第六章-遥感数字图像的计算机解译课件

目视解译与计算机自动分类遥感专题分类：是以区别图像中所含多个目标为目的，对每个像元或者比较匀质的像元组给出对应其特征的名称。这些名称为分类的类别，多个特征矢量定义的空间为特征空间。遥感专题分类的方法主要有人工目视解译和计算机自动分类。目视解译是计算机自动分类的基础；计算机自动分类总是尽可能地模拟目视解译的过程。第六章遥感数字图像的计算机解译目视解译与计算机自动分类遥感专题分类：是以区别图像中所含多个11.人工目视解译目视解译的主要方法1)直接判定法解译人员根据遥感图像上可以用肉眼直接观测到的标志如色调、形状、阴影、纹理结构、大小、位置、相关布局等建立“模式图像”或称做直接解译标志，来确定地物的存在和属性，比如河流、房屋，铁路等都可以直接判定。2)对比分析法借助不同时相、不同波段、地面资料进行相互补充，相互验证。3）逻辑分析法运用地学规律的相关分析和实际经验，进行逻辑判断。例如根据水系的分布格局来判断岩性和地貌类型；根据植被的类型来推断土壤类型；利用地震后地应力释放形成的“构造云”的分布来推测构造应力场等。逻辑分析大大开拓了遥感图像所能发挥的作用。1.人工目视解译目视解译的主要方法22.计算机图象分类在70年代初期，随着遥感技术和地球资源卫星的发射开始应用于遥感图像处理方面，奠定了遥感图像分类的数学理论基础。遥感专题分类属于模式识别的范畴。模式识别的主要方法有统计模式识别、句法模式识别、模糊识别和智能模式识别。智能模式识别又分为人工神经网络和逻辑推理系统。除句法模式识别主要应用于文字、符号、语言的识别外，其他三种方法在遥感专题分类都有不同程度的使用，其中统计模式识别方法应用最为普遍。这些方法在遥感图像专题分类中经常采用两种方案，一是监督分类，另一种是非监督分类。两者只是实施的步骤上有前后差别，其理论本质是一样的。非监督分类，事先没有类别的先验知识，纯粹根据图像数据的统计特征和点群分布情况，根据相似性程度自动进行归类，最后再确定每一类的地理属性。监督分类有类别的先验知识，根据先验知识选择训练样本，由训练样本得到分类准则。2.计算机图象分类在70年代初期，随着遥感技术和地球资源卫32.计算机图象分类概念：以区别图象中所含的多个目标物为目的，对每个像元或者比较均匀的像元组给出对应其特征的名称。特征名称一般称类别，例如土地利用/覆盖中的居民地、水域、园地、林地、耕地等。参与分类的多个特征量（向量）所定义的空间，称为特征空间，例如2个波段定义的2维特征空间，3个波段定义的3维特征空间等。2.计算机图象分类概念：以区别图象中所含的多个目标物为目的42.计算机图象分类目视解译和计算机图象分类的对比2.计算机图象分类目视解译和计算机图象分类的对比5第一节遥感数字图像的性质与特点第二节遥感数字图像的计算机分类第三节遥感图像多种特征的抽取第四节遥感图像解译专家系统第一节遥感数字图像的性质与特点6第一节数字图像的性质和特点遥感数字图像遥感数字图像是以数字表示的遥感图像,其最基本的单元是像素.像素是成像过程的采样点,也是计算机处理图像的最小单元.像素具有空间特征和属性特征.像素的属性特征采用亮度值来表达.正像素;混合像素第一节数字图像的性质和特点遥感数字图像7第一节数字图像的性质和特点

