《第7 2章 高光谱遥感图像分类ppt课件.ppt》由会员分享，可在线阅读，更多相关《第7 2章 高光谱遥感图像分类ppt课件.ppt（76页珍藏版）》请在三一办公上搜索。
1、1,第七章,高光谱遥感图像分类,2,基本概念,模式（pattern）: 在多波段图像中，每个像元都具有一组对应取值，称为像元模式特征（feature）: 在多波段图像中，每个波段都可看作一个变量，成为特征变量一个像元可以看成由n个特征组成的n维空间的一个点，同类地物的像元形成n维空间的一个点群，差异明显的不同地物会构成n为空间的若干个点群图像分类就是要分析特征空间这些点群的特点，如点群位置、分布空间、分布规律，从而确定点群的界限，最终完成分类任务,3,相似性：可以表现为不同的形式和量度 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 概率值（Probab
2、ility 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,4,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硬分类和软分类：像元属于一个类或多个类,5,6,监督分类（Supervised classification）,通过选择代表各类别的已知样本（训练区）的像元光谱特征，事先取得各类别的参数，确定判别函数，从而进行分类。在监督分类中，先定义信息类，然后检验它们
3、的光谱可分性,7,监督分类,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检验区用于评价分类精度的训练样区,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,9,样区选择示例,10,监督算法介绍,1、平行管道分类算法2、最小距离分类算法3、最大似然分类算法,11,1、平行管道监督分类原理,对图像中每个像素的光谱响应曲线进行相似性比较，如果落到某一类平行管道阈值范围内，则划分到该类别；如果落到多个类中，则将这个像元划分到最后匹配的类别；落不到任何管道中，则标识为未分类像元每类的初始参数要在分类过程中逐步建立。其分类判决过程如下：,12,Parallelepi
4、ped classifier,13,分类判决过程：,14,2、最小距离监督分类,假定初拟分类c个类别，分别是 ， ，则最小距离分类的步骤是：,取c个类别的训练区域，第i个类别训练区域的样本个数为 计算每个类别的均值( 或 )：,具体地，若样本y有K个波段组成， 则均值是K维向量，每个分量是训练区域相应波段的像素均值,(2) 扫描图像，对每个像元y，分别计算y到每个类中心的距离,若,15,Minimum distance classifier,16,分类常用距离与有关统计量,1. 绝对值距离,式中：di(xk)为距离；j为波段序号；总波段数为n，i为类别号；Xkj为k象元在j波段的灰度值；Mij
5、为均值。这个距离也叫出租汽车距离或城市块距离。在二维空间中可以看出，这种距离是计算两点之间的直角边距离，相当于城市中出租汽车沿城市街道拐直角前进而不能走两点连接的最短距离，它的名称也由此而来,17,2. 欧几里德距离,欧几里德距离就是两点之间的直线距离。这是我们用的最多因而也是最为熟悉的一种距离。与我们习惯用的距离一致。欧氏距离的表达式为：,欧氏距离中各特征参数也是等权的。 以上两种距离都称为明可夫斯基(Minkowski)距离（以下简称明氏距离），使用明氏距离应该注意以下问题：,明氏距离与特征参数的量纲有关。具有不同量纲的特征参数的明氏距离常常是无意义的 明氏距离没有考虑特征参数间的相关性,
6、18,3. 马哈拉若比斯距离,式中，,为第i类别的协方差矩阵，其协方差为：,19,4. 相似系数,即,其中， 是两个矢量间夹角,20,最小距离监督分类,注意：最小距离监督分类方法可以从以下几方面扩展：,上述的距离可以是绝对距离（city block）或其他距离。 分类判决可以考虑使用门限阈值，即，若 =min 则y j 1,c，否则，y属于拒绝类。阈值 的选择与各特征波段的标准偏差有关，可以事先求出各类组的训练样本的标准偏差或标准偏差的均值，并根据专业知识和经验考虑门限阈值的设置。 类判决中可以考虑k近邻法，直观来说，取未知样本y的k个近邻，看这k个近邻中多数属于哪一类，就把y归于哪一类。更进
