《环境遥感技术及应用(田静毅)第五章遥感图像的计算机分类课件》由会员分享,可在线阅读,更多相关《环境遥感技术及应用(田静毅)第五章遥感图像的计算机分类课件(81页珍藏版)》请在金锄头文库上搜索。
1、第五章第五章 遥感图像的计算机分类遥感图像的计算机分类遥感信息的提取主要由人工或计算机进行。人工信息提取也称图像判读,将在第六章介绍。本章主要介绍遥感图像的计算机分类。1 遥感图像的计算机分类 Computer Classification of RS Image2 监督分类方法Supervised Classification3 无监督分类方法Unsupervised Classification4 模糊理论与专家系统的应用Application of Fuzzy theory&Expert System掌握:概念:特征空间、监督分类、非监督分类、训练、训练场地、训练样本、模式、模式识别。遥
2、感图像的分类原理。监督分类中选择训练样本的要求。监督分类中主要的识别分类方法及其各自特点。了解:模式识别的任务与方法(分类)。训练场地的选择方法。识别分类判别函数的特点。1 遥感图像的计算机分类1.遥感图像分类原理遥感图像计算机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。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,对每个像元或比较匀质的像元组给出对应其特征的名称,这些名称称为分类类别(class)。在分类中所注重的是各像元的灰度及纹理等特征。用
3、这样的多个特征量(特征矢量)所定义的空间叫特征空间(feature space)。分类也可以说是按照若干分类基准对特征空间进行分割,对其中所含的像元或匀质区域给出相同的名称。The Procedure of Image Classification2.遥感图像分类方法根据所采取的方法途径不同,遥感图像分类包括:监督分类(Supervised Classification)非监督分类(Unsupervised Classification)监督分类 根据已知训练场地提供的样本,通过选择特征参数,建立判别函数,然后把图像中各个像元点归化到指定类中的分类方法。1、训练(training)指计算机对遥
4、感图像进行自动识别、分类的学习过程。2、训练样本(training sample)又称“训练组”或“训练区”。指监督分类法中由先验类别选取的已知样本。它用来建立分类标准。监督分类对所要分类的地区必须要有先验的类别知识,即已知遥感图像上的样本区内的地物的类别,该样本区为训练区。我们具体地确定各类地物各波段的亮度值,并据此确定特征参数,建立判别函数。监督分类一般是在图像中选取有代表性区域作为训练区,由训练区数据得出各个类别的统计数据,然后根据这些统计数据对整个图像进行分类。2 监督分类方法1.监督分类的内容 学习过程:利用训练样本的特征值求解判别函数的过程称为监督分类的学习过程。识别分类过程:利用
5、判别函数对未知类别样本进行分类的过程。(1)学习过程a.对所使用图件的要求:时间性:在确定数字图像与地形图(或土地利用图、地质图、航片等其他图)的对应关系时,所用的两类图件在时间上应一致,即同一时间的图件。空间性:上述两类图件在空间上应很好匹配。b.对训练样本的要求:类别:选择的训练场地所包含的类别在种类上应与研究地域所要区分的类别一致。不连续性:训练场地各样品在地理空间上可以是不连续的。代表性:训练场地样品在各类地物面积较大的中心部分进行选取,而不应在各类地物的混交地区和类别的边缘选取,以保证数据的单纯性(均一物质的亮度值)。分布:各类训练场地样本应该是正态分布,训练样本应尽量满足这一要求,
6、即直方图是单峰,不能是双峰。数量:要使各类训练样本能够提供各类的足够信息和克服各种偶然因素的影响,各类训练样本应该有足够样品数。训练样品的个数与所采用的分类方法、特征空间的维数、各类的大小和分布等有关。训练样本的选择方法a.特征库法:从已建立的样本特征库中取出同样环境下同种物类的数据。b.外推法:从地形图、土地利用图、植被图等图件上直接选取训练样本。具体做法是将几何粗校正好的数字图像与比例尺相同的地形图配准后,在数字图像上勾画出各类地物的边界,提取样本。监督分类中训练样本的选择要求(2)识别分类过程识别分类及其判别函数的特点:识别分类又称判别分析分类,是根据某个判别函数的函数值对自变量进行分类
7、的统计分析方法。在图像处理中,判别函数一般是指一组以各波段的像元值X j为自变量的函数,其函数值可以作为分类界线。识别分类方法 判别分析可以采用不同的判别函数及分析方法。监督分类主要有以下三种识别分类方法:最小距离法(minimum distance classifier)平行六(多)面体法(parallelepiped/box classifier)最大似然法(maximum likelihood classifier)最小距离法是根据最小距离原则进行分类的方法。在资源遥感分类中,该方法应用较多。原理:首先由训练组数据得出每一类别的均值向量及标准差向量,然后以均值向量作为该类在多维空间的中心
8、位置,计算输入图像中每个像元到各类中心的距离,到哪一类中心距离最小,则该像元就归入哪一类。最小距离分类法的原理最小距离分类中常用的距离函数有两个:欧几里德距离:街道距离:其中,为第i 类在第i 波段的均值,n为波段数,xi为像元在第i 波段的像元值。最小距离分类法原理简单,分类精度不很高,但计算速度快,它可以在快速浏览分类概况中使用。平行六(多)面体法是在三维(或更多维)特征空间中,每类形成一个平行六面体(或多面体),即产生一个盒子,盒子一般以每类均值坐标点为中心,1、2、1.73倍标准差(在每个变量上)为棱长,以使分类满足要求。待分个体(样本)落入某平行六面体(或多面体),盒子中,则归属某一
