遥感原理与应用- 课件 第5、6章 遥感图像信息目视解译、遥感图像信息计算机识别

遥感原理与应用Principlesandapplicationsofremotesensing第五章遥感图像信息目视解译01.遥感图像的目视解译printthepresentationandmakeitintoafilmawiderfield03.航空遥感影像目视判读printthepresentationandmakeitintoafilmawiderfield02.目视判读的方法和步骤printthepresentationandmakeitintoafilmawiderfield04.航天遥感影像目视判读printthepresentationandmakeitintoafilmawiderfield目录CONTENT2025/3/818:172025/3/818:17PART01遥感图像的目视解译printthepresentationandmakeitintoafilmawiderfield2025/3/818:171、遥感图像解译的概念遥感图像是地物电磁波特性的实时记录。遥感图像能够提供给解译者的信息有：1）目标的光谱特征信息：主要由地物的类别、性质的差异决定2）目标的空间位置特征3）目标随时间的动态信息不同的目标，在上述性质和特征上是不同的。所以，遥感图像解译定义为：遥感仪器自空中获得大量的地面目标的信息数据，通过电磁波或磁带回收等方式传送回地面，由地面接收站获取并记录，将接收到的原始遥感数据加工制成可供观察分析的数据产品。根据所获得的遥感影像数据和资料，从中分析出人们感兴趣的地面目标的形态和性质，这一过程称为遥感图像解译。2025/3/818:17一、目视解译概念1、遥感图像解译的概念遥感图像判读（解译）的本质就是：利用遥感图像提供的各种数据，再结合解译者的学识和经验，确定空间什么位置（Where-Position）有什么目标（What-Qualitative）有多少(How-Quantitative）但是，遥感图像上的信息并非直接呈现出来，而是通过图像上复杂形式的色调、结构及它们的变化表现出来，因此要正确的认识它们必须具备相应的知识。2025/3/818:17一、目视解译概念遥感图像解译并不是一件简单的事情！2025/3/818:17一、目视解译概念

2、图像判读的背景知识专业知识

指需要熟悉所解译的学科及相关学科的知识。包括对地物成因联系、空间分布规律、时相变化以及地物与其他环境要素间的联系等知识。比如遥感地质探矿，首先需具备地层、构造、蚀变带等与找矿直接相关的地质知识和经验，还需要了解植物分布、土壤等相关知识。地理区域知识指区域特点、人文自然景观等。每个区域有其独特的区域特征，即地域性，它影响到图像的图型结构等，它能直接帮助识别地物和现象。遥感系统知识解译者必须了解每一图像是怎样生成的；不同遥感器是如何描述景观特征的，它使用的何种电磁波段，空间分辨率是多少等等，怎样从图像中获得有用的信息等。2025/3/818:17

2、图像判读的背景知识遥感图像判读与日常目视观察有3点不同：A遥感图像通常为“顶视-鸟瞰”，而不同于日常生活中的透视B遥感图像常用可见光以外的电磁波段，而大多数我们熟悉的特征是在可见光谱段，可以表现得十分不同C遥感图像常用一种不熟悉或变化的比例和分辨率描述地球表面因此，对于初学者需要多对照地形图、实地或熟悉地物观测，以增强立体感和和景深印象，纠正视觉误差，积累图像判读经验遥感图像的判读过程是地面目标成像过程的逆过程，即从地面实况的模拟影像中提取遥感信息、反演地面原型的过程一、目视解译概念2025/3/818:17遥感图像解译的实质

遥感成像的逆过程。起点终点一、目视解译概念2025/3/818:173、遥感图像解译的两种方式1目视判读（VisualInterpretation）判读者通过直接观察或借助判读仪器（放大镜、立体镜、密度分割仪和彩色合成仪等）研究地物在遥感图像上反映的各种影像特征（如形状、大小、色彩、阴影、图型结构等），凭借丰富的判读经验，扎实的专业知识和手头的相关资料，并通过地物间的相互关系推理分析，达到识别所需地物信息的过程。特点：解译者的学识和经验在判读中起主要作用，精度高，但难以对海量空间信息的定量化分析。2计算机判读（ComputerImageryUnderstanding）也叫计算机分类，是利用计算机，通过一定的数字方法（如统计学、图形学、模糊数学等），来提取有用信息。特点：速度快，处理方式灵活多样，整个处理过程通常是以人机交互方式进行，对计算机技术和算法要求较高，识别的精度通常不及目视判读。一、目视解译概念2025/3/818:17