7、一步，还可考虑距离加权的k近邻法，即计算未知样本与k个近邻训练样本的距离，并将距离的倒数作为权赋与k个近邻样本，将权大的近邻的归属作为未知样本的归属。(3)对图像上的每个象素而言，比较它到每个类中心的距离，距离哪个区域的中心值最近，就将该象素归为那个区域；最后获得分类后的图像。,21,3、最大似然监督分类,最大似然法是经典的分类方法，已在宽波段遥感图像分类中普遍采用。它主要根据相似的光谱性质和属于某类的概率最大的假设来指定每个像元的类别。MLC法最大优点是能快速指定被分类像元到若干类之中的一类中去 。,从概率统计分析，要想判别某位置的向量属于哪一个类别，判别函数要从条件概率 来决定， 代表第i
8、个类别， 表示在模式X出现的条件下， 为 类的概率等于多少。这里不考虑地面上的地物类别在一个像元内混合的情况，认为一个像元应该只属于一个特定的类别。由于这个特定的类别是未知的，我们只有想法找到属于每一类的可能性，然后比较它们的大小，哪一种类别出现的概率大，就把这个位置的像元归哪类，即：如果 成立，则,22,最大似然监督分类,由于概率是建立在统计意义上的，因而当使用概率判别函数实行分类判别时，不可避免地会出现错分漏分的现象，我们希望以错分概率或风险最小为准则建立所需要的判别规则。根据概率理论中的Bayes公式,式中： 为先验概率，也就是在被分类的图像中类别 出现的概率。 为似然概率，它表示在 这
9、一类中出现像元X的概率。只要有一个已知的训练区域，用这些已知类别的像元做统计就可以求出平均值及方差、协方差等特征参数，从而可以求出总体的先验概率。在不知道的情况下，也可以认为所有的 为相同。 为后验概率。 表示不管什么类别出现的概率：,23,与类别无关，是对各类来说一个公共因子，在比较大小时不起作用，因此作判别时可将去掉。应用最大可能性判别规则，再加上贝叶斯(Bayes)的使平均损失最小的原则，都表明,是一组理想的判别函数。判别规则为若,在最大似然法的实际计算中，常采用经过对数变换的形式,则,24,是每一类（ ）在图像中的概率，在事先不知道 是多少的情况下，可以认为所有的 都相同，即 为类别数
10、， 为第i类的协方差矩阵， 为该类的均值向量，这些数据来源于由训练组所产生的分类统计文件。对于任何一个像元值x，其在那一类中 最大，就属于哪一类。最大似然法分类的基本前提是认为每一类的概率密度分布都是正态分布（即高斯分布）。最大似然法分类的分类精度一般比前几种方法要高，但分类过程更复杂，计算时间较长。,25,Maximum likelihood classifier,26,Maximum likelihood classifier (cont.),27,非监督分类（Unsupervised classification）,根据事先指定的某一准则，让计算机自动进行判别归类，无需人为干预，分类后需
11、确定地面类别。在非监督分类中，先确定光谱可分的类别（光谱类）然后定义它们的信息类,28,一、非监督分类算法,非监督分类，是指人们事先对分类过程不施加任何的先验知识，仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类。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。,29,主要过程如下：,（1）确定初始类别参数，即确定最初类别数和类别中心（集群中心）；（2）计算每一个像元所对应的特征矢量与各集群中心的距离；（3）选与中心距离最短的类别作为这一矢量的所属类别；（4）计算新的类别均值向量；（5）比较
12、新的类别均值与原中心位置上的变化。若位置发生了改变，则以新的类别均值作为聚类中心，再从第2步开始重复，进行反复迭代操作。（6）如果聚类中心不再变化，计算停止。,30,初始类别参数的选定,初始类别参数是指：基准类别集群中心（数学期望）以及集群分布的协方差矩阵。因为无论采用何种判别函数，都要预先确定其初始类别的参量。以下为几种常用的方法：,31,1、像素光谱特征的比较法,首先，在遥感图像中定义一个抽样集，它可以是整幅图像的所有像素，但通常是按一定间隔抽样的像素；然后选定抽样集中任一像素作为第一个类别；给定一个光谱相似性比较阈值； 依次把抽样集中每个像素的光谱特征与已建起的初始类别作比较，若相似，则
13、作为该类集群中的一个成员，若不与任何一个相似，则以该像素建立一个新的初始类别。当以上聚类过程完成后，每个已经建立起来的初始类别都包含了一定成员，依据此可统计其集群中心（数学期望）和协方差矩阵,32,该方法是在整幅遥感影像的总体直方图的基础上进行类别中心的选定的。设总体直方图的均值和方差分别为：,式中，i为波段号；j为像素点号； 为像素i在第j波段的亮度值；n为波段数；N为像素总数。,2、总体直方图均匀选心法,33,用作图法不难证明，该法所选定的初始类别中心通过整体集群中心的一条直线均匀散布的，并基本上包括在整体集群的范围之内,现假设我们需要Q个初始类别，每个初始类别集群中心可按下式确定：,例如
