖面图，该图中显示左侧积雪盖度
16、小，右侧积雪盖度大，约在90%以上。,2 应用线性光谱模型计算雪盖系数（FR） ：,图6 积雪分量图,图7 假彩色合成图,图8 水平剖面图,四、 应用实例：基于线性光谱混合模型的积雪面积提取-以新疆北疆为例,归一化差分积雪指数(NDSI)是基于雪对可见光与短波红外波段的反射特性和反射差的相对大小的一种测量方法。NDSI类似于归一化植被指数(NDVI)，对大范围的光照条件不敏感，对大气作用可使其局地归一化并且不依赖于单通道的反射，是目前MODIS监测积雪通用的方法，其基本运算如下:,NDSI=（CH4-CH6）/（CH4+CH6）,判断：NDSI0.4 CH4反射率10%,3、雪盖指数介绍 ：,四、 应用实例：基于线性光谱混合模型的积雪面积提取-以新疆北疆为例,混合像元分解法与NDSI相比，计算过程非常复杂，需要大量的时间。可将雪盖指数法与混合像元分解法结合起来，探讨雪盖系数(snow fractional)与雪盖指数的关系，进一步探索雪盖指数是否能作为MODIS 250m的一个像元中积雪比例的标准，