二、遥感数字图像的特点便于计算机处理与分析图像信息损失少抽象性强第一节数字图像的性质和特点二、遥感数字图像的特点8第一节数字图像的性质和特点三、遥感数字图像的表示方法遥感数字图像是以二维数组来表示的.第一节数字图像的性质和特点三、遥感数字图像的表示方法9第一节数字图像的性质和特点三、遥感数字图像的表示方法遥感图像按照波段数量分为:单波段数字图像:SPOT的全色波段.多波段数字图像:TM的7个波段数据.多波段数字图像的三种数据格式BSQ格式(Bandsequential)BIP格式(Bandinterleavedbypixel)BIL格式(Bandinterleavedbyline)第一节数字图像的性质和特点三、遥感数字图像的表示方法遥感10第一节数字图像的性质和特点四、航空像片的数字化空间采样：将航空像片具有的连续灰度信息转化为每行有m个单元，每列有n个单元的像素组合。属性量化：可得到每个像元的数字模拟量，与航空像片中对应位置上的灰度相对应。第一节数字图像的性质和特点四、航空像片的数字化空间采样：11第二节遥感图像的计算机分类第二节遥感图像的计算机分类12一、分类原理与基本过程遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，距离越小相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。遥感图像计算机分类方法监督分类法：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：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、分类原理与基本过程遥感图像计算机分类的依据是遥感图像像素13一、分类原理与基本过程遥感数字图像计算机分类基本过程根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。根据研究区域，收集与分析地面参考信息与有关数据。根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。找出代表这些类别的统计特征为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。对遥感图像中各像素进行分类。分类精度检查。对判别分析的结果进行统计检验。一、分类原理与基本过程遥感数字图像计算机分类基本过程14二、图像分类方法

1、监督分类2、非监督分类3、监督分类与非监督分类方法比较二、图像分类方法151非监督分类分类标准的确定不需要人的参与，由计算机根据某一标准（例如距离最短）自动进行。需要确定要分几种类别，或者类似的输入条件。分类后的结果，还需要再给出具体的涵义。类似的概念：聚类分析、点群分析、空间集群等。常用的非监督分类方法：1）K-MEANS;2)ISODATA1非监督分类分类标准的确定不需要人的参与，由计算机根据某一161.1K-MEANSSTEP1:任意选择K个聚类中心，一般选前K个样本；STEP2:迭代，未知样本X分到距离最近的类中；STEP3:根据STEP2的结果，重新计算聚类中心；STEP4:每一类的像元数目变化达到要求，算法结束。影响K－均值法的因素：聚类中心数目，初始类中心的选择，样本输入的次序，数据的几何特性等。K-均值算法在数据空间内平均计算各类的均值，使用最小距离法，将未知像元划分到某一类中，再调整均值，直到迭代次数满足，或者距离阈值满足。输入参数:Numberofclass:要分成几类Changethreshold%(0-100):如果每一类的像元数目变化小于此数值，则迭代停止。1.1K-MEANSSTEP1:任意选择K个聚类中心，一171.2ISODATAISODATA迭代自组织数据分析算法（InteractiveSelf-OrganizingDataAnalysisTechnologyAlgorithm,简称ISODATA）在K均值算法的基础上，加入了试探性的步骤，能够吸取中间结果的经验，在迭代的过程中可以进行类别的分离和合并，具有“自组织”性，是目前非监督分类中使用最为广泛的算法。该算法中影响分类结果的参数有：迭代次数、类别数、参加分类的波段数目。输入参数：

最大和最小类别数目，因为算法进行自动的类别分裂和合并，所以不能确定类别的具体数目。

最大迭代次数和每类中像元数量的变化，其中一项满足，则分类结束。如果某一类别中的像元数目不满足Minimum#pixelinclass，则删除该类别，像元归并到最近的一类中。如果某一类的标准差大于Minimumclassstdv，则该类别需要分裂成两个类别。如果来年改革类别的平均距离小于Maximumclassdistance，则该两个类别合并成一类。Maximum#mergeclass定义最多合并多少类别。Maximumstdevfrommean;Maximumdistanceerror.1.2ISODATAISODATA迭代自组织数据分析算法181.2ISODATAN―所要求的类别数I―迭代次数限定值Tn―每类集群中至少应有的点数Tc―集群分裂标准即每类集群所允许的最大标准差Tm―集群合并标准即两灯集群中心间允许的最小距离1.2ISODATAN―所要求的类别数192监督分类2.1

