第7章遥感数字图像的计算机解译

2023年10月15日面向二十一世纪课程教材遥感导论电子教案制作人：贾维花第7章遥感图像计算机解译概念7.1遥感数字图像的性质与特点7.2遥感数字图像的计算机分类7.3遥感图像多种特征的抽取7.4遥感图像解译专家系统遥感数字图像计算机解译以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。像元属性特征空间特征空间分辨率亮度值数字图像构成单元特点表示方法多波段数据格式1.便于计算机处理与分析2.图像信息损失低3.抽象性强，便于建模。二维数组或矩阵BSQ(Bandsequential)BIP(Bandinterleavedbypixel)BIL(Bandinterleavedbyline)HDF格式(见P190~191)返回正像素混合像素7.2遥感数字图像的计算机分类1分类的原理2分类的一般过程3图像分类的方法4图像分类的有关问题（见P201～202）5分类精度评价返回

波段：1234同类地物集聚性同类地物集聚性统计模式识别像素的相似度统计特征变量分类依据分类原理图像中的某一类地物称为模式。属于该类中的像素称为样本。X=(x1,x2,…xk)T称为样本的观测值。利用判别函数与判别准则作出决策，从而对数字图像予以识别地物的光谱特征以及对图像进行处理后的特征变量，根据其像元的相似度

全局统计特征变量局部统计特征变量特征空间中的距离特征空间相似系数绝对距离欧氏距离马氏距离混合距离特征提取特征空间中的距离返回计算机分类处理的一般过程原始图像的预处理训练区的选择特征选择、特征提取分类运算结果检验成果输出返回分类过程见P(195~196)监督分类非监督分类分类方法最小距离分类法

多级切割分类法

特征曲线窗口法最大似然比分类法分级集群法（HierarchicalClustering)动态聚类法（ISODATA)最小距离判别法最近邻域分类法返回监督分类(SupervisedClassification)监督分类是用已知类别的样本（已经被分到某一信息类别的像元）对未知类别的像元进行分类的过程。训练数据训练数据选择的重要性

监督分类优点分析人员可以控制适用于研究需要和区域地理特征的信息类别。可控制训练样区和训练样本的选择。分析人员运用监督分类不必担心光谱类别和信息类别的匹配问题。通过检验训练样本数据可确定分类是否正确，估算监督分类中的误差。避免了非监督分类中对光谱集群类别的重新归类。

监督分类缺点

分类体系和训练样区的选择有主观因素的影响。训练样区的代表性问题。有时训练样区的选择很困难。只能识别训练样本所定义的类别，对于某些未被分析人员定义的类别则不能识别，容易造成类别的遗漏。2训练样区的选择原则（1）像元的数量（2）训练样区的大小

由许多像元组成的训练样区依据信息类别的光谱特征进行采样。图中的阴影区域表示训练样区用来估计每种类别的光谱特征。这些信息是对训练样区外像元进行分类的基础。

（3）训练样区的形状（4）训练样区的位置（5）训练样区的数量（6）训练样区的放置（7）训练样区的均质性左边训练数据的直方图只有一个峰，所以它表示训练样区是均质的，这样的训练数据就适合影像的分类。右边的直方图有两个峰，从而表示训练数据是非均质的，因此这样的训练数据不适合影响分类，必须被舍弃或进行改进。训练数据选择的一般步骤（1）收集信息，包括分类地区的地图和航片等。（2）进行野外调查获取研究区域的第一手信息。（3）设计野外调查路线和内容。（4）分类数字影像预分析。（5）找出潜在的训练样区。（6）定位和绘制训练样区。（7）检查每个训练样区的各波段频率直方图。（8）调整和去除双峰频率分布。（9）合并训练数据信息并用于分类程序，进行计算机监督分类过程。返回

监督分类的方法（1）平行算法分类（2）最小距离分类（3）ISODATA算法分类（4）最大似然法分类（5）贝叶斯法分类（6）ECHO分类法平行算法分类

这种分类方法简单、直接、实用

根据训练样本的亮度值范围在多维数据空间中形成的盒子（矩形）作为分类决策依据。最小距离法分类

利用训练数据各波段的光谱均值，根据像元离各训练样本平均值距离的大小，将像元划分到距离最短的信息类别中

最小距离分类法的概念和处理都很简洁，但在遥感图像分类中使用并不广泛ISODATA算法分类

选择初始的类别平均估值，这些值可以从训练数据中获得，类似于监督分类。在多维数据空间中，依据像元距训练样本类别中心（平均值）最短距离划分像元的类别。根据第2步的像元分类结果，重新计算每种类别的平均值。如果第2步和第3步产生的类别平均值相同或相近，第3步的结果就代表了分类结果。如果第2步和第3步产生的类别平均值不同，这个过程就返回到第2步重复进行计算和判断，直到类别的新中心点位置和其前一次的位置相同或相近，分类才结束。ISODATA兼备监督分类和非监督分类特点，属于“混合”的分类技术。算法步骤：最大似然法

