遥感影像分类Word

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　遥感图像分类报告人： 2015年11月1/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　大纲图像分类基本概念 传统分类方法简介与比较 GPU加速 机群系统 刀片机服务器

　　2/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　什么是遥感图像分类？

　　遥感图像分类是利用光谱特征 (地物电磁波辐射的多波段测量 值)或纹理等空间结构特征，按 照某种规则算法对地物在遥感图 像上的信息进行识别与分类的过 程。 遥感图像分类有目视判读和计算 机分类两种方法。前者利用人类 的自然识别智能，后者利用计算 机技术模拟识别功能。毫无疑问， 计算机分类更加客观、经济、有 效，能获得更深刻的认识。3/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　遥感图像分类实例

　　原始遥感图像

　　分类后的遥感图像4/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　监督分类方法简介监督分类是一种常用的精度较高的统计判决分类，在己知类别 的训练场地上提取各类训练样本，通过选择特征变量、确定判别函 数或判别规则，从而把图像中的各个像元点划归到各个给定类的分 类方法，主要步骤包括： (1)选择特征波段； (2)选择训练区； (3)选择或构造训练分类器； (4) 对分类精度进行评价。 监督分类方法主要有最小距离分类、平行六面体分类、最大似 然分类等方法。

　　5/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　最小距离分类

　　基本思想是计算未知矢量X到有关类别集群之间的距离，将该矢 量归到距离最近的类别集群 距离判决函数偏重于集群分布的几何位臵 距离判别规则是按最小距离判别的原则

　　6/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　最小距离分类

　　7/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　平行六面体分类

　　以一个包括该集群的“盒子”作为该集群的判别函数

　　判决规则：若未知矢量X落入该“盒子”,则X分为此类，否则再与其它盒子 比较这种分类法在盒子重叠区域有错分现象，错分与比较盒子的先后次序有关

　　8/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　最大似然分类最大似然分类利用了遥感数据的统计特征，假定各类的分布函 数为正态分布，在多变量空间中形成椭圆或椭球分布，根据各方向 上散布情况不同按正态分布规律用最大似然判别规则进行判决，得 到较高准确率的分类结果。

　　9/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　非监督分类

　　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(将相似 度大的像元归为一类)的方法 根据图像数据本身的统计特征及点群的分布情况，从纯统计学的 角度对图像数据进行类别划分 K-均值法(K-means Algorithm) 迭代自组织数据分析技术方法(Iterative Self-Organization Data Analysis Techniques,ISODATA)

　　主要的非监督分类有：

　　10/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　K均值分类K均值分类方法需预先设定聚类中心的个数，分类的标准是使 聚类域中所有样本到聚类中心的距离平

　　方和最小。 基本思想：通过迭代，逐次移动各类的中心，直至各类的中心 不再移动(或者移动的范围小于设定的阈值)或达到规定的迭代次 数时停止迭代。

　　11/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　K均值分类

　　12/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　ISODATA分类

　　ISODATA算法是在K均值算法的基础上，增加对聚类结果的“合 并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类 算法。 基本思想：当某两类聚类中心距离小于某一阈值时，将它们合并 为一类，当某类标准差大于某一阈值或其样本数目超过某一阈值 时，将其分为两类。在某类样本数目少于某阈值时，需将其取消。

　　算法特点： 1. 设定指标参数来决定是否进行“合并”或“分裂” 2. 设定算法控制参数来决定算法的运算次数 3. 具有自动调节最优类别数k的能力 4. 算法规则明确，便于计算机实现。

　　13/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　其它分类方法人工神经网络分类人工神经网络是由大量简单的处理单元(神经元)连接成的复杂 网络，通过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。人工神经网络主要由3个基本要素构 成，即处理单元、网络拓扑结构及训练规则。

　　模糊分类遥感图像中的像元不一定是单纯的一种地物信息，因此，用传 统的“硬”分类方法进行图像分类，无法获得较高的精度。一种较 好的解决办法就是采用以模糊理论为基础的模糊分类法。 模糊分类允许根据各类型的百分比函数，将一个像元归到几个 类型。显而易见，模糊分类提高了图像分类的精度。

　　14/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　区别 方法 最小距离法 原理 元素到类中心距 离最小 适应条件 每一个要识别的 类有对应的代表 向量 特点 精度取决于对 已知地物类型 的了解和训练 统计的精度

