第七章遥感图像计算机解译

1、第七章第七章 遥感图像计算机解译遥感图像计算机解译计算机解译，又称遥感图像理解(Remote Sensing ImageryUnderstanding)：它以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据遥感图像中目标地物的各种影像特征(色、形、位)，结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理，实现对遥感图像的解译。 模式与模式识别 “模式”：某种事物的标准形式； 模式识别系统：对被识别的对象作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较进而做出归类。 遥感影像分类 分类：将图像中分类：将图像中的像元归并为不的像元归并为不同的地

2、物类型。同的地物类型。遥感图像分类依据遥感图像地物的光遥感图像地物的光 谱特征谱特征（1）不同的地物在同一波段图像上表现的亮度一般互不相同；（2）不同的地物在多个波段图像上亮度的呈现规律也不同。 光谱特征向量：将同名地物点在不同波段图像 中亮度值构成一个多维的随机 向量（X）。 X =x1,x2 xn n为图像波段总数 xi地物点在第i波段的亮度值。地物与光谱特征空间的关系 特征点集群特征点集群在特征空间中的分布情况理想情况不同类别地物的集群至少在一个特征子空间中 的投影完全可以相互区分开的。典型情况不同类别地物的集群，在任一子空间中都有相 互重叠的现象，但在总的特征空间中可以完全 区分的。一

3、般情况无论在总的特征空间中，还是在任一子空间， 不同类别的集群之间总是存在重叠现象。重叠部 分的特征点所对应的地物，在分类时总会出现不 同程度的分类误差，这是遥感图像中最常见的情 况。特征变换与特征选择 特征变换特征变换 减少特征之间的相关性 使得待分类别之间的差异在变换后的特征中更明显。 将原始图像通过一定的数字变换生成一组新的特征图像，这一组新图像信息集中在少数几个特征图像上，即将原有的m个特征量通过某种变换生成n个（nm）特征量。 特征变换的作用：1、主成分变换（ KL变换）2、缨帽变换 （K-T变换）3、植被指标变换特征选择特征选择从原有的从原有的n n个测量值集合中，按某一准则选择个

4、测量值集合中，按某一准则选择出出k k个特征（个特征（k nk n）。）。 遥感影像的波段选择可分为定性的和定量的方法。1.000 0.960 0.902 0.054 0.414 0.156 0.608 1.000 0.968 0.128 0.529 0.226 0.704 1.000 0.138 0.620 0.316 0.794 1.000 0.679 -0.080 0.366 1.000 0.311 0.891 1.000 0.468 1.000 相关系数矩阵 遥感影像分类方法遥感影像分类方法监督分类法：监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱

5、特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。非监督分类：非监督分类：是在没有先验类别（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（即相似度的像元归为一类）的方法。 （一）（一）监督分类监督分类基本思想 ： 根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别函数中求解待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定 。判决函数和判决规则判决函数和判决规则判决函数判断某个特征

6、矢量属于哪个类别的 - 函数 判决规则对判决函数值进行判断归类的依据 1、距离判决函数和判决规则、距离判决函数和判决规则 基于距离判决函数和判决规则原理进行分类的方法称为最小距离分类法。 基本思想是设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类。 距离判决函数：（1）马氏距离：（2）欧式距离:（3）混合（计程）距离：dMi=dEi2=(X-Mi)T(X-Mi)dTi= |Xj-Mij|判决规则为：若di（X） Pj（X）,则X属于wi类。Pi（X）=P（X/wi）P（ wi ）监督分类基本过程（1）确定感兴趣的类别数。 （2）特征变换和特征选择 （3）确定判决

7、函数和判决规则（4）选择训练样区 （5）根据判决函数和判决规则对非训练样区的图像区域进行分类。 （二）非（二）非监督分类监督分类 非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类。其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读或实地调查确定的。 非监督分类的基本思路 非监督分类也称聚类分析，采用的是聚类算法，一般是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。

8、然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。1、K-均值聚类法均值聚类法K均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。其基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。2、ISODATA算法聚类分析算法聚类分析 ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法也称为迭代自组织数据分析算法。ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。监督分类和非监督分类方法比较 根本区别在于是否利用训练