圖像分類方法研究

Ⅰ 圖像分類處理簡介

數字圖像的恢復、增強,乃至復合處理,歸根到底只是改善圖像的品質,提高圖像的可解譯性。但處理系統(計算機)並未對圖像上地物的類別作出「判決」(解譯)。由計算按一定的判別模式來自動完成這一「判決」,便是圖像分類處理的過程。

圖像分類處理的最終目標是智能化,使遙感圖像處理發展成為一種人工智慧系統。廣義的分類處理,既包括波譜信息的分類,也包括空間信息的分類。後者一般包括圖形識別、邊緣和線條信息的檢測與提取,以及紋理結構分析等,通常也稱圖像的空間信息分析。關於這一部分對於地質工作者顯然感興趣的內容,可參閱文獻[3]等著作。限於篇幅,這里僅介紹按波譜信息分類的基本概念。

(一)圖像分類的依據

一般來說,同一類地物有著相似的波譜,在多波段遙感的數字圖像中,可以粗略地用它們在各個波段上的像元值的連線(亨利曲線)來表示(圖4-29A);由於受光照條件、環境背景等因素的影響,在實際的多維波譜空間中,它們的像元值向量往往不是一個點,而是呈點群分布(集群),不同地物的點群處在不同的位置(圖4-29B);不僅如此,在實際圖像中,不同地物的波譜集群還存在有交叉過渡,受圖像分辨力的限制,一個像元中可能包括有若干個地物類別,即所謂「混合像元」。因此,對不同集群的區分一般要依據它們的統計特徵(統計量)。例如,集群位置用均值向量表示、點群的中心及離散度常用標准差或協方差來量度等等;數字圖像常用的幾種統計量見表4-4。

圖4-29 索爾頓湖和因佩里亞谷地陸地衛星MSS數字圖像上主要幾種地物的光譜反射比曲線和集群分布

表4-4 數字圖像常用的統計量

圖像分類處理的實質就是按概率統計規律,選擇適當的判別函數、建立合理的判別模型把這些離散的「集群」分離開來,並作出判決和歸類。通常的做法是,將多維波譜空間劃分為若干區域(子空間),位於同一區域內的點歸於同一類。子空間劃分的標准可以概括為兩類:①根據點群的統計特徵,確定它所應占據的區域范圍。例如,以每一類的均值向量為中心,規定在幾個標准差的范圍內的點歸為一類;②確定類別之間的邊界,建立邊界函數或判別函數。不論採取哪種標准,關鍵在於確定同一類別在多維波譜空間中的位置(類的均值向量)、范圍(協方差矩陳)及類與類邊界(判別函數)的確切數值。按確定這些數據是否有已知訓練樣本(樣區)為准,通常把分類技術分為監督和非監督兩類。

(二)非監督分類

非監督分類是在沒有已知類別的訓練數據及分類數的情況下,依據圖像數據本身的結構(統計特徵)和自然點群分布,按照待分樣本在多維波譜空間中亮度值向量的相似程度,由計算機程序自動總結出分類參數,進而逐一對像元作歸類,通常也稱聚類(集群)分析。使用的方法有圖形識別、系統聚類、分裂法和動態聚類等。

其中,比較實用的是動態聚類。它是首先根據經驗和分類數,選定若干個均值向量,作為「種子」,建立一批初始中心,進行初步概略的分類,然後根據規定的參數(閾值)檢驗分類結果,逐步修改調整分類中心,再重新分類,並根據各類離散性統計量(如均方差等)和不同類別之間可分離性統計量(如類間標准化距離等),進行類的合並或分裂;此後再修改中心,直至分類結果合理為止。動態聚類中,聚類中心和分類數可以按客觀的波譜特徵自動調整,分類效果一般比較好,但分類結果的確切含義(類別的屬性)需另作分析,從實況調查或已有的地面資料中去確定它們的地物類型。

非監督分類由於事先不需訓練樣本,故處理速度較快,較客觀,並能為監督分類的訓練樣區選擇提供參照,一般在有目的的監督分類之前進行。

(三)監督分類

監督分類一般是先在圖像中選取已知樣本(訓練區)的統計數據,從中找出分類的參數、條件,建立判別函數,然後對整個圖像或待分類像元作出判別歸類。遙感圖像處理中常用的監督分類方法有最小距離法、費歇爾線性判別法、貝葉斯線性和非線性判別法(最大似然法)等。

其中,最小距離法在演算法上比較簡單:首先在圖像顯示屏上選出訓練樣區,並且從圖像數據中求出訓練樣區各個波段的均值和標准差;爾後再去計算其它各像元的亮度值向量到訓練樣區波譜均值向量之間的距離。如果距離小於指定的閾值(一般取標准差的倍數),且與某一類的距離最近,遂將該像元歸為某類。該分類法的精度取決於訓練樣區(地物類別)的多少和樣本區的統計精度。由於計算簡便,並可按像元順序逐一掃描歸類,一般分類效果也較好,因而是較常用的監督分類方法。

最大似然法也是常用的監督分類方法之一。它是用貝葉斯判別原則進行分析的一種非線性監督分類。簡單地說,它可以假定已知的或確定的訓練樣區典型標準的先驗概率,然後把某些特徵歸納到某些類型的函數中,根據損失函數的情況,在損失最小時獲得最佳判別。該法分類效果較好,但運算量較大。

監督分類的結果明確,分類精度相對較高,但對訓練樣本的要求較高,因此,使用時須注意應用條件,某一地區建立的判別式對別的地區不一定完全適用。此外,有時訓練區並不能完全包括所有的波譜樣式,會造成一部分像元找不到歸屬。故實際工作中,監督分類和非監督分類常常是配合使用,互相補充的。

