7.2.7 其它分类方法在线视频

我们来看一看

其它的计算机图像分类方法

随着模式识别基本理论

和技术方法的发展

很多的新方法应用到计算机分类中来

满足了遥感图像分类的不同应用需求

这里简要介绍决策树与随机森林

模糊分类法

支持向量机分类

神经网络分类和深度学习算法

面向对象的图像分类等

我们来了解一下决策树与随机森林分类

决策树学习

是以实例为基础的归纳学习算法

它着眼于从一组事例中

推理出决策树表示形式的分类规则

可以对未知数据

进行分类或预测 数据挖掘等

看图

这里展示的是一个树形结构示意图

对于是否满足条件A来说

满足的判为a类

不满足的条件A的

继续采用是否满足条件B来进行判别

满足条件B的判为d类

不满足的判为c类

在各种决策树分类的算法中

Breiman

于1984年提出的

分类回归树（classification and regression trees, CART）

是基于统计理论的非参数识别技术

具有强大的统计解析功能

输入数据

和预测数据可以是不完整的

Quinlan

于1986年提出的

ID3算法

具有较大影响

在ID3算法的基础上

他又提出了C4.5 C5算法等

虽然决策树有剪枝算法

但是

一棵树的生成

肯定还是不如多棵树

因此

就出现了“随机森林”

以解决决策树模型

泛化能力弱的不足

看图

这里展示的是“随机森林”示意图

对于X数据集来说

可以从1号树 2号树 3号树 4号树中

通过投票决策

通过投票来进行决策

选出票数最多的“树”

从而确定最终分类类别

我们来了解一下模糊分类法

前面讲到的分类方法

都是假设每个像元

只能被归入一个类型中

像元和类型之间只能是一对一的关系

但在事实上

事物的复杂性

导致其界限不分明 概念不确定

它向人们提供的信息称为模糊信息

现实世界存在大量的模糊现象

如不同种类土壤类型的边界问题

就是典型的模糊现象

再如

森林和草原的过渡带中

森林和草原的边界划分问题

需要借助模糊理论进行研究

遥感图像分辨率

及其

很多其他因素的影响

图像中的像元所对应的地面实体

并不只是一个类别

而是两个或两个以上类别的混合体

看图

这里展示的是

Landsat TM图像示意图

在30米×30米大小的栅格中

像元是由稻田 道路和水塘组成的

因此

仅仅将其归到

单一的稻田 道路或者水塘类别

明显不符合现实地物状况

模糊理论和模糊方法的提出

对于解决遥感图像分类中

遇到的混合像元问题

提供了有效的处理方法

将模糊集和隶属度概念

引入遥感图像分类领域

可以考虑遥感图像上的每一像元

对某一给定集合（类别）隶属度

也就是说

每一像元都在不同程度上

隶属于不止一个类别

我们来介绍一下支持向量机分类

支持向量机（SVM）

是上世纪90年代中期

在统计学习理论的基础上发展起来的

一种机器学习方法

建立在统计学习理论的VC维理论

和结构风险最小原理基础上

根据

有限的样本信息在模型的复杂性

和学习能力之间寻求最佳折衷方式

以期获得最好的推广能力

一些研究者认为

统计学习理论和支持向量机

将推动机器学习理论和技术

有重大的发展

看图

这里展示的是二维空间

寻找绿色点群和红色点群之间的

最优分割直线H的过程示意图

我们需要确保

H1和H2之间的距离最大

此时落在H1和H2上的

红色点和绿色点它们组成的向量

称之为“支持向量

根据点群之间的不同可分性

可区分为线性可分支持向量机

线性支持向量机

非线性支持向量机等不同类型

相应的支持向量机模型

也是由简到繁

我们再来介绍一下

神经网络分类 深度学习算法

人工神经网络（anificial neural net work，ANN）

又可以简称为神经网络

是以模拟人的神经系统的

结构和功能为基础

而建立的一种信息处理系统

模仿人的大脑

进行数据接收 处理 贮存和传输

是人脑的某种抽象 简化和模拟

神经网络遥感图像分类是

通过建立统一框架

实现对图像的视觉识别

和并行推理

是近年来发展起来的

综合数据分类方法之一

其目标是利用神经网络技术的

并行式分布式处理手段

以遥感图像为处理对象

建立基于人工神经网络的遥感图像

分类专家系统

深度学习(DL)

源于人工神经网络研究

含多隐层的多层感知器

就是一种深度学习结构

它通过组合低层特征

形成更加抽象的高层类别或特征

并以发现数据的分布式特征表示

看图

这里展示的是

神经网络和深度学习的

发展脉络示意图

1985年

使用BP算法

来训练神经网络

促成其大幅发展

1995年

受生物视觉模型的启发

改进了卷积神经网络

特别是2006年Hinton

开启了深度学习阶段

掀起了深度神经网络浪潮

我们来学习面向对象的图像分类

前面我们介绍的

都是的基于像元的图像分类

这些分类方法

都是依据单个像元的分类特征

构建合适的分类算法

基于像元的图像分类已经在

低分辨率和中分辨率

卫星遥感图像分类上

形成了整套技术方案

高分辨率遥感影像

由于其高空间解析度

具有丰富的纹理和几何特征

像元的混合程度明显低于

中 低分辨率图像

传统的基于像元的分类方法

仅考虑单个像元的特征

分类结果往往出现大量椒盐噪声

在高分遥感时代

如何提升遥感图像的计算机分类效果

在分类过程中

可以将地物的纹理特征 形状特征

空间分布 尺寸 地物之间的拓扑关系

以及上下文联系等特征

加入到特征空间中

可以更好地利用图像信息

提高分类精度

很明显

此类方法应该属于

图像理解的第二层次

看图

这是面向对象图像分类的

主要处理流程

面向对象的图像分类

主要包括

图像分割

建立分类规则

图像对象分类等步骤

这里展示了遥感图像的分割

图像分割可以从二维图像信息阵列中

恢复出图像所反映的景观场景中的

目标地物的空间形状及组合方式

从而获得图像分析的最小单元

它不再是单个的像元

而是一个个对象

后续的图像分析和处理

也都基于对象进行

在一级分割基础上

还可以进行多级处理

实现多尺度 多层图像分割

矩形框中的图像对象

在第一级分割基础上

划分出了更加细致的图像对象

这些图像对象和上一级图像对象之间

存在继承关系

我们再来看一看

图像对象的特征

每个图像对象

包括该对象斑块的图像统计数值

和相邻对象之间的关联

和上级对象之间的关联等特征

还包括对象斑块的形状参数

纹理结构等多种特征

很显然

图像对象的特征

要远远超过单个像元的分类特征

因此

面向对象的分类方法

比传统的基于像元的分类依据更多

分类更加灵活

本章我们就学习到这里

谢谢