14、， Q=4时,初始类别参数的选定,34,3、最大最小距离选心法,该法的选心原则是使各初始类别之间，尽可能地保持远距离，为做到这一点，首先在整幅图像中按一定方式（如等间隔方式）获取一个抽样点像素集合,式中n为抽样个数，设当n=11时按以下步骤进行选心处理：取抽样集中任一像素之特征点作为第一个初始类别中心 计算与其他各抽样点之间的距离D。取与之距离最远的那个抽样点（例如 ）作为第二个初始类别中心 ，即若,35,则,对于剩余的每个抽样点，计算它到已有各初始类别中心的距离 m为已有初始类别数，并取其中的最小距离 作为该点的代表距离,式中：m为已形成的初始类别数。 在此基础上，再对所有各剩余点的最小距离
15、进行相互比较，取其中最大者，并选择与该最大的最小距离相应的抽样点（例如 ）作为一个新的初始类别中心点（例如 ）。重复以上步骤，直到初始类别的个数达到需要的个数为止。,36,4、局部直方图峰值定心法,由于整幅遥感图像总体直方图的分布是由各类别直方图叠加而形成的。同时，每个类别的集群中心一般位于本类别直方图的峰值位置，而在该位置处的总体直方图往往会出现局部峰值。因而，该法便以搜索总体直方图局部峰值为原理来选定初始类别的中心。其基本过程包括：图像数据抽样集的获取，建立总体直方图以及搜索直方图局部峰值3个步骤 图像亮度数据是建立直方图的基础，但是为了减少数据量，通常按一定距离间隔的取样方式来获得图像的
16、抽样数据集。依据该数据集所建立的直方图可以代表整幅图像数据的直方图。与此同时，为了保证被抽样的像素亮度为非噪声亮度，可以选定一个“纯度”阈值，当抽样像素亮度与周围像素亮度之差别超出该纯度阈值时，应把该像素摒弃,37,为了建立直方图，应该首先在计算机中开设一个存储直方图的数组，例如对于一个三维直方图，可开设一个三维数组与之对应，其中每个数组元素记录了相应直方图点上的像素出现频数。这时直方图的总容量为：,式中，N=256为直方图各维的亮度级；n为直方图维数。可见，当维数n较大时，直方图的储存量可能大到不允许的程度，为了减少直方图的存储量，可采取如下措施：限定直方图各维亮度的取值范围。可用亮度上限u
17、和下限L来截取直方图的有效亮度范围。用亮度分辨力K把直方图分切维一系列直方图局部单元通过以上措施，直方图的存储容量将减少为：,38,非监督算法介绍,1、k均值分类算法2、ISODATA分类算法,39,1 K均值算法,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。,40,Clustering,41,K-均值算法步骤,任选k个初始聚类中心： (上角标记载为寻找聚类中的迭代运算次数)。一般可选定样本集的前k个样本作为初始聚类中心，也可前面所述的方法进行初始聚类中心的选择，如最大最小距离选心法设已进行到第 t
18、 步迭代。若对某一样本X有 则X ，其中 是以 为聚类中心的样本集。以此种方法将全部样本分配到k个类中,42,计算各聚类中心的新向量值,式中 为 中所包含的样本数。因为在这一步要计算k个聚类中心的样本均值，故称为k-均值算法。,若 , j = 1,2,k,则回到第二步，将全部样本n重新分类，重复迭代计算。若 , j =1,2,k,则结束。,k均值算法的特点： k-均值算法的结果受到所选聚类中心的个数k及初始聚类中心选择的影响，也受到样品的几何性质及排列次序的影响，实际上需试探不同的k值和选择不同的初始聚类中心。如果样本的几何特性表明它们能形成几个相距较远的小块孤立区，则算法多能收敛,43,k-
19、means clustering,Use predefined parameters (e.g. number of classes required) to identify cluster locations in data space and then to determine whether individual pixels are in those clusters or not.,44,Clustering process,A) Cluster centres are arbitrarily assigned,B) Each pixel is assigned to the ne
