《遥感技术基础07》由会员分享，可在线阅读，更多相关《遥感技术基础07（30页珍藏版）》请在金锄头文库上搜索。
1、遥感技术基础,学年学期：2010-2011学年第一学期 学 院：测绘与地理科学学院 班 级：地理081-3班 教 师：李 玉,2018/9/28,1,课程内容 一、分割（Segmentation）的一般原理 二、非监督分割 （Unsupervised） 三、监督分割（Supervised）,第七讲 遥感图像分割,2018/9/28,2,一、分割（Segmentation）的一般原理 计算机判读：以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据目标地物的影像特征（颜色、形状、纹理、空间位置），结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理,实现对遥感图象的理解
2、,完成对遥感图象的解译。,第七讲 遥感图像分割,2018/9/28,3,模式(Pattern)：即某种实物的标准形式或使人可以照着做的标准样式。举例：某地物的光谱特征曲线反映了该地物的反射特性，所以，该光谱特征曲线就是该地物的一个模式。 模式识别 (Pattern Recognition)：即对需识别或分类的对象，进行一系列测量，例如，对未知类别的地物，测量它在等波长处的反射特性。然后将这一系列测量所构成的模式与已知类别的地物模式作比较，看它与那一个相同或相似，即判认它是属于哪一个类别的地物。,第七讲 遥感图像分割,2018/9/28,4,计算机判读与目视判读目的一样，但在判读和识别地物的模式
3、方面，有着明显的不同。 目视判读：主要以图像的空间特征（地物的几何特征和光谱特征的空间反映）为判读依据。 计算机判读：主要以图像像元的灰度（地物光谱特征的直接反映）为判读依据。,第七讲 遥感图像分割,2018/9/28,5,2018/9/28,6,图像分割: 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。,第七讲 遥感图像分割,2018/9/28,7,图像分割模型: 对图像 X =x1,xn 的分割就是将其划分为满足如下条件的子区域 S1 , Sm,其中m为子区域的个数。（1）Sj X, Sj , j = 1, , m ;（2
4、）Sj Sk= , j k ;（3）j = 1,mSj = X。 图像分割的基本问题 如何决定子区域个数； 特殊涵义的定义与建模； 实现分割的方法。,第七讲 遥感图像分割,2018/9/28,8,图像分割的理论基础 同类地物具有相同（似）的光谱特征，不同地物的光谱特征具有明显的差别。由于影响地物光谱特征的因素很多，所以影像的判读分类都是建立在统计分析的基础上的。 同类地物的图像灰度概率在单波段（一维空间）符合正态分布规律。 多维图像（即多波段）中的一个像元值（灰度）向量。在几何上相当于多维空间中的一个点，而同类地物的像元值，既不集中于一点，也绝非是杂乱无章的分布，而是相对地密集在一起，形成一个
5、点群（一个点群就是地物的一种类别）。一般情况下，点群的边界不是截然的，有少部分重叠和交错的情况。,第七讲 遥感图像分割,2018/9/28,9,图像分割的方法 监督（Supervised）分割法（训练场地法/先学习后分割法）：即先选择有代表性的实验区（训练区），用已知地面的各种地物光谱特征来训练计算机，取得识别判别规则，并以此做标准对未知地区的遥感数据进行自动分割识别。 非监督（Unsupervised）分类法：即按照灰度值向量或波谱样式在特征空间聚集的情况划分点群或类别。其类属是通过对各类光谱响应曲线进行分析以及与实地调查数据相比较后确定的。,第七讲 遥感图像分割,2018/9/28,10,
6、二、非监督分割 以聚类分析的方法为例 主要过程 (1) 确定最初类别数和类别中心; (2)计算每个像元多对应的特征矢量与各聚类中心的距离; (3)选与其中心距离最近的类别作为这一矢量(像元)的所属类别; (4)计算新的类别均值向量; (5)比较新的类别均值与原中心位置的变化, 形成新的聚类中心; (6)重复II-IV, 反复迭代; (7)如聚类中心不再变化, 停止计算.,第七讲 遥感图像分割,2018/9/28,11,常用的非监督分割方法 K-MEANS方法 ISODATA（Iterative Self-Organizing Data Analysis Technique，迭代自组织数据分析技
7、术）方法 K-均值分割 在数据空间内平均计算各类的均值，使用最小距离法，将未知像元划分到某一类中，再调整均值，直到迭代次数满足，或者距离阈值满足。,第七讲 遥感图像分割,2018/9/28,12,K-均值分割的步骤 1. 任意选择K个聚类中心，一般选前K个样本； 2. 迭代，未知样本X分到距离最近的类中； 3. 根据Step2的结果，重新计算聚类中心； 4. 每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数，算法结束。 K-均值分割的输入参数类别数目: 要分成几类；变化阈值Change threshold% (0-100): 如果每一类的像元数目变化小于此数值，则迭代停止。,第