圖像分類處理目前在農林、土地資源遙感調查中應用較廣。對於地質體的分類,由於干擾因素較大,不容易取得十分理想的效果,故在地質應用上尚不很普遍。但最近已陸續出現了一批使用分類技術的遙感地質應用成果,較多的是用經變換(比值、K-L等)處理的圖像再作分類處理,用於岩性填圖或熱液蝕變填圖等,是值得重視的發展方向。

Ⅱ 遙感圖像分類法

圖像分類是與圖像信息提取和增強不同的遙感圖像處理中另一重要的方面，與圖像增強後仍需人為解譯不同，它企圖用計算機做出定量的決定來代替人為視覺判譯步驟。因此，分類處理後輸出的是一幅專題圖像。在此圖像中，原來圖像中的每一個象元依據不同的統計決定準則被劃歸為不同的地表覆蓋類，由於是一種統計決定，必然伴隨著某種錯誤的概率。因此，在邏輯上的合理要求是，對每一個象元所做的決定，應是使整個被分類面積即對大量單個象元的分類的某個錯誤判據為最小。

以下是幾種常用的遙感圖像分類方法：

1.最大似然分類（maximum likelihood classification）

最大似然分類是一種基於貝葉斯判別准則的非線性監督分類方法，需要知道已知的或確定的訓練樣區典型標準的先驗概率P（w_i）和條件概率密度函數P（w_i，x）。P（w_i）通常根據各種先驗知識給出或假定它們相等：P（w_ix）則是首先確定其分布形式，然後利用訓練樣本估計其參數。一般假設為正態分布，或通過數學方法化為正態分布。其判別函數集為：

D_i（x）=P（w_ix），i=1，2，…，m （2-2）

如果D_i（x）≥ D_j（x），則x屬於w_i類。其中，j≠i，j=1，2，…，m。m為類別數。

從上述最大似然分類的說明看，其關鍵就在於已知類別的定義，先驗概率的確定，參與分類的變數的好壞和結果誤差評價。直到現在，最大似然分類至少還有兩個缺點：一是事先大量人力已知光譜類的選擇和定義：二是需要長時間的計算機分類計算時間。實際上這也使得最大似然分類法遙感應用受到了限制，因此許多人專門研究改進演算法以便解決和縮減圖像分類的時間，提高分類的精度。Solst和Lillesand（1991）為了解決已知類別定義消耗大量人力的缺點，發展了半自動訓練法進行已知光譜類的定義。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非參數分類器計算出各已知類訓練集的先驗概率，然後將它們插入常規的最大似然分類過程中進行分類。該方法融合了非參數和參數分類過程的優點，提高了分類的精度。

通常情況下，地形會影響到訓練集數據，這樣訓練集光譜數據就偏離了最大似然分類的假設條件正態分布，從而常規的最大似然分類法在地形起伏較大的地區效果並不太好。為了解決這一問題，C.Conese和G.Maracchi和F.Maselli（1993）提出了一種改進的最大似然分類演算法，即去掉每一類數據集中與第一主成分相關的信息（地形信息）然後再進行分類。通過試驗，這種方法是有效的，分類精度得到了提高。

K.Arai（1993）用光譜和空間信息進行分類改進了最大似然分類方法。該方法簡單易行，大大提高了正確分類的概率。C.Conese和Fabio Maselli（1992）用誤差矩陣提高最大似然分類面積估計的精度。Irina Kerl（1996）加最大似然分類精度的一種方法，即多概率比較法。他對同一遙感數據的原始波段、主成分和植被指數的22種組合進行了最大似然分類，發現沒有一種波段組合的分類能給出圖像中所有土地利用類型的精確分類，每一波段組合僅對圖像中的一兩類土地利用類型分類有效。因此他提出將能有效區分出所要決定的土地利用類型的幾個波段組合的分類結果進行組合來進行圖像分類，並稱這種方法為多概率比較法，這種方法的基礎就是圖像數據不同波段組合的分類結果之間分類概率大小的比較。應用這種方法提高了分類的精度。

2.最小距離分類（minimum distance classification）

最小距離分類是一種線性判別監督分類方法，也需要對訓練區模式樣本進行統計分析，是大似然分類法中的一種極為重要的特殊情況。最小距離分類在演算法上比較簡單，首先需選出要區分類別的訓練樣區，並且從圖像數據中求出各類訓練樣區各個波段的均值和標准差，然後再計算圖像中其他各個象元的灰度值向量到各已知類訓練樣區均值向量之間的距離。如果距離小於指定的閾值（一般取標准差的倍數），且與某一類的距離最近，就將該象元劃歸為某類。因此稱為最小距離分類。該方法的精度主要取決於已知類訓練樣區的多少和樣本區的統計精度。另外，距離度量的方法不同，分類的結果也不相同，常見的有：

（1）明氏距離（minkowski distance）

中亞地區高光譜遙感地物蝕變信息識別與提取

式中T_ij=-T_ij。

③經過①②步後，隨機象元X被劃歸為正確的類。

另外，通過對參與計算變數的排序和部分一總和邏輯的考慮，可大大降低該演算法計算的時間。與最小距離（歐氏距離）和最大似然分類器相比，整體平均分類器所用時間最少，分類精度與最小距離大致相同，對像農田面積和森林這樣的名義類型的分類十分有效。

Haluk Cetin（1996）提出了一種分類方法：類間距離頻率分布法（interclass distance frequency dis-tribution），這是多光譜數據非參數分類方法的一種。類間距離頻率分布過程簡單，是一種有力的可視化技術，它圖形地顯示多光譜數據和類分布。首先選擇感興趣的類，這些類的統計信息從典型的訓練樣區可獲得。利用類的平均測量矢量計算多光譜數據中每個象元的距離，並存放在一個兩維數據分布數組中。選擇其他類的訓練區，訓練區數據的分布通過距離計算可獲得。通過可視化地檢查結果，建立分類查詢表（look-up table），然後利用分類查詢表進行多光譜圖像數據的分類，具體細節請參見原文。

