遥感原理与应用-第8章-遥感图像自动识别分类

《遥感原理与应用-第8章-遥感图像自动识别分类》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第八章遥感图像自动识别分类内容提纲基础知识特征变换和特征选择监督分类非监督分类监督分类和非监督分类的结合分类后处理和误差分析非光谱信息分类句法模式识别自动分类新方法概述遥感图像的计算机分类，是模式识别技术在遥感技术领域中的具体运用目视判读是人类的自然识别智能计算机分类是人工模拟人类的识别功能采用决策理论或统计方法提取一组反映模式属性的量测值，称之为特征光谱特征和纹理特征8.1基础知识模式与模式识别光谱特征空间地物在特征空间中的聚类统计特性8.1.1模式与模式识别一个模式识别系统对被识别的模式作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较。

2、若和字典中某一“词目”的比较结果是吻合或比较吻合，则我们就可以得出所需要的分类结果。这一过程称为模式识别。这一组测量值就是一种模式。模式与模式识别数据获取模式分割模式识别姚明ROCKETS11模式识别的应用车牌识别模式识别的应用信函分拣模式识别的应用遥感影像分类8.1.2光谱特征空间不同的地物在同一波段图像上表现的亮度一般互不相同不同的地物在多个波段图像上亮度的呈现规律也不相同同名地物点在不同波段图像中亮度的观测量将构成一个多维随机向量X，称为光谱特征向量如TM图像上任一个点TM=[TM1，TM2，TM3，TM4，TM5，TM6，TM7]地物与光谱特征空间的关系地物

3、在特征空间中的聚类情况8.1.3地物在特征空间中的聚类统计特性地物在特征空间的聚类通常是用特征点（或其相应的随机矢量）分布的概率密度函数来表示8.2特征变换和特征选择目的：减少参加分类的特征图像的数目，从原始信息中抽取能更好进行分类的特征图像。特征变换——将原有的m量值集合通过某种变换，然后产生n个（n≤m）特征特征选择——从原有的m个测量值集合中，按某一准则选择出n个特征8.2.1特征变换概念：将原始图像通过一定的数字变换生成一组新的特征图像，这一组新图像信息集中在少数几个特征图像上。目的：数据量有所减少，去相关，有助于分类。常用的特征变换：主分量变换、哈达玛变换

4、、穗帽变换、比值变换、生物量指标变换。redNIRScatterPlotrevealsrelationshipbetweeninformationintwobandshere:correlationcoefficient=0.137redNIRPrincipalComponentsAnalysiscorrelationbetweenallbandsTMdatacorrelationcoefficients:1.0000.9270.8740.0690.5930.4260.7360.9271.0000.9540.1720.6910.4460.8000.8740.9541

5、.0000.1370.7400.4330.8120.0690.1720.1371.0000.369-0.0840.1190.5930.6910.7400.3691.0000.5340.8910.4260.4460.433-0.0840.5341.0000.6710.7360.8000.8120.1190.8910.6711.0001.主分量变换主分量变换也称为KL变换，是一种线性变换，是就均方误差最小来说的最佳正交变换KL变换能够把原来多个波段中的有用信息集中到数目尽可能少的特征图像组中去，达到数据压缩的目的。KL变换还能够使新的特征图像间互不相关，使新的特征图像包

6、含的信息内容不重叠，增加类别的可分性。主分量变换计算步骤（1）计算均值向量M和协方差矩阵C；（2）计算矩阵C的特征值和特征向量；（3）将特征值按由大到小的次序排序（4）选择前几个特征值对应的几个特征向量构造变换矩阵φn。（5）根据Ｙ＝φnX进行变换，得到的新特征影像就是变换的结果，X为多光谱图像的一个光谱特征矢量。MSS主分量变换前后的信息量分布TM主分量变换前后的信息量分布主分量变换PC-1PC-72.哈达玛变换哈达玛变换是利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换。哈达玛矩阵的变换核为哈达玛变换哈达玛矩阵的维数N总是2的倍数每个高阶哈达玛矩阵都由其低一阶

7、的哈达玛矩阵按如下形式组成哈达玛变换定义为：哈达玛变换的几何意义由哈达玛变换核可知，哈达玛变换实际是将坐标轴旋转了45℃的正交变换哈达玛变换的几何意义以四波段的陆地卫星图像的哈达玛为换为例，取二阶哈达玛变换矩阵h0=(x4+x5)+(x6+x7)h1=(x4+x5)-(x6+x7)h2=(x4-x5)-(x6-x7)h3=(x4-x5)+(x6-x7)哈达玛变换的几何意义特征图像h0把水同土壤与植被的混合体区分开来特征图像h1把植被同水和土壤的混合体区分开来特征图像h3和特征图像h2主要表现为噪声图像，通常在特征选择过程中可舍去，达到数据压缩的目的。3.穗帽变换