第9章 遥感专题信息提取：模式识别

1.从数字遥感数据中提取地面覆盖信息的步骤

2.硬（确定性）分类和软（模糊）分类方法

3.专题信息提取

---

9.1 基本概念

专题信息提取：通过识别遥感数据的光谱和空间模式实现，与不同类型的土地利用及地面覆盖有关。通常用模式识别描述专题信息提取的过程。

获取专题信息过程：

1. 遥感数据预处理：进行辐射校正和几何校正；
2. 选择合适的分类算法；
3. 采集初始训练数据（*）；
4. 通过特征（波段）选择来区分不同训练类别，确定最优组合波段；
5. 采集补充训练数据（*），应用分类算法得到分类图；
6. 进行精度评价（即误差评估）。

光谱模式识别的基本问题：对于n波段遥感数据的光谱分布，必须找到一种区分方法，以便能用最小误差、最少波段数来区分主要的地面覆盖类型。

分类误差：出现在光谱数据分布有重叠时，有如下两种类型

• 像元被分到错误的类中（弃真，错分误差）
• 像元没有分到正确的类中（纳伪，漏分误差）（噪声）

多光谱分类方法：

• 基于比例数据和区间标度数据的参数与非参数统计算法，以及可以整合名义尺度数据的非计量方法（参数方法处理正态分布且密度函数已知的遥感数据，非参数处理非正态分布且密度函数未知的遥感数据，非计量方法处理数值型和名义尺度数据）

  数值型：如反射率。名义尺度数据：如第一类=林地、第二类=农业用地

• 采用监督或非监督分类方法

• 采用硬（确定性）分类或**软（模糊）**分类方法

• 采用逐像元分类（即逐像元处理整景影像）或面对对象分类方法

• 混合方法

硬分类与模糊分类的区别：

模糊分类：将现实世界的异质性和不精确的特性都考虑在内。基于“遥感探测器记录的反射或发射辐射通量来自IFOV内不同生物物理混合物（如土壤、水、植被）所构成的异质区”这一事实。

9.2 监督分类

分类过程：

1. 确定分类方案
2. 选取训练样区
3. 特征选取
4. 选择分类算法

土地利用和地面覆盖分类方案

目的：确定各类别在影像中的编号、类值对应。不同分类方案地物类别的数字表示不同的类。

地面覆盖：景观中的各类地物（如水体、农作物、森林、湿地、沥青等人工地物）。

土地利用：人类施加于地表的活动（如农业、商业、住宅等）。

硬（确定性）分类的原则：

• 互斥性——类别间不存在重叠
• 完备性——考虑景观中所有的地面覆盖类型，且无遗漏
• 层次性——亚类可按等级合并到更高级别的类中（如 独立住宅和多用户住宅区 合并到 居民地）

信息类与光谱类的本质区别：前者是人为定义的，而光谱类则是遥感数据固有的，需要分析人员进行识别并标识。

分析人员通常需要将光谱类转化为信息类以满足管理者的需求，故应对遥感系统的空间特征和光谱特征了如指掌，并能将这些系统参数与影像景及像元IFOV中的各种地物类型及其比例联系起来。

分类方案的详细程度与提供信息的遥感系统的空间/光谱分辨率之间具有一定的关系。

分类方案举例

（USGS的土地利用/地面覆盖遥感分类系统）

（NLCD 2006分类方案）

（我国LUCC分类体系（部分））

• 观察分类方案 即模糊分类方案

尚未标准化，通常由各个研究人员为特定的具体项目而设计，无法将其移植到其他环境。

训练样区选取与统计量提取

采集训练样区数据的方法：

• 收集现场信息。如树木类型、高度
• 在屏选择训练数据。分析人员在彩色CRT屏幕上查看影像，并选择所需的多边形区域
• 在屏选择训练数据的种子。用光标在影像上指定一个具体种子点，然后种子增长程序从该点坐标（x，y）开始，选择所需波段中的邻域像元值

提取统计量：均值、标准差、方差、最小值、最大值、方差 - 协方差矩阵、相关系数矩阵。这些统计量代表了各地面覆盖类的基本光谱特征信息。

若一个训练类直方图中出现多个峰值，表明所选样区中至少有两种地面覆盖类型，则需舍弃该训练数据并重新选取，直至每类直方图都是单峰为止。

选择影像分类最佳波段：特征提取

特征选取：确定能够最有效区分各种类的波段

目的：删除分析中含有冗余光谱信息的波段。可减少数据集的维数，在不影响精度的前提下使开销最小。

特征选取方法：

• 图形方法

（1）二维特征空间图

同时采用两个波段描述影像中所有像元的分布状况。特征空间图中显示的像元越亮，就表明在感兴趣的两个波段中具有该亮度值的像元越多。利用特征空间图，可深入了解影像中实际包含的信息量和波段间的相关程度。