H.N.Srikanta Prakash等（1996）改進了遙感數據凝聚聚類分析，這是一種基於相互近鄰概念，用來進行多光譜數據分類的非參數、層次、凝聚聚類分析演算法。該方法定義了圍繞象元的感興趣區域（area of interest around each pixel），然後在它內部尋找分類時初始合並操作需要的k最近鄰，將象元的特徵值、波段值和象元的相對位置值一起考慮，提出了改進的距離量度，這樣，大大減少了計算的時間和內存的需求，降低了分類的誤差概率。

Steven E.Franklin和Bradley A.Wilson（1992）設計了3階段分類器進行遙感圖像的分類，它由一個基於四叉樹的分割運算元、一個高斯最小距離均值測試和一個包括輔助地理網數據和光譜曲線測量的最終測試構成。與最大似然分類技術相比，3階段分類器的總體分類精度得到了提高，減少計算時間，另外僅需最少的訓練樣區數據（它們在復雜地形區很難獲得）。

Ⅲ 高光譜影像分類技術研究現狀

遙感影像分類是對影像中包含的多個目標地物進行區分，並給出單個像元的對應特徵類別。按照是否需要先驗樣本，分為監督分類和非監督分類。

1.2.1.1 高光譜影像監督分類方法

針對高光譜影像監督分類，可以把現有的分類演算法分為光譜特徵匹配分類、統計模型分類、同質地物提取分類、紋理信息輔助分類、面向對象分類、決策樹分類、模糊聚類方法、專家系統分類、神經網路分類、支持向量機分類、流行學習分類、集成學習分類、基於雲模型分類等方法。

（1）光譜特徵匹配分類方法

根據已知光譜數據，採用匹配分析演算法區分待測光譜的類別，從而實現影像分類。它可以是整波段光譜匹配，也可以是部分感興趣波段光譜匹配。如Geotz（1990）提出了二值編碼匹配演算法，通過設定閾值，將像元光譜轉換為編碼序列，在一定程度上壓縮了原始光譜，但也降低了光譜區分度。常見的二值編碼演算法有分段編碼、多門限編碼和特徵波段編碼等。Clark et al.（1998）提出了一種擬合演算法，通過計算像元光譜與樣本光譜的擬合度來確定像元隸屬於樣本的概率。Kruse et al.（1993a）通過計算待測光譜和參考光譜的矢量夾角來比較其相似程度，並認為兩條光譜的角度越小，表明相近程度越大。另外包絡線去除法影像分類也是一種光譜匹配方法，它是通過對單個像元光譜進行包絡線生成，並通過包絡線比值法、光譜微分技術和曲線擬合技術，突出光譜曲線的峰谷特性，進而提取出反映某個問題的敏感波段，之後利用敏感波段進行分類研究。白繼偉等（2003）認為，包絡線去除法分類技術可以很好地抑制雜訊，提高分類准確率，特別適用於植被識別。Meeret al.（1997）設計了交叉相關光譜匹配技術（Cross Correlogram Spectral Mapping，CCSM），該演算法通過計算測試光譜和參考光譜的相關系數、偏度系數和相關顯著性標准來綜合評價光譜的匹配程度。Kruse et al.（1990）利用半波長寬度、波長位置和吸收深度等特徵參數進行光譜匹配。

（2）統計模型分類方法

McIver et al.（2002）認為最大似然分類是最常用的基於統計模型的分類方法，該方法假設各地物在影像上出現的概率服從多維正態分布（Swain et al.，1978）。楊國鵬等（2008）構建了核Fisher判別分析方法，通過分類實驗，認為該方法優於SVM分類方法。

（3）基於同質地物提取的分類方法

一般的分類方法往往沒有考慮待測像元與其周圍相鄰像元的關系，因為受影像空間解析度的限制，單像元光譜所代表的地面信息一小部分來自於本地物像元，其他很大一部分來自於其周圍相鄰像元。Kettig et al.（1976）設計了基於同質地物提取與分類方法（Ex－traction and Classification of Homogeneous Objects，ECHO），該方法充分考慮了待測像元和臨近像元的關系。

（4）紋理信息輔助下的分類方法

紋理信息是地物特性的有效表達，基於紋理信息可識別不同地物。Haralick et al.（1973）提出的灰度共生矩陣（Gray Level Co－occurrence Matrix，GLCM）是一種應用廣泛的紋理分析技術，通過計算影像統計特性，來表達其灰度密度分布規律。基於變換的傅立葉分析將影像空間域信號變換到頻率域（Augusteijn et al.，1995），利用能量譜、振幅譜和相位譜對影像進行紋理特性描述，用以分類。舒寧（2004）利用主成分變換，提取影像紋理特徵，進行分類，他們認為PCA可以提高分類精度。

（5）面向對象的分類方法

區別於傳統的基於像元的分類方法，面向對象分類方法的處理單元為圖像對象，也稱圖斑對象。Benz et al.（2004）將圖斑對象定義為空間形態和光譜特徵相似的獨立區域。影像分割技術是面向對象分類的實質，影像分割技術的發展在一定程度上決定了面向對象分類技術的發展。Kwon et al.（2007）設計了完全四叉樹（Quad－tree Decomposition，QTD）高光譜影像分割方法。Shah et al.（2002）提出了改進的獨立成分分析高光譜影像分割方法。Acito et al.（2003）提出了基於高斯混合模型（Gaussian Mixture Model，GMM）的統計分割方法。