20、arest cluster centre in data space,45,Clustering process (cont.),C) The cluster means are then calculated and the pixels are reassigned to the new cluster centres,D) The process is repeated until when the cluster centres move by less than a preset distance,46,2 ISODATA,迭代自组织的数据分析算法(Iterative Selforg
21、anizing Data Analysis Techniques Algorithm)亦称ISODATA算法。此种算法与k均值算法有相似之处，即聚类中心也是通过样本均值的迭代运算来决定，但ISODATA算法加入了一些试探性步骤和人机交互功能，能吸取中间结果所得到的经验，主要是在迭代过程中可将一类一分为二，亦可能二类合二为一，亦即“自组织”，故这种算法已具有启发式的特点。,47,ISODATA非监督分类算法,48,剩下的步骤：,49,50,51,52,ISODATA算法,ISODATA算法聚类中心变化,53,ISODATA算法,ISODATA算法聚类中心变化,54,ISODATA分类算法,55,
22、ISODATA算法聚类中心变化,56,非监督分类实例,我们采用ISODATA分类法对中国常州地区的PHI高光谱遥感影像进行非监督分类。该影像具有80个波段，波长范围为0.417-0.854m，如下页所示。分类过程如下：(1) 对原始高光谱影像采用本书前文所提到的特征选择方法进行特征提取和降维；(2) 采用最大最小距离选心法选择初始聚类中心；(3) 利用ISODATA算法对影像进行分类运算，当满足阈值条件或者迭代次数时分类完成。(4) 分类精度评价。评价的主要方法是将分类后的结果与原始影像叠加，查看每一类的分类精度。若不符合要求，则重新调整参数进行分类。如果达到分类精度，那么对各类别赋上相应的颜
23、色，确定各类别专题意义、标注类别名称等。其最后分类结果如下图1(b)所示。经过调查和解译后各颜色所代表的类别如下图1(c)所示。,57,非监督分类,(a) 常州夏桥PHI高光谱影像,(b) ISODATA分类结果,(c) K-Mean分类结果,58,监督分类与非监督分类方法比较,根本区别在于是否利用训练场地来获取先验的类别知识。监督分类根据训练样区提供的样本选择特征参数，建立判别函数，对待分类像元进行分类。因此，训练场地选择是监督分类的关键。对于不熟悉区域情况的人来说，选择足够数量的训练样区带来很大的工作量，操作者需要将相同比例尺的数字地形图叠在遥感图像上，根据地形图上的已知地物类型圈定分类用
24、的训练样区。由于训练样区要求有代表性，训练样本的选择要考虑到地物光谱特征，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。,59,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，且分类具有一定的精度。严格说来，分类效果的好坏需要经过实际调查来检验。当光谱特征类能够和唯一的地物类型（通常指水体、不同植被类型、土地利用类型、土壤类型等）相对应时，非监督分类可取得较好分类效果。当两个地物类型对应的光谱特征类差异很小时，非监督分类效果不如监督分类效果好。,60,分类后处理,消除斑块斑块较为零碎产生一些孤立点断点孔穴毛刺等，会给图像质量精
25、度带来一些不利影响，为此需要填补孔穴，消除断点孤立点 类的归并和清除 合并特征类似的类别类别色彩重定义重新定义类别的色彩矢量跟踪栅格数据和矢量数据转换,61,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（Recode),分类后处理,62,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
26、步处理使用。,聚类统计：,63,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，并将删除的小图斑合并到相邻的最大分类中。,过滤分析：,64,主要是针对非监督分类而言的，因在非监督分类过程中，用户一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过ISODATA聚类获得分类方案后，首先是将专题分类图像与原始图像对照，判断每个类别的专题属性，然后对相似或类似的分类通过图像重编码进行合并，并定义分类名称和颜色。 分类重编码还可以用在其它方面，作用有所不同。,分类重编码：,65,66,分类精度评价,光谱影像的分类准确度评估（Asse
