遙感圖像計(jì)算機(jī)自動(dòng)識(shí)別ppt課件

《遙感圖像計(jì)算機(jī)自動(dòng)識(shí)別ppt課件》由會(huì)員分享，可在線閱讀，更多相關(guān)《遙感圖像計(jì)算機(jī)自動(dòng)識(shí)別ppt課件（45頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1 遙感圖像計(jì)算機(jī)自動(dòng)識(shí)別 2 判讀 對(duì)遙感圖像上的各種特征進(jìn)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(dòng)判讀遙感圖像自動(dòng)判譯專家系統(tǒng) 圖像識(shí)別 判讀 的本質(zhì)是分類 分好類了 結(jié)合對(duì)照地面類型便可對(duì)圖像進(jìn)行識(shí)別 3 主要內(nèi)容 概念基本原理分類過程概率統(tǒng)計(jì)的分類方法 4 遙感圖像的計(jì)算機(jī)分類 是通過模式識(shí)別理論 利用計(jì)算機(jī)將遙感圖像中的像素自動(dòng)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(jù) 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(dāng)前多數(shù)計(jì)算機(jī)圖像處理系統(tǒng) 均利用圖像的光譜信息特征進(jìn)行統(tǒng)計(jì)識(shí)別分類 色調(diào)信息是其依據(jù) 目視解譯中的邏輯推理法只有在能模擬人類對(duì)信息的觀察 分析及經(jīng)過大腦加工的條件下 才能應(yīng)用與計(jì)算機(jī)圖像識(shí)別 6 二 基本原理 模式識(shí)別理論模式 某種事物的標(biāo)準(zhǔn)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(shí)別 對(duì)待識(shí)別的模式做一系列的測(cè)量 并將測(cè)量結(jié)果與 模式字典 中一組典型的測(cè)量值相比較 若和字典中某一 詞目 的比較結(jié)果是 吻合 或 較吻合 則將待分類模式歸為該類 模式識(shí)別系統(tǒng) 7 遙感圖像自動(dòng)分類 模式識(shí)別理論的應(yīng)用理論依據(jù) 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(biāo) 給圖像中的每個(gè)像元一個(gè)類別 8 1 模式 Pattern 即像元模式 指每個(gè)像元在多波段圖像中對(duì)應(yīng)的一組值 2 特征 Feature 在多波段圖像中 每個(gè)波段可看作一個(gè)變量 稱為特征變量 波段 光譜波段 派生波段 紋理 上下文關(guān)系 波段比等 輔助數(shù)據(jù) 非遙感數(shù)據(jù) 如DEM 土壤類型等 遙感圖像自動(dòng)分類 9 3 特征空間 多個(gè)特征可構(gòu)成多維特征空間 每個(gè)像元對(duì)應(yīng)特征空間中的一個(gè)點(diǎn) 圖11 2地物與光譜特征空間的關(guān)系 4 同類地物所對(duì)應(yīng)像元在特征空間中呈點(diǎn)集群分布 一個(gè)點(diǎn)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(shí)地抽樣檢查的方法來解決 10 三維光譜特征空間 5 特征點(diǎn)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(gè)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(gè)點(diǎn)群的中心 計(jì)算圖象灰度的均值向量 即數(shù)學(xué)期望 范圍 計(jì)算圖象灰度的標(biāo)準(zhǔn)差向量 或協(xié)方差矩陣 即點(diǎn)群的離散程度 邊界 應(yīng)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(jì)算機(jī)分類時(shí) 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(wù) 12 三 分類過程 預(yù)處理 大氣校正 幾何校正 配準(zhǔn) 特征選擇 提取 分類后處理和精度評(píng)價(jià)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(jié)合影像本身的特征 針對(duì)所希望區(qū)分的類別問題進(jìn)行選擇 用定量的方法選擇 距離測(cè)度散布矩陣測(cè)度類內(nèi)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(gè)測(cè)量值集合通過某種變換 產(chǎn)生n 小于m 個(gè)相關(guān)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(dá)馬變換穗帽變換比值變換和生物量指標(biāo)變換 15 遙感圖像 16 自動(dòng)分類結(jié)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(xùn)練分類法SupervisedClassification分析者在圖像上對(duì)每一種類別選取一定數(shù)量的訓(xùn)練區(qū) 通過所選擇代表各類別的已知樣本 訓(xùn)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(yīng)的判別規(guī)則 從而進(jìn)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(gè)類別的情況的函數(shù) 如屬于某個(gè)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(duì)像元模式所屬類別進(jìn)行判斷的依據(jù) 對(duì)某一未知類別的像元模式計(jì)算出在各個(gè)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(dāng)于用合適的邊界對(duì)特征空間進(jìn)行區(qū)域劃分 判斷像素的類型實(shí)際上是看其所對(duì)應(yīng)的特征矢量落入特征空間的哪個(gè)區(qū)域 20 1 最大似然法 基本思想 樣區(qū)內(nèi)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(yàn)已知 對(duì)于樣區(qū)外的任一未知像元 分別計(jì)算它落于各類別區(qū)域內(nèi)的概率 其概率值最大的相應(yīng)類別就是該像元應(yīng)屬的類別 建立在貝葉斯準(zhǔn)則的基礎(chǔ)上 錯(cuò)分概率最小的一種方法 21 為類出現(xiàn)的概率 先驗(yàn)概率 為類中出現(xiàn) 的條件概率 似然概率 為 屬于類的后驗(yàn)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(jù)貝葉斯準(zhǔn)則 有 貝葉斯判別規(guī)則 若對(duì)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(jì)算 假設(shè)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(jì)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(duì)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(jì)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(xùn)練樣區(qū) 4 確定判別函數(shù)和判別規(guī)則 5 根據(jù)判別函數(shù)和判別規(guī)則對(duì)非訓(xùn)練樣區(qū)的圖像區(qū)域進(jìn)行分類 30 31 二 非監(jiān)督分類 聚類分析UnsupervisedClassification 不施加任何先驗(yàn)知識(shí) 僅憑遙感影像上地物的光譜特征分布規(guī)律進(jìn)行自然 聚類 分類結(jié)果只是對(duì)不同類別達(dá)到了區(qū)分 但并不能確定類別的屬性 分類結(jié)束后 利用目視判讀或?qū)嵉卣{(diào)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(zhì) 將性質(zhì)相近的分在同一類 而將性質(zhì)差異比較大的分在不同類 32 聚類算法 計(jì)算出像元之間的相似性矩陣 找出最高相關(guān)像元 形成集群心選擇若干個(gè)模式點(diǎn)作為聚類的中心 每一中心代表一個(gè)類別 按照某種相似性度量方法將各模式進(jìn)行歸類 形成初始分類 由聚類準(zhǔn)則判斷初始分類是否合理 如果不合理就修改分類 反復(fù)迭代 直到分類合理為止 均值聚類法ISODATA算法動(dòng)態(tài)分析平行管道法聚類分析 基于最鄰近規(guī)則探測(cè)法 分級(jí)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(duì)MSS影像的10個(gè)像元進(jìn)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(diǎn)狀和面狀線狀形狀特征提取 42 空間關(guān)系特征提取 方位關(guān)系包含關(guān)系相鄰關(guān)系相交關(guān)系相貫關(guān)系 43 44 45 Thanks