高分辨率遥感图像分类技术研究

高分辨率遥感图像分类技术研究 目 录 摘 要........................................................................................................................................... 1 关键词........................................................................................................................................... 1 Abstract ........................................................................................................................................ 1 Keywords ..................................................................................................................................... 1 引言 ................................................................................................................................................ 1 1 高分辨率遥感图像分类技术概述 ........................................................................... 2 1.1高分辨率遥感图像分类技术 ????????????????????????????????????????????????????????????????????????????????????? 2 1.2高分辨率遥感图像分类技术的难点???????????????????????????????????????????????????????????????????????? 2 2 非监督分类 ........................................................................................................................... 3 2.1 K-Means算法????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 4 2.2 ISODATA分类 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 ??????????????????????????????????????????????????????????????????????????????????????????????????? 6 2.3 分类效果分析 ??????????????????????????????????????????????????????????????????????????????????????????????????????????????? 8 3 监督分类 ................................................................................................................................ 9 3.1最近邻模糊分类器 ??????????????????????????????????????????????????????????????????????????????????????????????????????? 9 3.2加入不变矩胡氏矩 ????????????????????????????????????????????????????????????????????????????????????????????????????? 11 3.3 分类结果分析 ????????????????????????????????????????????????????????????????????????????????????????????????????????????? 13 4 结语......................................................................................................................................... 13 5 参考文献 .............................................................................................................................. 