第五章遥感信息提取及应用

章遥感信息提取及应用遥感信息提取地表信息遥感图像信息用户信息多源信息无限多维有限二维选择专题遥感图像信息提取原理空间结构、时间特点化学组分、物理属性成像方式、探测波段投影方式、时空因素大小形状、色调灰阶畸变失真、成图比例大小形状、色调灰阶畸变失真、成图比例增强处理、信息提取逻辑推理、对比分析空间结构、时间特点化学组分、物理属性地表景观成像过程遥感图像遥感图像地表景观目视解译目视解译是遥感成像的逆过程图像遥感图像遥感图像目视解译目的？遥感影像专题信息提取对遥感图像上的各种特征进行综合分析、比较、推理和判断，并提取出感兴趣的信息

特征—能够反映地物光谱信息和空间信息并可用于图像分类处理的变量关键问题选择适当的分类规则，通过分类器把图像数据划分为尽可能符合实际情况的不同类别分类标准按照逻辑准则组织的信息类别正确的分类学定义参考标准:美国规划协会的土地分类标准(LBCS)美国国家植被分类系统遥感信息认知过程遥感影像传输和基本处理模型遥感影像视觉生理认知遥感影像逻辑心理认知影像知识挖掘决策分析记忆联想判断观察接收遥感信息认知中的尺度问题地表信息—多层次结构尺度依赖认知过程--不同的地物实体有不同的最佳提取尺度选择适当的尺度，才能有效、完整地提取信息

遥感信息认知中的对象对象对象遥感信息认知中的判别准则灰度形状纹理辅助信息遥感图像信息提取方法从遥感图像上获取目标地物信息的过程。分为目视解译和计算机解译。目视解译：指专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息的过程。运用专业背景知识，通过肉眼观察，经过综合分析、逻辑推理、验证检查把遥感图像中所包含的地物信息提取和解析出来的过程。遥感图像计算机解译以计算机系统为支撑，利用模式识别技术与人工智能技术，根据遥感图像中目标地物的各种影像特征（颜色、形状、纹理与空间位置），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，实现对遥感图像的理解，完成信息提取的过程。目视判读景物特征和判读标志遥感影像的基本特征？特征的表现方式—判读标志判读标志：地物在图像上的各种特有的表现方式空间特征及其判读标志形状大小图形与边界阴影位置纹理类型综合构图(1)直接解译标志阴影：遥感图像上光束被地物遮挡而产生的地物的影子；有时需去除地形起伏引起的部分阴影。本影和落影(1)直接解译标志形状：地物的轮廓在影像平面的投影。需要根据影像比例尺和分辨率具体分析，注意畸变（雷达、航片边缘）大小：地物的尺寸、面积、体积等按比例缩小的相似记录。根据比例尺在影像上量算.(1)直接解译标志(1)直接解译标志纹理：遥感图像中目标地物内部色调有规则变化造成的影像结构。即地物影像轮廓内的色调变化的空间布局和频率。如点状、粒状、线状、斑状等

粗糙、平滑(1)直接解译标志图型：目标地物有规律的排列而成的图形结构；是综合性解译标志，由形状、大小、色调、纹理等影像特征组合而成。人工地物具有某种特殊的图型。(1)直接解译标志位置：地物分布的地点;地理位置和相对位置。布局：物体间的空间配置。物体间一定的位置关系和排列方式，形成了很多天然和人工目标特点。目视解译要素大小Size根据比例尺推算出地物大小形状Shape人工与非人工地物的区别阴影Shadow利用阴影推算高度色调Tone灰度，反射率从白－黑的密度变化颜色Color颜色的差别有利于地物判读纹理Texture色调配合呈平滑或粗糙程度，草场与针叶林图案Pattern有规律排列形成的图案位置地理背景知识，综合分析目视解译方法和步骤先图外后图内先整体后局部先宏观后微观从已知到未知影像空间的识别要素：初级-灰度与色调二级-大小形状纹理三级-模式高度阴影高级-位置关系计算机图像解译计算机解译方法基于统计的方法和基于规则的方法监督分类和非监督分类硬分类和软分类逐像元分类和面向对象分类遥感影像光谱特征分布特点遥感影像自动解译原理同类地物在相同的条件下（纹理、地形等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息特征或空间信息特征将不同，集群在不同的特征空间区域。

基于光谱特征的分类原理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。遥感分类基本过程根据图像分类目的选取特定区域的遥感影像，考虑空间分辨率、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。根据分类要求和影像的特征，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。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。监督分类和非监督分类监督分类法：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。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。监督分类与非监督分类方法比较非监督分类—动态聚类动态聚类就是在开始时先建立一批初始中心，而让待分类的各个像元依据某些判决准则向初始中心凝聚，然后再逐步修改调整中心，重新分类；并根据各类离散性统计量和两类间可分离性的统计量再进行合并和分裂。此后再修改调整中心，这样不断继续下去，直到分类比较合理为止。监督分类需要事先确定训练场地和选择训练样本，训练样本需要具有一定的代表性考虑到各种地物光谱辐射的复杂性和干扰因素的多样性，需要多考虑一些样本在某一地区建立起来的判别式只能适用于同一地区或地学条件相似的地区监督分类-最小距离分类法距离作为判别准则，根据像点到各类中心的距离来判别分类监督分类--最大似然比分类法基于对象的信息提取面向基元的遥感信息提取方案高空间分辨率影像SAR数据Lidar数据GIS矢量数据多尺度分析光谱、形状、纹理特征库模糊规则库认知基元基元特征的定量化表达模糊逻辑推理信息提取结果决策知识库地物知识库数据层分析层基元层决策层结果层具有相同特征的“同质均一”的单元关键技术1—尺度空间内认知基元构建准确表达认知对象反映不同尺度间的信息联系有效利用多源信息尺度空间内认知基元构建考虑遥感、高程、专题矢量图层等多源信息的构建模型多种约束的基元构建方法保证基元的准确性阈值控制基元所在尺度层次关键技术2--认知基元的尺度表示…邻对象…子对象…父对象关键技术3—认知基元的特征描述关键技术4—基于基元的信息识别结果不理想确定分类特征，选择和编辑隶属度函数，确定模糊逻辑运算方式结束模糊化反模糊化模糊规则处理对每个目标类的每一特征，把对象的特征值带到对应隶属度函数求隶属度根据结合方式计算最终隶属度元组求元组中最大隶属度，如果大于阈值则将对象划分给对应的类，否则不分确定目标类设定分类阈值作操辑逻…目标类2目标类3目标类n目标类1特征1特征2特征3特征m…结果特征元μc1μc2μc3…μc4表示对应目标类中所选择的特征数据输入认知基元模糊分类输出结果基元特征库专家决策知识库面向基元的遥感信息提取流程对象识别规则Level尺度提取目标规则备注248大面积分布，纹理特征明显的类别。