据训练样本的均值和方差，通过概率评价待分类像元与训练样本之间的相似性，依此对像元进行分类。

最大似然法可以同时定量地考虑二个以上的波段和类别，是一种应用广泛而且有效的分类技术。

图中是两个训练样区的频率分布。其中重叠的区域表示两种类别共有的像元值。重叠区域内的像元值和每种类别频率分布之间的关联程度是决定像元属于何种类别的基础。贝叶斯法分类

通过计算变量属于各类的概率，将该变量归为概率最大的一组。

当类别在光谱数据空间中不容易区分的或是重叠时，运用贝叶斯定理进行分类效果特别好。

ECHO法分类

ECHO法，是针对均质目标的提取和分类法。执行监督分类的一般步骤（1）确定分类的类别列表。（2）选择和确定训练数据。（3）修改类别和训练样区，确保训练数据的均质性。（4）实施分类。（5）评估分类效果。返回非监督分类概念：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（将相似度大的像元归为一类）的方法。采用的聚类分析的方法。主要过程：1.确定初始类别参数，即确定初始类别数和类别中心（集群中心）。2.计算每个像元所对应的特征矢量与各集群中心的距离。3.选与中心距离最短的类别作为这一矢量的所属类别。4.计算新的类别均值向量。5.比较新的类别均值与原中心位置上的变化。若位置发生了改变，则以新的类别均值作为聚类中心，再从第二步开始重复，进行反复迭代操作。6.如果聚类中心不再变化，计算停止。非监督分类特点优点:非监督分类不需要预先对所要分类的区域有广泛的了解。人为误差的机率很小。面积很小的独立地物均能被识别。缺点:

非监督分类形成的光谱类别并不一定与信息类别对应。分析人员很难控制分类产生的类别并进行识别。光谱类别的解译识别工作量大而复杂。返回其他分类方法纹理分类分层分类策略模糊分类人工神经网络分类不同分类方法的精度差异分类算法选择要考虑方便、实用、运算速度与精度的权衡没有哪个分类器对所有的分类结果都是最好的，需要考虑地面类别与分类器的最佳组合模式。分类中应用的辅助数据辅助数据是指以非遥感方式获得的辅助影像分类或遥感影像分析的数据。辅助数据有两方面的应用：一是作为单独的图层；二是分层分类。图像分类的有关问题未充分利用遥感图像提供的多种信息提高遥感图像分类精度受到限制大气状况影响下垫面的影响其他因素的影响返回分类精度的评价精度的概念和意义分类误差的来源误差特征精度评价方法误差矩阵的应用返回§1精度的概念和意义概念

精度是指“正确性”，即一幅不知道其质量的图像和一幅假设准确的图像（参考图）之间的吻合度。意义

遥感数据分类的精度直接影响由遥感数据生成的地图和报告的正确性、将这些数据应用于土地管理的价值、以及用于科学研究的有效性。返回分类误差的来源主要是由同物异谱和同谱异物、混合像元以及不合理的预处理等因素引起

混合像元值可能不同于任何一种类别的光谱值，而被误分到其它类别遥感图像的预处理中进行的辐射和几何校正可能对后续分类引入某些误差地面景观特征也是误差的重要来源返回误差类型和特征主要有两种类型

分类误差的特征

位置误差分类误差误差并非随机分布在影像上，而是显示出空间上的系统性和规则性。一般来说，错分像元在空间上并不是单独出现的，而是按照一定的形状和分布位置成群出现。误差与他们属于的地块有着明确的空间关系，如他们倾向于出现在边缘或地块内部。返回精度评价方法

精度评价就是进行两幅地图的比较，其中一幅是基于遥感数据的分类图，也就是需要评价的图，另一幅是假设精确的参考图，作为比较的标准。主要评价方法面积精度评价法位置精度评价法误差矩阵评价法1面积精度评价法比较两幅图上每种类别的面积差异，用