景物特征主要有光谱特征、空间特征和时间特征。此外，在微波区还有偏振特性。景物的这些特征在图像上以灰度变化的形式表现出来，因此图像的灰度是以上三者的函数。

不同地物这些特征不同，在图像上的表现形式也不同。因此，判读员可以根据图像上的变化和差别来区分不同类别。再根据其经验、知识和必要的资料，可以判断地物的性质或一些自然现象。

各种地物的各种特征都以各自的形式（或称样子、模式）表现在图像上。各种地物在凸显上的各种特有的表现形式称为判读标志。二、目视解译的标志2.1光谱特征及判读标志地物的反射波谱特性一般用一条连续曲线表示，而多波段传感器一般分成一个一个波段进行探测，在每个波段里传感器接受的是该波段区间的地物辐射能量的积分值（或平均值）地物的波谱响应曲线与其光谱特性曲线的变化趋势是一致的。地物在多波段图像上特有的这种波谱响应就是地物的光谱特征的判读标志。波谱响应值与地物在该波段内光谱反射亮度的积分值相应

2.2空间特征及判读标志景物的各种几何形态为其空间特征，它与物体的空间坐标X、Y、Z密切相关，这种空间特征在像片上也是由不同的色调表现出来。色调是地物反射和发射电磁波的强弱程度在图像上的记录，因而它是识别地物的主要标志，有时甚至是唯一的判读标志。因为在一幅图像上如果不存在色调差别，就根本显示不出各种地物的形态差别。目标地物和背景之间必需存在能被人的视觉所分辨的色调差异，目标才能被区分。北京故宫博物院与护城河之间的色调差异遥感图像判读标志：色调利用色调标志时要注意同物异谱与同谱异物同物异谱：同一物体或性质相同的物体在不同条件（或相同条件）下具有不同的反射率，而表现出不同色调。同一种植被由于不同环境条件、不同生长期在同一影像上表现处各种色调；同一地物光谱特征的变化；同谱异物：不同地物可能具有相同或相似的光谱特征。不同植被具有相似的光谱特征遥感图像判读标志：色调2.2空间特征及判读标志判读标志：形状大小图形阴影位置纹理类型形状指各种地物的外形、轮廓。从高空观测地面物体形状是在X-Y平面内的投影。需要根据影象比例尺和分辨率具体分析，注意畸变（雷达、航片边缘）不同物体显然其形状不同，其形状与物体本身的性质和形成有密切关系美国加利福尼亚机场QuickBird影像图阿联酋-迪拜机场1米清晰度地理位置：25.2597N，55.3733E北京西站QuickBird影像图埃及-金字塔1M精度地理位置：29.9768388889N，31.1304166667E大小地物的尺寸、面积、体积在图像上按比例缩小后的相似性记录。根据比例尺在影像上量算.它是遥感图像上测量目标地物最重要的数量特征之一。根据物体的大小可推断物体的属性。图形自然、人造地物所构成的图形。?①由于地物高度的变化，阻挡太阳光照射而产生的阴影。②帮助认识地物性质：容易构成立体效果；③可以帮助获得地物的数量特征。注意：不同遥感影像中对阴影的解译是不同的，例如：侧视雷达影像中目标地物阴影由目标阻挡雷达波束穿透而产生，热红外图像中目标地物阴影是由于温度差异所形成，例如飞机飞离机场不久进行热红外成像，可以在像片上看到飞机喷气尾流在地表形成的白色调阴影。阴影阴影阴影阴影分为本身阴影（本影）和投落阴影（落影）。美国加利福尼亚机场阴影这张分辨率为1米的纽约曼哈顿的卫星照片，是2000年6月30日由空间图像公司的IKONOS卫星拍摄的，中间是110层高的世界贸易中心的双塔。阴影2001年9月12日2001年9月15日位置地物存在的地点和所处的环境。目标地物和周围环境总是具有一定的空间制约关系。例如，芦苇长在河湖边沼泽地，红柳丛生在沙漠，河漫滩和阶地位于河谷两侧，洪积扇总是位于沟口，河流两侧的湖泊是牛轭湖，雪线附近的是冰斗湖等。农田与水渠之间的位置，根据农田与水渠的相对位置可以判读农田为水浇地、水田或旱地。位置位置相关布局多个目标地物之间的空间配置关系。地面物体之间存在着密切的物与能量上的联系，依据空间布局可以推断目标地物的属性。纹理又称质地,图像上细部结构以一定频率重复出现，是单一特征的集合，是遥感图像中目的地物内部色调有规律变化造成的影像结构。不同物体,在遥感影像上形成不同的纹理质地。如河床上的卵石较沙粗糙些，草原表面比森林要光滑，沙漠中的纹理能表现沙丘的形状以及主要风系的风向，纹理（质地）常用光滑状、粗糙状、参差状、海绵状、疙瘩状、锅穴状表示。纹理纹理类型土地利用类型