（6）決策樹分類方法

決策樹分類法通過制定每一層樹節點的判別規則，逐層進行比較分類。Hansen et al.（1996）認為決策樹分類對分布特性不規則、不可參數化的訓練數據有較好的分類效果。王圓圓等（2007）利用決策樹對高光譜數據進行分類研究，認為經特徵選擇後，可使其分類精度提高。

（7）模糊聚類方法

模糊分類基於事物表現的不確定性，通過分析這種模糊性，概括和發現規律從而實現分類。遙感影像像元也存在某種模糊性，針對遙感影像的模糊分類最初由Wang（1990）和Carpenteret al.（1992）人提出。閆永忠等（2005）結合絕對指數，利用模糊聚類法對高光譜影像分類，分類精度較高。

（8）專家系統分類方法

專家系統是利用多種經驗知識和判別規則，藉助於計算機分析對比待測知識和專家知識的匹配程度來進行分類。國外，很多學者開發了高光譜影像專家分類系統，如Lyon etal.（1990）研製了Stanexpert專家系統，對礦物進行自動識別。利用分類規則，Kruse etal.（1993b）開發了功能強大的光譜識別系統。Kimes則開發了VEG系統用於植被光譜識別。

（9）神經網路分類方法

人工神經網路（Artificial Neural Network，ANN）利用數學和物理方法，從信息處理的角度，對人腦的思維過程進行模擬，並建立某種簡化模型（韓力群，2006）。在高光譜遙感領域，ANN多用於物質生化組分的定量分析。Toivanen et al.（2003）利用SOFM神經網路從多光譜影像中提取邊緣，並指出該方法可應用於大數據量影像邊緣的提取；Moshou et al.（2006）根據5137個葉片的光譜數據，利用SOFM神經網路識別小麥早期黃銹病，准確率高達99％。譚琨等（2008）通過提取OMIS II高光譜影像數據的特徵成分，組成60維分量數據，分類精度達到69.27％。宋江紅等（2006）提出了基於獨立成分分析和神經網路結合的高光譜數據分類。周前祥等（2005）等設計了一種非線性網路，根據高光譜數據的紋理和光譜特徵進行分類。

（10）支持向量機分類方法

支持向量機由Vapnik（1995）提出，SVM應用在高光譜影像分類方面，國內學者做了很多研究，如，馬毅等（2006）基於航空高光譜數據，提出了基於SVM的赤潮生物優勢物種識別模型，認為該方法不受數據的高維限制。李祖傳等（2011）提出了一種改進的隨機場模型SVM－CRF，並對AVIRIS高光譜數據進行了分類實驗，精度較高。李海濤等（2007）提出了基於最小雜訊分離變換和SVM的高光譜影像分類方法，並採用OMIS1數據進行實驗研究，總體分類精度高達94.85％。沈照慶等（2009）利用最近點演算法（NPA），提出了無懲罰參數的SVM演算法，通過對AVIRIS數據的分類實驗，認為該方法提高了分類精度和速度。

（11）流行學習分類方法

流行學習（Manifold Learning，ML）是從高維采樣數據中恢復低維流行結構，並求出相應的嵌入映射，實現數據維數約簡。流行學習是模式識別的基本方法，有線性流行學習和非線性流行學習。其演算法有等距映射、拉普拉斯映射、局部線性嵌入、局部切空間排列演算法等。目前，國內很少有人研究其在高光譜影像分類方面的應用。Ma L et al.（2010a～c）認為流行學習比較適用於二分類問題，可以區分復雜地物，他們研究了基於k臨近演算法的流行學習方法、局部切空間排列的流行學習方法及廣義監督分類的流行學習方法在高光譜影像異常檢測和分類中的應用。杜培軍等（2011）利用全局化等距映射（Iso－map）演算法進行高光譜數據降維，效果良好。

（12）集成學習分類方法

集成學習在學習時採用多個學習器，並將輸出結果按照自定義的規則進行綜合，進而獲得優於單個學習器的效果。集成學習方法可分為異態集成（如，疊加法和元學習法）和同態集成（樸素貝葉斯集成、決策樹集成、人工神經網路集成、K－近鄰集成等）。集成學習作為機器學習的前沿，目前，應用在遙感圖像處理方面的研究甚少，而在高光譜影像分類方面更是鳳毛麟角，但是該技術在本領域的研究前景非常廣闊。

（13）基於雲模型的分類方法

李萬臣等（2011）提出了一種基於雲模型的高光譜影像分類技術，通過生成地物樣本的多維雲模型，結合極大判別法則進行樣本分類，分類精度較高。

1.2.1.2 高光譜影像非監督分類方法

針對高光譜影像非監督分類，現有的演算法主要為K均值演算法、ISODATA演算法。

（1）K均值法

Tou和Gonzalez（1974）認為K均值演算法是在待分類問題的類別數已知的情況下，從樣本中確定聚類核心，樣本其他元素按某種方式預先分到不同的類別中，然後進行聚類中心的調整，當中心穩定後結束聚類。

（2）ISODATA法

Ball和Hall（1965）提出了一種迭代自組織聚類方法（Iterative Self－organizing Data Analysis Techniques Algorithm，ISODATA）。該方法自主對地物類別進行「合並」 與「分裂」，從而得到較好的分類結果。

