遥感数字图像计算机解译

遥感数字图像计算机解译第一页，共四十四页，2022年，8月28日1I遥感数字图像的性质与特点II遥感数字图像的计算机分类第二页，共四十四页，2022年，8月28日2遥感数字图像的性质与特点遥感数字图像:以数字形式表现的遥感影像。第三页，共四十四页，2022年，8月28日3遥感数字图像的性质与特点遥感数字图像:基本单位为像素（像元），是成像过程的采样点，也是计算机图像处理的最小单元。

空间特征属性特征正像素混合像素遥感数字图像的特点：1）便于计算机处理与分析2）图像信息损失低3）抽象性强第四页，共四十四页，2022年，8月28日4遥感数字图像的性质与特点遥感数字图像的类型：1）二值数字图像2）单波段数字图像3）多波段数字图像遥感数字图像的存贮：1）BSQ（Bandsequential）2）BIP（Bandinterleavedbypixel）3）BIL（Bandinterleavedbyline）第五页，共四十四页，2022年，8月28日5遥感数字图像的性质与特点光学影像——遥感数字图像的转化1）空间采样：确定采样间距。对应扫描仪的光学分辨率，如300dpi2）属性量化：8位，24位第六页，共四十四页，2022年，8月28日6I.遥感数字图像的性质与特点II.遥感数字图像的计算机分类遥感图像计算机分类基本目标:

将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。第七页，共四十四页，2022年，8月28日7遥感专题信息提取的概念：日本遥感学会：利用图像的光谱信息，空间信息以及多时相信息对目标进行识别并归类，并将可从遥感图像中提取的信息分为五类。遥感数字图像的计算机分类第八页，共四十四页，2022年，8月28日8遥感数字图像的计算机分类计算机分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。如土地覆盖/土地利用分类、森林类型分类、植被类型岩性分类、……分类、数据--信息（遥感数据---地物信息）遥感数据包括：1、原始光谱数据；2、光谱变换后数据；3、非遥感数据第九页，共四十四页，2022年，8月28日9遥感数字图像的计算机分类模式（pattern）:在多波段图像中，每个象元都具有一组对应取值，称为象元模式特征（feature）：在多波段图像中，每个波段都可看作一个变量，称为特征变量。特征变量构成特征空间。波段：光谱波段其它派生波段（纹理、上下文关系、波段比等）辅助数据(ancillarydata)(非遥感数据，如DEM、土壤类型)特征提取(featureextraction)：通过变换找出最能反映地物类别差异的特征变量用于分类的过程，也即从遥感图像n个特征中选取k个特征作为分类依据的过程。特征提取要求所选择的特征相对于其他特征更便于有效地分类，使图像分类不必在高维特征空间里进行，其变量的选择需要根据经验和反复的实验来确定。第十页，共四十四页，2022年，8月28日10遥感数字图像的计算机分类遥感图像分类的基本原理：不同的地物具有不同的光谱特征，同类地物具有相同或相似的光谱特征。图像分类：基于数字图像中反映的同类地物的光谱相似性和异类地物的光谱差异性。依据是遥感图像像素的相似度。距离相关系数在遥感图像常用距离和相关系数衡量相似度。第十一页，共四十四页，2022年，8月28日11常用的距离和有关统计量欧氏距离:N,波段数;dij第个i像元与第j个像元在N维空间中的距离;xik为第个k波段上第i个像元的灰度值;绝对距离:明斯基距离:欧氏距离和绝对距离可统一表示为:第十二页，共四十四页，2022年，8月28日12常用的距离和有关统计量马氏距离(Mahalanobis):相似系数:相关系数:其中,为两个矢量间的夹角第十三页，共四十四页，2022年，8月28日13遥感影像的光谱特征统计量像元值--影像中像元的灰度值，反映对应区域的光谱特性灰度均值－反映图像中地物的平均反射强度灰度中值－灰度级中处于中间的值，是灰度级的统计量，而非像元值灰度众数－出现次数最多的像元值，反映分布较广的地物灰度方差－反映信息量大小灰度数值域－灰度值变化范围，信息量大小灰度反差－显示效果和可分辨率第十四页，共四十四页，2022年，8月28日14遥感数字图像计算机分类基本过程：1.根据应用目的选取特定区域的遥感数字图像。2.根据研究区域，收集与分析地面参考信息与有关数据。3.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，确定分类类别。4.找出代表上述类别的统计特征。5.测定总体特征6.对遥感图像中所有像素进行分类。7.分类精度检查8.对判别分析的结果进行统计检验。第十五页，共四十四页，2022年，8月28日15遥感数字图像的计算机分类遥感数字图像的分类方法分类（classification）执行方式：监督分类、非监督分类分类模型或分类器：