水系类型耕地、林地、草地——农业用地

建设用地——非农业用地

遥感图像上目标地物的特征是地物电磁辐射差异在遥感影像上的典型反映。目标地物的特征:色：指目标地物在遥感影像上的颜色，包括色调、颜色和阴影。形：指目标地物在遥感影像上的形状，包括形状、纹理、大小、图形等。位：指目标地物在遥感影像上的空间位置，包括目标地物分布的空间位置、相关布局等。地物特征形状：目标地物在遥感图像上呈现的外部轮廓。纹理：也叫内部结构，指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。大小：指遥感图像上目标物的形状、面积与体积的度量。图形：目标地物有规律的排列而成的图形结构。位置：指目标地物分布的地点。相关布局：多个目标地物之间的空间配置关系。色调：全色遥感图像中从白到黑的密度比例叫色调（也叫灰度）颜色：是彩色图像中目标地物识别的基本标志。阴影：是图像上光束被地物遮挡而产生的地物的影子。据此可判读物体性质或高度。色形位地物特征地物特征2.3时间特征及判读标志对于同一地区景物的时间特征表现在不同时间地面覆盖类型不同，地面景观发生很大变化。景物的时间特征在图像上以光谱特征及空间特征的变化表现出来。武汉市ETM（432）图象，描述下列各类地物的特征：光谱特征(色调)，空间特征（几何形状），其他特征（如纹理）。判读标志直接解译标志

根据地物或现象本身反映的信息特性可以解译目标物的影像特征，即能够直接反映物体或现象的那些影像特征称为直接解译标志。包括：色调、形状、大小、阴影、结构和图案（型）等

判读标志间接解译标志

通过与之有联系的其它地物在影像上反映出来的影像特征，间接推断某一事物或现象的存在和属性，这些地物和特征就称为间接解译标志。包括：位置、相关布局等。直接解译标志和间接解译标志是一个相对概念，常常可见同一个解译标志对甲物来说是直接解译标志，对乙物可能就成了间接解译标志。2.4影响景物特征及判读的因素

各种地物是处于复杂、多变的自然环境中,所以判读标志也随着地区的差异和自然景观的不同而变化,绝对稳定的判读标志是不存在的,有些判读标志具有普遍意义,有些则带有地区性。有时即使是同一地区的判读标志,在相对稳定的情况下也在变化。因此,在判读过程中,对判读标志要认真分析总结,不能盲目照搬套用。地物本身的复杂性传感器特性的影响目视能力的影响2.4影响景物特征及判读的因素1.地物本身的复杂性色素的区别细胞结构的区别叶子的稠密度含水量植被色素叶子稠密度细胞结构含水量1.地物本身的复杂性土壤特性含水量有机质水水泥沙叶绿素工业污染2.传感器特性的影响几何分辨率辐射分辨率光谱分辨率时间分辨率几何分辨率空间分辨力：传感器瞬时视场内所观察到地面的大小几何分辨力：能分辨出的最小地物的大小。几何分辨力＝3倍空间分辨力地面分辨率和影像分辨率地面分辨率：影像能够详细区分的最小单元（像元）能代表的地面尺寸的大小。影像分辨率：地面分辨率在不同比例尺的具体影像上的反映。地面分辨率卫星/传感器地面分辨率(pan/ms)(m)图像宽幅(km×km)IKONOS1/413x13SPOT/HRV2.5/560x60Landsat/ETM15/30180x180Landsat/TM30180x180Terra/MODIS250-1000continentalNOAA/AVHRR>1100continental同一地区不同地面分辨率影像北京故宫_SPOT_2.5m北京故宫_QuickBird_0.6m不同分辨率的IKONOS影像影像分辨率

