【文档说明】遥感图像计算机自动识别课件.ppt，共(45)页，8.917 MB，由小橙橙上传

转载请保留链接：https://www.ichengzhen.cn/view-77619.html

以下为本文档部分文字说明：

0遥感图像计算机自动识别1判读：对遥感图像上的各种特征进行综合分析、比较、推理和判断，以提取出所感兴趣的信息。目视判读自动判读遥感图像自动判译专家系统图像识别（判读）的本质是分类，分好类了，结合对照地面类型便可对图像进行识别。2主要内容：•概念•基本原理•分类过程•概率统计的分类方

法3遥感图像的计算机分类，是通过模式识别理论，利用计算机将遥感图像中的像素自动分成若干种地物类别的方法。是图像信息提取的重要途径。遥感数据地物信息土地覆盖/土地利用分类、森林类型、植被类型、岩性类型、

„„一、概念4当前多数计算机图像处理系统，均利用图像的光谱信息特征进行统计识别分类，色调信息是其依据，目视解译中的逻辑推理法只有在能模拟人类对信息的观察，分析及经过大脑加工的条件下，才能应用与计算机图像识别。5二、基本原理模式识别理论模式

：某种事物的标准形式。丌同类别的事物具有丌同的模式；相同类别的事物模式相同或相近。模式识别：对待识别的模式做一系列的测量，并将测量结果不“模式字典”中一组典型的测量值相比较；若和字典中某一“词目”的比较结果是“吻合”或“较吻合”，则将待分类模式归为该类。模式识别系统6遥感图像自动分

类——模式识别理论的应用理论依据：丌同的地物具有丌同的光谱特征（数字图像上的光谱差异性）；同类地物具有相同或相似的光谱特征（数字图像上的光谱相似性）。目标：给图像中的每个像元一个类别。71、模式（Pattern）：即像元模式，指每个像元在多波段图像中对应的一组值。2、特征（Featur

e）：在多波段图像中，每个波段可看作一个变量，称为特征变量。–波段：光谱波段、派生波段（纹理、上下文关系、波段比等）、辅助数据（非遥感数据，如DEM、土壤类型等）。],,,[21nxxxX遥感图像自动分类83、特征空间：

多个特征可构成多维特征空间。每个像元对应特征空间中的一个点图11-2地物与光谱特征空间的关系4、同类地物所对应像元在特征空间中呈点集群分布。一个点群代表何类地物，可以通过和已知地物类别相比较的方法解决；或通过实地

抽样检查的方法来解决。9三维光谱特征空间5、特征点集群在特征空间中的分布：理想情况：不同类别地物的集群至少在一个特征子空间中的投影是完全可以相互区分的。典型情况：不同类别地物的集群，在任一子空间中都有相互重叠的现象，但在总的特征空间中是可以完全区分的。一般情况：无论在总的特征空间中，还

是在任一子空间中，不同类别的集群之间总是存在重叠现象。10位置——是一个点群的中心，计算图象灰度的均值向量（即数学期望）；范围——计算图象灰度的标准差向量（或协方差矩阵），即点群的离散程度；边界——应用判别函数（或边界函数）鉴别图象像元的类别归属。6、计算机分类

时，只要能确定地物类别在特征空间中的位置、范围和地物类别的边界就完成了分类的任务。11三、分类过程预处理（大气校正、几何校正、配准）特征选择（提取）分类后处理和精度评价制作分类专题图12特征选择（FeatureSelection）即在所有的特征影像中，选择一组最佳的用来分类的特征

影像的过程。结合影像本身的特征，针对所希望区分的类别问题进行选择。用定量的方法选择：•距离测度•散布矩阵测度类内散布矩阵类间散布矩阵总体散布矩阵13特征提取（FeatureExtraction）将原有的m个测量值集合通过某种变换，产生n（小于m）个相关性更弱的、使类别间差异更加明显的新特征，从

