基于有监督分类的地物识别.docVIP

基于有监督分类的地物识别 姓名：周钟娜 学号：S一 实验原理： 图像识别是计算机视觉研究中一个重要而困难的任务。常用的方法很多，有统计模式识别，集群分类等等。其中统计模式识别是根据统计规律进行推测、判断，得出结论。句法模式识别是按照句法分析方法进行判别。图像识别还可以根据有无监督分为有监督分类和无监督分类。有监督分类是有已知训练样本，要通过学习，得出样本的特征和规律等信息，再根据这些信息对图像进行分类识别。无监督分类则没有已知样本，是基于物以类聚来分类。图像识别方法还可以分为参数方法和非参数方法。参数方法是假设已知函数形式，只要求出其待定的参数。非参数方法没有函数形式，通常用邻近方法来判断。 模式识别的一般步骤如图1所示： 图1 模式识别的一般步骤 下图2所示为监督分类基本步骤。 图2 监督分类基本步骤 二 实验步骤 本实验使用的软件环境为Visual C++，采用有监督分类的方法对遥感图像的地物进行识别。使用的源图像为同一区域的12幅遥感综合图象(n1~n12), 并有该地区各类地貌实况数据_图（GT）。 具体步骤如下： 事先在GT图中选取一部分作为样本，以图像格式保存在名字为yb.bmp的文件中。打开该文件，将样本中各类的点分别存在一数组内。 分别读入12幅遥感综合图象。 样本学习。将每一类的点计算其对应在12幅遥感综合图象中的灰度平均值。确定迭代次数为5次，则各类的平均灰度趋于稳定。本实验图像中共有7类地物，每类地物在12幅遥感综合图象各有其灰度平均值。 分类。将得到的稳定的平均灰度值作为参考值，对每一个点都进行如下计算：首先计算其在每幅遥感综合图象中的灰度值与每一类灰度平均值的差值，每类对应有12个差值；再将各类的12个差值归一化，即除以对应的灰度平均值；将各类对应归一化的12个差值分别相加，最后选取差值和最小的那一类作为该点的类别，如果差值过大，则认为不属于以上7类。 如果该点在12幅遥感综合图象的灰度值均为0则认为该点是水域（海洋或湖泊）。 三 实验结果 采用的原始样本如图3所示，样本学习得到的各地物在各光谱波段的灰度均值在本文末页，根据学习训练得到全图的地物分布如图4所示。 图3 各区域样本 图4 实验结果 实验结果图像中，蓝色为水体，黑色部分不属于要分的7类，红色部分为冻土地和苔原，黄色部分为山林，白色部分为草地，绿色部分为灌木，紫色部分为混合农作物，草绿色部分为无作物区域。 从结果可以看出分割的效果还比较理想。 四 程序运行 本实验使用的软件环境为Visual C++，,打开exe文件，选择file/open，打开yb.bmp文件，点击fl/fl，提示输入12幅原图像，不要求按照次序，请打开12幅原图像，程序将自动运行显示结果。 样本学习得到的各地物在各光谱波段的灰度均值： 光谱一 光谱二 光谱三 光谱四 光谱五 光谱六 1：冻土、苔原 128.010753 128.010753 131.709677 156.924731 181.505376 194.021505 2：灌木 127.763077 128.926154 135.310769 147.960000 182.775385 200.901538 3：山林 127.467427 127.752443 135.490228 152.100977 173.584691 197.856678 4：草地 123.410156 126.609375 136.761719 138.417969 143.000000 165.523438 5：混合农作物 131.617647 131.811765 139.164706 147.935294 177.552941 189.082353 6：荒漠 136.802867 136.164875 140.046595 141.322581 151.491039 167.150538 7：无作物区 138.071429 136.410714 138.571429 141.160714 145.303571 154.053571 光谱七 光谱八 光谱九 光谱十 光谱十一 光谱十二 1：冻土、苔原 201.946237 194.677419 183.086022 157.397849 137.849462 123.978495 2：灌木 202.538462 200.849231 188.710769 151.110769 137.898462 128.009231 3：山林 204.237785 196.179153 183.280130 147.641694 127.153094 125.734528 4：