遙感圖像幾種分類方法的研究比較畢業論文(存儲版)

　　

【正文】 訓練樣本的代表性和是否錯選等。（2）從已有的地物分類研究中參考研究地物分類的文獻中提出了一些建議的分類方案。方案一就是根據地物的這個特點選樣本點。首先對該研究區的TM遙感影像進行543假彩色合成，并以圖紙形式輸出，利用該合成圖像和有關地圖進行地面實地考察。在結合野外實地調查及土地利用資料、圖片等，得到該地區的典型地物類型的目視解譯標志。： 飽和度拉伸前（左）后（右）對比圖由拉伸前后的對比圖像可以看出，圖像上像素飽和度得到了較好的增強，使得植被和裸地等更容易辨別。選擇Convolutions濾波器類型。由前面的原理可知，在頻率域平面中，低頻區位于中心部位，而高頻區位于低頻區的外圍，即邊緣部位。通過對比可知，空間域濾波是在圖像的空間變量內進行局部運算，使用空間二維卷積方法，特點是運算簡單、易于實現，但有時精度較差，容易過度增強，使圖像產生不協調的感覺；頻域使用傅氏分析等方法，通過修飾原圖像的傅氏變換來實現，特點是計算量大，但比較直觀，精度比較高，圖像視覺效果比較好。然后對感興趣區的樣本進行統計分析，從統計數據或光譜曲線中觀察樣本光譜特征是否符合該類地物的一般光譜變化規律，剔除離散較大的樣本；從各類樣本的聚類中心的特征看，同類樣本聚集在聚類中心的周圍，這說明樣本比較純，代表性較強。裸地其它草地沙地樹木耕地在主圖像窗口選擇Overlay Classfication 打開對話框（），進行疊加，通過選擇要疊合的類別進行疊加（），同時還可以對各類別的做些細微調整，將錯分的像元劃歸到正確的類別。同樣的，若是神經網絡模型建立合理，速度應該也會加快，甚至超過傳統分類方法。分類精度的評價必須從多個方面綜合評價才能得出結論?；谥R的專家系統應用，是遙感影像土地覆蓋分類的發展趨勢。忘不了老師們的孜孜不倦，忘不了老師的深刻教誨，更忘不了老師的無私付出。附錄一Input File: ROI Name: (JeffriesMatusita, Transformed Divergence) 耕地 [Red] 286 points: 樹木 [Green] 276 points: ( ) 裸地 [Blue] 270 points: ( ) 沙地 [Yellow] 252 points: ( ) 草地 [Cyan] 279 points: ( ) 其它 [Magenta] 251 points: ( ) 樹木 [Green] 276 points: 耕地 [Red] 286 points: ( ) 裸地 [Blue] 270 points: ( ) 沙地 [Yellow] 252 points: ( ) 草地 [Cyan] 279 points: ( ) 其它 [Magenta] 251 points: ( ) 裸地 [Blue] 270 points: 耕地 [Red] 286 points: ( ) 樹木 [Green] 276 points: ( ) 沙地 [Yellow] 252 points: ( ) 草地 [Cyan] 279 points: ( ) 其它 [Magenta] 251 points: ( ) 沙地 [Yellow] 252 points: 耕地 [Red] 286 points: ( ) 樹木 [Green] 276 points: ( ) 裸地 [Blue] 270 points: ( ) 草地 [Cyan] 279 points: ( ) 其它 [Magenta] 251 points: ( ) 草地 [Cyan] 279 points: 耕地 [Red] 286 points: ( ) 樹木 [Green] 276 points: ( ) 裸地 [Blue] 270 points: ( ) 沙地 [Yellow] 252 points: ( ) 其它 [Magenta] 251 points: ( ) 其它 [Magenta] 251 points: 耕地 [Red] 286 points: ( ) 樹木 [Green] 276 points: ( ) 裸地 [Blue] 270 points: ( ) 沙地 [Yellow] 252 points: ( ) 草地 [Cyan] 279 points: ( ) Pair Separation (least to most)。