【精品】遥感数字影像处理:分类与特征提取82.ppt
《【精品】遥感数字影像处理:分类与特征提取82.ppt》由会员分享,可在线阅读,更多相关《【精品】遥感数字影像处理:分类与特征提取82.ppt(131页珍藏版)》请在课桌文档上搜索。
1、遥感数字影像处理:分类与特征提取,分类与特征提取,概述分类原理与基本过程遥感图像分类方法遥感图像多种特征提取图像解译专家系统,概述,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。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。,概述,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
2、地提取出地表场景中感兴趣的目标物。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。,概述,由于利用遥感图像可以客观、真实和快速地获取地球表层信息,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,也是地理信息系统中
3、数据采集自动化研究的一个方向,因此具有重要的理论意义和应用前景。,分类原理与过程,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,从而对数字图像予以识别。遥感图像分类的主要依据是地物的光谱特征,即地物电磁波辐射的多波段测量值,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
4、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。,分类原理与过程,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KT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
5、阵作为特征对纹理进行识别。,分类原理与过程,取n*n的窗口,有关矩阵为: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。,分类原理与过程,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
6、维特征空间里进行,其变量的选择需要根据经验和反复的实验来确定。,分类原理与过程,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。,分类原理与过程,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似程度。在遥
7、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,分类原理与过程,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,分类原理与过程,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,分类原理与过程,分类方法包括监督分类和非
8、监督分类。监督分类方法。首先需要从研究区域选取有代表性的训练区作为样本。根据已知训练区提供的样本,通过选择特征参数(如像素亮度均值、方差等),建立判别函数,据此对样本像元进行分类,依据样本类别的特征来识别非样本像元的归属类别。非监督分类方法。是在没有先验类别(训练区)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(将相似度大的像元归为一类)的方法。,分类原理与过程,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。
9、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,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。,分类原理与过程,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
10、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。,分类的方法,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。监督分类:最小距离分类法、多级切割分类法、特征曲线窗口法、最大似然比分类法非监督分类:多级集
11、群法、动态聚类法等,最小距离分类法,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。包括:最小距离判别法最近邻域分类法,最小距离分类法,最小距离判别法 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。最近邻域分类法 这种方法是上述方法在多波段遥感图像分类中的推广。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
12、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。,最小距离分类法,最小距离分类法原理简单,分类精度不高,但计算速度快,它可以在快速浏览分类概况中使用。,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光谱特征上限值和下限值,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
13、空间中。如落入某个特征子空间中,则属于该类,如落入所有特征子空间之外,则属于未知类型,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。,遥感图象处理:分类,用多级切割法分割三维特征空间,多级切割法,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,或采用其他方法对各轴进行相互独
14、立的正交变换,然后进行多级分割。,特征曲线窗口法,特征曲线是地物光谱特征参数构成的曲线。由于地物光谱特征受到大气散射、天气状况等影响,即使同类地物,它们所呈现的特征曲线也不完全相同,而是在标准特征曲线附近摆动变化。因此以特征曲线为中心取一个条带,构造一个窗口,凡是落在此窗口范围内的地物即被认为是一类,反之,则不属于该类,这就是特征曲线法。特征曲线窗口法分类的依据是:相同的地物在相同的地域环境及成像条件下,其特征曲线是相同或相近的,而不同地物的特征曲线差别明显。,特征曲线窗口法,特征曲线选取的方法可以有多种,如地物吸收特征曲线,它将地物的标准吸收特征值连接成曲线,通过与其他像素吸收曲线比较,进行
15、分类;也可以在图像训练区中选取样本,把样本地物的亮度值作为特征参数,连接该地物在每波段参数值即构成该类地物的特征曲线。特征曲线窗口法可以根据不同特征进行分类,如利用标准地物光谱曲线的位置、反射峰或谷的宽度和峰值的高度作为分类的识别点,给定误差容许范围,分别对每个像素进行分类;或者利用每一类地物的各个特征参数上、下限值构造一个窗口,判别某个待分像元是否落入该窗口,只要检查该像元各特征参数值是否落入到相应窗口之内。,特征曲线窗口法,特征曲线窗口法分类的效果取决于特征参数的选择和窗口大小。各特征参数窗口大小的选择可以不同,它要根据地物在各特征参数空间里的分布情况而定。,最大似然比分类法,最大似然比分
