遙感圖像計算機自動識別ppt課件

《遙感圖像計算機自動識別ppt課件》由會員分享，可在線閱讀，更多相關《遙感圖像計算機自動識別ppt課件（45頁珍藏版）》請在裝配圖網上搜索。

1 遙感圖像計算機自動識別 2 判讀 對遙感圖像上的各種特征進行綜合分析 比較 推理和判斷 以提取出所感興趣的信息 目視判讀自動判讀遙感圖像自動判譯專家系統(tǒng) 圖像識別 判讀 的本質是分類 分好類了 結合對照地面類型便可對圖像進行識別 3 主要內容 概念基本原理分類過程概率統(tǒng)計的分類方法 4 遙感圖像的計算機分類 是通過模式識別理論 利用計算機將遙感圖像中的像素自動分成若干種地物類別的方法 是圖像信息提取的重要途徑 遙感數(shù)據 地物信息 土地覆蓋 土地利用分類 森林類型 植被類型 巖性類型 一 概念 5 當前多數(shù)計算機圖像處理系統(tǒng) 均利用圖像的光譜信息特征進行統(tǒng)計識別分類 色調信息是其依據 目視解譯中的邏輯推理法只有在能模擬人類對信息的觀察 分析及經過大腦加工的條件下 才能應用與計算機圖像識別 6 二 基本原理 模式識別理論模式 某種事物的標準形式 不同類別的事物具有不同的模式 相同類別的事物模式相同或相近 模式識別 對待識別的模式做一系列的測量 并將測量結果與 模式字典 中一組典型的測量值相比較 若和字典中某一 詞目 的比較結果是 吻合 或 較吻合 則將待分類模式歸為該類 模式識別系統(tǒng) 7 遙感圖像自動分類 模式識別理論的應用理論依據 不同的地物具有不同的光譜特征 數(shù)字圖像上的光譜差異性 同類地物具有相同或相似的光譜特征 數(shù)字圖像上的光譜相似性 目標 給圖像中的每個像元一個類別 8 1 模式 Pattern 即像元模式 指每個像元在多波段圖像中對應的一組值 2 特征 Feature 在多波段圖像中 每個波段可看作一個變量 稱為特征變量 波段 光譜波段 派生波段 紋理 上下文關系 波段比等 輔助數(shù)據 非遙感數(shù)據 如DEM 土壤類型等 遙感圖像自動分類 9 3 特征空間 多個特征可構成多維特征空間 每個像元對應特征空間中的一個點 圖11 2地物與光譜特征空間的關系 4 同類地物所對應像元在特征空間中呈點集群分布 一個點群代表何類地物 可以通過和已知地物類別相比較的方法解決 或通過實地抽樣檢查的方法來解決 10 三維光譜特征空間 5 特征點集群在特征空間中的分布 理想情況 不同類別地物的集群至少在一個特征子空間中的投影是完全可以相互區(qū)分的 典型情況 不同類別地物的集群 在任一子空間中都有相互重疊的現(xiàn)象 但在總的特征空間中是可以完全區(qū)分的 一般情況 無論在總的特征空間中 還是在任一子空間中 不同類別的集群之間總是存在重疊現(xiàn)象 11 位置 是一個點群的中心 計算圖象灰度的均值向量 即數(shù)學期望 范圍 計算圖象灰度的標準差向量 或協(xié)方差矩陣 即點群的離散程度 邊界 應用判別函數(shù) 或邊界函數(shù) 鑒別圖象像元的類別歸屬 6 計算機分類時 只要能確定地物類別在特征空間中的位置 范圍和地物類別的邊界就完成了分類的任務 12 三 分類過程 預處理 大氣校正 幾何校正 配準 特征選擇 提取 分類后處理和精度評價制作分類專題圖 13 特征選擇 FeatureSelection 即在所有的特征影像中 選擇一組最佳的用來分類的特征影像的過程 結合影像本身的特征 針對所希望區(qū)分的類別問題進行選擇 用定量的方法選擇 距離測度散布矩陣測度類內散布矩陣類間散布矩陣總體散布矩陣 14 特征提取 FeatureExtraction 將原有的m個測量值集合通過某種變換 產生n 小于m 個相關性更弱的 使類別間差異更加明顯的新特征 從而改善分類的效果 