9、类,否则被拒绝。平行六面体分类法的原理平行六(多)面体监督分类方法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。遥感图像不同波段之间相关程度较高,一些点群在空间直角坐标系中分布呈现不规则的椭球形,其长轴相当于平行多面体的对角线方向。容易造成2类互相重叠,混淆不清。解决的办法是,把一个自然点群分割成几个较小的平行多面体,使之更加逼近实际概率分布,提高精度。最大似然法它是应用最广泛的监督分类方法,分类中所采用的判别函数是每个像元值属于每一类别的概率或可能性。其基本原理是对每个像元计算其落于各先验类别的概率。概率最大的相应类别,即为该像素的所属类别。现以图所示的二维观测为例。设欲
10、根据这些数据和先验知识求像点X属于A、B、C中的哪一类,则X属于A的概率为:式中:P(X/A)为先验已知值,是在已知地类A内获得X的条件概率;P(A)为先验已知值,系在那个地区内,A地类出现的先验概率.实验 监督分类将germtm.img分为:for_1,for_2.(在453波段组合下为红色,红中夹绿)con_1,con_2.(在453波段组合下为青色,淡蓝色)water(在453波段组合下为黑色,深蓝色)步骤:定义分类模板(Define Signatures)评价分类模板(Evaluate Signatures)进行监督分类(Perform Supervised Classificatio
11、n)评价分类结果(Evaluate Classification )1.定义分类模板(定义分类模板(Define Signature Using signature Editor)ERDAS IMAGINE的监督分类是基于分类的监督分类是基于分类模板来进行的,而分类模板的生成、管理、评模板来进行的,而分类模板的生成、管理、评价、和编辑等功能是由分类模板编辑器来负责价、和编辑等功能是由分类模板编辑器来负责的。毫无疑问,分类模板生成器是进行监督分的。毫无疑问,分类模板生成器是进行监督分类一个不可缺少的组件。类一个不可缺少的组件。在分类模板生成器中,生成分类模板的基在分类模板生成器中,生成分类模板的
12、基础是原图像。因此,显示图像的视窗也是进行础是原图像。因此,显示图像的视窗也是进行监督分类的重要组件。监督分类的重要组件。第一步:第一步:显示需要进行分类的图像第二步:第二步:打开分类模板编辑器ERDAS图标面板工具,点击Signature Editor菜单项 在viewer中点击图标定义分类模板定义分类模板 (1)在)在raster工具面板单击图标工具面板单击图标 ,进入多边形,进入多边形aoi绘制状态;绘制状态;(2)在图像窗口中选择红色区域(某地)在图像窗口中选择红色区域(某地类),绘制一个多边形类),绘制一个多边形aoi;(3)在)在signature editor窗口,单击窗口,单击
13、create new signature 图标,将多边形图标,将多边形aoi区域加载到区域加载到signature editor分类模板属性分类模板属性表中;表中;(4)在图像窗口中选择另一个红色区域,)在图像窗口中选择另一个红色区域,再绘制一个多边形再绘制一个多边形aoi;(5)同样在)同样在signature editor窗口,单击窗口,单击create new signature 图标,将多边形图标,将多边形aoi区域加载到区域加载到signature editor分类模板属性表中;分类模板属性表中;(6)重复上述两步操作过程,选择图像中您认为属)重复上述两步操作过程,选择图像中您认为属
14、性相同的多个红色区域绘制若干多边形性相同的多个红色区域绘制若干多边形aoi,并将其,并将其作为模板依次加入到作为模板依次加入到signature editor分类模板属性分类模板属性表中;表中;(7)按下)按下shift键,同时在键,同时在signature editor分类模分类模板属性表中依次单击选择板属性表中依次单击选择class字段下面的分类编字段下面的分类编号,将上面加入的多个红色区域号,将上面加入的多个红色区域aoi模板全部选定;模板全部选定;(8)在)在signature editor工具条,单击工具条,单击merge signature 图标,将多个红色区域图标,将多个红色区域
15、aoi模板合并,模板合并,生成一个综合的新模板,其中包含了合并前的所有生成一个综合的新模板,其中包含了合并前的所有模板像元属性;模板像元属性;(9)在)在signature editor菜单条,单击菜单条,单击edit/delete,删除合并前的多个模板;删除合并前的多个模板;(10)在)在signature editor属性表,改变合并生成的分属性表,改变合并生成的分类模板的属性;包括名称与颜色分类名称(类模板的属性;包括名称与颜色分类名称(signature name)(11)重复上述所有操作过程,根据实地调查和已有研)重复上述所有操作过程,根据实地调查和已有研究成果,在图像窗口选择绘制多
16、个黑色区域究成果,在图像窗口选择绘制多个黑色区域aoi(水体)(水体),依次加载到,依次加载到signature editor分类属性表,并执行合分类属性表,并执行合并生成综合的水体分类模板,然后确定分类模板名称和并生成综合的水体分类模板,然后确定分类模板名称和颜色;颜色;(12)同样重复上述所有操作过程,绘制多个其他类型)同样重复上述所有操作过程,绘制多个其他类型的的aoi,加载、合并、命名,建立新的模板;,加载、合并、命名,建立新的模板;(13)如果将所有的类型都建立了分类模板,就可以保)如果将所有的类型都建立了分类模板,就可以保存分类模板。(保存为存分类模板。(保存为*sig文件)文件)2、评价分类模板、评价分类模板可能性矩阵法 在Signature Editor对话框:在signature Editor中选择所有类别 菜单条:Evaluation Contingency 打开Contingency Matrix对话框然后,IMAGINE文本编辑器(Text Editor)被打开,分类误差矩形矩阵将显示在编辑器中供查看统计,显示分类误差数据 3、执行监督分类、执行监督分类 Mai