27、ssment of Classification Accuracy），指在影像分类完成后，依据所搜集的地面真实参考数据，评估分类后影像的准确性。随着遥感探测卫星科技的进展，以及土地利用的复杂化，影像分类的可靠性评估越来越重要。传统上，对于影像的分类通常以航空照片作为参考资料，且假设航空照片的分析处理是百分之百准确，但此假设极宜造成分类准确度评估的误差。因此，对于遥感影像的使用者或研究者，参考资料的真实性和影像分类准确度评估的技术，具有相同的重要性,67,误差矩阵,矩阵中对角线上元素为被正确分类的样本数目，非对角线上的元素为被混分的样本数。地面参考数据（ground truth data）,68
28、,误差矩阵,我们举例说明误差矩阵的意义。假设卫星影像上的土地覆盖类别分别为针叶林(P)、阔叶林(B)、草地(G)、裸土地(S)和水体(W) 五类。对于每个土地覆盖类别至少选取30个的随机检验点，再依据每一个检验点其所在的地理位置，对照真实地面参考资料，确定各检验点的真实土地覆盖类别。然后将影像分类后各检验点的土地覆盖类别与真实的土地类别相比较，可产生一个矩阵，即误差矩阵。在此误差矩阵中，行(row)的资料为分类后的土地覆盖类别的检验点，列(column)的资料则为参考资料的检验点数。总体精度(Overall Accuracy)：分类后类别与真实类别一致的检验点的个数与所有检验点个数的比值。即表
29、示所有检验点中被正确分类的百分比例,69,误差矩阵,误差矩阵,从误差矩阵可以看出，所有被正确分类的检验点的个数位于矩阵的对角线上。因此，总体精度为：,（30 + 40 + 50 + 25 + 32）/ 200 *100 = 88.5%,70,使用者和生产者精度,使用者精度(Users Accuracy):分类后的各土地覆盖类别，对应到地面真实参考资料时，真正为该种类别的像元数的百分比计算方法：每一行中正确分类的检验点的个数与该行中所有检验点数的比值。例如：针叶林(P): 30/43*100%=70%,生产者精度(Producers Accuracy) :属于某一真实地面参考资料的土地覆盖类别的
30、检验点，有部分检验点被错误分类，而被正确分类的像元数的百分比计算方法：每一行中正确分类的检验点的个数与该行中所有检验点数的比值。例如：针叶林(P): 30/33*100%=91%,71,使用者和生产者精度,由误差矩阵计算出的生产者精度和使用者精度评估表：,72,Kappa系数,为了更能表现整体影像分类的误差性，可由误差矩阵间的相互运算而产生Kappa统计值，如下式：,期望精度指由误差矩阵中，将相同的分类项目的行与列的数值相乘，再相加后所产生的数值，除以左上到右下对角线上的数值自乘的值，所产生的百分比数，称为期望精度。以之前的误差矩阵为例：,（43334243525337303532）/(200
31、200)10021,因此，Kappa系数为：,(0.885-0.21)/(1-0.21)=0.855,73,求取Kappa系数需要的矩阵,74,目前分类存在的问题,、未充分利用遥感图像提供的多种信息遥感数字图像计算机分类的依据是像素具有的多光谱特征，并没有考虑相邻像素间的关系。例如，被湖泊包围的岛屿，通过分类仅能将陆地与水体区别，但不能将岛屿与临近的陆地（假定二者地面覆盖类型相同，具有同样的光谱特征）识别出来。这种方法的主要缺陷在于地物识别与分类中没有利用到地物空间关系等方面的信息。统计模式识别以像素作为识别的基本单元，未能利用图像中提供的形状和空间位置特征，其本质是地物光谱特征的分类。例如，
32、根据水体的光谱特征，在分类过程中可以识别构成水体的像素，但计算机无法确定一定空间范围的水体究竟是湖泊还是河流。,75,、提高遥感图像分类精度受到限制分类精度是指分类结果的正确率，包括地物属性被正确识别，以及它们在空间分布的面积被准确度量。遥感数字图像分类结果在没有经过专家检验和多次纠正的情况下，分类精度一般不超过90，其原因除了与选用的分类方法有关外，还存在着制约遥感图像分类精度的几个客观因素：（）大气状况的影响（）下垫面的影响：覆盖类型和起伏状态对分类具有一定影响(混合像元)。（）其他因素的影响：云-分类前可以采用去噪音方法进行清除；多时相图像分类时，同一地物电磁波辐射量存在差别；地物边界的多样性，使得判定类别的边界往往是很困难的事。例如，湖泊和陆地具有明确的界线，但森林和草地的界线则不明显，不少地物类型间还存在着过渡地带。,76,、提高遥感图像分类精度，既需要对图像进行分类前处理，也需要选择合适的分类方法。,分类前处理：辐射校正，K-L变换分层、逐次分类:先分易分的大类别，对每一类再进一步划分。或分区域，如分山区和平原进行。使用不同的分类方法多种信息的复合GIS技术支持,
