遥感数字图像计算机解译

遥感数字图像计算机解译

四

川

雅

安

市

雨

城

区

植

被

覆

盖

解

译

图

(

1

-

1

。

0

。

0

0

)

川

10284102.88102.92102.9610300103.0410308103.1210316103.20

遥感数字影像的计算机分类

0基本概念

数字遥感影像计算机分类

＞模式

模式识别

统计模式识别

遥感影像的统计模式识别

。基本过程

。分类方法

监督分类

＞非监督分类

监督分类与非监督分类方法比较

O影像分类的有关问题

遥感数字图像计算机解译的涵义

遥感数字图像计算机解译是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

息的智能化获取的过程。其基本目标是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解译。

由于利用遥感图像能够快速、真实、客观地获取地球表

层信息，因此，利用计算机进行遥感图像智能化解译，快速

获取地表不同专题信息，并利用这些专题信息迅速地更新地

理数据库，是实现遥感图像自动解译的基础研究，具有重要

的理论意义和应用前景。

主要内容

1遥感数字图像的性质和特点

2遥感数字图像的计算机分类（重点，难点）

3遥感数字图像多种特征的抽取（了解）

4遥感图像解译专家系统（了解概念）

1遥感数字图像的性质和特点

1.1遥感数字图像

1.2遥感数字图像的表示方法

1.3遥感像片的数字化

1.1遥感数字图像

。遥感数字图像是以数字形式表示的遥感影像。遥感数字图

像最基本的单位是像素。像素是成像过程中的采样点，也

是计算机图像处理的最小单元。像素具有空间特征和属性

特征。

。空间特征：由于传感器从空间观测地球表面，因此每个像

素含有特定的地理位置的信息，并表征一定的面积；每个

像素所对应的地表面积就是该图像的地面分辨率，也叫空

间分辨率。

。属性特征：即每个像素上的灰度值，它是由传感器所探测

到的地面目标地物的电磁辐射强度决定的。例如256级灰度

或彩色。这个级数称为有效量化级数。

造感数字图像的有效量化级教

传感器上的探测元件的灵敏度直接影响图像的有效

量化的级数。不同的传感器提供的有效量化级数不同。

表6.1常用的遥感数字图像有效・化级数表

传感器类型卫星名称有效量化的级数信息量/bit

MSSLandsat646

TMLandsat25618

HRV(xs)S|>ot2568

HRV(PA)Spot646

AVHRRNOAA]024[10

逡感数字图像的特点

O遥感数字图像的特点

A便于计算机处理与分析：计算机是以二进制方式处理各

种数据的，而遥感数字图像正是以二进制数字形式存储

的，所以非常适合计算机处理。

A图像信息损失低：遥感数字图像是以二进制形式表示，

所以在获取、传输和分发过程中，不会因长期存储而损

失信息，也不会因多次复制和传输而产生图像的失真。

A抽象性强：以数字形式表示，便于建立分析模型，进行

计算机解译和运用遥感图像专家系统。

1.2遥感数字图像的表示方法

遥感数字图像在具体存储和表达时，采用二维数组的形式，

在数组中，每个元素代表一个像素，像素的坐标位置由这个

元素在数组中的的行列位置所决定。元素的值表示传感器探

测到像素对应面积上的目标地物的电磁辐射强度。

一幅（单波段）遥感数字图像可表示如下：

F-七，y）,£=1,2,3,…j=1,2,3「一，荏（6.2）

式中，£代表行号；

，代表列号；

/（与，$）值代表像素在（耳，》）上目标地物的电磁辐射强度值，其物理意

义需根据测量目标地物的传感器使用的波段来判断口

造感数字图像的类型

按照图像波段数量来分，遥感数字图像可分为以下几

