13
1）降维+传统分类
原始高光谱图像：山东青岛 OMIS128个波段
14
分类方法：
特征提取+传统分类算法

重点在于光谱维特征的提取，即通过映射和变换 的方法（如主成分分析PCA，最小噪声分离变换 MNF，小波变换等），把原始模式空间的高维数 据变成特征空间的低维数据。然后对特征更集中 的低维数据进行传统分类处理。
37
实验分析

实验1
38

该影像区域选择的是武汉城区，通过实际 调查后，预期将该影像分为，水体，植被， 城市，云四个类类别。经过实际调查后得 到的每个类别的样本数列在表中。
39
监督人工神经网络分类器的比较
植被
(a) MODIS 影像 (b) K均值 (c) ISODATA
40
(d) 最大似然法
30

学习方式：

联接模式


用正号（“+”，可省略）表示传送来的信号起 刺激作用，它用于增加神经元的活跃度； 用负号（“-”）表示传送来的信号起抑制作用， 它用于降低神经元的活跃度。
31
4 BP(Back Propagation)神经网络
1.BP 网络在 1986 年提出，是一种按误差逆传播算法 训练的多层前馈网络，是目前应用最广泛的神经网 络模型之一。 2.BP网络能学习和存贮大量的输入-输出模式映射关 系，而无需事前揭示描述这种映射关系的数学方程。 3.BP 网络的学习规则是使用最速下降法，通过反向 传播来不断调整网络的权值和阈值，使网络的误差 平方和最小。 4.BP神经网络模型拓扑结构包括输入层（input）、 隐层(hide layer)和输出层(output layer)。
x1
x2 … xn 输入层 隐藏层 输出层 o1
o2 …
… … … …
…
om
29
3 学习与联接模式

学习规则：外部环境对系统的输出结果给出评 价，学习系统通过强化受奖的动作来改善自身 性能。

误差纠错学习（delta） Hebb学习 竞争学习
监督学习（Supervised learning） 非监督学习(Unsupervised learning)
21

区域C：可以看到左图中有很多被错分的像点， 如山脉中的部分植被和建筑被类分成了海水类。 而右图中几乎没有被错分的像点；
22
23
7.3 神经网络对高光谱影像分类

目前的多种先进而新颖的技术手段层出不穷， 人工智能，模糊理论，决策树，神经网络等都 被应用于遥感图像的理解和分析当中。

人工神经网络技术，黑匣子，能被用于多源数 据的综合分析被广泛用于遥感图像分类。

其分类的结果，只是对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。
10
聚类分析

非监督分类主要采用聚类分析方法，把一组像素 按照相似性归成若干类别。例如：K均值算法基 本思想是：通过迭代，移动各个基准类别的中心， 直至得到最好的聚类结果为止。该算法能使得聚 类域中所有样本到聚类中心的距离平方和最小。
concrete high buildings grass slope water bare soils forest
0 0 TM Band 3 255
0 0 TM Band 3 255
17
具体步骤：



选取海水，建筑物和植被3个不同类别的样本，样本 个数各为300个。样本要具有代表性就是样本的亮度 要反映该类地物的亮度特征,当同一地物区域分布不连 续时，我们要尽量使样本来自不同的区域。 如：在对海水取样时，既要选择来来自右上角的深水 区的样本，又要选择来自河道以及水田中的浅水区的 样本。从亮度特征角度而言,对于同一类地物具有不同 亮度特征情况,都要选取(同物异谱)。 原始图像选择前3个波段后，采用以下两种传统分类 算法进行分类：

训练区

已知地表覆盖类型的代表样区
用于描述主要特征类型的 其精度直接影响分类 用于评价分类精度的训练样区

检验区

8
样区选择示例
训练样区与检验区的选择：相互独立、不能重叠
9

非监督分类：是在没有先验类别（训练场地）作为样
本的条件下，即事先不知道类别特征，主要根据像元间相 似度的大小进行归类合并（即相似度的像元归为一类）的 方法，例如K均值，isodata算法等。
11
监督分类与非监督分类方法比较


训练样本的选择是监督分类的关键，必须充分考 虑地物光谱特征，且样本数目要能满足分类的要 求，有时这些还不易做到，这是监督分类不足之 处。 非监督分类不需要更多的先验知识，它根据地物 的光谱统计特性进行分类。因此，非监督分类方 法简单，但是，分类效果不如监督分类效果好。
( MN M / 2( N 2 N ) 1) (M N )
式中，M为分类数；N为特征向量维数，即影 像波段数。
36
具体过程：


