模糊数学与遥感数据分析.pptVIP

遥感图像的模糊分析 华东师范大学演讲稿 美 ? 北德大学 (UNT) ? 季民河 软计算研究领域及遥感图像分析 根植于一组相关技术的新兴研究领域 基于知识（专家）系统 (Expert Systems) 人工神经元网络 (Artificial Neural Networks) 模糊集合理论 (Fuzzy Set Theory) 概率与证据方法 (Probabilistic and Evidential) 遗传算法 (Genetic Algorithems) 其共同特点是：仿真人脑在非确定和非精确的环境中决策的能力 为什么要对遥感数据做模糊化分析？ 遥感源数据混合光谱像元 混合来源于遥感器的空间分辨率和渐变性地理现象 混合并非信噪比低 (或非确定性高)，而是信息含量高 一元一类逻辑 (即布尔逻辑) 无法进行有效处理 传统遥感分类产品的专题性 分类简化表达模型 (比率尺度向名义尺度转换) 分类过程中信息丢失→产品质量下降，影响使用 解决办法：模糊表达及模糊分析 以软分类取代硬分类 混合光谱像元典型例子之一 一元一类硬分类例子 – 土地覆盖图 通过对传统数学的模糊延伸，利用光谱数据模拟和量化生物理 (biophysical) 类别 应用之一：监督分类的模糊光谱培训 如何改善多光谱遥感资料的分类精度？ 地物类别光谱印记的提取是整个过程的关键 光谱培训是提取光谱印记的主要手段。 提高光谱印记质量在于如何改善培训过程。 光谱培训的模糊处理是方向之一 传统方法缺乏学习机制，对数据同一性要求高，不能利用或处理非确定性。 模糊化旨在上述方面的改善，以提高印记质量 基于传统集合论及布尔逻辑的多光谱遥感图像监督分类方法流程图 监督分类过程的模糊化处理 模糊隶属函数对比硬特征函数 建立模糊隶属函数的方法 不同学科领域可以有不同的方法 人文科学：专家评判和民意调查 自然科学：经验公式和数理统计 遥感光谱数据分析 从数据本身提取模糊隶属函数 非监督方法：模糊聚类算法 (FCM) 监督方法：保持对各类别的或然率值 监督方法的模糊培训与模糊分类 模糊分类仍采用最大或然率分类法 保持对所有类别的或然率 隶属度等同于或然率（通用值域 [0.0, 1.0]） 模糊培训采用J.C. Bezdek的模糊聚类法 需要改进 Fuzzy c-Means 方法 根据给定的光谱培训数据反复叠代以获取逼近真值的聚类中心 为整幅图像分类提供更可靠的 signature 参数 J. Bezdek 的 Fuzzy c-Means 方法 采用 Mahalanobis 距离的理由 为从单一数据点到聚类中心的距离量测。 聚类团各维方向的距离量测取决于数据在该方向的概率密度。 聚类团的概率密度取决于聚类团的方差矩阵。 故聚类团的等距曲面为一多维椭球体。 比使用欧式定律计算量要大。 迭代自组织模糊参数估算法流程图 全模糊监督分类法流程图　 模块在 ERDAS IMAGINE 图形用户界面 研究区域、光谱数据及实地取样数据 地物类别选址与模糊光谱培训 基于硬培训与软培训的硬分类比较 基于两种培训法的硬分类图精度比较 Kappa Coefficient (k -系数) 检验 一种排除巧合(chance agreement)的精度量测方法，可用来做统计假设检验。 对环境遥感学的贡献和意义 为监督分类提供了一种较新的培训法 充分开发利用光谱数据中的模糊信息 改善硬分类精度 采用软分类可减少建立分类系统的工作量 放宽培训区的光谱同一性要求 非监督FCM 聚类与监督培训的整合 利用知识设限对光谱signatures实行模糊处理 相对单纯使用 FCM 减少计算量 为其他功能算法的模糊化处理提供概念证明(proof-of-concept) 应用之二：植物生态系统遥感制图 生态渐变区（Ecotone） 指相邻不同结构生态区之间的结合部 反映不同生态系统间相互作用的动态平衡 自然调控生态系统间能量和物质的交换 具有较高的生物（包括动植物）多样性 对环境因素变化的敏感度较高 传统遥感方法不能有效提取或表达渐变 尝试将一元一类表达法扩展为一元多类 研究区域与数据 非洲六种生态区NDVI季节变化图 要素空间向语义空间的模糊变换 大容量数据处理对FCM算法的挑战 总计 348 ? 335 = 116,580 个数据点，12 个变量 Sun Workstation Unix OS 平台，ERDAS Imagine FCM 算法包含众多的指数和除法运算 (粗略估计指数运算数目为c2n + cn2 + 3n 乘以迭代数目) 采用两种方法提高运行速度： 建立6个look-up tables, 以查表法取代指数和除法运算 用ISODATA产生首批聚类中心作为FCM的初始值 实验表明改进后的FCM运行时间缩短至原来的1/12