平行管道分类2.2最小距离分类2.3最大似然分类2.4马氏距离分类2.5神经网络分类方法2.6光谱角分类2.7二值编码分类2监督分类202.1平行管道分类使用简单的分类规则进行多光谱遥感图像的分类。决策线在n维光谱空间中是一个平行的管道。管道的直径根据距离平均值的标准差确定。如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。如果落在多个类中，ENVI则将这个像元划分到最后匹配的类别。落不到任何管道中，则标识为未分类像元。输入参数Maxstdevfromthemean,是距离平均值多少个标准差。2.1平行管道分类使用简单的分类规则进行多光谱遥感图像的分212.1平行管道分类2.1平行管道分类222.2最小距离分类计算未知像元距离各个类别均值向量的欧氏距离，将该像元划分到距离最小的类别中。如果没有确定最大的标准差和距离阈值，则所有的像元都会分类。输入参数：Maxstdevfromthemean,是距离平均值多少个标准差。Maxdistanceerror,距离的最大阈值如果两个参数都输入了，ENVI使用其中小的作为最终的判别标准。2.2最小距离分类计算未知像元距离各个类别均值向量的欧氏距232.2最小距离分类2.2最小距离分类242.3最大似然分类假设条件：数据符合多维正态分布。如果不符合，分类的精度也将下降。计算每个像元属于各个类别的似然度（likelihood）,该像元分到似然度最大的类别中。似然度是像元数据X属于类别k的后验概率。如果类别k中X的条件概率为P(x/k),则似然度Lk的计算公式为：2.3最大似然分类假设条件：数据符合多维正态分布。如果不符252.3最大似然分类2.3最大似然分类262.3最大似然分类2.3最大似然分类272.4马氏距离分类这是一个方向敏感的分类器。类似于最大似然分类。区别是假定所有类别的斜方差矩阵是相同的。因此速度比最大似然法要快。2.4马氏距离分类这是一个方向敏感的分类器。类似于最大似然282.5神经网络分类2.5.1概念2.5.2神经元结构2.5.3激励函数2.5.4训练过程2.5.5误差曲线2.5.6神经网络的优缺点2.5神经网络分类2.5.1概念292.5.1人工神经网络概念神经网络法是模拟人脑思维过程的智能推理算法。

影响神经网络的三个要素：神经元（信息处理单元）的特性；神经元之间的相互连接（拓扑结构）为适应环境而改善性能的学习规则2.5.1人工神经网络概念神经网络法是模拟人脑思维过程的智30神经网络方法的原型——生物信息处理神经网络方法的原型——生物信息处理312.5.2神经元结构美国心理学家Mcculloch和数学家Pitts1943年提出的。2.5.2神经元结构美国心理学家Mcculloch和数学322.5.2神经元结构数学表达：2.5.2神经元结构数学表达：332.5.3激励函数1)ThreshHold2）PiecewiseLinear3）Sigmoid4）Hyperbolic5）Logistic2.5.3激励函数1)ThreshHold342.5.4训练过程2.5.4训练过程352.5.4训练过程把输入模式映射到相应分类器，所需知识由权值来体现。最初，给定问题域的权值是未知的，直到找到有用权值之前，神经网络不能解决这个问题。寻找有用权值集合的过程，称为训练（也称为学习过程）。2.5.4训练过程把输入模式映射到相应分类器，所需知识由权36BP学习BP学习372.5.5影响误差曲线的因素除训练样本本身以外；学习率：决定网络的收敛速率。较大的学习率可以使学习的速率加快，但过大的学习率会导致学习过程在稳定状态附近跳跃，反而影响学习的速度。冲量项：加快收敛，并使变化平滑。2.5.5影响误差曲线的因素除训练样本本身以外；382.5.6神经网络方法的优缺点神经网络方法是非线性的，同传统分类方法相比较，它可以处理复杂的数据集，识别精细的模式。神经网络方法能够利用多源数据，将潜在的信息提取出来。多源数据在量纲，单位，数据类型以及数据结构方面的不兼容，以及传统分类方法对数据条件的假设和限制，使得多源数据的综合分析及分类精度受到影响。2.5.6神经网络方法的优缺点神经网络方法是非线性的，同传392.5.6神经网络方法的优缺点目前对神经网络方法的使用效果还没有获得一致认识。有的研究报告精度提高，也有一些研究指出它的分类结果不确定。神经网络的参数设置要经过大量的实验，使之成为一个很难使用的方法。2.5.6神经网络方法的优缺点目前对神经网络方法的使用效果40主要用于进行高光谱数据的分类，传统的方法对于高光谱分类时间开销太大，要么进行特征的选取或者特征选择，要么采用新的分类方法：二值编码方法光谱角分类方法主要用于进行高光谱数据的分类，传统的方法对于高光谱分类时间开41二、图像分类方法3、监督分类与非监督分类方法比较根本区别在于是否利用训练场地来获取先验的类别知识。监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分类的不足之处。非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。二、图像分类方法3、监督分类与非监督分类方法比较根本区别在于42三、图像分类中的有关问题1、未充分利用遥感图像提供的多种信息只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类。三、图像分类中的有关问题1、未充分利用遥感图像提供43三、图像分类中的有关问题2、提高遥感图像分类精度受到限制大气状况的影响：吸收、散射。下垫面的影响：下垫面的覆盖类型和起伏状态对分类具有一定的影响。其他因素的影响：云朵覆盖；不同时相的光照条件不同，同一地物的电磁辐射能量不同；地物边界的多样性。三、图像分类中的有关问题2、提高遥感图像分类精度受到限制大气44第三节遥感图像多种特征的抽取一、地物边界跟踪法点状地物与面状地物的边界跟踪线状地物信息检测与跟踪二、形状特征描述与提取地物形状特征的描述地物形态特征的提取第三节遥感图像多种特征的抽取一、地物边界跟踪法45第三节遥感图像多种特征的抽取