8、七讲 遥感图像分割,2018/9/28,13,ISODATA分割 在K-均值算法的基础上，加入了试探性的步骤，能够吸取中间结果的经验，在迭代的过程中可以进行类别的分离和合并，具有“自组织”性。,第七讲 遥感图像分割,2018/9/28,14,ISODATA分割的步骤 1. 在整幅图像的特征空间上，随机地选择初始的集群组（即类别）中心 2. 计算其它像元离这些中心的距离，按照最小距离法划入其对应的类别中； 3. 计算集群像元总数，如数目太少，删除该类别； 4. 重新计算每个类别的均值，按照定义的参数合并或分开类别； 5. 重复以上过程，直到有关参量的变动在容忍的范围内（每一类的像元数变化少于选择
9、的像元变化阈值或已经到了迭代的最多次数）为止。,第七讲 遥感图像分割,2018/9/28,15,ISODATA分割的的输入参数类别数目; 变化阈值; 最长的时间或迭代次数; 每个集群组中最小的像元数量; 集群分裂标准：每类集群所容许的最大标准差; 集群合并标准：两集群均值间允许的最小距离.,第七讲 遥感图像分割,2018/9/28,16,人工神经网络法 人工神经网络是基于生物神经系统分布式存储、并行处理、自适应学习这些现象构造出具有一些低级智慧的人工神经网络系统。 目前代表性的神经网络模型有： BP（Back Propagation）神经网络 模糊自组织神经网络 RBF（Radial Basi
10、s Function）神经网络 Kohonen自组织神经网络,第七讲 遥感图像分割,2018/9/28,17,第七讲 遥感图像分割,2018/9/28,18,决策树分类法 决策树是一树状结构,依据规则把遥感数据集一级级往下细分以定义决策树的各个分支。,第七讲 遥感图像分割,2018/9/28,19,基本思想：从“原级”（根结点）开始，利用表达式，每一个决策将影像中的像元分成两类，使用另一表达式，每个新类又能被分成另外的两个新类，如此不断地通过选择不同的特征用于进一步地有效细分类，直到所要求的“终极”（叶结点）类别分出为止. 在决策树分类中经常采用的特征 光谱值； 通过光谱值算出来的指标（如ND
11、VI）； 光谱值的算术运算值（如，和、差、比值等）； 主成分. 由于决策树分类法中的运算几乎都是由比较大小而组成的，所以与采用复杂计算公式的最大似然比分类法等相比，可以用很短的时间进行分类处理,第七讲 遥感图像分割,2018/9/28,20,专家系统方法 专家系统也是人工智能的一个分支，它采用人工智能语言将某一领域（如地学知识）的专家分析方法或经验，对地物的多种属性进行分析、判断，从而确定各地物的归属。 利用这样的系统就可以把判读专家的经验性知识综合起来进行分类。 其它方法：除了以上常用的方法之外，还有多时相数据分类方法、模糊分类法、亚像元分类法，基于纹理的分类法等等。,第七讲 遥感图像分割,
12、2018/9/28,21,三、监督分割 常用的监督分类方法 平行算法 最小距离法 最大似然法 马氏距离分类 波谱角分类法,第七讲 遥感图像分割,2018/9/28,22,训练区选择 规则 训练区要具有典型性和代表性； 样本要保证一定数量； 选取训练区使用的参考图件与分类数据在时间上和空间上最好保持一致或相近。 方法 实地调查 屏幕选择：参考实地调查结果、研究区其它相关图件资料、辅助遥感资料等信息，进行目视解译。,第七讲 遥感图像分割,2018/9/28,23,最小距离法（Minimum Distance） 利用训练样本中各类别在各波段的均值，根据各像元离训练样本平均值距离的大小来决定其类别。,
13、第七讲 遥感图像分割,2018/9/28,24,第七讲 遥感图像分割,2018/9/28,25,平行管道分类（平行六面体） 规定每个特征的范围,第七讲 遥感图像分割,2018/9/28,26,最大似然法（Maximum Likelihood） 计算每个像元属于各个类别的似然度，该像元分到似然度最大的类别中。 设 P(X|i)为某一类别 i 的特征矢量分布函数，它是把模式X分类到为最大的类别中的分类方法。 式中P(i)表示类别i 模式的先验概率，P(X |i)表示条件概率密度函 数，P(i|X)为在观测模式 X 时，该模式属于类别 i 的似然度。 这一方法称为最大似然法，它是理论上误差最小的分类
14、方法。,第七讲 遥感图像分割,2018/9/28,27,(a)所示是一个用某值将特征空间分为两个区域的例子，因此而产生 的错误分类概率如图（b）中的阴影部分的面积表示。T值对应的错分概 率最小 。,第七讲 遥感图像分割,(a),(b),2018/9/28,28,第七讲 遥感图像分割,2018/9/28,29,监督分类与非监督分类 监督分类的优点 可充分利用对分类地区的先验知识，预先确定分类的类； 可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）； 可避免非监督分类中对光谱集群组的重新归类。 监督分类的缺点 人为主观因素较强； 训练样本的选取和评估需花费较多的人力、时间； 只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果。,第七讲 遥感图像分割,2018/9/28,30,非监督分类的优点 无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组 人为误差的机会减少，需输入的初始参数较少 独特的、覆盖量小的类别均能够被识别。 非监督分类的缺点 后续处理比较麻烦; 不一定分出想要的结果; 不同图像的分类结果难以比较。,第七讲 遥感图像分割,