影像分辨率随影像的比例尺不同而变化。陆地卫星MSS地面分辨率：80m1:100万图像上影像分辨率：0.08mm影像分辨率：0.8mm1:10万图像上辐射分辨率辐射分辨率是传感器区分两种辐射强度最小差别的能力，在遥感影像上表现为某一像元的辐射量化等级，一般用量化比特数表示最暗至最亮灰度值之间的分级数目。如6bit，8bit，12bi等，其辐射分辨率为26级、28级、212级。辐射分辨率决定了某个波段各类地物的细节，在可见光、近红外波段用等效噪声功率衡量。传感器的输出包括信号和噪声两大部分。如果信号小于噪声，则输出的是噪声。如果两个信号之差小于噪声，则在输出的记录上无法分辨这两个信号。光谱分辨率光谱探测能力，包括：传感器总的探测波段的宽度、波段数、各波段的波长范围和间隔。波段太多，输出数据量太大，加大处理工作量和判读难度。最佳探测波段，是指这些波段中探测各种目标之间和目标与背景之间，有最好的反差或波谱响应特性的差别。

光谱分辨率卫星/传感器波段范围（um）卫星/传感器波段范围（um）卫星/传感器波段范围（um）LandsatTM0.45～0.52（蓝）0.52～0.60（绿）0.63～0.69（红）0.76～0.90（近红外）1.55～0.75（中红外）10.4～12.4（热红外）2.05～2.35（中红外）MODIS0.620～0.6700.841～0.8760.459～0.4790.545～0.5651.230～1.2501.628～1.6522.105～2.1550.405～0.4200.438～0.4480.483～0.4930.526～0.5360.546～0.5560.662～0.6720.673～0.6830.743～0.7530.862～0.8770.890～0.9200.931～0.941MODIS0.915～0.9653.600～3.8403.929～3.9893.929～3.9894.020～4.0804.433～4.4984.482～4.5491.360～1.3906.535～6.8957.175～7.4758.400～8.7009.380～9.80010.780～11.28011.770～12.27013.185～13.48513.485～13.78513.785～14.08514.085～14.385NOAA-AHRR0.58～0.68（红）0.72～1.10（近红外）3.55～3.93（热红外）10.3～11.3（热红外）11.3～12.5（热红外）SPOT-HRV0.50～0.59（绿）0.61～0.68（红）0.79～0.89（近红外）0.51～0.73（可见光）时间分辨率定义：我们把传感器对同一目标进行重复探测时，相邻两次探测的时间间隔成为遥感图像的时间分辨率。应用：土地利用变化、洪水、绿地消长、城市热岛等不同时相影像athens_olympic_july5_2004athens_olympic_may7_2004全球昼夜温差空间、光谱和时间分辨率的关系空间－光谱分辨率关系空间－时间分辨率关系光谱－时间分辨率关系IKONOS321波段真彩色合成图典型地物波谱响应曲线长城提取的结果图空间－光谱分辨率关系空间－光谱分辨率关系100m10m1m0.1m0.01m

空间分辨率全色多光谱高光谱地形图测图光谱分辨率交通国防城市农业资源环境森林空间-时间分辨率关系上海城市扩展图2002年ETM影像（RGB:321)1988年TM影像(RGB:321)散点图光谱－时间分辨率关系3.目视能力的影响空间分辨能力正常人眼的分辨角为1’,在明视距离250mm处,能分辨相距75μm的两个点,大约6-7线对/mm。灰阶分辨能力大约十几级灰度,通过反差拉伸、密度分割、伪彩色编码。色别与色阶分辨能力大约50种左右,借助仪器可以分辨13000多种。PART02目视判读的方法和步骤printthepresentationandmakeitintoafilmawiderfield2025/3/818:17一、判读前的准备判读员的训练搜集充足的资料了解图像的来源、性质和质量传感器、日期和地点、波段、比例尺、航高、投影性质几何分辨力、辐射分辨力、光谱波段的个数和波长区间、时间重复性、像片的反差、最小灰度和最大灰度等判读仪器和设备像片观察、像片量测、像片转绘

-直接判读法-对比分析法-信息复合法-综合推理法-地理相关分析法二、遥感图像目视解译方法直判法是指通过遥感影像的解译标志，能够直接确定某一地物或现象的存在和属性的一种直观解译方法。直判法所运用的解译标志是解译者曾经见过的并了解了它的含义，因此能较快地鉴别某一地物或现象的存在和属性。一般具有明显形态、色调特征的地物，多运用这种方法进行解译。①直接判读法