三、地物空间关系特征描述与提取不同地物之间的空间关系：方位关系、包含关系、相邻关系、相交关系、相贯关系。空间关系特征提取与描述（1）方位关系的提取（2）包含关系特征提取与描述（3）相邻关系特征抽取（4）相交关系特征抽取（5）相关关系特征的提取第三节遥感图像多种特征的抽取三、地物空间关系特征46第四节遥感图像专家解译系统

专家系统：把某一特定领域的专家知识与经验形式化后输入到计算机中，由计算机模仿专家思考问题与解决问题，是代替专家解决专业问题的技术系统。遥感图像解译专家系统的组成图像处理与特征提取子系统遥感图像解译知识获取子系统遥感图像解译专家系统的机理计算机解译的主要技术发展趋势

第四节遥感图像专家解译系统专家系统：把某一特47第四节遥感图像专家解译系统一、遥感图像解译专家系统的组成1、图像处理与特征提取子系统：包括图像处理、地形图数字化、精纠正、特征提取，结果存贮在遥感数据库内。2、遥感图像解译知识获取系统：获取遥感图像解译专家知识，并把专家知识形式化表示，存贮在知识库中。3、狭义的遥感图像解译专家系统。第四节遥感图像专家解译系统一、遥感图像解译专家系统的组48第四节遥感图像专家解译系统二、图像处理与特征提取子系统1、图像处理：图像滤波可消除图像的噪声；图像增强可突出目标物体与背景的差异；大气纠正可消除大气散射、雾霁等影响；几何精校正后的数字影像可与专题图精确复合；2、分类与特征提取子系统从图像中抽取光谱特征、图像特征和空间特征，为专家系统进行推理、判断及分析提供依据。第四节遥感图像专家解译系统二、图像处理与特征提取子系统149第四节遥感图像专家解译系统三、遥感图像解译知识获取子系统1、遥感图像解译知识获取系统的主要功能是知识获取.2、知识获取有三个层次:增加遥感解译新知识发现原有错误知识,修改或补充新知识根据解译结果,自动总结经验，修改错误知识,增加新知识.4、遥感图像解译描述性知识可以采用框架式方法表示框架知识表示方法的特点5、过程性知识采用产生式规则知识表示方法产生式规则的特点第四节遥感图像专家解译系统三、遥感图像解译知识获取子系50第四节遥感图像专家解译系统四、遥感图像解译专家系统的机理1、遥感图像数据库包括遥感图像数据和每个地物单元的不同特征，由数据管理系统管理。2、解译知识库包括专家解译知识和背景知识，由知识库管理系统管理。3、推理机采用正向推理和反向推理相结合的方式进行遥感图像解译。推理机具有两种运行形式咨询式：用户和系统进行人机对话，解译系统根据用户提供的区域信息和任务要求，完成遥感图像解译。隐蔽式：解译过程中图像数据同解译知识的结合在专家系统内部进行。数据的传递、知识的调用都在系统内部独立完成第四节遥感图像专家解译系统四、遥感图像解译专家系统的机理151第四节遥感图像专家解译系统五、计算机解译的主要技术发展趋势1、抽取遥感图像多种特征对高分辨率卫星图像的自动解译来说，一般分别对目标地物采用低、中、高三个层次进行特征抽取和表达。