Ⅳ 圖像分類的方法有哪些

可以按照格式，比如PNG，gif，jpg等等
也可以按照圖片大小
還可以按照圖片的時間
名稱也能分類

Ⅳ 求一篇：圖像識別的主要方法及其特點的比較的開題報告。速度！！十萬火急，就這么多分！！

利用計算機進行遙感信息的自動提取則必須使用數字圖像，由於地物在同一波段、同一地物在不同波段都具有不同的波譜特徵，通過對某種地物在各波段的波譜曲線進行分析，根據其特點進行相應的增強處理後，可以在遙感影像上識別並提取同類目標物。早期的自動分類和圖像分割主要是基於光譜特徵，後來發展為結合光譜特徵、紋理特徵、形狀特徵、空間關系特徵等綜合因素的計算機信息提取。
常用的信息提取方法是遙感影像計算機自動分類。首先，對遙感影像室內預判讀，然後進行野外調查，旨在建立各種類型的地物與影像特徵之間的對應關系並對室內預判結果進行驗證。工作轉入室內後，選擇訓練樣本並對其進行統計分析，用適當的分類器對遙感數據分類，對分類結果進行後處理，最後進行精度評價。遙感影像的分類一般是基於地物光譜特徵、地物形狀特徵、空間關系特徵等方面特徵，目前大多數研究還是基於地物光譜特徵。
在計算機分類之前，往往要做些預處理，如校正、增強、濾波等，以突出目標物特徵或消除同一類型目標的不同部位因照射條件不同、地形變化、掃描觀測角的不同而造成的亮度差異等。
利用遙感圖像進行分類，就是對單個像元或比較勻質的像元組給出對應其特徵的名稱，其原理是利用圖像識別技術實現對遙感圖像的自動分類。計算機用以識別和分類的主要標志是物體的光譜特性，圖像上的其它信息如大小、形狀、紋理等標志尚未充分利用。
計算機圖像分類方法，常見的有兩種，即監督分類和非監督分類。監督分類，首先要從欲分類的圖像區域中選定一些訓練樣區，在這樣訓練區中地物的類別是已知的，用它建立分類標准，然後計算機將按同樣的標准對整個圖像進行識別和分類。它是一種由已知樣本，外推未知區域類別的方法；非監督分類是一種無先驗（已知）類別標準的分類方法。對於待研究的對象和區域，沒有已知類別或訓練樣本作標准，而是利用圖像數據本身能在特徵測量空間中聚集成群的特點，先形成各個數據集，然後再核對這些數據集所代表的物體類別。
與監督分類相比，非監督分類具有下列優點：不需要對被研究的地區有事先的了解，對分類的結果與精度要求相同的條件下，在時間和成本上較為節省，但實際上，非監督分類不如監督分類的精度高，所以監督分類使用的更為廣泛。
細小地物在影像上有規律地重復出現，它反映了色調變化的頻率，紋理形式很多，包括點、斑、格、壠、柵。在這些形式的基礎上根據粗細、疏密、寬窄、長短、直斜和隱顯等條件還可再細分為更多的類型。每種類型的地物在影像上都有本身的紋理圖案，因此，可以從影像的這一特徵識別地物。紋理反映的是亮度（灰度）的空間變化情況，有三個主要標志：某種局部的序列性在比該序列更大的區域內不斷重復；序列由基本部分非隨機排列組成；各部分大致都是均勻的統一體，在紋理區域內的任何地方都有大致相同的結構尺寸。這個序列的基本部分通常稱為紋理基元。因此可以認為紋理是由基元按某種確定性的規律或統計性的規律排列組成的，前者稱為確定性紋理（如人工紋理），後者呈隨機性紋理（或自然紋理）。對紋理的描述可通過紋理的粗細度、平滑性、顆粒性、隨機性、方向性、直線性、周期性、重復性等這些定性或定量的概念特徵來表徵。
相應的眾多紋理特徵提取演算法也可歸納為兩大類，即結構法和統計法。結構法把紋理視為由基本紋理元按特定的排列規則構成的周期性重復模式，因此常採用基於傳統的Fourier頻譜分析方法以確定紋理元及其排列規律。此外結構元統計法和文法紋理分析也是常用的提取方法。結構法在提取自然景觀中不規則紋理時就遇到困難，這些紋理很難通過紋理元的重復出現來表示，而且紋理元的抽取和排列規則的表達本身就是一個極其困難的問題。在遙感影像中紋理絕大部分屬隨機性，服從統計分布，一般採用統計法紋理分析。目前用得比較多的方法包括：共生矩陣法、分形維方法、馬爾可夫隨機場方法等。共生矩陣是一比較傳統的紋理描述方法，它可從多個側面描述影像紋理特徵。
圖像分割就是指把圖像分成各具特性的區域並提取出感興趣目標的技術和過程，此處特性可以是像素的灰度、顏色、紋理等預先定義的目標可以對應單個區域，也可以對應多個區域。
圖像分割是由圖像處理到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。一方面，它是目標表達的基礎，對特徵測量有重要的影響；另一方面，因為圖像分割及其基於分割的目標表達、特徵抽取和參數測量的將原始圖像轉化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。
圖像分割是圖像理解的基礎，而在理論上圖像分割又依賴圖像理解，彼此是緊密關聯的。圖像分割在一般意義下是十分困難的問題，目前的圖像分割一般作為圖像的前期處理階段，是針對分割對象的技術，是與問題相關的，如最常用到的利用閾值化處理進行的圖像分割。
圖像分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。
閾值是在分割時作為區分物體與背景象素的門限，大於或等於閾值的象素屬於物體，而其它屬於背景。這種方法對於在物體與背景之間存在明顯差別（對比）的景物分割十分有效。實際上，在任何實際應用的圖像處理系統中，都要用到閾值化技術。為了有效地分割物體與背景，人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。
當物體與背景有明顯對比度時，物體的邊界處於圖像梯度最高的點上，通過跟蹤圖像中具有最高梯度的點的方式獲得物體的邊界，可以實現圖像分割。這種方法容易受到雜訊的影響而偏離物體邊界，通常需要在跟蹤前對梯度圖像進行平滑等處理，再採用邊界搜索跟蹤演算法來實現。
為了獲得圖像的邊緣人們提出了多種邊緣檢測方法，如Sobel, Canny edge, LoG。在邊緣圖像的基礎上，需要通過平滑、形態學等處理去除雜訊點、毛刺、空洞等不需要的部分，再通過細化、邊緣連接和跟蹤等方法獲得物體的輪廓邊界。
對於圖像中某些符合參數模型的主導特徵，如直線、圓、橢圓等，可以通過對其參數進行聚類的方法，抽取相應的特徵。
區域增長方法是根據同一物體區域內象素的相似性質來聚集象素點的方法，從初始區域（如小鄰域或甚至於每個象素）開始，將相鄰的具有同樣性質的象素或其它區域歸並到目前的區域中從而逐步增長區域，直至沒有可以歸並的點或其它小區域為止。區域內象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。
區域增長方法是一種比較普遍的方法，在沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復雜的圖像，如自然景物。但是，區域增長方法是一種迭代的方法，空間和時間開銷都比較大。
基於像素級別的信息提取以單個像素為單位,過於著眼於局部而忽略了附近整片圖斑的幾何結構情況，從而嚴重製約了信息提取的精度，而面向對象的遙感信息提取，綜合考慮了光譜統計特徵、形狀、大小、紋理、相鄰關系等一系列因素，因而具有更高精度的分類結果。面向對象的遙感影像分析技術進行影像的分類和信息提取的方法如下：
首先對圖像數據進行影像分割，從二維化了的圖像信息陣列中恢復出圖像所反映的景觀場景中的目標地物的空間形狀及組合方式。影像的最小單元不再是單個的像素，而是一個個對象，後續的影像分析和處理也都基於對象進行。
然後採用決策支持的模糊分類演算法，並不簡單地將每個對象簡單地分到某一類，而是給出每個對象隸屬於某一類的概率，便於用戶根據實際情況進行調整，同時，也可以按照最大概率產生確定分類結果。在建立專家決策支持系統時，建立不同尺度的分類層次，在每一層次上分別定義對象的光譜特徵、形狀特徵、紋理特徵和相鄰關系特徵。其中，光譜特徵包括均值、方差、灰度比值；形狀特徵包括面積、長度、寬度、邊界長度、長寬比、形狀因子、密度、主方向、對稱性，位置，對於線狀地物包括線長、線寬、線長寬比、曲率、曲率與長度之比等，對於面狀地物包括面積、周長、緊湊度、多邊形邊數、各邊長度的方差、各邊的平均長度、最長邊的長度；紋理特徵包括對象方差、面積、密度、對稱性、主方向的均值和方差等。通過定義多種特徵並指定不同權重，建立分類標准，然後對影像分類。分類時先在大尺度上分出"父類"，再根據實際需要對感興趣的地物在小尺度上定義特徵，分出"子類"。