水体：波段2和波段3的比率，以及亮度值。

林地与已开发区域通过波段1的均值进行区分。比率＝当前波段均值/所有波段的均值亮度＝当前波段均值/波段数120小面积成片封闭的类别，与周围环境反差较大的散列类别，中等面积纹理一致，光谱差异小的类别。乡村、水体1、林地1采用继承规则。农田：最小距离分类庄稼地：波段3的比率。乡村路：密度、与较亮对象的相对边界。居民地1：最小距离分类、面积、非相似度纹理沙滩：同质度纹理。继承：利用层次之间父子对象的关系，进行分类信息的传递。密度描述对象形状接近矩形的程度。与较亮对象的相对边界＝与较亮对象的公共边长/当前对象的总边长。图像分类中的相关问题图像分类中的有关问题—训练样本用于监督分类地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。

图像分类中的有关问题—训练样本尽可能地利用一些已知的有用资料，来确定训练场地和训练样本。在使用各种图件资料时应注意以下两个方面：（1）各种图件的成图日期要尽可能地接近图像成像日期,以保证地物类别分类准确。（2）空间。要考虑到每一种地物类型随空间变化发生光谱特征变化的可能性，选择训练场地应当能够反映这种变化。在监督分类中由于训练场地是人为选取的，可能不包括所有的自然地物类别，因而分类后留下无类可归的像元。对于这种情况，有两种解决方法：一是将无类可归的像元组成一个未知类；二是按最近距离原则划归到各个已知类中。图像分类中的有关问题—地形因素地形因素不仅会造成几何畸变，而且还会影响其亮度值。如同类地物由于所处山坡位置的不同，其阴坡和阳坡的光谱特性就有很大的差异，即同物异谱；如不同的地物由于地形的影响而具有相同的光谱特性，即同谱异物。利用图像增强的多波段图像的比值处理来减弱地形的影响，但其比值图像并不能彻底消除地形的影响，而且当地形起伏太大时比值处理受到限制。

图像分类中的有关问题—地形因素地形因素的影响不能通过选择训练样本的方法来解决，因为这样简单的选取训练样本不仅总体服从多元正态分布的前提不易满足，而且同类样本的离散程度大大

增加，从而导致分类精度下降。采用“同类多组法”来选取训练样本，即同类地物根据光谱特征的不同，可以选取一组以上训练样本，并规定类与组的明确概念。在对图像进行分类时，应首先进行分组，然后再根据所属的类别进行合并。

图像分类中的有关问题—混合像元像元除了有一定的波谱参量外，还表征了地物的空间分布即具有一定的面积。如果一个像元内仅包含一种地物，则称这个像元为典型像元（纯像元）；如果一个像元内包含几种地物，则称该像元为混合像元。由于大面积分布的混合像元对遥感图像的计算和分类的影响较大，为此已有研究人员提出了一些混合像元分解的方法，目前进行混合像元分解的方法主要归纳为两类：一是线性关系分解法，其依据是像元亮度的线性可加性；二是模糊分解法。

图像分类中的有关问题—特征向量选取的特征变量应有这样的性质，即对于不同类别的模式，特征量值相差较大；而对于同类模式，则应有大体接近或相同的特征值。对于某一类模式而言，特征量及特征值应能充分地表明该模式属于该类而不属于其它类别地主要根据。各特征量之间互不相关或相关性很小，即各特征量所表示的模式类别的性质互不重复或不能互相导出。图像分类中的有关问题—特征向量遥感图像分类的原始特征变量就是波段图像的波段变量本身，它们是分类的主要依据，这些波段图像可经过一些变换（如比值变换、差值处理和K-L变换等）获得一系列新的特征变量，同时还可以加入与图像网格坐标相一致的其它非遥感变量，这些变量与原始特征变量组成了一个维数很高的特征变量空间。特征向量维数太大，既会增加分类算法的复杂性和计算工作量，又会造成更多的混淆和不确定性。因此在特征变量数目较多的情况下，进行分类之前，需从多维特征变量中进行选择，取得具有良好分类效果的维数较少的几个特征变量图像分类中的有关问题—后处理在遥感图像分类中，由于混合像元的存在以及分类算法是针对每个像元单独进行的，结果在分类图像中会出现一大片同类地物中夹杂着散点分布的异类地物的不一致现象，它们在分类图像上表现为噪声。为克服这种与实际情况不相符合、也不满足分类要求的情形，可通过平滑处