16、类法(maximum likelihood classifier)求出像元数据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。似然度是指,当观测到像元数据x时,它是从分类类别k中得到的(后验)概率。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,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
17、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。由于上式中分母和类别无关,在类别间比较的时候可以忽略。,最大似然比分类法,最大似然比分类必须知道总体的概率密度函数P(x|k)。由于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(对一些非正态分布可以通过数学方法化为正态问题来处理),通过训练区,可求出其平均值及方差、协方差等特征参数,从而可求出总体的先验概率密度函数。此时,像素x归为类别k的归属概率Lk表示如下(这里省略了和类别无关的数据项):,类别k的协方差矩阵,类别k的平均向量(n维),最大似然比分类法,这种最大似然比分类法的特征是,在分类结果
18、上具有概率统计的意义。但必须注意几点:(l)为了以较高精度测定平均值及方差、协方差,各个类别的训练数据至少也要为特征维数的2到3倍以上。(2)如果2个以上的波段相关性很强,那么方差协方差矩阵的逆矩阵就不存在,或非常不稳定。在训练数据几乎都取相同值的均质性数据组的情况下也是如此。此时,最好采用主成分分析法,把维数减到仅剩相互独立的波段。(3)当总体分布不符合正态分布时,不适于采用以正态分布的假设为基础的最大似然比分类法。其分类精度也将下降。,非监督分类,前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识,仅依靠影像上不同类地物光谱信息(或纹理
19、信息)进行特征提取,再统计特征的差别来达到分类的目的,最后对已分出的各个类别的实际属性进行确认。非监督分类主要采用聚类分析方法,聚类是把一组像素按照相似性归成若干类别,即“物以类聚”。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。其常用方法有:分级集群法动态聚类法,分级集群法,当同类物体聚集分布在一定的空间位置上,它们在同样条件下应具有相同的光谱信息特征,其他类别的物体应聚集分布在不同的空间位置上。由于不同地物的辐射特性不同,反映在直方图上会出现很多峰值及其对应的一些灰度值,它们在图像上对应的像元分别倾向于聚集在各自不同灰度空间形成的很多点群,这些点
20、群就叫做集群。分级集群法采用“距离”评价各样本(每个像元)在空间分布的相似程度,把它们的分布分割或者合并成不同的集群。每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。,分级集群法,分级集群法的分类过程如下:确定评价各样本相似程度所采用的指标,这里可以采用前面监督分类中介绍的几种距离。初定分类总数n。计算样本间的距离;根据距离最近的原则判定样本归并到不同类别。归并后的类别作为新类,与剩余的类别重新组合,然后再计算并改正其距离。在达到所要分类的最终类别数以前,重复样本间相似度的评价和归并,这样直到所有像素都归入到各类别中去。,确定采用的距离,确定分类总数n,找出距离最小的类别
21、组,归并距离最小的类别,计算归并后新的个体间的距离,归并后的类别数,STOP,分级集群法,分级集群方法的特点是这种归并的过程是分级进行的,在迭代过程中没有调整类别总数的措施,如果一个像元被归入到某一类后,就排除了它再被归入到其他分支类别中的可能性,这样可能导致对一个像元的操作次序不同,会得到不同的分类结果,这是该方法的缺点。,动态聚类法,在初始状态给出图像粗糙的分类,然后基于一定原则在类别间重新组合样本,直到分类比较合理为止,这种聚类方法就是动态聚类。ISODATA(Iterative Orgnizing Data Analysize Technique迭代自组织数据分析技术)方法在动态聚类法
22、中具有代表性。,ISODATA方法,按照某个原则选择一些初始类聚类中心。在实际操作中,要把初始聚类数设定得大一些,同时引入各种对迭代次数进行控制的参数,如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别对数等,在整个迭代过程中,不仅每个像元的归属类别在调整,而且类别总数也在变化。在用计算机编制分类程序时,初始聚类中心可按如下方式确定:设初始类别数为n,这样共有n个初始聚类中心,求出图像的均值M和方差,按下式可求出初始聚类中心:,k=1,2,n,为初始类中心编号,n为初始类总数。,ISODATA方法,计算像素与初始类别中心的距离,把该像素分配到最近的
23、类别中。动态聚类法中类别间合并或分割所使用的判别标准是距离,待分像元在特征空间中的距离说明互相之间的相似程度,距离越小,相似性大,则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。计算并改正重新组合的类别中心,如果重新组合的像素数目在最小允许值以下,则将该类别取消,并使总类别数减1。当类别数在一定的范围,类别中心间的距离在阈值以上,类别内的方差的最大值为阈值以下时,可以看做动态聚类的结束。当不满足动态聚类的结束条件时,就要通过类别的合并及分离,调整类别的数目和中心间的距离等,然后返回到上一步,重复进行组合的过程。,动态聚类法,动态聚类法中有类别的合并或分裂,这说明迭代过程中类别总数
24、是可变的。如果两个类别的中心点距离近,说明相似程度高,两类就可以合并成一类;或者某类像元数太少,该类就要合并到最相近的类中去。类别的分裂也有两种情况:某一类像元数太多,就设法分成两类;如果类别总数太少,就将离散性最大的一类分成两个类别,可以先求出每个类别的均值和标准差,然后通过对每一个波段的标准偏差设定阈值来实现,标准差大于阈值,该类就要分裂。,分类后处理,无论是监督分类还是非监督分类,其结果都会产生一些面积很小的图斑。无论从专题制图的角度还是实际应用的角度,都有必要对这些小图斑进行剔除。处理方法:聚类统计(Clump)过滤分析(Sieve)去除分析(Eliminate)分类重编码(Recod
25、e),分类后处理,聚类统计:通过对分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作,产生一个Clump类组输出图像,其中每个图斑都包含Clump类组属性。这是一个中间结果,供下一步处理使用。,分类后处理,过滤分析:对经Clump处理后的Clump类组图像进行处理,按照定义的数值大小,删除Clump图像中较小的类组图斑,并给所有小图斑赋予新的属性值0。显然,这引出了一个小图斑归属问题。可以与原分类图对比确定新属性。,分类后处理,去除分析:用于删除原始分类图像中的小图斑或小Clump类组,与过滤不同,去除将删除的小图斑合并到相邻的最大分类中,而且如果输入图像是Clump
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 精品 遥感 数字影像 处理 分类 特征 提取 82
链接地址:https://www.desk33.com/p-1266534.html