遥感数字图像计算机解译

第六奉送感数字图像的计算机斛译

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串

❖遥感图像解译专家系统

长安大学资源学院国土系1

逡感原理

0§，救李图像的性质和特点

遥感数字图像

>遥感数字图像是以数字表示的遥感图像，其最基本

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

长安大学资源学院国土系2

逡感原理

0§1、数字图像的性质和特点

二、遥感数字图像的特点

8便于计算机处理与分析

8图像信息损失少

8抽象性强

长安大学资源学院国土系3

逡感原理

0§1、数字图像的性质和特点

三.遥感数字图像的表示方法

1.遥感数字图像是以二维数组来表示的.

ImagE*eCharacteristics

Bbck&WhitePhotoDigitalImage

长安大学资源学院国土系4

逡感原理

§1、数字图像的性质和特点

三.遥感数字图像的表示方法

2.遥感图像按照波段数量分为：

1.单波段数字图像：

2.多波段数字图像:TM的7个波段数据.

3.全色波段数字图像：SPOT的全色波段.

3.多波段数字图像的三种数据格式

1.BSQ格式(Bandsequential)??

2.BIP格式(Bandinterleavedbypixel)P8

3.BIL格式(Bandinterleavedbyline)P8

长安大学资源学院国土系5

逡感原理

存胫格式

。遥感数字图像必须以一定的格式存贮，才能有

效果地进行分发和利用。遥感技术被应用以来,

遥感数据采用过很多格式，后来

LandsatTechnicalWorkingGroup提出了LTWG

格式，即世界标准格式。从1982年以后包括陆

地卫星、法国SPOT卫星等卫星遥感数据都采用

了世界标准格式，目前世界各地遥感数据主要

采用LTWG格式。

❖LTWG格式有BSQ(Bandsequential)格式和

BIL(BandInterleavedbyLine)格式两种。

长安大学资源学院国土系6

逡感原理

0BSQ格式

❖所谓BSQ格式即按波段记载数据文件，陆地卫

星4.5号CCT的格式就是BSQ格式。在这种格式

的CCT磁带中，每一个文件记载的是某一个波

段的图像数据。如下图所示，其第一波段数据

文件之前都有一个像属性文件，后面又有一个

尾部文件.

长安大学资源学院国土系7

逡感原理

»BIL称式

♦：.BIL格式如图4-9所示，它是一种按照波段顺序

交叉排列的遥感数据格式，BIL格式与BSQ格式

相似。

长安大学资源学院国土系8

遥.感原理

BSQ

（波段及中）

<扫描行I、

行插〃2ttA

—7

个

«

»

)

尾案文件tJMVn

S慢

U

扫检打、

IM

.打弊行2

R

2

用保收鼐交件

.一7

个

记

承

)

黑■文件

行推力/IJ

EOF

头B

日播廿1、

,波

“横打2

段

N

图像敷黑文忖7

：・<个

-C

EOF量

)

尾I■文科

出插力NJ

EOS

长安大学褥源学院国土系9

逡感原理

0§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

□o

♦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。

长安大学资源学院国土系10

逡感原理

§2、遥感图像的计算机分类

From.http://Tr«rw.fes.awiterioo.ca''cn>,geo*376.f20(>Li,(

ImageAnalyuvIinnge.4aa]ysis.btmLfiIm3geProce^ungStep6

长安大学资源学院国土系11

遥感图象分类

■监督分类

■非监督分类

■方法

■过程：包括精度分析

■提高分类精度的方法

2

图象分类

.计算机分类：是通过模式识别理论,利用计算机

将遥感图象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

被类型分类、岩性分类.....

