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 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 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 The probabilistic judgement approach transforms the semantic net, i.e. the scene interpretation, into a Bayesian network, from which a measure of belief is derived. This value is used to select the best alternative for further investigations.

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 传统遥感分类产品的专题性 解决办法：模糊表达及模糊分析 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一 30 m 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 植被 家居 道路 35% 50% 15% 30% 道路 家居 植被 硬分类结果：像元1 = 道路/植被，像元2 = 植被

一元一类硬分类例子 – 土地覆盖图 Land Cover Map 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 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？ 光谱培训的模糊处理是方向之一 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 湿地 明确定义的生物理概念 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 基于模糊数学的逻辑推理过程 “同类像元” 培训区 模糊类别 隶属度矩阵 像元分配 地物类别 光谱印记 地物类别监督培训 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”

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

建立模糊隶属函数的方法 不同学科领域可以有不同的方法 遥感光谱数据分析 人文科学：专家评判和民意调查 自然科学：经验公式和数理统计 从数据本身提取模糊隶属函数 非监督方法：模糊聚类算法 (FCM) 监督方法：保持对各类别的或然率值

监督方法的模糊培训与模糊分类 模糊分类仍采用最大或然率分类法 模糊培训采用J.C. Bezdek的模糊聚类法 保持对所有类别的或然率 隶属度等同于或然率（通用值域 [0.0, 1.0]） 模糊培训采用J.C. Bezdek的模糊聚类法 需要改进 Fuzzy c-Means 方法 根据给定的光谱培训数据反复叠代以获取逼近真值的聚类中心 为整幅图像分类提供更可靠的 signature 参数

J. Bezdek 的 Fuzzy c-Means 方法 目标方程： (1) 模糊均值： (2) 隶属函数： (3) 距离函数：(Mahanalobis) (4)

采用 Mahalanobis 距离的理由 为从单一数据点到聚类中心的距离量测。 聚类团各维方向的距离量测取决于数据在该方向的概率密度。 聚类团的概率密度取决于聚类团的方差矩阵。 故聚类团的等距曲面为一多维椭球体。 比使用欧式定律计算量要大。

迭代自组织模糊参数估算法流程图 （ISOFPE） 培训数据 计算 Maha. 距离 COV 确定 m,  初始化 U(0) STOP Typicality 甄别 ||U(b) - U(b+1) || <  ICOV 计算 Vi U(b) 计算隶属度 (μik) for U(b) no yes （ISOFPE）

全模糊监督分类法流程图 多光谱图像数据 ISOFPE FMAXCLS 培训选址 光谱Signature 软集 硬集 模糊分类矩阵 传统分类图 全模糊监督分类法流程图　 模糊分类矩阵 传统分类图 多光谱图像数据 光谱Signature 硬集 软集 ISOFPE FMAXCLS 培训选址 湿地，等

模块在 ERDAS IMAGINE 图形用户界面

研究区域、光谱数据及实地取样数据 Murrells Inlet, SC 85 GPS 采样点 SPOT XS 多光谱数据

地物类别选址与模糊光谱培训 经模糊光谱培训 (m = 2.0) 后的地物类别在要素空间的分布及相互关系： Band4 Band1 Band3 树林 泥浆 都市 水体 猫尾草 经模糊光谱培训 (m = 2.0) 后的地物类别在要素空间的分布及相互关系： Band4 Band1 Band3 都市 树林 猫尾草 水体 泥浆

基于硬培训与软培训的硬分类比较 m = 0 m = 2

基于两种培训法的硬分类图精度比较

Kappa Coefficient (k -系数) 检验 一种排除巧合(chance agreement)的精度量测方法，可用来做统计假设检验。 H1：使用 ISOFPE 处理过的光谱印记产生具有较高精度的硬划分。

对环境遥感学的贡献和意义 为监督分类提供了一种较新的培训法 非监督FCM 聚类与监督培训的整合 充分开发利用光谱数据中的模糊信息 改善硬分类精度 采用软分类可减少建立分类系统的工作量 放宽培训区的光谱同一性要求 非监督FCM 聚类与监督培训的整合 利用知识设限对光谱signatures实行模糊处理 相对单纯使用 FCM 减少计算量 为其他功能算法的模糊化处理提供概念证明(proof-of-concept)

应用之二：植物生态系统遥感制图 生态渐变区（Ecotone） 传统遥感方法不能有效提取或表达渐变 指相邻不同结构生态区之间的结合部 反映不同生态系统间相互作用的动态平衡 自然调控生态系统间能量和物质的交换 具有较高的生物（包括动植物）多样性 对环境因素变化的敏感度较高 传统遥感方法不能有效提取或表达渐变 尝试将一元一类表达法扩展为一元多类

研究区域与数据 NOAA AVHRR 图像 非洲植被分布图（IUCN 1986 制作） 348  335 像元 24  24 km 十二个月NDVI时相数据 （86年1月-88年12月）

非洲六种生态区NDVI季节变化图 雨林 沙漠 林地 草原 草灌 灌木 1986-1988

要素空间向语义空间的模糊变换 模糊变换 c2 c1 c3 (a) Feature space （要素空间） p[l1,l2,l3] b1 b2 b3 p[1,2,3] 1 (a) Feature space （要素空间） (b) Semantic space （语义空间） 模糊变换 d1 d2 d3