种，不同类型的数字图像也就对应不同的表示方法：

。二值数字图像

。单波段数字图像

。彩色数字图像

。多波段数字图像

二值数字图像

O二值数字图像（黑白图像）

A数组中的要素由0和1构成，即图像中每个像素由0

和工构成，代表图像上的灰度值只有两个值，即0和

1,在计算机屏幕上表示为黑白图像。二值图像一

般在图像处理过程中作为中间结果产生，例如在存

储图像时采用二值图像的格式来存储，每个像素采

用一位（bit）来表示，相邻8个像素的信息记录在

一个字节中，这样可节省存储空间

斗

单波段数学图像

。单波段数字图像

A指在某一波段范围内工作的传感器获取的遥感数字

图像。如SPOT卫星提供的10米分辨率的全色波段

遥感图像，还有Landsat7卫星的全色8波段。每个

像素采用工个字节来记录地物亮度值信息，一般采

用256级灰度。

彩色数字图像

。彩色数字图像

A由红、绿、蓝三个数字层构成的图像。在每一个数

字层中，每个像素用工字节记录地物亮度值，数值

范围一般介于0〜255。每个数字层的行列数取决

于图像的尺寸或数字化过程中采用的光学分辨率。

三层数据共同显示即为彩色图像。

多波段数学图像

。多波段数字图像的存储与分发，通常采用三种数

据格式：

BSQ(Bandsequential):是一种按照波段顺序依次排

列的数据格式，其图像数据格式为：图1

BIP(Bandinterleavedbypixel)数据格式：每个像元

按照波段次序交叉排列，其图像数据格式为：图2

BIL(Bandinterleavedbyline)数据格式：逐行按波

段次序排列的格式，其数据格式为：图3

表6.2BSQ数据排列表

第一波段(1,1)(L2)(1,3)(1,4)(1,5)(1,6)

(2J)(2.2)(2,3)(2.4)(2,5)夕.6)

第二波段(1,1)(1,2)(1,3)(1,4)(1,5)(1,6)

(2,1)(2,2)(2,3)(2,4)(2,5)(2,6)

第三波段(1,1)(1,2)(1,3)(1,4)(1,5)(1,6)

(2,1)(2,2)(2,3)(2,4)(2,5)(2,6)

第丹波段(M)(L2)(1,3)(1,4)(1,5)(1,6)

(2,1)(2.2)(2,3)(2,4)(2,5)(2,6)

在BSQ数据格式中，数据排列遵循：

第一波段排第一位，第二波段排第二位，第n波段排第n位。

在第一波段中，数据依据行号顺序依次排列，每一行内，数据按像素号顺

序排列。

在第一波段中，数据依然按行号顺序依次排列，每一行内，数据按像

素号顺序排列。其余波段依次类推。

表6.3BIP数据排列表

第一波段第二波段第三波段…第”波段第一波段第二波段

第一行(1,1)(1,1)(I」)…31)(1,2)(1,2)

第一行(2,1)(2,1)(2,1)…(2,1)(2,2)(2,2)

第N行(Hr1)(nJ)(nJ)(7i,l)(nr2)(n,2)

在BIP数据格式中，数据排列遵循以下规律：

第一波段第一行第一个像素位居第一,第二波段第一行第一个像素位居第

二，第三波段第一行第一个像素位居第三位，第九波段第一行第一个像素位居

第九位，然后为第一波段第一行第2个像素，它位居第以+1位,第二波段第一

行第一个像素，位居第n+2位，其余数据排列位置依次类推。

表6.4BIL数据排列表

第一波段(1,1)(1,2)(1,3)(1,4)(1,5)(1,6)

第二披段(1,1)(1,2)(1,3)(1,4)(】，5)(】•6)

第三波段(L1)(1,2)(L3)34)(1,5)(1,6)

第"波段(L1)(1,2)(1,3)34)(1,5)(1,6)

第一波段(2,0(2,2)⑵3)⑵4)⑵5)(2,6)

第一波段⑵1)⑵2)⑵3)(2,4)(2,5)(2,6)