主分量變換哈達馬變換穗帽變換比值變換和生物量指標變換 15 遙感圖像 16 自動分類結果 17 分類專題圖 分類專題圖 18 四 分類方法 一 監(jiān)督分類 訓練分類法SupervisedClassification分析者在圖像上對每一種類別選取一定數(shù)量的訓練區(qū) 通過所選擇代表各類別的已知樣本 訓練區(qū) 的像元光譜特征 事先取得各類別的參數(shù) 確定判別函數(shù)和相應的判別規(guī)則 從而進行分類 19 判別函數(shù)描述某一未知類別的像元模式屬于某個類別的情況的函數(shù) 如屬于某個類別的條件概率 不同的類別有各自不同的判別函數(shù) 判別規(guī)則對像元模式所屬類別進行判斷的依據 對某一未知類別的像元模式計算出在各個不同類別的判別函數(shù)中的值后 就可用判別規(guī)則來判定其所屬類別 分類基本思想地物類別與特征空間中的區(qū)域相聯(lián)系 類別劃分就相當于用合適的邊界對特征空間進行區(qū)域劃分 判斷像素的類型實際上是看其所對應的特征矢量落入特征空間的哪個區(qū)域 20 1 最大似然法 基本思想 樣區(qū)內的各類別集群在光譜特征空間中的概率分布函數(shù)為先驗已知 對于樣區(qū)外的任一未知像元 分別計算它落于各類別區(qū)域內的概率 其概率值最大的相應類別就是該像元應屬的類別 建立在貝葉斯準則的基礎上 錯分概率最小的一種方法 21 為類出現(xiàn)的概率 先驗概率 為類中出現(xiàn) 的條件概率 似然概率 為 屬于類的后驗概率 概率判別函數(shù) 某特征矢量 落入某類集群的條件概率 根據貝葉斯準則 有 貝葉斯判別規(guī)則 若對于所有可能的 1 2 m j不等于i 有 則X屬于類 22 類的概率分布計算 假設同類地物在特征空間服從正態(tài)分布 23 24 2 最小距離法 基本思想是計算未知類別的特征矢量X到各類別集群之間的距離 哪類離它最近 X就屬于哪類 判別函數(shù)判別規(guī)則若對于所有的比較類j 1 2 m j不等于i 有 則X屬于第類 25 距離判別函數(shù) 1 馬氏距離2 歐氏距離3 計程距離4 26 27 3 平行管道法 盒式分類法 28 29 監(jiān)督分類法主要步驟 1 確定類別數(shù) 2 特征變換和特征選擇 3 選擇訓練樣區(qū) 4 確定判別函數(shù)和判別規(guī)則 5 根據判別函數(shù)和判別規(guī)則對非訓練樣區(qū)的圖像區(qū)域進行分類 30 31 二 非監(jiān)督分類 聚類分析UnsupervisedClassification 不施加任何先驗知識 僅憑遙感影像上地物的光譜特征分布規(guī)律進行自然 聚類 分類結果只是對不同類別達到了區(qū)分 但并不能確定類別的屬性 分類結束后 利用目視判讀或實地調查等方法確定類別屬性 集群分析直接比較樣本中各事物之間的性質 將性質相近的分在同一類 而將性質差異比較大的分在不同類 32 聚類算法 計算出像元之間的相似性矩陣 找出最高相關像元 形成集群心選擇若干個模式點作為聚類的中心 每一中心代表一個類別 按照某種相似性度量方法將各模式進行歸類 形成初始分類 由聚類準則判斷初始分類是否合理 如果不合理就修改分類 反復迭代 直到分類合理為止 均值聚類法ISODATA算法動態(tài)分析平行管道法聚類分析 基于最鄰近規(guī)則探測法 分級集群法 33 ISODATA算法聚類分析 34 聚類過程類別中心的變化 35 36 37 例 對MSS影像的10個像元進行非監(jiān)督分類 38 39 40 41 遙感圖像多種特征的提取 地物邊界跟蹤法點狀和面狀線狀形狀特征提取 42 空間關系特征提取 方位關系包含關系相鄰關系相交關系相貫關系 43 44 45 Thanks