時間如梭，歲月如電，我們在大學的時間就這樣畫上了句號，心中的不舍難以言表?！? 傳統的遙感圖像分類方法如目視解譯、監督分類和非監督分類, 算法成熟、操作簡單, 仍然是目前應用較多的方法。對于以上幾種分類方法的總體分類精度(%，%，%，%，%)和Kaapa系數而言，二者的計算結果都較高，而且相差不大。最大似然分類法、神經網絡分類法和決策樹分類方法的精度也很高，但是最大似然法的計算時間很短，神經網絡法和決策樹的計算時間是這四種分類方法中較長的。通過查閱相關的影像資料和和對專家知識的系統學習、經驗總結和樣本總結對六類的地物的規則進行描述：林地：① B4 B5 B4② B4 ③ B4 耕地：① B4 B4 ② B4 B4草地：①B3 ② B4 B3 B4③ B4 B3 ④ B4 B5 裸地：①B3 B6② B4 B3 B3③ B4 B6沙地：B3 B4其他： 2編輯決策樹具體操作步驟：點擊主菜單ClassificationDecion TreeBuid Decion Tree按照上面的規則編寫決策樹。要合并或者刪除；，則說明該區做的比較理想。通過改變濾波器的半徑，可以改變圖像的平滑度。 正向傅里葉變換圖 （2）定義FFT濾波器選擇FiltersFFT FilteringFilter definition對話框中，選擇FilterType濾波器類型。 選擇Filter Convolutions and Morphology。然后，將（HLS）數據變換為RGB空間。第四章 遙感圖像分類實驗研究根據所選TM遙感圖像波段組合分析，對于該研究區域，TM543是最佳波段組合方式，這個波段所包含的信息量最大。在結合野外實地調查及土地利用資料、圖片等，得到該地區的典型地物類型的目視解譯標志。有兩種方案：方案一:根據對遙感圖像中不同地物類型的目視解譯結果，采用選取樣本區顏色較單一，DN值差別較小像素。 研究區地物類型的確定（1）基于遙感圖像的特征通常遙感圖像獲取的是地物頂部信息，及應從城市主要地物覆蓋類型的角度來劃分城市典型地物類型。準確性就是要確保選擇的樣本與實際地物的一致性；代表性一方面指所選擇區為某一地物的代表，另一方面還要考慮到地物本身的復雜性，所以必須在一定程度上反映同類地物光譜特性的波動情況；統計性是指選擇的訓練樣本內必須有足夠多的像元，以保證由此計算出的類別參數符合統計規律。Kappa分析用來決定兩個誤差矩陣之間是否有顯著性的差別，其產生的評價指標被稱為KHAT統計，KHAT統計是一種測定兩幅圖之間吻合度或精度的指標，其公式為: ()式中r為誤差矩陣中的總列數(即總的類別數)；為誤差矩陣中第i行、第i列上像元數量(即正確分類的數目)；和，分別是第i行和第i列上總像元數量；N是總的用十精度評價的像元數量。s accuraoy)、使用者精度(user39。 分類結果的精度計算可以用抽樣像元中分類正確的像元數和誤分的像元數來表示，也可用實際類型與分類類型的二維表(分類精度矩陣)來表示。知識庫是問題求解所需領域知識的集合，其中的知識源于領域專家，是決定專家系統的關鍵，即知識庫中知識的質量水平，用戶可以通過改變、完善知識庫中的知識來提高專家系統的性能。利用Lagrange優化方法可以把上述最優分類面問題轉化為其對偶問題，即在約束條件和下對求解下列函數的最大值： （）為與每個樣本的對應的Language乘子，求解對應的樣本就是支撐向量，得到最優的分類函數： （）對于非線性問題，可以通過非線性變換轉化為某個高維空間中的線性問題，在變換空間最優分類面，選用合適的核函數滿足Mercer條件變換，到高維空間，目標函數（）變換為 （）相應的分類函數變為 （）SVM有以下幾個優點：構造SVM可以加快學習過程；構造SVM能夠解決一些其他方法無法解決的問題；構造決策股則的同時，得到了支持向量；新的決策函數只通過改變定義空間的核函數即可實現。在處理以數據量多、含混度高著稱的遙感圖像的模式識別問題時，利用多層神經網絡有利于實現多特征空間的非線性劃分。