在B1L数据格式中，数据排列遵循以下规律：

第一波段第•一行第一个像素位居第一，第一波段第一行第二个像素位居第

二,第一波段第一行第三个像素位居第3位，第一波段第一行第〃个像素位居

第〃位，然后为第二波段第一行第1个像素，它位居第九+1位,第二波段第一

行第二个像素，位居第九+2位，其余数据排列位置依次类推。

补充说明

以计算机兼容磁带CCT或CD-ROM提供的遥

感数据文件中，除了数字图像本身的信息外，还

附带着各种辅助信息，并存储在图像数据的头文

件中。

Landsat数据的内今

N名称____^大小涯

03919991222^B10.LlGj57,072KBL1G文件

回o3Dn

。前而9应"B20工忆57,072KBL1G文件

Wo39

.03919991222J30.L1G57,072KBL1G文件

o39

03919991222.B40,L1G57,072KBL1G文件

o39

03919991222J50.L1G57,072KBL1G文件

o3y_

03919991222.B61,L1G14,272KBL1G文件

o39

^03919991222^HDF.L1G头文件1/379KBL1G文件

o3po

03919991222JTL.L1G64KBL1G文件

因o39

-,03919991222J62.L1G14,272KBL1G文件

回o39

-03919991222J70.L1G57,072KBL1G文件

Mo39

-03919991222B80.L1G228,255KBL1G文件

回H®F

7KBMDF文件

1.3遥感像片的数字化

。由于计算机只能处理数字信息，因此遥感像片

必须经过数字化才能被计算机处理和分析。遥

感像片数字化的过程包括：

A空间采样

属性量化

(1)无间象样

确定空间采样间距，例如在水平和垂直方向上分别以1/

工00cm间距作为采样间距。将图像进行空间分割，使之成为

由多个格网单元构成的图像，每个格网单元分别代表一个像素

点。

模拟图像分洪率

(2)属性量化

。遥感像片离散采样后，可得到由多个离散像点组合表示的

图像。每个像素点对应的仍然是连续变化的亮度、颜色，

他们还要进一步离散并归并到各个区间，才能被计算机识

另上分别用有限个整数来表示，这称之为量化。在实际操

作中，一般把遥感像片上连续变化的黑-灰-白的亮度量

化为64级或256个灰度级。

。为了便于处理和分析，遥感像片数字化一般采用均匀采样

和等距量化处理。

。遥感像片的数字化可以利用扫描仪将像片进行扫描到计算

机中实现，现在一般在传感器接收光谱信息的时侯直接采

用数字形式来存储数据。

总结

遥感数字图像是由一系列离散的像素组成，

每个像素都具有离散的空间位置信息和辐射度

信息（灰度值），这样才能被计算机识别，处

理和应用。

2遥感数字图像的计算机分类

胃分类原理

2.2图像分类的方法

＞监督分类及其过程

＞非监督分类及其过程

2.3图像分类的具体方法

非监督分类：ISODATA迭代自组织数据分析算法

监督分类：平行管道分类、最小距离分类、最大似然分类、马

氏距离分类、神经网络分类方法、光谱角分类、二值编码分类

2.4分类精度的评价

分类评价的方法

提高分类精度的方法

2.1分类原理

o分类原理

＞遥感图像分类的主要依据是地物的光谱特征，即地物的辐射亮度值，

这些亮度值就是遥感图像分类的原始特征变量。

不同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O

图像分类就是依据遥感图像像素光谱特征的相似性来划分种类的过程。

＞就某些特定地物的分类而言，多波段影像的原始亮度值并不能很好地

表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差

值处理、主成分变换以及K-T变换等），以寻找能有效描述地物类别

的特征变量，然后利用这些特征变量对数字图像进行分类。分类是对

图像上每个像素按照亮度接近程度给出对应类别，以达到大致区分遥

感图像中多种地物的目的。

工图像分类的基本原理

分奥奥网的椅怔（特征克间）

0元值

遥感数字

图像分类的依

据就是数字图

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。

分类给累

2.2图像分类的方法

监督分类法:首先需要从研究区域选取代表各类别的已

知样本作为训练场地（训练区）。根据已知训练区提供

的样本，在样本上选择提取特征参数（如像素亮度均值、

方差等），建立判别函数，据此对样本像元进行分类，

依据样本类别的特征来识别非样本像元的归属类别。

非监督分类法: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。

监督分类法

。监督分类(supervisedclassification):通过选择代表

各类别的已知样本，即训练区，事先取得各类别的特征参

数，确定判别函数，从而进行分类。

A=water

B=agricutttife

在监督分类中，要先定C=rock

义信息类，然后检验它们的

检

光谱可分性。即首先利用训验

待

分

元

练区样本建立图像分类的判像

别函数，然后再把待分像元

谱信

带入到判别函数进行判别。息的

归类

监督分类对训练区选择的要求

训练区是图像上已知覆盖类型的代表样区，具有描述主要特

征类型的光谱属性；

＞训练区所包含的样本在种类上要与待分区域的类别一致。训

练样本应在各类目标地物面积较大的中心选取，这样才能体

现代表性。

＞训练样本的选取应能够提供各类足够的信息和克服各种偶然

因素的影响。训练区的数目最少要满足建立判别函数的要求。

A样本选择要具有完整性、代表型，选择多个样区，分布均匀。

训练区选择的精度直接影像分类结果。

训

一缉小

区

的

选

择

74567

监督分类的过程

o分类预处理：大气校正、几何校正与配准

。特征选择（提取）：波段比较多的时候，可以

通过图像处理来提取特征

。分类（监督分类训练区的选择）

。分类后处理，包括精度评价

O专题图的制作

分

类

图

像

专

题

制

图

非监督分类法

・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的方法。不必对影像地物

获取先验知识，仅依靠影像上不同类地物光谱信息进行特征提取,

再统计特征的差别来达到分类的目的，最后对已分出的各个类别

的实际属性进行确认。

在非监督分类中，先确定

光谱可分的类别，然后定义它

们的信息类别。

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，即

“物以类聚”。它们的目的使

得属于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。

非监督分类

II由5

4-3-2假彩色合非监督分类（聚类）结果:

成图像15个光谱类1

432假彩色合成图像（香港九龙）聚类结果（10类）

聚类结果合并（5类）最终结果（类别颜色改变）

1.23图像分类的具体方法

――2.3.1非监督分类的具体方法

最常用的方法：迭代自组织数据分析技术ISODATA

(ISODATA,IteractiveSelf-OrganizingDataAnalysis

Technique)

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。

O非监督分类的基本过程

A确定最初类别数和类别中心（任意的，随机的）；

＞计算每个像元对应的特征矢量与各聚类中心的距离；

A选与其中心距离最近的类别作为这一矢量（像元）的

所属类别；

＞计算新的类别均值向量；

A比较新的类别均值与原中心位置的变化，形成新的聚

类中心；重复2,反复迭代；

如聚类中心不再变化，停止计算。

开始

初始聚类中心

ISODATA

算法框图

新均值代替旧中心

聚类过程：类别中心的变化

[SODATAInitialArbitrary

MeanVectorAssignment

P"

总Distributionof

CCbrightnessvalues

inbands3and4

Band1

原始的聚类中心第1次迭代后的类别分布

，聚类过_程：类别中心-的变化-

笫2次迭代后的类别分布笫n次迭代后的类别分布

2.3.2监督分类的具体方法

O平行管道分类

。最小距离分类

O最大似然分类（比较成熟的方法之一）

O马氏距离分类

。神经网络分类方法

0光谱角分类

O二值编码分类

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；

o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，则将这个像元划分到最匹配的类

另I中；

。落不到任何管道中，则识别为未分类像元。

平行管道分类

255

TW

PU

U

EE

M

oj

工

Hconctete

」Ihighbuildings

grassslope

waler

Daresoils

oTforest

o

TMBand3

训练样本的分布（不同的训练样本非样本像元的落位

代表不同的特征，不同的分布）

最小距离法分类

。一种相对简化了的分类方法。前提是假设图像

中各类地物光谱信息呈多元正态分布；

。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。

常用的距离和有关统计量

欧氏距离:

N,波段数；d押个i像儿与第j个像兀在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；

绝对跳离:

明斯基距离：欧氏距离和绝对距离可统,表示为:

N

Hlq

k=l

常用的距离和有关统计量

马氏距离（Mahalanobis）:

dij=［（x「Xj）NT（x「Xj）］】/2

相似系数：£X］kXjk

c尸。se二产N---------

之X1k2才XjJ

k=lk=l

其中，。为两个矢量间的夹角

相关系数：

最小距离法分类

▲-

2a55255

p

u

E

B

2

1t

z

p

u

m

B

ctmcreiB2

highbullciinge1

日

grassolcpeE

w3ter

baresail?

£L

foies：o♦

o

0TMBand3255TMBand3255

每一类别中的“十”代表这一

类别的中心向量

最大似然法分类

正工住员叶斯准则基础上分类错误概率最小的•种k线性分

类，是应用比较广泛、比较成熟的一种监督分类方法

■判别函数：

gi(x)=p(wi/x)p(Wj/x):后验概率

根据贝叶斯公式：

gi(x)=p(wi/x)=p(x/Wi)p(Wi)/p(x)

p(x/Wj)为在p(x/w)观测到Wj的条件概率,p(w)为Wj的先验概

率,p(x/叫)为变量X与类别尤关情况下的出现概率。

假设：训练区光谱特征服从正态分布

1算每个像兀属于于一类的概率g。)，找出q(x)最大者，将该像兀

归为概率最大的这一类

类的概率分布计算

exp[-;'(X—MyZ：(X—MJ]

P(X/Q)=

其中:

P(X/CDi):X属于①i类的概率：

N为参加分类的特征数(波段数)：

M］为均值向量,Zi为类别i的协方差矩阵

I%

1%T

M1二一£Xj£=--rZ[(XJ-M1)(XJ-M1)]

ui-1j=i

A尸i

现是类1的像元数目;j为像元标号;T矩阵的转置

最大似然法分类

255

b

p

_

」

E

3

1□concretG

1.highbul^ngs

Qcrassslops

ggwater

\baresoils

.fnresl

O

TMBand3255

概率等值线，落到哪一类等值

线上，就属于哪一类

训练区的选择

。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；

o分布：多个样区

.