直接判读法水体包括同类地物对比分析法、空间对比分析法和时相动态对比法。同类地物对比分析法是在同一景遥感影像上，由已知地物推出未知目标地物的方法。空间对比分析法是根据待判读区域的特点，选择另一个熟悉的与遥感图像区域特征类似的影像，将两个影像相互对比分析，由已知影像为依据判读未知影像的一种方法。时相动态对比法，是利用同一地区不同时间成像的遥感影像加以对比分析，了解同一目标地物动态变化的一种解译方法。例如，遥感影像中河流在洪水季节与枯水季节中的变化。利用时相动态对比法可进行洪水淹没损失评估，或其他一些自然灾害损失评估。②对比分析法对比分析法1993~2001年间浙江省海宁市的新围涂区1080公顷159公顷对比分析法4698公顷818公顷1273公顷1993~2001年间浙江省萧山-绍兴-上虞的新围涂区对比分析法③信息复合法利用透明专题图或地形图与遥感图像重合，根据专题图或地形图提供的多种辅助信息，识别遥感图像上目标地物的方法。④综合推理法综合考虑遥感图像多种解译特征，结合生活常识，分析、推断某种目标地物的方法。例如，铁道延伸到大山脚下，突然中断，可以推断出有铁路隧道通过山中。在摄影航空像片中，公路在像片上的构像为狭长带状，在晴朗天气下成像时，公路因为平坦，反射率高，影像上呈现灰白或浅灰色调，铁路在形状上构像与铁路相似，但色调为灰色或深灰色，从色调上比较易于识别，但在大雨过后成像的航空像片上，公路因路面积水，影像色调也呈现灰色至深灰色，很难依据色调将公路与铁路区分，此时就需要采用综合推理法，因汽车转弯相对灵活，公路转弯处半径很小，而火车转弯不灵活，铁路在转弯处半径很大。此外，铁路在道口与公路或大路直角相交，而大路与公路既有直角相交，也有锐角相交。铁路每隔一定距离就有一个车站，根据这些特征综合分析，就可以将公路与铁路区别开来。

⑤地理相关分析法根据地理环境中各种地理要素之间的相互依存，相互制约的关系，借助专业知识，分析推断某种地理要素性质、类型、状况与分布的方法。三、判读的一般过程发现目标先大后小、由易入难、由已知到未知先反差大的目标后反差小的目标先宏观观察后微观分析描述目标光谱特征、空间特征、时间特征

识别和鉴定目标资料、特征、经验、推理

清绘和评价目标（专题图）PART03航空遥感图像目视判读printthepresentationandmakeitintoafilmawiderfield2025/3/818:17单波段像片的判读多光谱像片的判读热红外像片的判读侧视雷达像片的判读多时域图像的判读单波段像片的判读色调特征和空间特征图像增强密度分割Landsat7波段多光谱像片的判读光谱特性曲线比较判读假彩色合成空间特征全色片红外片假彩色合成热红外像片的判读温度、发射率；热特性：热容量、热传导率、热惯量。侧视雷达像片的判读色调特征：入射角，地面粗糙度，地物电特性几何特征：比例尺失真，地形起伏影响穿透特性：可以得到地面图象散射特性：可以反映地下状况不同地物的SAR影像特征道路耕地居民地水系铁路植被多时域图像的判读景物的时间特性以光谱特征和空间特征表现两个时间的MSS图像叠合提取洪水淹没区范围

PART04航天遥感图像目视判读printthepresentationandmakeitintoafilmawiderfield2025/3/818:17一、判读标志及其运用航空像片的判读标志，一般也适于航天遥感图像。航天器飞得比航空器高得多。因此，航天图像比航空像片更加综合，更加概括，航天图像的判读标志的掌握和运用，也要比航空像片的判读标志的掌握和运用更加综合和概括。