统计分类、模糊分类、邻域分类、神经网络分类等。第十六页，共四十四页，2022年，8月28日16分类方法：监督分类（supervisedclassification）：通过选择代表各类别的已知样本（训练区）的象元光谱特征，事先取得个类别的参数，确定判别函数，从而进行分类。在监督分类中，先定义信息类，然后检验它们的光谱可分性。遥感数字图像的计算机分类第十七页，共四十四页，2022年，8月28日17

非监督分类(unsupervisedclassification)：根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别主要采用聚类法，使同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。

在非监督分类中，先确定光谱可分的类别，然后定义它们的信息类。遥感数字图像的计算机分类第十八页，共四十四页，2022年，8月28日184-3-2假彩色合成图像非监督分类(聚类)结果:15个光谱类非监督分类遥感数字图像的计算机分类第十九页，共四十四页，2022年，8月28日19非监督分类1.4-3-2假彩色合成图像(香港九龙);2.聚类结果(10类)遥感数字图像的计算机分类第二十页，共四十四页，2022年，8月28日20非监督分类3.聚类结果合并(5类);4.最终结果(类别颜色改变)遥感数字图像的计算机分类第二十一页，共四十四页，2022年，8月28日21训练区：已知覆盖类型的代表样区用于描述主要特征类型的光谱属性其精度直接影响分类结果检验区：用于评价分类精度的代表样区监督分类遥感数字图像的计算机分类第二十二页，共四十四页，2022年，8月28日22训练区的选择遥感数字图像的计算机分类用于监督分类的训练场地应该是光谱特征比较均一的地区，一般在图像显示中根据均一的色调估计只有一类地物，而且一类地物的训练场地可选取一块以上。训练样本的数目至少要能满足建立分类用判别函数的要求，以克服各种偶然因素的影响，而对于光谱特征变化较大的地物，训练样本的数目要更多一些，以反映其变化范围。一般情况下，要得出可靠的统计数据，每类至少要有10～100个训练样本数据。第二十三页，共四十四页，2022年，8月28日23分类结果第二十四页，共四十四页，2022年，8月28日24分类过程分类预处理：大气校正、几何校正与配准特征选择(提取)分类（监督分类训练区的选择）分类后处理，包括精度评价专题图制作遥感数字图像的计算机分类第二十五页，共四十四页，2022年，8月28日25原始图像分类图像第二十六页，共四十四页，2022年，8月28日26最终结果：专题制图第二十七页，共四十四页，2022年，8月28日27问题（光谱分类）：同物异谱：同类地物具有不同的光谱特征同谱异物：不同的地物可能具有相似的光谱特征。如：同一作物，生长状态不同，光谱特征有差异；不同的植被类型可能有相似的光谱特征。遥感数字图像的计算机分类第二十八页，共四十四页，2022年，8月28日28长满藻类并含有不同浓度悬浮物的水体（0-500mg/l）的光谱曲线清水和长满藻类的水体的实测光谱曲线叶绿素a在400与500nm间和675nm处的强烈吸收水体光谱特征的变化：同物异谱第二十九页，共四十四页，2022年，8月28日29问题：光谱类和信息类不对应光谱类（spectralclass）：基于光谱特征形成的类别如房屋的阳面和阴面光谱特征不同，不同的光谱类信息类(informationclass)：根据实际需要待分的类别人为的划分，如城市类由道路、建筑物、水体、绿地等不同地物组成，不同地物光谱特征不同。砖场：烟囱（窑）、取土坑、堆砖处、房屋等遥感数字图像的计算机分类第三十页，共四十四页，2022年，8月28日30遥感数字图像的计算机分类监督分类中常用的具体方法：