（2）二维特征空间图的余谱平行六面体图或椭圆图

由第k波段的每个类c的训练类统计均值（ μ c k \mu_{ck} μck​）和标准差（ σ c k \sigma_{ck} σck​）生成。

（同时利用第4、5波段进行分类可得到很好的区分度）

（3）三光谱平行六面体或椭圆

可在合成的三维特征空间中同时显示3个波段的训练数据，并通过交互式调整视点的方位角和高度角来改进特征分析和选择。

• 统计方法

（1）离散度

解决 如何从n个波段中选取出最优的q个波段子集进行分类 的问题。利用监督分类训练过程中各类统计量的均值和协方差矩阵来计算。

c和d类之间的离散度 D r i v e r c d Driver_{cd} Drivercd​根据下式计算：

D r i v e r c d = 1 2 t r [ ( V c − V d ) ( V d − 1 − V c − 1 ) ] + 1 2 t r [ ( V c − 1 + V d − 1 ) ( M c − M d ) ( M c − M d ) T ] Driver_{cd}=\frac1 2tr[(V_c-V_d)(V_d^{-1}-V_c^{-1})]+\frac1 2tr[(V_c^{-1}+V_d^{-1})(M_c-M_d)(M_c-M_d)^T] Drivercd​=21​tr[(Vc​−Vd​)(Vd−1​−Vc−1​)]+21​tr[(Vc−1​+Vd−1​)(Mc​−Md​)(Mc​−Md​)T]

其中， t r [ ] tr[ ] tr[]是矩阵的迹（矩阵主对角线元素之和）； V c V_c Vc​、 V d V_d Vd​是类c、d的协方差矩阵； M c M_c Mc​、 M d M_d Md​是类c、d的均值向量。

多于两个类时计算平均离散度：

D r i v e r a v g = ∑ c = 1 m − 1 ∑ d = c + 1 m D r i v e r c d C Driver_{avg}=\frac {\displaystyle \sum^{m-1}_{c=1}\displaystyle \sum^m_{d=c+1}Driver_{cd}}C Driveravg​=Cc=1∑m−1​d=c+1∑m​Drivercd​​

（2）Bhattacharyya距离

（3）Jeffreys-Matustia距离

（4）相关矩阵

使用植被或其他类型的指数以确定最佳波段

（LAI：叶面积指数）

（5）主成分分析（PCA）

进行特征选取并降低了作为训练与分类数据集的维度

选择合适的分类算法

• 参数分类算法
  • 假定在监督分类的训练阶段，每个波段上每类的观测测度向量 X c X_c Xc​服从高斯分布
• 非参数分类算法
  • 一维密度分割法（第8章）
  • 平行六面体方法
  • 最小距离法
  • 最近邻法
  • 最大似然法（使用最广泛）
  • 神经网络和专家系统分析法（第10章）

最大似然法

1. 计算某个像元属于预先设置好的m类数据集中的每一类的概率；
2. 将该像元划分到概率最大的那一类

9.3 非监督分类（聚类）

链式非监督分类

遍历多光谱数据集两次。从多光谱数据集的原点开始（第1行、列）按从左到右的顺序像链子一样对像元进行处理，处理完一行后再进行下一行。

第一次：建立聚类。程序读入整个数据集并按顺序建立聚类（光谱空间中的点群），使均值向量和每个点群相关联

第二次：采用最小距离分类，将整个数据集逐像元划分到第一次遍历建立的各个均值向量中。

ISODATA非监督分类

ISODATA：Iterative Self-Organizing Data Analysis Technique，迭代自组织数据分析技术。其实是k-均值聚类算法的改进。

分析人员需给出：

• C m a x C_{max} Cmax​：算法确定的最大聚类数
• T T T：两次迭代之间，类值不变像元所占的最大百分比
• M M M：对像元进行划分和重新计算聚类均值向量的最大次数
• 每个聚类中最少像元数(%)：如果某个聚类像元占总像元数的百分比小于最小允许值，就删除该聚类，并把属于它的像元分配到另一可选聚类中。这也会影响到是否将某个聚类分解(参看最大标准差)。默认的最小百分比常设为0.01。
• 最大标准差( σ m a x \sigma_{max} σmax​)：当某聚类的标准差超过指定的最大标准差，且类中的像元数大于指定的最少像元数的两倍时，就该将聚类分解为两个。
• 聚类分解的分离值：若该值从0.0开始变化，那么，取代标准差来确定新均值向量，然后加上和减去聚类分解分离值后的位置。
• 聚类均值间最小距离( C C C)：如果两聚类间的加权距离小于该值，就将这两个聚类合并。其默认值通常为0.3。

聚类过程：

初始任意分组：在特征空间中指定点之间沿着一个n维向量进行所有 C m a x C_{max} Cmax​个聚类的初始任意划分

第一次迭代：遍历数据库，将每个候选像元与每个聚类均值进行比较，并分配到欧氏距离最近的聚类中

第2到 M M M次迭代：根据划分到各个聚类中像元的实际光谱位置得出每个聚类的新均值，并重复进行划分过程。

非监督聚类整理

数据集中仍有一些有价值信息未被提取出来。

整理过程：

1. 将难以标识的与q个聚类相关的所有像元重新编码为1，同时生成一个二进制掩膜文件
2. 用二进制掩膜文件和原始遥感数据文件进行掩膜处理，掩膜程序输出结果是一个新的多波段影像文件，其中仅含之前聚类不合适的像元
3. 对该文件再一次进行非监督分类

掩膜处理可简单理解为两幅图像之间进行的各种位运算操作

掩膜是由0和1组成的一个二进制图像。当在某一功能中应用掩膜时，1值区域被处理，被屏蔽的0值区域不被包括在计算中。通过指定的数据值、数据范围、有限或无限值、感兴趣区和注释文件来定义图像掩膜，也可以应用上述选项的任意组合作为输入来建立掩膜。

https://blog.****.net/bitcarmanlee/article/details/79132017?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.channel_param