低层次的对象是像素，每个像素对应的数值是该地物波谱特征的表征；中层次主要抽取和描述目标的形态、纹理等空间特征；高层次主要抽取和描述识别目标与相邻地物之间的空间关系。第四节遥感图像专家解译系统五、计算机解译的主要技术发展趋52第四节遥感图像专家解译系统五、计算机解译的主要技术发展趋势2、逐步完成GIS各种专题数据库的建设，利用GIS数据减少自动解译中的不确定性GIS数据库在计算机自动解译中发挥以下重要作用：（1）对遥感图像进行辐射校正，消除或降低地形差异的影响；（2）作为解译的直接证据，增加遥感图像的信息量；（3）作为解译的辅助证据，减少自动解译中的不确定性；（4）作为解译结果的检验数据，降低误判率。第四节遥感图像专家解译系统五、计算机解译的主要技术发展趋53第四节遥感图像专家解译系统五、计算机解译的主要技术发展趋势3、建立适用于遥感图像自动解译的专家系统，提高自动解译的灵活性

需要从以下两方面开展工作：建立解译知识库和背景知识库。解译知识库是遥感图像解译认识和经验经形式化后记录在贮存介质上的。背景知识库是有关遥感解译背景知识与经验的集合，以地学知识为主。根据遥感图像解译的特点来构造专家系统。第四节遥感图像专家解译系统五、计算机解译的主要技术发展54第四节遥感图像专家解译系统五、计算机解译的主要技术发展趋势4、模式识别与专家系统相结合既可以发挥图像解译专家知识的指导作用，在一定程度上为模式识别提供经验性的知识，又可以利用数字遥感图像本身提供的特征，有助于提高计算机解译的灵活性。第四节遥感图像专家解译系统五、计算机解译的主要技术发展55第四节遥感图像专家解译系统五、计算机解译的主要技术发展趋势5、计算机解译新方法的应用（1）人工神经网络(ArtificialNeuralNetworks)在遥感图像识别中的应用。（2）小波分析在遥感图像识别中的应用。（3）分形技术在遥感图像识别中的应用。（4）模糊分类方法遥感图像识别中的应用。第四节遥感图像专家解译系统五、计算机解译的主要技术发展56目视解译与计算机自动分类遥感专题分类：是以区别图像中所含多个目标为目的，对每个像元或者比较匀质的像元组给出对应其特征的名称。这些名称为分类的类别，多个特征矢量定义的空间为特征空间。遥感专题分类的方法主要有人工目视解译和计算机自动分类。目视解译是计算机自动分类的基础；计算机自动分类总是尽可能地模拟目视解译的过程。第六章遥感数字图像的计算机解译目视解译与计算机自动分类遥感专题分类：是以区别图像中所含多个571.人工目视解译目视解译的主要方法1)直接判定法解译人员根据遥感图像上可以用肉眼直接观测到的标志如色调、形状、阴影、纹理结构、大小、位置、相关布局等建立“模式图像”或称做直接解译标志，来确定地物的存在和属性，比如河流、房屋，铁路等都可以直接判定。2)对比分析法借助不同时相、不同波段、地面资料进行相互补充，相互验证。3）逻辑分析法运用地学规律的相关分析和实际经验，进行逻辑判断。例如根据水系的分布格局来判断岩性和地貌类型；根据植被的类型来推断土壤类型；利用地震后地应力释放形成的“构造云”的分布来推测构造应力场等。逻辑分析大大开拓了遥感图像所能发挥的作用。1.人工目视解译目视解译的主要方法582.计算机图象分类在70年代初期，随着遥感技术和地球资源卫星的发射开始应用于遥感图像处理方面，奠定了遥感图像分类的数学理论基础。遥感专题分类属于模式识别的范畴。模式识别的主要方法有统计模式识别、句法模式识别、模糊识别和智能模式识别。智能模式识别又分为人工神经网络和逻辑推理系统。除句法模式识别主要应用于文字、符号、语言的识别外，其他三种方法在遥感专题分类都有不同程度的使用，其中统计模式识别方法应用最为普遍。这些方法在遥感图像专题分类中经常采用两种方案，一是监督分类，另一种是非监督分类。两者只是实施的步骤上有前后差别，其理论本质是一样的。非监督分类，事先没有类别的先验知识，纯粹根据图像数据的统计特征和点群分布情况，根据相似性程度自动进行归类，最后再确定每一类的地理属性。监督分类有类别的先验知识，根据先验知识选择训练样本，由训练样本得到分类准则。2.计算机图象分类在70年代初期，随着遥感技术和地球资源卫592.计算机图象分类概念：以区别图象中所含的多个目标物为目的，对每个像元或者比较均匀的像元组给出对应其特征的名称。特征名称一般称类别，例如土地利用/覆盖中的居民地、水域、园地、林地、耕地等。参与分类的多个特征量（向量）所定义的空间，称为特征空间，例如2个波段定义的2维特征空间，3个波段定义的3维特征空间等。2.计算机图象分类概念：以区别图象中所含的多个目标物为目的602.计算机图象分类目视解译和计算机图象分类的对比2.计算机图象分类目视解译和计算机图象分类的对比61第一节遥感数字图像的性质与特点第二节遥感数字图像的计算机分类第三节遥感图像多种特征的抽取第四节遥感图像解译专家系统第一节遥感数字图像的性质与特点62第一节数字图像的性质和特点遥感数字图像遥感数字图像是以数字表示的遥感图像,其最基本的单元是像素.像素是成像过程的采样点,也是计算机处理图像的最小单元.像素具有空间特征和属性特征.像素的属性特征采用亮度值来表达.正像素;混合像素第一节数字图像的性质和特点遥感数字图像63第一节数字图像的性质和特点