Ⅵ 圖像分類處理原理

1. 圖像分類處理的依據

圖像分類處理的依據就是模式識別的過程，即通過對各類地物的遙感影像特徵分析來選擇特徵參數，將特徵空間劃分為互不重疊的子空間並將圖像內各個像元劃分到各個子空間區，從而實現分類。這里特徵參數是指能夠反映地物影像特徵並可用於遙感圖像分類處理的變數，如多波段圖像的各個波段、多波段圖像的算術/邏輯運算結果、圖像變換/增強結果、圖像空間結構特徵等; 特徵空間是指由特徵變數組成的多維空間。

遙感影像中同一類地物在相同的條件下 ( 紋理、地形、光照及植被覆蓋等) ，應具有相同或相似的光譜信息特徵和空間信息特徵，從而表現出同類地物的某種內在的相似性。在多波段遙感的數字圖像中，可以粗略地用它們在各個波段上的像元值的連線來表示其光譜信息 ( 圖 4-22a) 。在實際的多維空間中，地物的像元值向量往往不是一個點，而是呈點群分布 ( 集群) 。同類地物的特徵向量將集群在同一特徵空間域，不同地物的光譜信息或空間信息特徵不同，因而將集群在不同的特徵的空間域 ( 圖 4-22b) 。在實際圖像中，不同地物的集群還存在有交叉過渡，受圖像解析度的限制，一個像元中可能包括有若干個地物類別，即所謂 「混合像元」，因此對不同集群的區分要依據它們的統計特徵來完成。

2. 圖像分類處理的關鍵問題

圖像分類處理的關鍵問題就是按概率統計規律，選擇適當的判別函數、建立合理的判別模型，把這些離散的 「集群」分離開來，並作出判決和歸類。通常的做法是，將多維波譜空間劃分為若干區域 ( 子空間) ，位於同一區域內的點歸於同一類。子空間劃分的標准可以概括為兩類: ①根據點群的統計特徵，確定它所應占據的區域范圍。例如，以每一類的均值向量為中心，規定在幾個標准差的范圍內的點歸為一類。②確定類別之間的邊界，建立邊界函數或判別函數。不論採取哪種標准，關鍵在於確定同一類別在多維波譜空間中的位置 ( 類的均值向量) 、范圍 ( 協方差矩陣) 及類與類邊界 ( 判別函數) 的確切數值。按確定這些數據是否有已知訓練樣本 ( 樣區) 為准，通常把分類技術分為監督和非監督兩類。非監督分類是根據圖像數據本身的統計特徵及點群的分布情況，從純統計學的角度對圖像數據進行類別劃分的分類處理方法。監督分類是根據已知類別或訓練樣本的模式特徵選擇特徵參數並建立判別函數，把圖像中各個像元點劃歸至給定類中的分類處理方法。

圖 4-22 某地數字圖像上主要幾種地物的光譜反射比曲線和集群分布

3. 監督分類與非監督分類的本質區別

監督分類與非監督分類的本質區別在於有無先驗知識。非監督分類為在無分類對象先驗知識的條件下，完全根據數據自身的統計規律所進行的分類; 監督分類指在先驗知識( 訓練樣本的模式特徵等先驗知識) 的 「監督」之下進行分類。非監督分類的結果可作為監督分類訓練樣本選擇的重要參考依據，同時，監督分類中訓練樣本的選擇需要目視解譯工作者、專家的地學知識與經驗作為支撐。