14 高分辨率遥感图像分类技术研究 姓 名:肖雪妮 学 号:20095084033 学 院:城市与环境科学学院 专 业:地理信息系统 指导老师:姚高伟 职 称:讲师 摘 要:遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图 像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 ，具有十分 重要的意义。遥感图像分类方法众多，各有优劣，本文着重分析了遥感图像处理 的两种非监督分类方法，简要阐述了监督分类方法，通过比较它们在进行遥感影 像分类的特点和优势，探讨总结了它们在农作物监测、城市建筑物分类、土地利 用调查等实际生产中应用方法和效果。 关键词:高分辨率;分类技术;监督分类;非监督分类 Abstract:Remote sensing image classification has been an important part of the investigative field of remote sensing, how to solve the multi-class image classification to identify and meet certain accuracy is a key issue in the study of remote sensing image and has a very important significance. There is numbers of classifications, everyone has its advantages and disadvantages, this paper elaborates on the analysis of two unsupervised classification methods of remote sensing image processing, and briefly described supervised classification method , by analyzing and comparing their features and advantages of classifying high-resolution remote sensing image，then summarizing their actual production application methods and effects in crop monitoring，classification of city buildings, and survey of land-use( Keywords:high resolution ;classification;unsupervised;supervised 引言 随着社会经济的快速发展，人们的生活需求与资源环境的矛盾越来越突出， 遥感技术(RS)作为一种准确、客观、及时获取地球 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 面宏观信息的手段，在城市 规划建设、土地利用监测、农业、林业以及自然灾害预报等方面得到了越来越广 1 泛的重视和应用。另外由于航空航天遥感以及计算机技术的迅猛发展，应用于遥感的传感器分辨率越来越高，获取的遥感影像质量也越来越好，特别是SPOT、IKONOS、QUICKBIRD等高分辨率遥感卫星影像的出现更为后期遥感影像的分析和应用带来了更好的数据源和更广大深入的应用前景。 想要要更好地利用遥感影像进行资源调查和动态监测就必须利用各种方法对获取的高分辨率遥感影像进行分类处理，以提取并区分各种地物地貌信息，同时对分类结果加以统计分析以满足不同的需要。 本论结合实例，通过对遥感图像进行K-means和isodata两种不同算法的非监督分类，分析了这两种方法在处理效果和分类精度上的不同。同时简要引言并介绍了最近邻模糊分类和加入不变矩分类两种当前较为前言的监督分类方法，依此分析了高分辨率遥感图像分类趋势和发展方向。 1 高分辨率遥感图像分类技术概述 1.1高分辨率遥感图像分类技术 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。 监督分类和非监督分类是分类遥感图像常用的而方法，虽然近年来也发展了诸如人工神经网络、模糊聚类、决策树分类、专家系统分类法以及其他的一些纹理分类算法。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 [1]在实际应用中，只能结合具体的情况选择较为合适的分类方法。 1.2高分辨率遥感图像分类技术的难点 1.2.1 纹理知识的获取和应用 纹理在遥感图像中大量存在。地物纹理特征的分析，即要表达出地物的形状、大小、结构轴方向、几何图案等传统的方面的信息。这是遥感技术的难点也是探索的重点。传统的文理分析是通过(2n+1)×(2n+1)模板提取其中的灰度值，这种方法的缺点在于不利于提取大范围或者大块的纹理信息。 2 1.2.2 多分类器的融合 各分类器对同一地物的分类精度不同而且不同地物用统一分类器分类的精度也不同，这就为分类器的融合提供了实践依据。