二、遥感数字图像的特点便于计算机处理与分析图像信息损失少抽象性强第一节数字图像的性质和特点二、遥感数字图像的特点64第一节数字图像的性质和特点三、遥感数字图像的表示方法遥感数字图像是以二维数组来表示的.第一节数字图像的性质和特点三、遥感数字图像的表示方法65第一节数字图像的性质和特点三、遥感数字图像的表示方法遥感图像按照波段数量分为:单波段数字图像:SPOT的全色波段.多波段数字图像:TM的7个波段数据.多波段数字图像的三种数据格式BSQ格式(Bandsequential)BIP格式(Bandinterleavedbypixel)BIL格式(Bandinterleavedbyline)第一节数字图像的性质和特点三、遥感数字图像的表示方法遥感66第一节数字图像的性质和特点四、航空像片的数字化空间采样：将航空像片具有的连续灰度信息转化为每行有m个单元，每列有n个单元的像素组合。属性量化：可得到每个像元的数字模拟量，与航空像片中对应位置上的灰度相对应。第一节数字图像的性质和特点四、航空像片的数字化空间采样：67第二节遥感图像的计算机分类第二节遥感图像的计算机分类68一、分类原理与基本过程遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，距离越小相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。遥感图像计算机分类方法监督分类法：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：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、分类原理与基本过程遥感图像计算机分类的依据是遥感图像像素69一、分类原理与基本过程遥感数字图像计算机分类基本过程根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。根据研究区域，收集与分析地面参考信息与有关数据。根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。找出代表这些类别的统计特征为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。对遥感图像中各像素进行分类。分类精度检查。对判别分析的结果进行统计检验。一、分类原理与基本过程遥感数字图像计算机分类基本过程70二、图像分类方法

1、监督分类2、非监督分类3、监督分类与非监督分类方法比较二、图像分类方法711非监督分类分类标准的确定不需要人的参与，由计算机根据某一标准（例如距离最短）自动进行。需要确定要分几种类别，或者类似的输入条件。分类后的结果，还需要再给出具体的涵义。类似的概念：聚类分析、点群分析、空间集群等。常用的非监督分类方法：1）K-MEANS;2)ISODATA1非监督分类分类标准的确定不需要人的参与，由计算机根据某一721.1K-MEANSSTEP1:任意选择K个聚类中心，一般选前K个样本；STEP2:迭代，未知样本X分到距离最近的类中；STEP3:根据STEP2的结果，重新计算聚类中心；STEP4:每一类的像元数目变化达到要求，算法结束。影响K－均值法的因素：聚类中心数目，初始类中心的选择，样本输入的次序，数据的几何特性等。K-均值算法在数据空间内平均计算各类的均值，使用最小距离法，将未知像元划分到某一类中，再调整均值，直到迭代次数满足，或者距离阈值满足。输入参数:Numberofclass:要分成几类Changethreshold%(0-100):如果每一类的像元数目变化小于此数值，则迭代停止。1.1K-MEANSSTEP1:任意选择K个聚类中心，一731.2ISODATAISODATA迭代自组织数据分析算法（InteractiveSelf-OrganizingDataAnalysisTechnologyAlgorithm,简称ISODATA）在K均值算法的基础上，加入了试探性的步骤，能够吸取中间结果的经验，在迭代的过程中可以进行类别的分离和合并，具有“自组织”性，是目前非监督分类中使用最为广泛的算法。该算法中影响分类结果的参数有：迭代次数、类别数、参加分类的波段数目。输入参数：