4. 遙感圖像分類的工作流程

①確定分類類別: 根據專題目的和圖像數據特性確定計算機分類處理的類別數與類特徵; ②選擇特徵參數: 選擇能描述各類別的特徵參數變數; ③提取分類數據: 提取各類別的訓練 ( 樣本) 數據; ④測定總體統計特徵: 或測定訓練數據的總體特徵，或用聚類分析方法對特徵相似的像元進行歸類分析並測定其特徵; ⑤分類: 用給定的分類基準對各個像元進行分類歸並處理; ⑥分類結果驗證: 對分類的精度與可靠性進行分析。

Ⅶ 遙感圖像分類方法研究現狀

http://www.cnki.com.cn/Article/CJFDTotal-YGXX200605023.htm

Ⅷ 圖像處理與分類方法

(一)圖像處理方法

全景鑽孔攝像系統實現視頻圖像數字化的基礎是用C⁺⁺語言編制而成的採集軟體和分析軟體。採集軟體使探測到的鑽孔視頻圖像數字化,再通過分析軟體對其中的信息圖像進行識別,完成對數字圖像和重要信息的存儲和維護。

採集軟體(圖9-17)的主要功能如下:

1)捕獲圖像。通過新建gra格式的文件捕獲視頻數據,並形成數字圖像。在進行圖像捕獲之前需設定視頻數據的工作環境(鑽孔孔徑、探頭直徑等),以滿足數據轉換的要求。

2)實時顯示。在進行圖像捕獲的同時將處理後的直觀圖像快速地顯示出來,便於實時監控數據處理過程。

3)圖像存儲。將捕獲後的數字圖像以gra文件的格式存儲於計算機硬碟中。

4)圖像識別。對某幀或某些幀圖像中的有用信息進行計算分析,從中獲得具體數據,主要包括:識別羅盤圖像並計算羅盤方位,識別深度數據。

5)深度修正。對視頻圖像中的深度數據與真實的深度進行修正。

圖9-17 數據採集軟體(BHImgCapt)

數據分析軟體(圖9-18)的主要功能如下:

1)形成三維圖像。三維圖像就是三維鑽孔岩心圖,它是通過鑽孔孔壁圖模擬出來的,也稱為「虛擬」鑽孔岩心圖,形成的三維圖像便於更直觀地觀測孔壁。

2)計算分析。計算分析的功能包括計算結構面產狀和隙寬、建立結構面資料庫、備注結構面的幾何形態等,為進一步對結構面進行統計分析創造條件。

3)列印輸出。統計分析形成的任何圖像都可以彩色列印輸出。

圖9-18 數據分析軟體(BHImgCapt)

(二)統計分類方法

為了更直觀地展現經數據採集與分析軟體獲得的孔內結構面數據(結構面產狀、深度、張開度及裂隙填充情況等)分布特徵,首先藉助 Microsoft Excel的數據統計功能將結構面數據按傾角和張開度大小進行分類匯總(表9-4和表9-5),然後用統計分析軟體Origin和DIPS繪制裂隙的傾向玫瑰花圖和產狀極點密度圖(圖9-19和圖9-20)。

表9-4 按傾角大小的分類匯總

表9-5 按隙寬大小的分類匯總

圖9-19 Origin軟體界面及傾向玫瑰花圖

圖9-20 Dips軟體界面及產狀極點密度圖

Ⅸ 數字圖像處理方法的研究

底層的圖像處理包括增強，復原，編碼，壓縮等；
中層的圖像分析包括預處理（增強，復原等），分割，特徵提取，圖像分類；
高層的圖像理解包括預處理，圖像描述，圖像分析，圖像理解。
數字圖像處理的主要技術有：圖像變換技術，圖像增強技術，圖像平滑技術，邊緣銳化技術，圖像分割技術，圖像編碼技術，圖像識別技術。
各種技術有具體的方法研究。