訓練樣本集屬性分類生成決策樹修剪決策樹評估決策樹決策樹決策樹規則集分類結果待分數劇集分類 （2）決策樹技術應用于遙感影像的土地利分類過程中的優點決策械方法不需要假設先驗概率分布，這種非參數化的特點使其具有更好的靈活性和魯棒性，因此，當遙感影像數據特征的空間分布很復雜，或者多源數據各維具有不同的統計分布和尺度時，用決策樹分類法能獲得理想的分類結果；決策樹技術不僅可以利用連續實數或離散數值的樣本，而且可以利用“語義數據”，比如離散的語義數值：東、南、西、北、東南、東北、西南、西北；決策樹方法生成的決策樹或產生式規則集具有結構簡單直觀、容易理解、以及計算效率高的特點，可以供專家分析、判斷和修正，也可以輸入到專家系統中，而且對于大數據量的遙感影像處理更有優勢；決策樹方法能夠有效地抑制訓練樣本噪音和解決屬性缺失問題，因此可以解決由于訓練樣本存在噪聲(可能由傳感器噪聲、漏掃描、信號混合、各種預處理誤差等原因造成)使得分類精度降低的問題。（7） 以test_attribute 標記節點N；（8） For each test_attribute 的已知值v //劃分 samples（9） 由節點N分出一個對應test_attribute=v的分支；（10）令Sv為 samples中 test_attribute=v 的樣本集合；//一個劃分塊（11） If Sv為空 then （12） 加上一個葉節點，以samples中最普遍的類標記；（13） Else 加入一個由Decision_Tree(Sv,attribute_listtest_attribute返回節點值。這涉及將給定的結點轉換成樹葉，并用samples中的多數所在類別標記它。值得注意的是，在這類算法中，所有的屬性都是分類的，即取離散值的。決策樹除了以樹的形式表示外，還可以表示為一組IF—THEN形式的產生式規則。ISODATA 算法是個循環過程。開始選擇m個中心Z1，Z2…,Zn所有象元分到m個集群中心子計算新的集群中心聚類中心不變結束 Kmeans分類算法流程框Kmeans分類方法簡便易行，其基本思想就是：通過迭代，逐次移動各類的中心，直至得到最好的聚類結果為止。 Kmeans算法K均值分類法也稱為kmeans算法，是一種較典型的逐點修改迭代的動態運算的聚類算法，也是一種普遍采用的一種算法。遙感圖像上的同類地物在相同的地表結構特征、植被覆蓋、光照等條件下，一般具有相同的或相近的光譜特征，從而表現出某種內在的相似性，歸屬于同一光譜空間區域；不同的地物，光譜信息特征不同，歸屬于不同的光譜空間區域。因此，在這類分類方法中距離就是一個判別函數。若有n個波段，m個類別，用代表第i類第j波段的均值，為對應的標準差，為像元x在j波段的像元值。最大似然比判決分類方法是建立在貝葉斯準則基礎上的，其分類錯誤概率最小，是風險最小的判決分析，是典型的和應用最廣的監督分類方法，偏重于集群分布的統計特性，并假定訓練樣本數據在光譜空間服從高斯正態分布。因為大的數量除了增加計算量外也帶來尋找的困難。③代表性，訓練場地樣本應該在各類地物面積較大的中心部分進行選取，而不應在各類地物的混交地區和類別的邊緣選取，以保證數據的單純性(均一物質的亮度值)。根據感興趣地物的特征進行有針對的特征變換，變換之后的特征影像和原始影像共同進行特征選擇，以選出既能滿足分類分類需要，又盡可能少參與分類的特征影像，加快分類速度，提高分類精度。首先確定對哪些地物進行分類，這樣就可以建立這些地物的先驗知識。除此之外，尚有模擬自然語言的句法結構分類方法和模糊數學分類方法等。 研究方法(1)在廣泛查閱國內外有關遙感影像分類的文獻資料后，進一步了解遙感分類的研究進展和發展趨勢，重點是最大似然法和決策樹在遙感分類中的應用與研究現狀。通過野外調查獲取的檢驗數據,由于圖像處理和成像有一定的時間間隔,導致地面類型在此期間可能發生了變化,所以難以保證檢驗數據的100%的正確性,而且遙感影像分類的結果一般是土地覆蓋類別,因此直接采用土地利用圖作為檢驗數據源,一般不會產生有效的結果,航空像片的判讀結果也不會100%正確,因此用混淆矩陣進行精度檢驗的方法檢驗數據的正確性很難保證。隨著遙感技術和計算機技術的發展，針對土地覆被專題信息的提取方法不斷涌現，因此，信息提取方法體系逐步得到完善．誠然如此，