最大和最小类别数目，因为算法进行自动的类别分裂和合并，所以不能确定类别的具体数目。

最大迭代次数和每类中像元数量的变化，其中一项满足，则分类结束。如果某一类别中的像元数目不满足Minimum#pixelinclass，则删除该类别，像元归并到最近的一类中。如果某一类的标准差大于Minimumclassstdv，则该类别需要分裂成两个类别。如果来年改革类别的平均距离小于Maximumclassdistance，则该两个类别合并成一类。Maximum#mergeclass定义最多合并多少类别。Maximumstdevfrommean;Maximumdistanceerror.1.2ISODATAISODATA迭代自组织数据分析算法741.2ISODATAN―所要求的类别数I―迭代次数限定值Tn―每类集群中至少应有的点数Tc―集群分裂标准即每类集群所允许的最大标准差Tm―集群合并标准即两灯集群中心间允许的最小距离1.2ISODATAN―所要求的类别数752监督分类2.1

平行管道分类2.2最小距离分类2.3最大似然分类2.4马氏距离分类2.5神经网络分类方法2.6光谱角分类2.7二值编码分类2监督分类762.1平行管道分类使用简单的分类规则进行多光谱遥感图像的分类。决策线在n维光谱空间中是一个平行的管道。管道的直径根据距离平均值的标准差确定。如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。如果落在多个类中，ENVI则将这个像元划分到最后匹配的类别。落不到任何管道中，则标识为未分类像元。输入参数Maxstdevfromthemean,是距离平均值多少个标准差。2.1平行管道分类使用简单的分类规则进行多光谱遥感图像的分772.1平行管道分类2.1平行管道分类782.2最小距离分类计算未知像元距离各个类别均值向量的欧氏距离，将该像元划分到距离最小的类别中。如果没有确定最大的标准差和距离阈值，则所有的像元都会分类。输入参数：Maxstdevfromthemean,是距离平均值多少个标准差。Maxdistanceerror,距离的最大阈值如果两个参数都输入了，ENVI使用其中小的作为最终的判别标准。2.2最小距离分类计算未知像元距离各个类别均值向量的欧氏距792.2最小距离分类2.2最小距离分类802.3最大似然分类假设条件：数据符合多维正态分布。如果不符合，分类的精度也将下降。计算每个像元属于各个类别的似然度（likelihood）,该像元分到似然度最大的类别中。似然度是像元数据X属于类别k的后验概率。如果类别k中X的条件概率为P(x/k),则似然度Lk的计算公式为：2.3最大似然分类假设条件：数据符合多维正态分布。如果不符812.3最大似然分类2.3最大似然分类822.3最大似然分类2.3最大似然分类832.4马氏距离分类这是一个方向敏感的分类器。类似于最大似然分类。区别是假定所有类别的斜方差矩阵是相同的。因此速度比最大似然法要快。2.4马氏距离分类这是一个方向敏感的分类器。类似于最大似然842.5神经网络分类2.5.1概念2.5.2神经元结构2.5.3激励函数2.5.4训练过程2.5.5误差曲线2.5.6神经网络的优缺点2.5神经网络分类2.5.1概念852.5.1人工神经网络概念神经网络法是模拟人脑思维过程的智能推理算法。