　　效果 局限性 计算简便，可对像元 对于类别重叠的情况， 顺序扫描分类，效果 分类精度受到限制 较好

　　最大似然分类法

　　归属概率最大

　　多数情况适用， 建立一个判别 分类错误小而精度高 容易受到参数估计的 限制 但对出现概率低 函数集 的类别可能影响 精度

　　平行六面体法

　　设定分割点将多 维特征划分成分 别对应不同分类 类别的互不重迭 的特征子空间 所有样本到聚类 中心的距离平方 和最小 以初始类别为 “种子”施行自 动迭代聚类的过 程无参数分类器

　　通过选取训练区 特征子空间 详细了解分类类 别(总体)的特征

　　快捷简单，节省处理 由于平行六面体有 时间 “角”,像素在光谱 意义上与模板的平均 值相差很远时也可能 被分类 快速简单，工作量小 盲目的聚类；难以对 产生的类别进行控制

　　K均值分类法ISODATA分类法

　　对待分类区域情 聚类中心数K 缺乏了解 始终固定

　　不便对分类区域

　　动态调整类别 当类之间彼此远离时 当几个地物类型对应 数K 进行实地考察 得的结果是令人满意 的光谱特征类型差异 的 很小时，分类的精度 就大大降低 对待分类区域又 高维性、自组 其分类精度优于最大 若要提高训练精度需 足够了解，需要 织性、模糊性 似然法 要多次迭代，非常费 进行多次训练 和冗余性 时 模糊样本选取困难 混合像元问题， 在单个像元中 进行“准纯 界线不明显的对 提取各类地物 样本”到“模糊样本” 信息(类似于黑 的转化，可改善分类 象 箱问题) 15/26 精度

　　人工神经网络

　　模糊分类

　　利用像元的隶属 度函数进行分类

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　GPU简介

　　GPU(Graphics Processing Unit, 图形处理器),是一种专门在 个人电脑、工作站和一些移动 设备(如平板电脑、智能手机 等)上进行图像运算工作的微 处理器。 作为通用大规模并行处理器， GPU具有运算密集、高度并行、 体积小和性价比高等特点，为 加速遥感图像处理提供了新的 技术手段。

　　16/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　GPU相对CPU的优势GPU在计算能力上相对于CPU有明显优势的原因在于两者的设 计目标与体系结构不同。如图所示，CPU的执行单元采用了复杂的 控制与分支预测以及大量的缓存来提高执行效率，能够面对尽可能 多的通用处理事务，用于计算的算术逻辑单元ALU(Arithmetic Logic Unit)只占很小一部分。 GPU在有限的而积上提供 更多的计算单元和很高的数据 带宽，通过大量计算单元的并 行处理实现了更强大的计算能 力。 CUDA(Compute Unified Device Architecture)的推出提升 了GPU的可编程性，提供了便 利的高性能计算程序开发能力。17/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　GPU加速算法研究从加速原理角度，大致可分为下面三种方法 (1) 基于数据分块的多线程并行技术 该技术的主要特点是对图像数据进行分块 和线程任务分配，让每个线程负责处理其中 一个数据块，通过多线程并行工作的方式共 同完成整个遥感图像数据处理。(2) 基于CUDA库的并行加速技术 通过调用CUDA函数库中并行处理算法 来实现遥感图像的并行处理。

　　基于数据分块的多线程并行示意图

　　(3) 基于算法分解的协同并行技术 对算法进行拆分，将具有高密度数据计算特征的处理部分交给GPU处理，其 他不宜GPU处理的部分(处理过程中存在较多的判断、分支等逻辑处理步骤) 交给CPU处理。

　　18/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　GPU加速算法研究应用实例：在几何校正模型中，姿态和 轨道参数的数据处理数据量小，同 时存在较多的逻辑判断，不太适合 GPU并行化。而建立网格点和重采 样处理两个步骤是以网格和像素为 单位的重复运算，特别适合GPU并 行运算。将几何校正算法进行算法 拆分，让CPU处理姿态和轨