训练区与

检验区：

相互独立、

不能重叠

,2.4分类精度的评价

I2.4.1分类精度评价的方法

。图像分类精度评价是分类过程中不可或缺的组

成部分。分类精度的评价通常是用分类图与标

准数据（图件或地面实测值）进行比较，以正

确的百分比来表示精度。

o方法：

A非位置精度：以一个简单的数值，如面积、像元数

目等表示分类精度，未考虑位置因素，所获得的精

度值偏高。

A位置精度：将分类的类别与其所在的空间位置进行

统一检查。目前普遍采用混淆矩阵方法。

混淆矩阵

。混淆矩阵：用图件或某些实测值（样本）

。混淆矩阵中，对角线上元素为被正确分类的样

本数目，非对角线上的元素为被混分的样本数。

实际类型（地面实况数据，groundtruth

data）指地表实测值或标准数据或图件上对应

的抽样样本，行总数代表分类数据各样的抽样

样本数目总和，列总数代表实际类型的各类抽

样样本数据总和。

表示分类精度的几个概念

o生产者小青度(producer^accuracy)

＞某类中正确分类的像元数除以参考数据中所有该类

的像元数(列方向)

o用户精度(user9saccuracy)

某类中正确分类的像元数除以所有的被分为该类的

像元数(行方向)

。总体精度(overallaccuracy)

A对角线上所有样本的像元数(正确分类的像元数)

除以所有像元素，只考虑混淆矩阵中沿对角线方向

的数据，而忽略了非对角线方向的数据

混淆矩阵

GroundTruth(Pixels)

ClassforestricevegetableTotal

Unclassified11611124

forest1831125722028

rice44819901492587

vegetable3676956821744

Total276228179046483

ClassPro±Acc.UserAcc.ProiAcc.UserAcc.

(Percent)(Percent)(Pixels)(Pixels)

forest66.2990.291831/27621831/2028

rice70.6476.921990/28171990/2587

vegetable75.4439.11682/904682/1744

OverallAccuracy=(4503/6483)69.4586%

KappaCoefficient=0.5343

2.4.2提高分类精度的策略

。制约分类精度的原因

A遥感数据制约

■光谱：相似性、时相与环境

■空间分辨率

A分类方法制约

■单点分类（基于像元的分类）

■空间、结构信息未充分利用

。提高精度的策略

A分类前处理

■校正（包括辐射校正、几何校正）

■变换（特征选择和提取）如主成分变换、K・T变换

■空间信息的提取（纹理信息）

分类树与分层分类

当一次性分类出现类间混淆又难以解决时，可采取

逐次分类的方法。

使用不同的分类方法

监督分类与非监督分类结合：混合分类

多种信息复合

遥感信息与非遥感信息（辅助数据）的结合

GIS技术支持下的分类改进

■GIS与遥感数据复合分类

利用GIS将非遥感数据生成数字地学图像，并与遥感数据进

行复合，然后对复合后的图像进行分类。

■间接支持分类

■利用GIS数据对遥感图像进行分层和对分类结果作逻辑操

作，可提高分类精度。

■GIS数据用于图像纠正、辅助训练区和检验样本的选择。

3遥感数字图像分类的软件演示

。实验目的：深刻理解遥感数字图像的计算机分

类的原理和方法。熟悉在ERDAS里进行图像

的计算机分类的具体方法和步骤。

。实验软件：ERDASIMAGINE8.5

。实验内容：非监督分类（适用于对研究区没有

了解的情况）

。实验说明

在ERDAS里非监督分类运用ISODATA算法，完全按照像元

的光谱特性进行统计分类，常用于对分类区没有什么了解的

情况。使用该方法时，原始图像的所有波段都参与分类运算,

分类结果往往是各类像元数大体等比例。由于人为干预较少,

非监督分类过程的自动化程度较高。非监督分类一般要经过

以下几个步骤：

初始分类——专题判别——分类合并——色彩确定——

分类后处理——色彩重定义——栅格矢量转换——统计

分析

O实验步骤

A分类过程：利用计算机对图像进行初步分类

»分析评价：在分类过程所获得的初步的分类

结果的基础上，应用图像叠加的方法来评价

分类结果，检查分类精度。

分类过程

■调出非监督分类对话框

■进行非监督分类

IttERDASI1AGIHE8.5

慌DataPreparation

CreateNewImage...

CreateSurface...

SubsetImage...

ImageGeometricCorrection...

MosaicImages...

UnsupervisedClassification...

非监督分类的参数设置说明

数据采用germtm.img,输出文件命名为

germtm-isodata,img,选择生成分类模板文件：Output

SignatureSet,4寻产生一个分类模板文件，文件命名为

germtm-isodata.sigo

对Cluster