Ⅹ 圖像分類的分類方法

基於色彩特徵的索引技術
色彩是物體表面的一種視覺特性,每種物體都有其特有的色彩特徵,譬如人們說到綠色往往是和樹木或草原相關,談到藍色往往是和大海或藍天相關,同一類物體往拍幾有著相似的色彩特徵,因此我們可以根據色彩特徵來區分物體.用色彩特特徵進行圖像分類一可以追溯到Swain和Ballard提出的色彩直方圖的方法.由於色彩直方圖具有簡單且隨圖像的大小、旋轉變化不敏感等特點,得到了研究人員的廠泛關注,目前幾乎所有基於內容分類的圖像資料庫系統都把色彩分類方法作為分類的一個重要手段,並提出了許多改進方法,歸納起主要可以分為兩類：全局色彩特徵索引和局部色彩特徵索引。
基於紋理的圖像分類技術
紋理特徵也是圖像的重要特徵之一,其本質是刻畫象素的鄰域灰度空間分布規律由於它在模式識別和計算機視覺等領域已經取得了豐富的研究成果,因此可以借用到圖像分類中。
在70年代早期,Haralick等人提出紋理特徵的灰度共生矩陣表示法(eo一oeeurrenee matrix representation),這個方法提取的是紋理的灰度級空間相關性(gray level Spatial dependenee),它首先基於象素之間的距離和方向建立灰度共生矩陣,再由這個矩陣提取有意義的統計量作為紋理特徵向量。基於一項人眼對紋理的視覺感知的心理研究,Tamuar等人提出可以模擬紋理視覺模型的6個紋理屬性,分別是粒度,對比度,方向性,線型,均勻性和粗糙度。QBIC系統和MARS系統就採用的是這種紋理表示方法。
在90年代初期,當小波變換的理論結構建一認起來之後,許多研究者開始研究
如何用小波變換表示紋理特徵。smiht和chang利用從小波子帶中提取的統計量(平均值和方差)作為紋理特徵。這個演算法在112幅Brodatz紋理圖像中達到了90%的准確率。為了利用中間帶的特徵,Chang和Kuo開發出一種樹型結構的小波變化來進一步提高分類的准確性。還有一些研究者將小波變換和其他的變換結合起來以得到更好的性能,如Thygaarajna等人結合小波變換和共生矩陣,以兼顧基於統計的和基於變換的紋理分析演算法的優點。
基於形狀的圖像分類技術
形狀是圖像的重要可視化內容之一在二維圖像空間中,形狀通常被認為是一條封閉的輪廓曲線所包圍的區域,所以對形狀的描述涉及到對輪廓邊界的描述以及對這個邊界所包圍區域的描述.目前的基於形狀分類方法大多圍繞著從形狀的輪廓特徵和形狀的區域特徵建立圖像索引。關於對形狀輪廓特徵的描述主要有:直線段描述、樣條擬合曲線、傅立葉描述子以及高斯參數曲線等等。
實際上更常用的辦法是採用區域特徵和邊界特徵相結合來進行形狀的相似分類.如Eakins等人提出了一組重畫規則並對形狀輪廓用線段和圓弧進行簡化表達,然後定義形狀的鄰接族和形族兩種分族函數對形狀進行分類.鄰接分族主要採用了形狀的邊界信息,而形狀形族主要採用了形狀區域信息.在形狀進行匹配時,除了每個族中形狀差異外,還比較每個族中質心和周長的差異,以及整個形狀的位置特徵矢量的差異,查詢判別距離是這些差異的加權和。
基於空間關系的圖像分類技術
在圖像信息系統中,依據圖像中對象及對象間的空間位置關系來區別圖像庫中的不同圖像是一個非常重要的方法。因此,如何存貯圖像對象及其中對象位置關系以方便圖像的分類,是圖像資料庫系統設計的一個重要問題。而且利用圖像中對象間的空間關系來區別圖像,符合人們識別圖像的習慣,所以許多研究人員從圖像中對象空間位置關系出發,著手對基於對象空間位置關系的分類方法進行了研究。早在1976年,Tanimoto提出了用像元方法來表示圖像中的實體,並提出了用像元來作為圖像對象索引。隨後被美國匹茲堡大學chang採納並提出用二維符號串(2D一String)的表示方法來進行圖像空間關系的分類,由於該方法簡單,並且對於部分圖像來說可以從ZD一String重構它們的符號圖,因此被許多人採用和改進,該方法的缺點是僅用對象的質心表示空間位置;其次是對於一些圖像來
說我們不能根據其ZD一string完個重構其符號圖;再則是上述的空間關系太簡單,實際中的空間關系要復雜得多。,針對這些問題許多人提出了改進力一法。Jungert根據圖像對象的最小包圍盒分別在:x軸方向和y軸上的投影區間之間的交疊關系來表示對象之間的空間關系,隨後Cllallg和Jungert等人又提出了廣義ZD一string(ZDG一String)的方法,將圖像對象進一步切分為更小的子對象來表示對象的空間關系,但是該方法不足之處是當圖像對象數日比較多且空間關系比較復雜時,需要切分的子對象的數目很多,存儲的開銷太大,針對此Lee和Hsu等人提出了ZDC一string的方一法,它們採用Anell提出的13種時態間隔關系並應用到空間投影區問上來表達空間關系。在x軸方向和y軸方向的組合關系共有169種,他提出了5種基本關系轉換法則,在此基礎上又提出了新的對象切分方法。採用
ZDC一string的方法比ZDG一string切分子對象的數目明顯減少。為了在空間關系中保留兩個對象的相對空間距離和對象的大小,Huang等人提出了ZDC書string的方法提高符號圖的重構精度,並使得對包含對象相對大小、距離的符號圖的推理成為可能。上述方法都涉及到將圖像對象進行劃分為子對象,且在用符號串重構對象時處理時間的開銷都比較大,為解決這些方法的不足,Lee等人又提出了ZDB一String的方法,它不要求對象進一步劃分,用對象的名稱來表示對象的起點和終點邊界。為了解決符號圖的重構問題,Chin一ChenCllang等人提出了面向相對坐標解決符號圖的重構問題,Chin一ChenChang等人提出了面向相對坐標符號串表示(RCOS串),它們用對象最小外接包圍盒的左下角坐標和右上角坐標來表示對象之間的空間關系.
對於對象之間的空間關系採用Allen提出的13種區間表示方法。實際上上述所有方法都不是和對象的方位無關,為此Huang等人又提出了RSString表示方法。雖然上述各種方法在對圖像對象空間信息的分類起到過一定作用,由於它們都是採用對象的最小外接矩形來表示一個對象空間位置,這對於矩形對象來說是比較合適的,但是當兩個對象是不規則形狀,且它們在空間關繫上是分離時,它們的外接矩形卻存在著某種包含和交疊,結果出現對這些對象空間關系的錯誤表示。用上述空間關系進行圖像分類都是定性的分類方一法,將圖像的空間關系轉換為圖像相似性的定量度量是一個較為困難的事情。Nabil綜合ZD一String方法和二維平面中對象之間的點集拓撲關系。提出了ZD一PIR分類方法,兩個對象之間的相似與否就轉換為兩個圖像的ZD一PIR圖之間是否同構。ZD一PIR中只有圖像對象之間的空間拓撲關系具有旋轉不變性,在進行圖像分類的時候沒有考慮對象之間的相對距離。