遥感数字图像的计算机解译

第四章遥感数字图像的计算机解译本章要点遥感数字图像的性质与特点遥感数字图像的自动分类遥感图像多种特征的抽取遥感图像解译开展趋势1§1、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,其最根本的单元是像素.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2§1、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3§1、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.4§1、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)5§1、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。6§2、遥感图像的计算机分类7一、分类原理与根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。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。8一、分类原理与根本过程遥感数字图像计算机分类根本过程〔1〕收集有关分类区的信息，包括地图、航空像片或实地资料等，以了解该区主要的分类类别及分布状况;〔2〕对图像进行检查，对照已有的参考数据或者实地考察经验，评价图像质量，检查其直方图，决定是否需要别的预处理，如地形纠正、配准等，并确定其分类系统；〔3〕在图像上对每一类别按照前面提到的标准选择训练样本，训练样本必须是容易识别的，均匀分布于全图；9〔4〕对每一类别的训练样本，显示和检查其直方图，计算和检查其均值、方差、协方差矩阵，以及其对应的特征空间相关波谱椭圆形图和不同的指示其别离度的统计指数等，从而评估其训练样本的有效性；〔5〕根据上面〔4〕中的检查和评估，修改训练样本，必要时可重新选择和评估训练样本；〔6〕将训练样本的信息运用于适宜的分类过程中。10二、图像分类方法1、监督分类〔1〕、最小距离分类法Step2–foreachunclassifiedpixel,calculatethedistancetoaverageforeachtrainingarea11二、图像分类方法1、监督分类〔1〕、最小距离分类法最近邻域分类法NearestNeighbour。DefinesatypicalpixelforeachclassAssignspixelsonthebasisofspectraldistanceCanseparatediverseclassesBoundaryproblemsremainunresolved12二、图像分类方法1、监督分类〔2〕、多级切割分类法通过设定在各轴上的一系列分割点，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字空间的分类方法。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征字空间中。13二、图像分类方法1、监督分类〔3〕、特征曲线窗口分类法特征曲线是地物光谱特征曲线参数构成的曲线。以特征曲线为中心取一个条带，构造一个窗口，但凡落在此窗口内的地物即被认为是一类，反之，那么不属于该类。14二、图像分类方法1、监督分类〔4〕、最大似然比分类法(MaximumLikelihood)通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。假定训练区地物的光谱特征和自然界大局部随机现象一样，近似服从正态分布。15二、图像分类方法1、监督分类〔4〕、最大似然比分类法(MaximumLikelihood)16二、图像分类方法1、监督分类〔4〕、最大似然比分类法(MaximumLikelihood)17二、图像分类方法1、监督分类〔4〕、最大似然比分类法(MaximumLikelihood)183．监督分类的优缺点监督分类的主要优点：〔1〕可根据应用目的和区域，有选择地决定分类类别，防止出现一些不必要的类别；〔2〕可控制训练样本的选择；〔3〕可通过检查训练样本来决定训练样本是否被精确分类，从而能防止分类中的严重错误；〔4〕防止了非监督分类中对光谱集群组的重新归类。19监督分类的缺点1〕人为主观因素较强，分析者定义的类别也许并不是图像中存在的自然类别，分析者所选择的训练样本也可能并不代表图像中的真实情形；〔2〕由于图像中同一类别的光谱差异，如同一森林类，由于森林密度、年龄、阴影等的差异，其森林类的内部方差大，造成训练样本并没有很好的代表性；〔3〕训练样本的选取和评估需花费较多的人力、时间；〔4〕只能识别训练样本中所定义的类别，假设某类别由于训练者不知道或者其数量太少未被定义，那么监督分类不能识别。20二、图像分类方法2、非监督分类〔1〕、分级集群法确定评价各样本相似程度所采用的指标初定分类总数；计算样本间的距离，据距离最近的原那么判定样本归并到不同类别；归并后的类别作为新类，与剩余的类别重新组合，然后再计算并改正其距离。分级集群方法的特点是分级进行的，可能导致对一个像元的操作次序不同，得到不同的分类结果。这是该方法的缺点。

21二、图像分类方法2、非监督分类〔2〕、动态聚类法在初始状态给出图像粗糙的分类，然后基于一定原那么在类别间重新组合样本，直到分类比较合理为止。221．ISODATA算法ISODATA需要分析者定义：〔1〕最大的集群组数量Cmax〔如40个〕，通常这个数量都应该比最后的分类图中的类别多；〔2〕在循环中，最大的类别不变的像元百分比。当到达这个百分比时，ISODATA算法停止。但对有些图像，这个百分比可能永远也达不到，因此需要其他参数来中断这个计算；〔3〕最长的时间，当ISODATA算法执行的时间到达这个指定的最大值，不管其〔2〕中的像元百分比是否到达，ISODATA算法即中断；〔4〕每个集群串中最小的像元数量、最大的标准方差；〔5〕最小的集群均值间距离，如果两个之间的距离小于这个值，那么这两个组合并；〔6〕集群分散值，这个值通常为0。23ISODATA算法是个循环过程，其初始的集群组是随机地在整幅图像的特征空间选择Cmax。其根本的步骤为：①初始随机地选择Cmax中心；②计算其他像元离这些中心的距离，按照最小距离规那么划分到其对应的集群中；③重新计算每个集群的均值，按照前面定义的参数合并或分开集群组；④重复②和③，直到其到达最大不变像元百分比，或者最长支转时间。1．ISODATA算法24非监督分类的优点〔1〕非监督分类不需要预先对所要分类的区域有广泛的了解和熟悉。〔2〕人为误差的时机减少。非监督分类只需要定义几个预先的参数，如集群组的数量，最大最小像元数量等，因此大大减少了人为误差。因此非监督分类产生的类别比监督分类所产生的更均质。〔3〕独特的、覆盖量小的类别均能够被识别，而不会像监督分类那样被分析者的失误所丧失。25非监督分类的主要缺点〔1〕非监督分类产生的光谱集群组并不一定对应于分析者想要的类别。〔2〕分析者较难对产生的类别进行控制。〔3〕图像中各类别的光谱特征会随时间、地形等变化，不同图像以及