如何有效地融合任意数目和任意类型的分类器自多分类器融合提出一直是研究的焦点。 1.2.3 分类多特征的融合 传统的分类算法是基于像素的光谱特征来进行，对于高分辨率遥感图像如何利用多特征分类，如何行为有效地提取这些特征并应用到分类中，是多特征分类的难点。 1.2.4 图像分割 利用面向对象的分类技术中，高分辨率遥感图像分割时整个面向对象遥感图像分类过程中一个直观重要的难点。一个分割效果良好的额分割算法可以使后续 [2]的分类更准确、更接近真实地物，分类精度也提高。 2 非监督分类 非监督分类是指人们事先对分类过程不施加任何的先验知识，仅凭遥感图像地物的光谱特征的分布规律，随其自然地进行自目的分类。其分类的结果只是使不同类别达到了区分，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。遥感图像上的同类地物在相同的地表结构特征、植被覆盖、光照等条件下，一般具有相同的或相近的光谱特征，从而表现出某种内在的相似性，归属于同一光谱空间区域;不同的地物，光谱信息特征不同，归属于不同的光谱空间区域。这就是非监督分类的理论依据。由于在一幅复杂的图像中，训练区有时不能包括所有的地物光谱样式，这样就造成一部分像元找不到归属。在实际工作中为了进行监督分类而确定类别和训练区的选取也是不易的，因而在开始分析图像时，用非监督分类方法来研究数据的本 [3]来结构及其自然点群的分布情况是很有价值的。 非监督分类主要采用聚类分析的方法，聚类是把一组像素按照相似性归属为若干类别。目的是使得属于同一类别的像素之间的距离尽可能地小，而不同类别的像素之间的距离尽可能地大。非监督分类算法的核心问题是初始类别参数的选 3 定，以及它的迭代调整问题。非监督分类最常用的方法有K-Mean, ISODATA方法。 2.1 K-Means算法 2.1.1算法原理 K-均值分类法也称为k-means算法，是一种较典型的逐点修改迭代的动态运算的聚类算法，也是一种普遍采用的一种算法。K-means聚类的准则是使每一聚类中多模式点到该类别的中心距离的平方和最小。一般先按某些原则选择一些代表点作为聚类的核心，然后把其余的待分点按某种方法分到各类中去，完成初始分类。初始分类完成后，重新计算各聚类中心，完成第一次迭代。然后修改聚类中心，以便进行下一次迭代。这种修改有两种 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 ，即逐点修改和逐批修改。逐点修改聚类中心就是一个像元样本按照某种原则属于某一组类后，重新计算这个组类的均值，并且以新的均值作为聚类中心点进行下一次像元的聚类。逐批修改类中心就是在全部像元样本按某一组的类中心分类之后，再计算修改各类的均值，作为下一次分类的聚类中心点。算法 流程 快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计 框如图1.1所示。 开始 选择m个中心Z1，Z2…,Zn 所有象元分到m个集群中心 子 计算新的集群中心 聚类中心不变 结束 图1.1 K-means分类算法流程框 4 K-means分类方法简便易行，其基本思想就是:通过迭代，逐次移动各类 [4]的中心，直至得到最好的聚类结果为止。这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果。 2.2.2 具体实现过程 实验区及遥感数据:本算法选取了郑州尖岗水库周边地区的遥感影像。 数据预处理:在遥感应用研究中，为了提高信息提取的精度，必须对遥感影像进行预处理，这是进一步研究的前提和基础，本文使用遥感图像处理软件ENVI4.1对影像进行了融合、滤波等预处理。 图像分类:使用EVVI4.1监督分类中K-means算法，对原图像(图1.2)进行分类，其中分类属性设置如图2.4，最终分类结果(图2.3)如下: 图1.2 原始图像 图1.3 K-means分类后 5 图1.4 分类参数图 2.2 ISODATA分类方法 2.2.1 算法原理 ISODATA 算法是利用合并和分开的一种著名的聚类方法。它从样本平均迭代来确定聚类的中心，在每一次迭代时，首先在不改变类别数目的前提下改变分类。然后将样本平均矢量之差小于某一指定阈值的类别对合并起来,或根据样本 [5]协方差矩阵来决定其分裂与否。主要环节是聚类、集群分裂和集群合并等处理。它与K-means算法有点不同:第一，它不是每调整一个样本的类别计算一次各样本的均值，而是在每次把所有样本的类别类别都调整完毕之后才重新计算一次各样本的均值，前者称为逐个样本修正法，后者称为成批样本修正法;第二，ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动的进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类效果。其初始的集群组是随机地在整幅图像的特征空间选择Cmax，基本的步骤为: ?初始随机的选择Cmax 中心; ?计算其他像元离这些中心的距离，按照最小距离规则划分到其对应的集群中; ?重新计算每个集群的均值，按照前面定义的参数合并或分开集群组; ?重复?和?，直到达到最大不变像元百分比，或者最长运转时间。 ISODATA 算法是个循环过程，算法过程框如图2.3所示。 