大容量数据处理对FCM算法的挑战 总计 348  335 = 116,580 个数据点，12 个变量 Sun Workstation Unix OS 平台，ERDAS Imagine FCM 算法包含众多的指数和除法运算 (粗略估计指数运算数目为c2n + cn2 + 3n 乘以迭代数目) 采用两种方法提高运行速度： 建立6个look-up tables, 以查表法取代指数和除法运算 用ISODATA产生首批聚类中心作为FCM的初始值 实验表明改进后的FCM运行时间缩短至原来的1/12

使用改进FCM聚类得出模糊类别 雨林 沙漠 灌木 草原 林地 草灌

以模糊隶属矩阵储存和表达像元类别的相似程度 Desert / Semi Desert p (0.0, 0.6, 0.0, 0.1, 0.3, 0.0) Rainforest / Afro- Montane Vegetation Sahel Shrubland / Somalia-Masai Grassland / Kalahari Wooded Grassland Karoo Grassy Shrub / Woodland Woodland Savanna Grassland/ Cape & Karoo Shrubland 结论：模糊软分类及表达法可为生态研究中数值模型和参数统计模型的建立提供数据基础。

非洲生态区的第一等级和第二等级图 Desert Rainforest Sahel shrubland Karoo grassy shrub Woodland Savanna grassland

应用之三：都市非渗透地表量化分析 非渗地表可定义为覆盖地面的任何妨碍水渗入土壤的材料。非渗率不同的地表对降雨有不同的吸收能力。都市非渗地表分布多范围广，暴雨期易于形成瞬时洪灾。 在地理研究中，Urban Imperviousness 传统上为量测都市化的一种量化指标。 例如Treitz et al. (1992) 的研究中用其表示居民区密度等级。 近来作为可持续城市发展和自然资源规划的一项关键的环境指标，其作用越来越受到重视。 低空臭氧层形成模拟 (Luman and Ji, 1995) 和区域非点源污染模拟 (Jensen and Schill, 1996) 的一项重要参数。 二值非渗分布信息一般通过遥感手段获取。

次像元分析原理及特性 采用数值模拟方法，将每一像元分解为 MOI 部分和背景部分。记录 MOI 部分的比重作为 MOI 的量化值。 仅提取单一地物信息，而不是做景区全分类处理 – 有别于线性混合模拟 (LMM) 和模糊分类。 用户设置纯净度和置信度对 MOI 光谱印记实行净化处理。 使用印记波谱控制候选背景及其含量的选取，以便将其从每一像元中除去。

Ru´[n] – 波段 n 的非渗光谱特征曲线模式(印记) 次像元分析的数学表达 Pi = f Ui + (1  f ) Bi RPi = f RUi + (1  f ) RBi RUi = (RPi  (1  f ) RBi) / f 选择最佳匹配(ε最小)方程的 f 值输出 P – 全像元 U – 非渗透部分 B – 背景部分 (多个波谱) f - fraction in [0, 1] R – 辐射量 从分析前的图像环境 (辐射) 纠正中提取 Ru´[n] – 波段 n 的非渗光谱特征曲线模式(印记) (Modified from Huguenin et al. 1997)

研究区域与数据 – Charleston, SC 陆地卫星 TM 30-m, 1990.12. (4,3,1)基本数据 NAPP (扫描成 5-m 分辨率图像) 检验数据(部分)

都市非渗透性量化分析流程图 多光谱遥感资料 前期处理 非渗极值 像元识别 环境纠正 实地资料 决策树建立 非渗透光谱 特征提取 地表分类图 MOI 分类 地表分类图 融合 决策树建立 分层分类 前期处理 非渗透光谱 特征提取 实地资料 多光谱遥感资料 呈连续分布的都市 非渗地表图

环境纠正、背景波谱提取、印记净化 环境纠正 背景波谱提取 非渗印记波谱净化 使用图像内部校正点 (最暗区，如深水体和地形阴影) 做辐射纠正，将像元亮度值转换成辐射值。 提取的大气辐射波谱包含天空的散射、水体表面对阳光的直接反射、阴影中的二次照射。 背景波谱提取 候选背景波谱从确认的渗透类别中提取 候选背景波谱依次从像元波谱中减除，以确定像元是否含有非渗材料及其含量。 非渗印记波谱净化 允许用户对培训数据标记一个统计置信度和一个MOI纯净度。

多印记方法提取MOI光谱特征

三种铺面非渗透 MOI像元组合

用次像元分析、分层分类提取的建筑物

最终组合成的都市非渗地表图

处理过程的统计表列

基于混淆矩阵的精度评估 以5米扫描的航测图像为参考，来评估30米TM图像的次像元分析结果。

后评估精度统计分析 由于次像元分析结果被划分为8个等级，统计相关分析使用的方法是Spearman‘s rank-order correlation a = 0.98339 b = 0.30833 r2 = 0.94911  = 0.70434 N = 200 α= 0.01 (two-tailed) rho = 0.964

Charleston 都市非渗表面三维透视图 Charleston, SC. 1990.12. NORTH 局部放大区

Charleston 非渗表面局部放大图 NORTH

结论及未来研究方向 该研究表明，次像元分析法结合分层分类法可用于从中等分辨率遥感资料 (例如 Landsat TM/ETM+、SPOT XS，IRS等) 提取量化的都市非渗地表信息。 该研究所建模型对非渗等级的低估倾向可通过对模型校正加以解决。 该方法的量化功能使其可用于基于数量的变化分析，如城市增长建模等。 该法也可用来提取其他地表信息，如森林、牧地、湿地的植被生物量等。