影响神经网络的三个要素：神经元（信息处理单元）的特性；神经元之间的相互连接（拓扑结构）为适应环境而改善性能的学习规则2.5.1人工神经网络概念神经网络法是模拟人脑思维过程的智86神经网络方法的原型——生物信息处理神经网络方法的原型——生物信息处理872.5.2神经元结构美国心理学家Mcculloch和数学家Pitts1943年提出的。2.5.2神经元结构美国心理学家Mcculloch和数学882.5.2神经元结构数学表达：2.5.2神经元结构数学表达：892.5.3激励函数1)ThreshHold2）PiecewiseLinear3）Sigmoid4）Hyperbolic5）Logistic2.5.3激励函数1)ThreshHold902.5.4训练过程2.5.4训练过程912.5.4训练过程把输入模式映射到相应分类器，所需知识由权值来体现。最初，给定问题域的权值是未知的，直到找到有用权值之前，神经网络不能解决这个问题。寻找有用权值集合的过程，称为训练（也称为学习过程）。2.5.4训练过程把输入模式映射到相应分类器，所需知识由权92BP学习BP学习932.5.5影响误差曲线的因素除训练样本本身以外；学习率：决定网络的收敛速率。较大的学习率可以使学习的速率加快，但过大的学习率会导致学习过程在稳定状态附近跳跃，反而影响学习的速度。冲量项：加快收敛，并使变化平滑。2.5.5影响误差曲线的因素除训练样本本身以外；942.5.6神经网络方法的优缺点神经网络方法是非线性的，同传统分类方法相比较，它可以处理复杂的数据集，识别精细的模式。神经网络方法能够利用多源数据，将潜在的信息提取出来。多源数据在量纲，单位，数据类型以及数据结构方面的不兼容，以及传统分类方法对数据条件的假设和限制，使得多源数据的综合分析及分类精度受到影响。2.5.6神经网络方法的优缺点神经网络方法是非线性的，同传952.5.6神经网络方法的优缺点目前对神经网络方法的使用效果还没有获得一致认识。有的研究报告精度提高，也有一些研究指出它的分类结果不确定。神经网络的参数设置要经过大量的实验，使之成为一个很难使用的方法。2.5.6神经网络方法的优缺点目前对神经网络方法的使用效果96主要用于进行高光谱数据的分类，传统的方法对于高光谱分类时间开销太大，要么进行特征的选取或者特征选择，要么采用新的分类方法：二值编码方法光谱角分类方法主要用于进行高光谱数据的分类，传统的方法对于高光谱分类时间开97二、图像分类方法3、监督分类与非监督分类方法比较根本区别在于是否利用训练场地来获取先验的类别知识。监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。此为监督分类的不足之处。非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。二、图像分类方法3、监督分类与非监督分类方法比较根本区别在于98三、图像分类中的有关问题1、未充分利用遥感图像提供的多种信息只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类。三、图像分类中的有关问题1、未充分利用遥感图像提供99三、图像分类中的有关问题2、提高遥感图像分类精度受到限制大气状况的影响：吸收、散射。下垫面的影响：下垫面的覆盖类型和起伏状态对分类具有一定的影响。其他因素的影响：云朵覆盖；不同时相的光照条件不同，同一地物的电磁辐射能量不同；地物边界的多样性。三、图像分类中的有关问题2、提高遥感图像分类精度受到限制大气100第三节遥感图像多种特征的抽取一、地物边界跟踪法点状地物与面状地物的边界跟踪线状地物信息检测与跟踪二、形状特征描述与提取地物形状特征的描述地物形态特征的提取第三节遥感图像多种特征的抽取一、地物边界跟踪法101第三节遥感图像多种特征的抽取

三、地物空间关系特征描述与提取不同地物之间的空间关系：方位关系、包含关系、相邻关系、相交关系、相贯关系。空间关系特征提取与描述（1）方位关系的提取（2）包含关系特征提取与描述（3）相邻关系特征抽取（4）相交关系特征抽取（5）相关关系特征的提取第三节遥感图像多种特征的抽取三、地物空间关系特征102第四节遥感图像专家解译系统

专家系统：把某一特定领域的专家知识与经验形式化后输入到计算机中，由计算机模仿专家思考问题与解决问题，是代替专家解决专业问题的技术系统。遥感图像解译专家系统的组成图像处理与特征提取子系统遥感图像解译知识获取子系统遥感图像解译专家系统的机理计算机解译的主要技术发展趋势

第四节遥感图像专家解译系统专家系统：把某一特103第四节遥感图像专家解译系统一、遥感图像解译专家系统的组成1、图像处理与特征提取子系统：包括图像处理、地形图数字化、精纠正、特征提取，结果存贮在遥感数据库内。2、遥感图像解译知识获取系统：获取遥感图像解译