6 输入参数 Y N 改变输入参数 近邻聚类 计算聚类中心及均值等 Y 最后一次迭代 N .置c=0 , Y 最后一次迭代 N Nck/2 , 分裂运算 Y 完成 N 符合合并条件 见条件 Y 合并运算 N 符合合并条件 Y 结束 1 ISODATA算法流程图 图2. 2.2.2 具体操作 实验区及遥感数据:本算法同样选取了郑州尖岗水库周边地区的遥感影像。 数据预处理:使用遥感图像处理软件erdas9.2对影像进行了增强和降噪等预 处理。 图像分类:使用erdas9.2非监督分类中K-means算法，结果如下: 7 2.2 原始图像 2.3 K-means分类后图像 2.4 分类属性图 2.3 分类效果分析 这两种算法都具备监督分类的主要优点，即无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组;人为误差的机会减少，需输入的初始参数较少;可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质;独特的、覆盖量小的类别均能够被识别。同时，此类方法也存在分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大、不同图像间的光谱集群组无法保持其连续性，难以对比等问题。 当然，K-means与ISODATA在遥感图像的分类效果上也有很多不同之处。下图为两种方法分类精度对比表。 8 图3.1 分类精度图 3 监督分类 3.1最近邻模糊分类器 3.1.1分类器原理 该分类器首先把待识别目标的组合特征与训练模板中的组合特征样本的平均值一一进行比较，从而得到了一个特征差矩阵。用模糊分布函数在同类特征差之间进行处理，生成一个隶属度矩阵，再用算术平均法对隶属度矩阵进行处理， [6]并用最大隶属度准则来进行分类判决。本文以郑州市尖岗水库周边地区的遥感 图像为例，具体步骤如下: 3.1.2 图像处理 图像分类:图像分类利用了matlab上的一些函数，进行编程实现的，核心程 [8]序如下: function nnClassifier clear all load Irisdata.txt; data=Irisdata(:,1:4); dim=3; for i=1:3 TrainData(:,:,i)=data(50*(i-1)+1:50*(i-1)+20,:)'; 9 end for i=1:3 TestData(:,:,i)=data(50*(i-1)+31:50*i,:)'; end [EigNum,TestNum,ClassNum]=size(TestData); MissNum=MinNearClasser(TrainData,TestData,6) TestTotalNum=ClassNum*TestNum; Correct=100*((TestTotalNum-MissNum)/TestTotalNum) functionMinNearclasser TrainNum = uint16( size ( TrainSamples , 2 ) / ClassNum );%每类训 练样本个数 TestNum = uint16( size ( TestSamples , 2 ) / ClassNum );%每类测试 样本个数 right=zeros(1,size(TestSamples,2)); for i=1:ClassNum for j=1:TestNum Loc = FindMinLoc( TrainSamples , TestSamples(:,(i-1)*TestNum+j) ); if ( ( Loc >= ( i - 1 ) * TrainNum + 1 ) & ( Loc <= i * TrainNum ) ) accu = accu + 1; right(1,(i-1)*TestNum+j)=1; end; end; end; function [ loc ] = FindMinLoc ( X , V) loc=1; mindis=10000000.0; for i=1:size(X,2) if ( norm(X(:,i)-V) <= mindis ) 10 loc=i; mindis = norm(X(:,i)-V); end; end; 本算法选取了合适的训练的样本及样本数对原始图像进行分类，如果分类效果不好，重新选取训练样本直到得到比较好的分类图像，得到满意的分类效果图，结果如下图所示。 图3.1 分类结果图 3.2加入不变矩胡氏矩 3.2.1 不变矩概念 不变矩是表达图像几何形状信息的参数，具有几何变换的稳定性，在图像识别领域已经得到广泛应用。不变矩是对图像的平移、旋转及尺度等多种畸变和噪声不敏感的矩_3 J，因此，不论物体在图像中的位置、方向及大小如何，只要形状和灰度分布相似，就具有相似的不变矩特征，这为地物类型的识别提供了基础。本文将以常用的胡氏矩，运用到高分辨率遥感图像分类中，并与只利用光谱信息的图像分类结果进行对比。 3.2.2 胡氏矩具体算法 胡氏矩是一组几何矩的非线性组合。几何矩是矩函数中最简单的一个，它用 11 [8]像素坐标的幂来表达空间信息。相对于其它矩，几何矩的计算更加简便。一幅连续的图像f ( x , y ) 的(p + q)阶几何矩定义为 ，,，,pq，，m,xyfx，ydxdy (1) pq,,_,_, 式中。