第8章遥感作业

第八章遥感图像自动识别分类。

姓名：黄林周学号：2014301610131

一、名词解释。

1、模式识别：一个模式识别系统对被识别的模式作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较，若和字典中某一“词目”的比较结果是吻合或者比较吻合，则我们就可以得出所需要的分类结果，这一过程称为模式识别。

2、遥感图像自动分类：采用决策理论或统计方法，按照决策理论方法，需要从被识别的模式中提取一组反映模式属性的量测值，称之为特征，并把模式特征定义在一个特征空间中，进而利用决策的原理对特征空间进行划分。

3、统计模式识别：对模式的统计分类方法，把模式类看成是用某个随机向量实现的集合。又称决策理论识别方法。

4、结构模式识别：结构模式识别是用模式的基本组成元素（基元）及其相互间的结构关系对模式进行描述和识别的方法。

5、光谱特征向量：同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量x，称为光谱特征向量。

6、特征空间：为了度量图像中地物的光谱特征，建立一个以各波段图像的亮度分布为子空间的多维光谱特征空间。

7、特征变换：将原有的m个测量值集合并通过某种变换，产生n（n<=m）个新的特征，这种处理方法称为特征变换。

8、特征选择：从原来的m个测量值集合中，按某一准则选出n个特征，这种方法称为特征选择。

9、主分量变换：即k-l变换，是一种线性变换，是就均方差最小来说的最佳正交变换，是在统计特征基础上的线性变换。

10、哈达玛变换：是利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换。

11、穗帽变换：即k-t变换，它有两个特点，一是土壤在特征空间的集群随亮度的变化趋势沿从坐标原点出发的同一根辐射线方向上出现，二是若把土壤和植被的混合集群投影到mss-5和mss-6波段图像所组成的特征子空间中，形成一个近似的帽状三角形。

12、生物量指标变换：以两图像间相应亮度差与其亮度和之比作为处理后的图像亮度值的图像处理方法，公式为。

13、标准化距离：公式为。

14、类间离散度：表示一类模式在空间的散布情况。

16、类内离散度：各样本点围绕均值的散布情况。

17、判别函数：各个类别的判断区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别这些函数就是判别函数。

18、判别边界：当计算完某个矢量在不同类别判别函数的中的值后，我们要确定该矢量属于某类就必须给出一个判断依据，如若得到函数值最大则该矢量属于最大值对应的类别。

19、条件概率：某件事在另一件事已发生的情况下发生的概率。

20、先验概率：指根据以往经验和分析得到的概率。

21、后验概率：指在得到“结果”的信息后重新修正的概率。

22、贝叶斯判别规则：把某特征矢量x落入某类集群的条件概率当成分类判别函数，把x落入某集群的条件概率最大的类作为x的类别，这种判别规则就是贝叶斯判别规则。

23、马氏距离：几何意义是特征矢量x到某类集群类中心之间的加权距离。

24、欧氏距离：是马氏距离用于分类集群的形状都相同下的特例。

25、错分概率：类别判别分界两侧做出不确定判别的概率之和。

26、训练样区：指的是图像上那些已知其类别属性，可以用来统计类别参数的区域。

27、最小距离法分类：设法计算未知矢量x到有关类别集群之间的距离，哪类离它最近，该未知矢量就属于哪类。

28、isodata法分类：也称为迭代自组织数据分析算法，它与k-均值算法有两点不同，第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为批样本修正法；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“**”，从而得到类数比较合理的聚类结果。