数据一信息（遥感数据---地物信息）

3

AB

图像分类

■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

图象分类：基于数字图象中反映的同类地物

的光谱相似性和异类地物的光谱差异性

4

图像分类

分类类别的特征（特征空间）

图象分类过程像元值

的总目标是，

将图象中所有

的像元自动地

进行土地覆盖

类型或土地覆

盖专题的分

类。

图像分类结果

5

图象分类

问题一（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。

例如：

同一类作物，生长状态不同，光谱特征有差异（同物异谱）;

不同的植被类型可能有相似的光谱特征（同谱异物）

6

相

你

磔I

温

态

和幽悬

实正)

间矫l

溜度/

的部

m飒g

醉浓

体n篇m

游

0蠹同0变

水0收甄0

的

修

5数不的

5露

的吸泼;•

g

雌

与-泪

统有征谱

类0烈酸0第

制(密异

0糕含磁特

藻强笈

净

4蟆

体窥物

窗并谱

满线的然线寐

在密探光同

旗水

处类啥

长曲a锚曲

睡

微：

却体

m统藻的

和素谱懈

谱n瞬

够皿水化

水光绿嬖满物光的

5墟

黎

7嬷

脸

清测叶回长浮的

6谢

0

0

9

s

sn0

uo0

oti8

ria

a(r)

V

enm

hc0(n

itn0

o7th

wg

rCn

tete

anel

e0v

Wim0a

d6

eneW

dS

ad

Le0

e-d0

an5

ge

lsp

Au

S0

+0

丁04

252

8UPJ3USHcQQsd8UBP0UO:JUQoJad.

Ob

图像分类

问题二：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

传场：烟囱(窑)、取土坑、堆传处、房屋等

8

图象分类

i几个基本概念:

模式（pattern）:在多波段图象中，每个象元都具有一组对应

取值，称为象元模式

特征（feature）：在多波段图象中，每个波段都可看作一个变

量，称为特征变量

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

特征选择（色atureselection）：直接从原始波段数据中选择

9

常用的距离和有关统计量

欧氏距离：z(xlk-xjkr

一

N,波段数；。第个i像元与第j个像元在N维空间中的距离;

。为第个k波段上第i个像元的灰度值；

绝对距离：t,

备二》」Xik-XjkI

k=l

明斯基距离：欧氏距离和绝对距离可统一表示为:

N

4=0屈—x#|q]1/q

k=l22

常用的距离和有关统计量

马氏距离（Mahalanobis）:

4j=［（X「Xj）TZ7区一乂」）「2

相似系数：2LXikXjk

c尸osO=JN---------

ZxJ—XjJ

k=lk=l

其中，。为两个矢量间的夹角

相关系数：之囱-*。

y——"I____________

Xp_n_

1Z（XLX>Z（Xjk-Xj）2

Vk=lk=l23

逡感原理

0-、分类原理与基本过程

/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。

＞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。

,遥感图像计算机分类方法

＞监督翁类法：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。

＞非监督翁类：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。

长安大学资源学院国土系22

逡感原理

0-、分类原理与基本过程

/遥感数字回像计算机分类基本过程

1.根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间

分辨率、光谱分辨率、成像时间、图像质量等。

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。

制定分类系统，确定分类类别。

4.找出代表这些类别的统计特征

5.为了测定总体特征，在监督分类中可选择具有代表性的训练场

地进行采样，测定其特征。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。

6.对遥感图像中各像素进行分类。

7.分类精度检查。

8,对判别分析的结果进行统计检验。

长安大学资源学院国土系23

图象分类

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，事先取得各类

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

10

图象分类

mE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

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

11

逡感原理

二、图像分类方法

1、监督分类

(I)•最小嚣离分类法

长安大学资源学院国土系26

邃感原理

0二、图像分类方法

1、监督分类

(I)•最小距离分类法

最近邻域分类法NearestNeighbour。

Definesatypicalpixelforeachclass

♦Assignspixelsonthebasisofspectraldistance

❖Canseparatediverseclasses

Boundaryproblemsremainunresolved

Wbcorn

+++++urban

wate(

BandXDN

长安大学资源学院国土系27

最小距离法

■一种相对简化了的分类方法。前提是假设图象

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。分类的精度取决与训练样本的准

确与否

31

最小距离分类

潮-

唠

-

-bb

UPpT

BEu

□concretetsconcrete

之w

一.highbuildingsihighbuildings

目grassslope」grasssiope

附waterwater

/,haresoilsharesn」s

Aforestforest

0TMBand3255TMBand3255

32

非监督分类

■

■

■

■

口4

•

•

」

=

•

二1

•

1•

•

;!1

口•

1

■•

4-3-2假彩色合非监督分类（聚类）结果：

成图像15个光谱类12

非监督分类

1.4-3-2假彩色合成图象（香港九龙）；2.聚类结果（10类）

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）

逡感原理

0二、图像分类方法

1、监督分类

⑴、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。

长安大学资源学院国土系33

逡感原理

0二、图像分类方法

1、监督分类

门）•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，凡是落

在此窗口内的地物即被认为是一类，反之，则不属于该

类。

长安大学资源学院国土系34

逡感原理

0二、图像分类方法

1、监督分类

(4),最大假稣比分类法(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部分随机现象一

样，近似服从正态分布。

MaximumLikelihood

>Definesatypicalpixelforeachclass

>Calculatestheprobabilitythateachpixelinthe

imagebelongstothatclass

>Mapsclassesonthebasisofconfidencelevels

>Boundaryproblemsresolved

长安大学资源学院国土系35

最大似然法

■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

.判别函数：

gi(x)=p(wi/x)p(Wj/x):后验概率

根据贝叶斯公式：

gj(x)=p(wj/x)=p(x/Wj)p(w)/p(x)

P(X/W)为在p(X/W)观测到Wj的条件概率，p(w)为四的先验概

率，p(x/W)为变量X与类别无关情况下的出现概率。

假设：训练区光谱特征服从正态分布

计算每个像元属于每一类的概率g。)，找出g(x)最大者，将该像元

归为概率最大的这一类

33

类的概率分布计算:

P（X®）=（2兀）"|工严exp[-；x（X-MJ'I（X—MJ]

其中：

P（X/g）:X属于g类的概率；

N为参加分类的特征数（波段数）；

M1为均值向量,Ej为类别i的协方差矩阵

1%1ni

R是类i的像元数目；j为像元标号;T矩阵的转置34

最大似然分类

255

55

寸

P

匚

银E

m

Aw

l

寸

P

U

E

m

□concrete□concrete

至

一.highbuildings■highbuildings

ggrassslope图grassslope

用water的water

△baresoils介baresoils

ocforestAforest

0TMBand3255TMBand3255

35

逡感原理

二、图像分类方法

1、监督分类

(4),最大假然比分类法(MaximumLikelihood)

小

Key

com

fsest

Z

Q

X

p

u

p

cn

BandXDN

长安大学资源学院国土系39

逡感原理

0二、图像分类方法

1、监督分类

(4),最大假稣比分类法(MaximumLikelihood)

的sand-----1

长安大学资源学院国土系40

遥.感原理

0二、图像分类方法

1、监督分类

(4),最大假然比分类法(MaximumLikelihood)

长安大学褥源学院国土系41

监督分类

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

15

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

♦用于图象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

36

91

s凶熊=A

训练区与

检验区：

相互独立、

不能重叠

37

'V.'

分类结果

17

衡水湖自然保护区土地覆盖/土地利用现状图

最终结果:

专题制图

十:米/小麦

林地（含灌木）

基地

木图采用面安坐标系上要道挤

中央城找：II7庾次级通路

保护区边界

21

逡感原理

Q二、图像分类方法

2、非监督分类

(I)•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，据距离最近的原则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。

长安大学资源学院国土系48

逡感原理

0二、图像分类方法

2、非监督分类

C)•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

则在类别间重新组合样本，直到分类比较合理为止。

长安大学资源学院国土系49

非监督分类:方法

会常用的方法: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.计算每个像兀多对应的特征矢量与各聚类中心的距离；

3.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；

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的变化,形成新的聚类中心;重复2,反

复迭代；

6.如聚类中心不再变化，停止计算.

24

25

聚类过程：类别中心的变化

J__———

ISODATAInitialArbitrary

MeanVectorAssignment

Distributionof

brightnessvalues

inbands3and4

Band3

原始的聚类中心第1次迭代后的类别分布

26

聚类过程：类别中心的变化

ISODATA2ndIteration

Band3

Baud3

第2次迭代后的类别分布第n次迭代后的类别分布

27

逡感原理

Q二、图像分类方法

3,监督分类与非监督翁类方法比较

♦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，样本数目要能婚满