第九章遥感图像分类.ppt

模糊分类 模糊聚类分析具体步骤如下： 首先确定Xi 与Xj间的相关程度rij=μ(xi , xj)，然后建立模糊相似矩阵。 将相似矩阵改造成等价矩阵。为此作矩阵合成运算。当某一步出现R2K=RK时，便是一个模糊等价矩阵。 有了等价矩阵RK，根据聚类需细分还是粗分的要求，在[0，1]中选取一个数λ，凡rij≥λ的元素变为l，否则变为0，从而达到分类的目的。 模糊聚类分析 ㈠ 建立模糊矩阵：Fuzzy聚类分析的第一步叫标定，即使用普通聚类分析中的确定相似系数的方法来建立Fuzzy相似方阵： r11 r12 r13…r1n r21 r22 r23…r2n R= ……… rn1 rn2 rn3… rnn ①计算相似系数：计算u i与u j之间的相似系数rij的方法很多 例:设被分类的对象集U＝{u1，u2，u3，…u 5}，每个对象的特征数据如下 u1=(3，2，4，6，7，4)， u2= (6，5，4，3，8，6)， u3= (9，5，7，3，2，1)， u4= (5，9，4，6，3，8)， u5= (4，6，3，7，8，4)． 利用最小最大法计算；计算系数rij的值。 综合评判 根据多个因素对事物进行评定，称为综合评判. 模型已知条件： 问题：综合考虑 辅助数据改进遥感分类的方法 地理分层 分类器操作 分类后处理 遥感信息与非遥感信息的复合 遥感影像与地图的复合 地图影像化 影像地图化 DTM与遥感数据的复合 遥感与地球物理、地球化学数据的复合 遥感信息与地球物理、化学数据复合 遥感信息--地表空间特征 地球物理、地球化学特征--不同深度地物的物理性质，如内部结构、物理组成、基层表面起伏 专题图栅格化 空间配准 构建信息表达模型及提取方法 遥感信息与地球物理、化学数据复合 基于面向对象影像分割的分类方法 遥感信息认知中的对象 对象 对象 面向基元的遥感信息提取方案 高空间分辨率影像 SAR数据 Lidar数据 GIS矢量数据 多尺度分析 光谱、形状、纹理 特征库 模糊规则库 认知基元 基元特征的定量化表达 模糊逻辑推理 信息提取结果 决策知识库 地物知识库 数据层 分析层 基元层 决策层 结果层 遥感信息认知中的尺度问题 地表信息—多层次结构 尺度依赖 认知过程--不同的地物 实体有不同的最佳提取 尺度 选择适当的尺度，才能有效、完整地提取信息 影像对象的尺度表示 …邻对象 …子对象 …父对象 * 影像对象构建方法 多尺度影像分割首先通过初始分割将影像像元合并成较小的初始影像对象,然后通过多次循环将较小的影像对象合并成较大的多边形对象 尺度空间内影像对象构建 考虑遥感、高程、专题矢量图层等多源信息的构建模型 多种约束的基元构建方法保证基元的准确性 阈值控制基元所在尺度层次 * 影像对象构建方法与参数优化 对象合并准则 在初始分割基础上，通过将初始影像对象逐步合并为较大的对象来实现多尺度对象的构建，对象合并的停止条件是由其尺度准则决定的 * 影像对象构建方法 尺度为：16 平均面积：867.6 尺度为：32 平均面积：2131.1 尺度为：128 平均面积：8274.8 尺度为：256 平均面积：30171 影像对象的特征描述 基于对象的信息识别 作 操 辑 逻 … 目标类2 目标类3 目标类n 目标类1 特征1 特征2 特征3 特征m … 结果特征元 μc1 μc2 μc3 … μc4 表示对应目标类中所选择的特征 人工神经网络分类 生物神经网络(biological neural network, BNN)，特别是人脑 人工神经网络(artificial neural network, ANN)：由大量神经元经广泛互联组成的非线性网络（功能模块，数学模型） 自底向上的综合方法： * 神经元-Neuron 神经网络-Artificial neural network 神经元模型 Neuron Model： 多输入，单输出，带偏置 R个输入pi∈R，即R维输入矢量p n: net input, n=wp+b。 R个权值wi∈R，即R维权矢量w 阈值b 输出a=f(n), f: transfer function 神经网络的学习方法 神经网络的学习：从环境中获取知识并改进自身性能，主要指调节网络参数使网络达到某种度量，又称为网络的训练 学习方式： 监督学习 非监督学习 再励学习 学习规则(learning rule)： Hebb学习算法 误差纠正学习算法 竞争学习算法 监督学习 对训练样本集中的每一组输入能提供一组目标输出 网络根据目标输出与实际输出的误差信号