而改善分类的效果。主分量变换哈达马变换穗帽变换比值变换和生物量指标变换14遥感图像15自动分类结果16分类与题图分类专题图17四、分类方法（一）监督分类--训练分类法SupervisedClassification分析者在图像上对每一种类别选取一定数量的训练区，通过所选择代

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，确定判别函数和相应的判别规则，从而进行分类。18判别函数描述某一未知类别的像元模式属于某个类别的情况的函数，如属于某个类别的条件概率。不同的类别有各自不同的判别函数。判别规则对像元模式所属

类别进行判断的依据。对某一未知类别的像元模式计算出在各个不同类别的判别函数中的值后，就可用判别规则来判定其所属类别。分类基本思想地物类别与特征空间中的区域相联系；类别划分就相当于用合适的边界对特征空间进行区域划分；判断像素的类型实际上是看其所对应的特征矢量落入特征空间的哪

个区域。191、最大似然法基本思想：样区内的各类别集群在光谱特征空间中的概率分布函数为先验已知，对于样区外的任一未知像元，分别计算它落于各类别区域内的概率，其概率值最大的相应类别就是该像元应属的类别。建立在贝叶斯准则的基础上，错分概率最小的一种方法。20为类出现的概率，先验概率；为类中出

现Ｘ的条件概率，似然概率；为Ｘ属于类的后验概率。概率判别函数：某特征矢量Ｘ落入某类集群的条件概率。i)|(XPi)()()|()|(XPPXPXPiii根据贝叶斯准则，有：)(iP)|(iXP)|(XPiiii

贝叶斯判别规则：若对于所有可能的ｊ＝1，2，„，m；（j不等于i）有，则X属于类。)|()|(XPXPjii21)()(21exp)2(||)|(1221MXMXXPT

in],,,[21nmmmMkikixNm1nnnnnn212222111211kjjkiikijmxmxN))((1类的概率分布计算：假设同类地物在特征空间服从正态分布22232、最小距

离法基本思想是计算未知类别的特征矢量X到各类别集群之间的距离，哪类离它最近，X就属亍哪类。判别函数判别规则若对亍所有的比较类j=1，2，„，m；（j丌等亍i），有，则X属亍第类。)(Xdi)()(XdXdjii24距离判别函数)

()(1iiTiMiMXMXd2||||)()(iiTiEiMXMXMXd1、马氏距离2、欧氏距离3、计程距离4、„mjijjTiMXd1||25263、平行管道法（盒式分类法）2728监督分类法主要步骤：（1）确定类别数（2）特征变换和特征选择（3）选

择训练样区（4）确定判别函数和判别规则（5）根据判别函数和判别规则对非训练样区的图像区域进行分类。2930（二）非监督分类—聚类分析UnsupervisedClassification不施加任何先验知识，仅凭遥感影像上地物的光谱特征分布规律进行自然“聚类”。分类结

果只是对不同类别达到了区分，但并不能确定类别的属性。分类结束后，利用目视判读或实地调查等方法确定类别属性。集群分析直接比较样本中各事物之间的性质，将性质相近的分在同一类，而将性质差异比较大的分在不同类。31聚类算法计算出像元之间的相似性矩阵，找出最高相关像

元，形成集群心选择若干个模式点作为聚类的中心，每一中心代表一个类别；按照某种相似性度量方法将各模式进行归类，形成初始分类；由聚类准则判断初始分类是否合理，如果丌合理就修改分类；反复迭代，直到分类合理为止。Ｋ—均值聚类法ISODATA算法动态

分析平行管道法聚类分析（基于最邻近规则探测法）分级集群法„32ISODATA算法聚类分析33聚类过程类别中心的变化3435364567120302032253319432231214421292235192718262040637071939

60728214265749184562711019416175例：对MSS影像的10个像元进行非监督分类373839；40遥感图像多种特征的提取•地物边界跟踪法点状和面状•线状•形状特征提取41空间关系特征提取

•方位关系•包含关系•相邻关系•相交关系•相贯关系424344