29、混淆矩阵：统计分类图中的类别与实际类别之间的混淆程度。

二、问答题：

1、地物在特征空间聚类有哪些特性？

答：1、不同地物由于光谱特征不同，将分布在特征空间的不同位置；

2、同类地物的各取样点在光谱各种空间中的特征点将不可能只表现为同一点，而是形成一个相对聚集的点集群，不同类地物的点集群在特征空间内一般是相互分离的；

3、地物在特征空间的聚类通常用特征点分布的概率密度函数表示。

2、作图并说明遥感影像主分量变换的原理和它在遥感中的主要作用。

答：原理：由原始图像数据协方差矩阵的特征值和特征向量建立起来的变换核，将光谱特征空间原始数据向量投影到平行于地物集群椭球体各结构轴的主成分方向。

作用：突出和保留主要地物类别信息，用来进行图像增强、特征选择和图像压缩的处理方法。

3、叙述生物量指标变换的原理及其作用。

答：原理：mss-5和mss-7的比值广泛用于调查植物的稠密度，它与地面生物量之间有很强的相关性，公式为。

作用：可以很好地把植物从水和土壤中分离出来。

4、为什么要进行特征选择？列举几种特征选择的主要方法和原理。

答：一方面减少特征之间的相关性，使得用尽可能少的特征来最大限度地包含所有原始数据的信息；另一方面使得待分类别之间的差异在变换后的特征中更明显，从而改善分类效果。

1、主分量变换。

即k-l变换，是一种线性变换，是就均方差最小来说的最佳正交变换，是在统计特征基础上的线性变换。

2、哈达玛变换。

是利用哈达玛矩阵作为变换矩阵新实施的遥感多光谱域变换。

3、穗帽变换。

即k-t变换，它有两个特点，一是土壤在特征空间的集群随亮度的变化趋势沿从坐标原点出发的同一根辐射线方向上出现，二是若把土壤和植被的混合集群投影到mss-5和mss-6波段图像所组成的特征子空间中，形成一个近似的帽状三角形。

5、叙述监督分类与非监督分类的区别。

答：监督分类精确度高准确性好与实际类别吻合较好，但是工作量大，有先验知识时使用该方法；

非监督分类工作量小易于实现，分类结果与实际类别相差较大，准确性差，在没有类别先验知识时使用该方法。

6、叙述最大似然法分类原理及存在的缺点。

答：最大似然法分类是经常使用的监督分类方法之一，它是通过求出每个像素对于各类别归属概率，把该像素分到归属概率最大的类别中去的方法。最大似然比分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。

7、叙述最小距离法分类的原理和步骤。

答：原理：聚类准则使得每一个聚类中，多模式点到该类别的中心的距离的平方和最小。基本思想是通过迭代，逐次移动各类的中心，直到得到最好的聚类结果。

步骤如下：1、输入基因表达矩阵作为对象集x，输入指定聚类类数n，并在x中随机选取n个对象作为初始聚类中心；

2、设定迭代中止条件，比如最大循环次数或者聚类中心收敛误差容限；

3、进行迭代，根据相似度准则将数据对象分配到最接近的聚类中心，从而形成一类；

4、初始化隶属度矩阵；更新聚类中心；

5、然后以每一类的平均向量作为新的聚类中心，重新分配数据对象；6、反复执行第二步和第三步直至满足条件。

8、叙述isodata法非监督分类的原理和步骤。

答：原理：它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值。

步骤：1、将n个模式样本读入；

2、将n个模式样本分给最近的聚类sj；

3、如果sj中的样本nj<θn，取消该样本子集，这时nc减去1；

4、修正各聚类中心的值；

5、计算各聚类域sj中诸聚类中心间的平均距离；

6、计算全部模式样本对其相应聚类中心的总平均距离；

7、判别**、合并及迭代运算等步骤；

8、计算每类聚类中样本距离的标准差向量；

9、求每一标准差向量中的最大分量；

10、在任一最大分量集中，如有σjmax>θs，同时又满足条件，则完成**运算；

11、计算全部聚类中心的距离；

12、比较dij与θc值，将dij<θc的值按最小距离次序递增排列；

13、如将距离为dij的两个聚类中心zi1和zj1合并，得新中心；

14、如果是最后一次迭代运算，算法结束。

9、叙述改善仅用光谱特征的统计模式识别自动分类的主要方法和基本原理。

答：如平行管聚类分析法。

以地物的光谱特征曲线为基础，假定同类地物的光谱特性曲线相似作为判别的标准。

10、根据以下的混淆矩阵，计算每一类的用户精度、生产者精度、总体精度和kappa系数。

总体精度p=（33245+101128+22061+172967+20745）/406501=0.861

kappa系数：406501*（33245+101128+22061+172967+20745）-（46464*37107+113646*107436+28354*25309+179612*206313+38425*30336）/（406501）2-

第8章遥感作业

第8章遥感作业

第8章遥感作业

第2章遥感作业

其他用户还读了