《高光谱遥感图像分类》由会员分享，可在线阅读，更多相关《高光谱遥感图像分类（52页珍藏版）》请在金锄头文库上搜索。
1、第七章 高光谱遥感图像分类本章主要介绍高光谱遥感数据的分 类算法和实验。17.1 遥感图像分类数据信息l利用计算机通过对高光谱遥感图像中的各类地 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互分为互不重叠 的子空间，然后将图像中的各个像元划分到各 个子空间去。2构造分类器l分类器如下图所示是把未知模式识别为已知 模式的工具，要实现这一功能，它由以下四 个部分组成：分类特征，分类判据，分类准 则，分类算法。31）遥感图像的分类特征l分类特征即将各类模式区分开来的特征，常 用的高光谱图像的分类特征就是光谱特征， 主要分为：光谱反射率、波形、光谱数学变 换特征、光谱吸收指数、
2、导数光谱波形等。l除此之外，还有几何特征，多时相特征（融 合），数字变换特征（），高程信 息等。它们都可以作为分类的依据加入到分 类模型当中。42）分类判据相似性作为分类判据的度量：可以表现为不同 的 形式:l 距离值（Distance Value）：像素或像素组 信号特征向量之间距离值的大小来衡量。假如样 本均线性可分欧式距离 假如样本正态分布 马氏距离，假如样本线性不可分似然度l 概率值（Probability Value）：像素信号特征 向量与某一像素组的似然性的大小为相似性的量 度l光谱角值（Spectral Angle Value）：像素或 像素组之间光谱角的大小为相似性量度。光谱波
3、 形特征光谱相似度或光谱夹角53）分类准则最常用的分类准则是：最小二乘法（平方误差最小）和费歇尔准则（假设样本基于正态分布）是广泛采用的分类准则，除此之外，还有，基于最小误差准则（分类的错误概率最小），最小风险准则（损失的条件数学期望最小），聂曼皮尔逊准则，基于熵函数可分性准则等64）算法选择l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l参数分类和非参数分类：假定类的概率分布函 数并估计其分布参数l硬分类和软分类：像元属于一个类或多个类7监督分类：利用某些已知类别训练样本让分类 识别系统进行学习，待其掌握了各个类别的特征 以后，按照分类的决策规则进行分类。例如：最 小距离法
4、，最大似然法，平行管道法以及神经网 络、支持向量机等新方法。 l训练区已知地表覆盖类型的代表样区用于描述主要特征类型的其精度直接影响分类l检验区用于评价分类精度的训练样区5）分类执行的方式8样区选择示例训练样区与检验区的选择：相互独立、不能重叠9l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，例如K均值，isodata算法等。l其分类的结果，只是对不同类别达到了区分，并不 确定类别的属性，其属性是通过事后对各类的光谱 响应曲线进行分析，以及与实地调查相比较后确定 的。10聚类分析l非
5、监督分类主要采用聚类分析方法，把一组像 素按照相似性归成若干类别。例如：K均值算法 基本思想是：通过迭代，移动各个基准类别的 中心，直至得到最好的聚类结果为止。该算法 能使得聚类域中所有样本到聚类中心的距离平 方和最小。11监督分类与非监督分类方法比较l训练样本的选择是监督分类的关键，必须充分 考虑地物光谱特征，且样本数目要能满足分类 的要求，有时这些还不易做到，这是监督分类 不足之处。l非监督分类不需要更多的先验知识，它根据地 物的光谱统计特性进行分类。因此，非监督分 类方法简单，但是，分类效果不如监督分类效 果好。12l高光谱遥感图像分类的主要特点在于： 1）光谱分辨率高，波段众多，且可以
6、挑选特 定 的波段来突出特征，进行分类。 2）数量冗余程度增加，波段相关性高。 3）hughs现象的存在，样本数目要求高，且随 着 波段增加分类精度反而下降。l我们主要介绍三种方式进行有效的高光谱遥感 图 像分类： 1）降维+传统分类算法 2）智能化的新分类算法 3）光谱匹配分类7.2 高光谱遥感图像分类思路131）降维+传统分类原始高光谱图像：山东青岛 OMIS128个波段14l重点在于光谱维特征的提取，即通过映射和变 换的方法（如主成分分析PCA，最小噪声分离 变换MNF，小波变换等），把原始模式空间的 高维数据变成特征空间的低维数据。然后对特 征更集中的低维数据进行传统分类处理。分类方法
7、：特征提取+传统分类算法15(1) Minimum distance classifier02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest 02550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest12分类器：选择最小距离和最大似然法进行比较16(2) Maximum likelihood classifier02550255TM Band 3TM Band 4concretehig
8、h buildingsgrass slopewaterbare soilsforest1202550255TM Band 3TM Band 4concretehigh buildingsgrass slopewaterbare soilsforest17具体步骤：l选取海水，建筑物和植被3个不同类别的样本，样 本个数各为300个。样本要具有代表性就是样本的 亮度要反映该类地物的亮度特征,当同一地物区域分 布不连续时，我们要尽量使样本来自不同的区域。l如：在对海水取样时，既要选择来来自右上角的深 水区的样本，又要选择来自河道以及水田中的浅水 区的样本。从亮度特征角度而言,对于同一类地物具 有不同