二、航天遥感图像的分辨力及其判读效用图像分辨力包括图像的几何分辨力、光谱分辨力和温度分辨力等。其中,几何分辨力可分为影像分辨力(即像片分辨力)和地面分辨力两种。影像分辨力是像片上每1mm宽度内可分辨的黑白线对的数目，其单位是“线对/mm”。线对是相邻的、同样宽的一根黑线和一根白线。一般，航空像片以影像分辨力表示它分辨地物的能力。影像分辨力取决于胶片颗粒的粗细、透镜的性能等因素。对于同一尺寸的像幅，用“线对/mm”数即影像分辨力来衡量遥感图像是可以的。但航天遥感图像的尺寸不一，比例尺有大有小，一张底片可印出几种不同像幅、不同比例尺的像片，这样，用“线对/mm”数来表示分辨能力就不适当了。一般，航天图像用地面分辨力---图像上所能辨认的两地物之间的最小距离表示其分辨能力。地面分辨力的单位是“米”或“米*米”。各种航天器的飞行高度不同，其遥感器性能各异，故其地面分辨力也不同。不同地面分辨力的图像有不同的效用二、航天遥感图像的分辨力及其判读效用三、单波段像片的判读对于单波段的可见光、近红外像片，从其色调特征和空间特征来分析判读。可采用图像增强方法，如反差增强能使不同亮度地物间的灰度差拉大，区分类别就较容易，对于空间特征可用边缘增强来突显地物的轮廓。另一种有效的方法是进行密度分割并用伪彩色编码技术来增强图像，因此人眼对颜色的差别比灰度差别敏感得多，因此效果好。三、单波段像片的判读如图5-5，某城市的部分区域影像，水对近红外光吸收严重，呈深色调，城市地区建筑物对红外光反射比水强，再加上马路上有行树，使得城市的色调比水淡一些，但仍较深。由于眼睛区分灰阶的能力较差，有时看来与水的色调差不多。农田中农作物反射近红外光强，因此呈浅色调对该影像进行密度分割后，从图5-6中清楚地看到城区与湖水颜色的差别，并且城区内由于建筑密度不同，造成反射亮度的微小差别，经增强后显示出来；城区内园林、绿地及菜地（南城区）也毕露；城周围的河流，由于其宽度不足一个像元，与植物混杂，使其反射率下降，色调与城区相近。但结合空间特征，它是线状地物，再根据这个地区河网交错的特点，可以判断为河流；城外红色、橙色为不同的农作物或树；绿、黄、淡红色调则为农田、道路、房屋间杂形成。四、多光谱像片的判读多光谱像片显示景物的光谱特征比单波段强的多，它能表示出景物在不同光谱段的反射率变化。对于多光谱像片可以使用多波段合成、线性拉伸、比较判读等方法，将多光谱图像与各种地物的光谱反射特征数据联系起来，以正确判读地物的属性和类型。四、多光谱像片的判读不同类别的地物在遥感影像上呈现各自的特征，根据影像上特有的地物特征对各类别地物进行判断识别，此过程称之为影像解译，区分各种类别的特征为解译标志。通过解译标志对影像各类别进行样本选择，解译标志的建立在土地覆盖变化监测中至关重要，同时要从不同年份的影像数据获取土地覆盖信息建立统一的解译标志不可缺少。根据影像地物类别分布及影像特点，建立以下解译标志便于特征提取中样本选择，表5-5为解译标志表。四、多光谱像片的判读判读多光谱图像的另一种有效方法是将几个波段进行假彩色合成。假彩色合成像片上的颜色表示了各波段亮度值在合成图像上所占的比率，这样可以直接在一张假彩色像片上进行判读。如标准教材色的合成方案为：红外波段使用红色、红色波段使用绿色、绿色波段使用蓝色，合成的结果植物为红色、土壤（刚翻耕）为绿色，水为蓝黑色。形成这种颜色的原因，与地物的波谱特性和所用的滤光片、波段有关。本节结束Endofthissection遥感原理与应用Principlesandapplicationsofremotesensing2025/3/818:1701.遥感图像的监督分类与非监督分类03.分类后处理和精度评价02.遥感图像信息计算机识别的其他方法目录CONTENT2025/3/818:17PART01遥感图像的监督分类与非监督分类第六章遥感图像信息计算机识别第1页1.1分类原理与基本过程

遥感数字图像计算机识别：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。

遥感数字图像计算机识别的基本目标：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理解。

遥感数字图像计算机识别的主要目的：将遥感图像的地学信息获取发展为计算机支持下的遥感图像智能化识别，其最终目的是实现遥感图像理解。

遥感数字图像计算机识别的基础工作：遥感数字图像的计算机分类。第2页1.1分类原理与基本过程■遥感图像分类的基本原理

遥感图像计算机分类的依据：遥感图像像素（或像元）的相似度。相似度是两类模式之间的相似程度。在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。其中，采用距离衡量相似度时，距离越小（大），相似度越高（低）；采用相关系数衡量相似度时，相关系数越小（大），相似度越低（高）。第3页1.1分类原理与基本过程（1）绝对值距离

i，j为特征空间中两点。dij表示当前像素i到类j的距离，n为波段数，xik表示像素i在k波段的像素值，xjk表示类k在波段j的均值。第4页1.1分类原理与基本过程（2）欧式距离x=(x1,x2,...xn)是n维向量，uk=(u1,u2,...un)是样本分布的中心。（3）马氏距离