正向传播：对权值赋予-1～1之间的随机值，然后从 网络的输入节点输入样本数据，计算样本信息在正向 传播过程中，前一层的神经元数据对本层每个神经元 的加权，并利用Sigmoid函数运算输出。 反向传播：接着求出误差进行反向的迭代，调整权值， 权值训练完成后，求出满足一定误差条件的权矩阵。 测试：将影像上的每个像素的波段值作为输入向量， 通过计算可得到输出向量，对应于该像素在各个预先 指定的各个分类类型的概率值，将最大的概率值赋值 为1，其余的赋值为0，即得出分类图。
32
BP网络的拓扑结构
x1
V W
o1
x2
o2
… xn
…
…
… om
输入层
隐藏层
输出层
33
训练过程概述
样本：(输入向量，理想输出向量) 权初始化：（-1,1） 1、向前传播阶段： （1）从样本集中取一个样本(Xp，Yp)，将Xp输入网络； o 神经元的网络输入： 1
neti=x1w1i+x2w2i+…+xnwni
（3） 网络关于整个样本集的误差测度：
E Ep
p
（4）按极小化误差的方式调整权矩阵。 即：对W不断做调整，直到∑E<ε。
35
具体应用于遥感影像分类

BP神经网络模型的输入层的神经元个数为波 段数，输入值为各个像元的灰度值。输出层的 神经元个数为地物端元的个数，输出值为像元 在各个典型地物所属的类别。隐含层神经元的 个数经过多次的实验确定，同时也可以采用有 经验公式计算：
24
1 神经系统基本构成
神经网络是在生物功能启示下建立的信息 处理系统，摸仿了人脑的结构特征和信息处 理机制，表现出了许多与人脑相同的特征。

25
简单的神经元网络是对生物神经元的简化 和模拟，其模型如下图：

S i w ji x j i
j 1
n
yi f ( S i )
26
2 拓扑结构
0
0
0
TM Band 3
255
0
TM Band 3
255
16
(2) Maximum likelihood classifier
255 255
1
2
TM Band 4
TM Band 4
concrete high buildings grass slope water bare soils forest
12
7.2 高光谱遥感图像分类思路
高光谱遥感图像分类的主要特点在于： 1）光谱分辨率高，波段众多，且可以挑选特定 的波段来突出特征，进行分类。 2）数量冗余程度增加，波段相关性高。 3）hughs现象的存在，样本数目要求高，且随着 波段增加分类精度反而下降。

我们主要介绍三种方式进行有效的高光谱遥感图 像分类： 1）降维+传统分类算法 2）智能化的新分类算法 3）光谱匹配分类
4
2）分类判据
相似性作为分类判据的度量：可以表现为不同的 形式:



距离值（Distance Value）：像素或像素组信号特 征向量之间距离值的大小来衡量。假如样本均线性 可分－－欧式距离 假如样本正态分布－－马氏距 离，假如样本线性不可分－－似然度 概率值（Probability Value）：像素信号特征向量 与某一像素组的似然性的大小为相似性的量度 光谱角值（Spectral Angle Value）：像素或像素 组之间光谱角的大小为相似性量度。光谱波形特征 －－光谱相似度或光谱夹角
18
分类结果比较图
最小距离法分类结果
最大似然法分类结果
可以分为三个类别：
海水 植被及农作物 建筑物及桥梁
19

区域A：在浅水区，最大似然法分类图像中出 现了原始分类图像中没有的像点。这些像点是 水中的暗礁和草,RGB图像上用肉眼无法识别 到这些细节。
20

区域B：通过目视解译，可以分辫出这个区域 是由田埂分开的一块又一块的稻田，这些稻田 中全是海水。最小距离法分类时却忽略了这些 由植被覆盖的田埂，将其全部分成了海水。甚 至将右上角处的海水类分成了植被类。
第七章 高光谱遥感图像分类
本章主要介绍高光谱遥感数据的分 类算法和实验。
1
7.1 遥感图像分类

利用计算机通过对高光谱遥感图像中的各类地物 的光谱信息和空间信息进行分析、选择特征，并 用一定的手段将特征空间互分为互不重叠的子空 间，然后将图像中的各个像元划分到各个子空间 去。
数据信息
2
构造分类器
x1
x2 … xn 输入层 隐藏层 输出层