　　道数据 部分，而GPU进行建立网格点和重 采样的并行处理，

　　如图所示。几何校正算 法经过GPU并行化后，可达 到40倍左右的加速(相对于 CPU单独进行计算)。19/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　GPU加速存在的一些问题虽然GPU对大多数遥感图像处理算法适应性较好，但由于GPU 本质上仍属于一种协处理器性质，但系统应用中存在一些问题：(1)数据存储问题：遥感图像GPU并行处理流程一般需要将数据 一次性载入GPU显存，其处理数据量受限于GPU显存容量； (2)数据载入问题：GPU显存包括全局存储器、共享存储器、纹 理存储器和常数存储器，不同类型的存储器具有不同的容量和读写 速率，处理速度受限于所采用的存储器类型； (3)数据I/O问题：GPU数据处理需要在显存和内存之间来回传输 数据，处理性能受限于显存与内存之间的总线带宽等。 如何使GPU与CPU更协调地工作，从系统角度获得更为优化的 整体处理流程，形成高效的快速处理系统，仍有待于未来的进一步 研究。20/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　机群系统计算机机群是通过高性能的互联网络连接的一组相互独立计算 机(节点)的集合体。各节点除了可以作为单一的计算资源供用户使 用外，还可以协同工作并表现为一个集中的计算资源供并行计算任 务使用。

　　典型的集群系统体系结构21/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　机群系统的优点

　　系统开发周期短：计算机系统大多采用商用工作站和通用LAN 网络，使主控节点管理系统相对容易上手，可靠性高。 系统总价低：构成集群的工作站或PC机都是批量生产的，价格 低廉。 节约系统资源：由于集群系统的结构比较灵活，它可以将不同 体系结构，不同性能的工作站或PC机连在一起，用户可以充分利 用现有设备，节约系统资源，提高工作效率。 系统扩展性好：机群系统大多使用通用网络，系统扩展性很强， 而且对大小不同的颗粒度并行应用都具有很好的效率。 易于升级：机群计算机在结点性能上可以同处理器发展保持同 步，降低系统升级的费用。

　　22/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　机群系统的一些限制因素基于机群的系统高性能遥感处理技术需要将遥感处理的过程中 的多任务合理拆分或者是将一个处理任务分解成几个能独立运行的 子任务，分配到集群的节点上，并行地执行各个任务，进而快速高 效地处理遥感数据。 要进行遥感机群处理有下面几个限制因素： 通信开销大： 机群系统中每台机器都有独立的存储器，各节点 机器的内存不共享，如果要进行全局共享数据读写操作，必须通 过机器间的通信来进行数据传输。 体积大，不便于移动 有些任务不能进行分解和并行化处理

　　23/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　刀片机服务器简介刀片服务器是指在标

　　准高度的机架式机箱内可插装多个卡式的 服务器单元，是一种实现HAHD(High Availability High Density,高可 用高密度)的低成本服务器平台，为特殊应用行业和高密度计算环境 专门设计。 “刀片”们可以通过板载硬盘启 动各自的操作系统(Windows NT/2000、 Linux等),类似于一个个独立的服务 器。 管理员可以使用系统软件将这些 母板集合成一个服务器集群。在集群 模式下，所有的母板可以连接起来提 供高速的网络环境，并同时共享资源， 为相同的用户群服务。刀片机服务器24/26

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　刀片机服务器的优点与不足刀片机服务器有下列优点：

　　便于升级与维护：在集群中插入新的刀片,就可以提高整体性能。而由于每 块刀片都支持热插拔的，所以，系统可以轻松地进行替换，将维护时间减少 到最小。 规模小：由于省去了机箱及交互设备，重量、体积较计算机或服务器小得多。 稳定性较高：通过内臵的负载均衡技术，能有效提高服务器的稳定性和核心 网络性能发热严重：一个刀片机箱的最大耗电量是8000瓦，需要额外提供良好的散热 和冷却系统。 厂商标准不一：刀片机服务器没有统一的标准，服务器刀片常常设计成只能 在某家厂商自己的机箱里面运行，通常只能使用同一家公司的全套设备。 密度高才有经济意义：算上机箱和通用服务的成本，每台服务器的成本就会 超过同等处理能力的独立服务器系统。所以，只有通过增加刀片数分摊机箱 的成本，才能有更好的经济意义。25/26

　　刀片机服务器有下列不足：

　　关于遥感影像分类的原理简介、各种方法比较、加速方法

　　THANKS

　　26/26