华东师范大学：模糊数学与遥感数据分析（PPT讲稿）

遥感图像的模糊分析 华东师范大学演讲稿 美·北德大学(UNT).季民河

遥感图像的模糊分析 华东师范大学演讲稿 美  北德大学 (UNT)  季民河

软计算研究领域及遥感图像分析 根植于一组相关技术的新兴研究领域 基于知识(专家)系统( Expert Systems) 人工神经元网络( Artificial neural networks) ●模糊集合理论( Fuzzy Set Theory) 概率与证据方法( Probabilistic and evidential) 遗传算法( Genetic Algorithems) 其共同特点是:仿真人脑在非确定和非精 确的环境中决策的能力

软计算研究领域及遥感图像分析 ⚫ 根植于一组相关技术的新兴研究领域 ⚫ 基于知识（专家）系统 (Expert Systems) ⚫ 人工神经元网络 (Artificial Neural Networks) ⚫ 模糊集合理论 (Fuzzy Set Theory) ⚫ 概率与证据方法 (Probabilistic and Evidential) ⚫ 遗传算法 (Genetic Algorithems) ⚫ 其共同特点是：仿真人脑在非确定和非精 确的环境中决策的能力

为什么要对遥感数据做模糊化分析? 遥感源数据混合光谱像元 混合来源于遥感器的空间分辨率和渐变性地理现象 ●混合并非信噪比低(或非确定性高),而是信息含量高 一元一类逻辑(即布尔逻辑)无法进行有效处理 传统遥感分类产品的专题性 分类简化表达模型(比率尺度向名义尺度转换) 分类过程中信息丢失 质量下降,影响使用 ●解决办法:模糊表达及模糊分析 ●以软分类取代硬分类

为什么要对遥感数据做模糊化分析？ ⚫ 遥感源数据混合光谱像元 ⚫ 混合来源于遥感器的空间分辨率和渐变性地理现象 ⚫ 混合并非信噪比低 (或非确定性高)，而是信息含量高 ⚫ 一元一类逻辑 (即布尔逻辑) 无法进行有效处理 ⚫ 传统遥感分类产品的专题性 ⚫ 分类简化表达模型 (比率尺度向名义尺度转换) ⚫ 分类过程中信息丢失→产品质量下降，影响使用 ⚫ 解决办法：模糊表达及模糊分析 ⚫ 以软分类取代硬分类

混合光谱像元典型例子之 30m 30m 家居30% 植被35%15%家居 50%植被 道路35% 5%道路 TM像元1 TM像元2 硬分类结果:像元1=道路/植被,像元2=植被

混合光谱像元典型例子之一 30 m 30 m TM 像元 1 TM 像元 2 35% 35% 35% 50% 15% 30% 道路 家居 植被 道路 植被 家居 硬分类结果：像元1 = 道路/植被，像元2 = 植被

元一类硬分类例子一土地覆盖图 Land Cover Map (Richland County, sC) y EG Forest Mix Forest D. Fores Scb/shrub B. Forest NF Wetland Ag/Grass B Urban Water

一元一类硬分类例子 – 土地覆盖图 EG Forest Mix Forest D. Forest Scb/Shrub S.B. Forest NF Wetland Ag/Grass Barren Urban Water Land Cover Map (Richland County, SC)

通过对传统数学的模糊延伸,利用光谱数 据模拟和量化生物理( (biophysical)类别 分类前后的一一空间对应关系 简化模型 图像软分类 (多对一专题关系 (如模糊推理) 多光谱综合模型 (原始图像数据) 简化模型二 多对多专题关系)

通过对传统数学的模糊延伸，利用光谱数 据模拟和量化生物理 (biophysical) 类别 图像软分类 (如模糊推理) 多光谱综合模型 （原始图像数据） 简化模型一 （多对一专题关系 ） 简化模型二 （多对多专题关系） 分类前后的一一空间对应关系

应用之一:监督分类的模糊光谱培训 ●如何改善多光谱遥感资料的分类精度? 地物类别光谱印记的提取是整个过程的关键 光谱培训是提取光谱印记的主要手段 提高光谱印记质量在于如何改善培训过程 光谱培训的模糊处理是方向之 传统方法缺乏学习机制,对数据同一性要求高,不 能利用或处理非确定性。 模糊化旨在上述方面的改善,以提高印记质量

应用之一：监督分类的模糊光谱培训 ⚫ 如何改善多光谱遥感资料的分类精度？ ⚫ 地物类别光谱印记的提取是整个过程的关键 ⚫ 光谱培训是提取光谱印记的主要手段。 ⚫ 提高光谱印记质量在于如何改善培训过程。 ⚫ 光谱培训的模糊处理是方向之一 ⚫ 传统方法缺乏学习机制，对数据同一性要求高，不 能利用或处理非确定性。 ⚫ 模糊化旨在上述方面的改善，以提高印记质量

基于传统集合论及布尔逻辑的 多光谱遥感图像监督分类方法流程图 “同类”培训区 像元分配 专题分类图 地物类别 地物类别 光谱印记 监督培训 基于概率论(实质为 明确定义的湿地 布尔逻辑)的逻辑推 生物理概念 理过程

基于传统集合论及布尔逻辑的 多光谱遥感图像监督分类方法流程图 明确定义的 湿地 生物理概念 基于概率论 (实质为 布尔逻辑) 的逻辑推 理过程 “同类”培训区 专题分类图 地物类别 监督培训 像元分配 地物类别 光谱印记

监督分类过程的模糊化处理 “同类像元” 培训区 模糊类别 像元分配 隶属度矩阵 地物类别 地物类别 光谱印记 监督培训 基于模糊数学的逻 辑推理过程 明确定义的 生物理概念 湿地

监督分类过程的模糊化处理 明确定义的 “湿地” 生物理概念 “同类像元” 培训区 模糊类别 隶属度矩阵 地物类别 监督培训 像元分配 地物类别 光谱印记 基于模糊数学的逻 辑推理过程

模糊隶属函数对比硬特征函数 Por u 1.0 特征函数 0.5 4(-隶属函数 0.0 100 45 0(%非渗透性) (CBD) (SUBURBAN ( RURAL)

模糊隶属函数对比硬特征函数 (% 非渗透性) 0.5 1.0 0.0 x 45 (SUBURBAN) 100 (CBD) 0 (RURAL) P or  P(x) – 特征函数 (x) – 隶属函数