9、亮度特征情况,都要选取(同物异谱)。l原始图像选择前3个波段后，采用以下两种传统分 类算法进行分类：18分类结果比较图最大似然法分类结果最小距离法分类结果可以分为三个类别：海水 植被及农作物 建筑物及桥梁 19l区域A：在浅水区，最大似然法分类图像中 出现了原始分类图像中没有的像点。这些像 点是水中的暗礁和草,RGB图像上用肉眼无法 识别到这些细节。20l区域B：通过目视解译，可以分辫出这个区 域是由田埂分开的一块又一块的稻田，这些 稻田中全是海水。最小距离法分类时却忽略 了这些由植被覆盖的田埂，将其全部分成了 海水。甚至将右上角处的海水类分成了植被 类。21l区域C：可以看到左图中有很多被错
10、分的像 点，如山脉中的部分植被和建筑被类分成了 海水类。而右图中几乎没有被错分的像点；22237.3 神经网络对高光谱影像分类l目前的多种先进而新颖的技术手段层出不穷 ，人工智能，模糊理论，决策树，神经网络 等都被应用于遥感图像的理解和分析当中。l人工神经网络技术，黑匣子，能被用于多源 数据的综合分析被广泛用于遥感图像分类。241 神经系统基本构成l神经网络是在生物功能启示下建立的信息 处理系统，摸仿了人脑的结构特征和信息处 理机制，表现出了许多与人脑相同的特征。25l简单的神经元网络是对生物神经元的简化 和模拟，其模型如下图：262 拓扑结构 l网络的拓扑结构是NN的重要特征，从连接方 式上
11、可以包括：前馈型网络和反馈型动态网 络两大类。 输出层输出层隐藏层隐藏层输入层输入层o1o2omx1x2xn连接的拓扑表示： ANANi iw wij ijANANj j 27l层次划分 l信号只被允许从较低层流向较高层。l层号确定层的高低：层号较小者，层次 较低，层号较大者，层次较高。l输入层：被记作第0层。该层负责接收 来自网络外部的信息输出层隐藏层输入层o1o2omx1x2xn28l第j层：第j-1层的直接后继层（j0），它直 接接受第j-1层的输出。l输出层：它是网络的最后一层，具有该网络 的最大层号，负责输出网络的计算结果。l隐藏层：除输入层和输出层以外的其它各层 叫隐藏层。隐藏层不
12、直接接受外界的信号，也 不直接向外界发送信号输出层隐藏层输入层o1o2omx1x2xn293 学习与联接模式l学习规则：外部环境对系统的输出结果给出 评价，学习系统通过强化受奖的动作来改善 自身性能。l误差纠错学习（delta）lHebb学习l竞争学习l学习方式：l监督学习（Supervised learning）l非监督学习(Unsupervised learning)30联接模式 l用正号（“+”，可省略）表示传送来的信 号起刺激作用，它用于增加神经元的活跃度 ；l用负号（“-”）表示传送来的信号起抑制作 用，它用于降低神经元的活跃度。314 BP(Back Propagation)神经网
13、络 1.BP网络在1986年提出，是一种按误差逆传播算 法训练的多层前馈网络，是目前应用最广泛的 神经网络模型之一。 2.BP网络能学习和存贮大量的输入-输出模式映射 关系，而无需事前揭示描述这种映射关系的数 学方程。 3.BP网络的学习规则是使用最速下降法，通过反 向传播来不断调整网络的权值和阈值，使网络 的误差平方和最小。 4.BP神经网络模型拓扑结构包括输入层（input） 、隐层(hide layer)和输出层(output layer) 。 32BP网络的拓扑结构x1o1输出层隐藏层输入层x2o2omxnWV33训练过程概述 样本：(输入向量，理想输出向量)权初始化：（-1,1）1、
14、向前传播阶段： （1）从样本集中取一个样本(Xp，Yp)，将Xp输入网 络；神经元的网络输入： neti=x1w1i+x2w2i+xnwni（2）计算相应的实际输出O：1（0,0.5）net（0,0）o342、向后传播阶段误差传播阶段： （1）计算实际输出O与相应的理想输出Y的差 ；（2）网络关于第p个样本的误差测度：（3） 网络关于整个样本集的误差测度：（4）按极小化误差的方式调整权矩阵。即：对W不断做调整，直到E。35lBP神经网络模型的输入层的神经元个数为波 段数，输入值为各个像元的灰度值。输出层 的神经元个数为地物端元的个数，输出值为 像元在各个典型地物所属的类别。隐含层神 经元的个数
15、经过多次的实验确定，同时也可 以采用有经验公式计算： 式中，M为分类数；N为特征向量维数，即 影像波段数。具体应用于遥感影像分类 36l正向传播：对权值赋予-11之间的随机值，然后从 网络的输入节点输入样本数据，计算样本信息在正 向传播过程中，前一层的神经元数据对本层每个神 经元的加权，并利用Sigmoid函数运算输出。l反向传播：接着求出误差进行反向的迭代，调整权 值，权值训练完成后，求出满足一定误差条件的权 矩阵。l测试：将影像上的每个像素的波段值作为输入向量 ，通过计算可得到输出向量，对应于该像素在各个 预先指定的各个分类类型的概率值，将最大的概率 值赋值为1，其余的赋值为0，即得出分类
16、图。具体过程： 37l实验1实验分析实验分析38l该影像区域选择的是武汉城区，通过实 际调查后，预期将该影像分为，水体， 植被，城市，云四个类类别。经过实际 调查后得到的每个类别的样本数列在表 中。39监督人工神经网络分类器的比较监督人工神经网络分类器的比较植被 (f) Self-organizing map(b) K均值(c) ISODATA(a) MODIS 影像(d) 最大似然法(e)神经网络分类40方法 精度K均值值ISODAT AMLC神经网 络总总精度78.65%72.43%76.98 %83.64%Kappa系 数0.73590.69040.72560.7912定量结果比较定量结果比较41l实验2该区域在常州市夏桥，为 混合农业区域。采用的是国 产PHI（推扫式光谱成像仪 ） 遥感影像（340390 像 素），波段数为80 波段， 该区域是一个混合的农业区 域，其成像波段范围为 0.4170.854m。42l通过实际调查