1)、最小距离分类法2)、多级切割分类法3)、特征曲线窗口法4)、最大似然比分类法第三十一页，共四十四页，2022年，8月28日31遥感数字图像的计算机分类1)、最小距离分类法（minimumdistanceclassifier）一种相对简化了的分类方法。假设N维空间存在M个类别，某一像元距哪类距离最小，则判归该类。通过训练样本事先确定类别数、类别中心，然后进行分类。分类的精度取决于训练样本的准确与否。第三十二页，共四十四页，2022年，8月28日32遥感数字图像的计算机分类2)、多级切割分类法（multi-levelsliceclassifier）在各特征轴上设置一系列分割点。将多维特征空间划分成分别对应不同分类类别的互不重叠的特征子空间。第三十三页，共四十四页，2022年，8月28日333)、特征曲线窗口法特征曲线：地物光谱特征参数构成的曲线。以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口范围内的地物即被认为是一类，反之则不属于该类。特征曲线窗口法分类的依据是：相同地物在相同地域环境及成像条件下，特征曲线相同或相近，而不同地物的特征曲线差别明显。

特征曲线选取方法:地物吸收特征曲线，地物亮度值特征曲线等。窗口选择:根据地物的特征参数上、下限值构造,如地物光谱曲线反射峰、谷的宽度和峰值的高度。遥感数字图像的计算机分类第三十四页，共四十四页，2022年，8月28日34遥感数字图像的计算机分类4)、最大似然比分类法（maximumlikelihoodclassifier）求出每个像素对于各类别的归属概率(似然度likelihood)，把该像素分到归属概率最大的类别中去。建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类，是应用比较广泛、比较成熟的一种监督分类方法。

同类地物在特征空间中形成一个从属与某种概率分布的集群(类别)X落入(归属)类别k的条件概率为P(kx)---概率判别函数X落入(归属)条件概率最大的类别,定为X的类别---贝叶斯判别规则第三十五页，共四十四页，2022年，8月28日35遥感数字图像的计算机分类4)、最大似然比分类法第三十六页，共四十四页，2022年，8月28日36遥感数字图像的计算机分类训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获取的信息的价值用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中光谱类别的所有组成。代表性、完整性分布：多个样区第三十七页，共四十四页，2022年，8月28日37非监督分类的常用方法遥感数字图像的计算机分类1)、分级集群法2)、动态聚类法（ISODATA）非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别----“物以类聚”。目的:属于同一类别的像素之间的距离尽可能小,而不同类别上的像素间的距离尽可能大。第三十八页，共四十四页，2022年，8月28日381）非监督分类--分级集群法：

不同地物的辐射特性不同，在直方图上会出现很多峰值及其对应的一些灰度值，在图像上对应的像元分别倾向于聚集在各自不同灰度空间形成的很多点群，这些点群叫做集群。分级集群法采用“距离”评价每个像元在空间分布的相似程度，把它们的分布分割或者合并成不同的集群。每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。分级集群方法的特点：归并的过程是分级进行的，在迭代过程中没有调整类别总数。如果一个像元被归入到某一类后，就排除了它再被归入到其他分支类别中的可能性，可能导致对一个像元的操作次序不同，会得到不同的分类结果的缺点。遥感数字图像的计算机分类第三十九页，共四十四页，2022年，8月28日39遥感数字图像的计算机分类2）、非监督分类--最常用的方法:

迭代自组织数据分析技术（ISODATA，IteractiveSelf-OrganizingDataAnalysisTechnique）在初始设定基础上，在分类过程中根据一定原则不断重新计算类别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条件,分类完毕.1.确定最初类别数和类别中心;2.计算每个像元与各初始聚类中心的距离;3.选与其中心距离最近的类别作为这一像元的所属类别;4.计算新的类别均值向量;5.比较新的类