p ,q =0,1,2,„。为了得到具有平移不变性的矩，需要先将图像平移到其重心处，因此将中心矩定义为 pq_,，,，,,,,, (2) ，，,,x,xy,yfx,ydxdy,,,,pq,,_,_,,,,, 01,,,,mm,,10式中，是图像的重心。对中心矩进行归一化，即 x,y,x,y,,,,00mm,,00 ,pq, (3) ,pqr,00 p，q式中，。但是归一化的矩不能有旋转不变性。 r,，12 Hu提出了7个具有平移、旋转及尺度不变性的不变矩(简称胡氏矩)，定义如下 (4) ,,,，,12002 22，，,,,,,，4, (5) 2200211 22，，，，,,,,3,，3,,, (6) 330122103 22，，,,,，,，(3,,,) (7) 430122103 22,,,,,,,,,,,3，，,3，,,，，，，，，，，53012301230122100 (8) 22,,，，，，，，，，，,3,,,，,3,，,,,，,2100210330122103 22,,，，，，，，，，，，,,,,,,，,,,，,，4,,，,,，, (9) 62002301221031130122103 22,,,,,,,,,,，，，，，，，，3,，,,，,3，71230301230122103 (10) 22,,，，，，，，，，，,3,,,，,3,,,,,,,2103210303121203 由于这七个矩的变化范围很大，而且可能出现负值，为了便于比较，实际采用的 ,,ln,,k,1~7是先取绝对值再取对数的方法，即。 kk 胡氏矩不是正交矩，7个矩之间具有相关性，存在信息冗余的问题，通过计 12 算， 得到了各种不变矩图像。采用7个胡氏不变矩，每个波段可得到7个胡氏矩图像。将得到的不变矩图像与原始的光谱图像相结合进行面向对象的图像分类。下图是胡氏矩的局部图像。，运用图像分割算法对图像进行分割，以分割得到的区域(Segment)为单位，采用自主开发的程序，计算不同波段中每个区域或对象的不变矩。这样，每个波段可得到多个不同的不变矩图像。 图1胡氏矩图像 ,1 3.3 分类结果分析 结果表明:利用最近邻模糊分类器对遥感图像进行分类，克服了由于特征选择的不稳定性对分类结果的影响，分类精度也得到了显著的提高，同样在高分辨率图像分类中加入不变矩图像也可以显著提高分类精度;最近邻模糊分类器能够很好克服了不稳定性对分类结果的影像，胡氏矩由于其值在光谱特征相似的地物上差别明显也能弥补其他分类方法的不足。但二者都同样存在不足之处，最近邻模糊分类器算法复杂，分类时效较低，胡氏矩在处理形状相似的地物时效果不佳。总之，这两种分类方法新颖好用，分类效果好，同样也有不足之处，需要继续完善。 4 结语 当今，进行遥感影像分类处理的方法很多如常用的监督分类法、非监督分类法、最大似然法以及人工神经元网络、小波变换等方法。他们进行遥感影像分类 13 主要是利用这一基本原理即:不同的地物在同一波段影像上表现的亮度互不相同，同时不同地物在各个波段影像上亮度呈现的规律也不同，也就是说遥感影像上的地物光谱特征通常是以地物在多光谱影像上的亮度体现出来的。这一点构成了区分不同影像地物的依据。但是我们很多的影像分类技术与算法更多地着重于遥感影像上像元亮度或光谱信息的本身而没有综合考虑影像地物之间的特征相关性如植被和土壤的关系、土壤与水分的关系;也没有考虑到地形起伏或地物高度变化的影响因素;更没有将一幅遥感影像而非像素来作为一个对象进行面向对 [9]象的综合分析如纹理、形状、特征继承相关等特殊要素。 随着高分辨率传感技术的发展，大比例尺遥感制图将成为一个热门的方向。在高分辨率卫星影像上，包含着大量的地表物体的形状结构和纹理信息，这些信息同时也构成了遥感制图的基本要素。整个遥感信息的识别过程极其复杂，要弄清楚每一个环节需要一个长期、系统的过程。本文虽然介绍了几种当前较为常用分类技术，笔者认为以后的高分辨率遥感图像分类技术还要继续进行深入的探讨和研究。 5 参考文献 [1] 李德仁(论21 世纪遥感与GIS 的发展 [J]( 武汉大学学报，信息科学版， 2003，28 (2):127-131( [2] 付森( 遥感图像分类技术的发展现状,J,( 科技风，2010，24 (8): 256- 257( [3] 朱述龙，张占睦( 遥感图像获取与分析[J](北京:科学出版社.2000. [4] 章孝灿，黄智才，赵元洪( 遥感数字图像处理[J](杭州:浙江大学出版社.1997. [5] 朱国龙，汪云甲，等(高分辨率遥感图像最近邻模糊分类器的研究及发,J,(测绘科学，2010，35(6):96-98( [6] 刘先康，高梅国，傅雄军(适用于组合特征识别的最近邻模糊分类器,J,(电光与控制，2007，14( 5)( [7] 曹雪，柯长青(基于对象级的高分辨率遥感影像分类研究,J,(应用技术，2006，(5):96-98( 14 [8] Charles. Selecting band combination from multispectral data [J]. Photo grammetric Engineering and Remote Sensing,1985,51( 6):681-687. [9] 刘慧婵，何国金(基于形状的高分辨率遥感图像特征提取方法,J,(计算机工程与应用， 2007，43(19):26-29( 15