既考虑离散度，也考虑到各轴间总体分布的相关性（协方差）。T为协方差矩阵，当=I(单位矩阵)时，马氏距离即为欧几里德距离。tt第5页1.1分类原理与基本过程（4）混合距离

像元i到第g类类均值的混合距离。（5）相关系数

式中：xki和xkj为像元i和j的第k个分量(波段k上对应的值)，和表示均值。

第6页1.1分类原理与基本过程地物反射率差异图

若按照地物类别聚集的规律把多光谱空间划分为若干个子空间，每一个子空间包含一个类别，就可以把图像中未知像元进行分类，分配到各自的子空间中。第7页1.1分类原理与基本过程

多变量特征选择 有选择地去除多光谱图像中对分类贡献不大的波段，从而确定分类信息源的过程。特征 分类时所使用的波段或波段组合。特征参数 选择出来的，新的对于表示类别可分性更为有效的变量。特征空间 特征参数组成的空间。第8页1.1分类原理与基本过程相关概念像元的特征值

每个波段上灰度值构成的矢量特征空间

包含X的的n维空间模式

图像中某一类目标样本

属于某类别的像素样本观测值

样本的多光谱矢量波段1波段2…波段n多光谱图像第9页1.1分类原理与基本过程多光谱图像分类原理设图像上有两类目标ωA、ωB判别准则为：遥感图像计算机分类算法的核心就是确定判别函数和相应的判别准则fAB(X)＝0第10页1.1分类原理与基本过程

遥感图像分类(Classification)：将图像的所有像元按相似度划分为若干个类别(Class)的技术过程。

在遥感图像分类前，通常需要进行特征选择(FeatureSelection)和特征提取(FeatureExtraction）。特征选择：从众多特征中挑选出可以参加分类运算的若干特征。特征提取：在特征选择后，利用特征提取算法从原始特征中求出最能反映其类别特性的一组新特征，完成样本空间到特征空间的转换。 数据压缩、提高不同类别特征之间的可区分性。

第11页1.1分类原理与基本过程

遥感图像分类(Classification)：将图像的所有像元按相似度划分为若干个类别(Class)的技术过程。

在遥感图像分类前，通常需要进行特征选择(FeatureSelection)和特征提取(FeatureExtraction）。

对于n个波段多光谱图像的特征选择，美国查维茨教授提出最佳指数公式(OIF)：Si为第i个波段标准差，Si值越大表示该波段图像信息量越大，反之，信息量越小；Rij表示第i个波段与第j个波段之间的相关系数，Rij值越小表示两波段数据间的独立性越高，反之，独立性越低；OIF值越大说明波段组合越优，反之，波段组合越劣。第12页1.1分类原理与基本过程

在遥感图像分类中，常以混淆矩阵（ConfusionMatrix）评价分类结果的精度。

式中mij表示实验区内属于ωi类的像素（像元）被分到ωij类中去的像素（像元）总数，n为类别数。如果混淆矩阵中对角线上的数值越大，则表示分类结果的可靠性越高；如果混淆矩阵中非对角线上的数值越大，则表示错误分类现象越严重。第13页1.1分类原理与基本过程■分类基本过程（1）明确分类目的，选取数字图像；（2）收集、分析地面参考信息和有关数据；图像预处理（几何纠正、辐射纠正）；（3）比选合适的分类方法和算法，制定分类系统；（4）找出代表这些类别的统计特征；（5）采用训练场地（监督分类中）或聚类方法（非监督分类中）测定总体特征；（6）对各未知像素分类；（7）分类精度检查（用训练数据或随机抽样数据）；（8）对判别分析的结果统计检验。上述分类过程，在实际分类工作中可根据需要进行修改或补充。第14页1.2遥感图像监督分类

遥感图像监督分类也称为训练场地法或先学习后分类法。首先选择具有代表性的典型实验区或训练区，用训练区已知地面样本的光谱特征来“训练”计算机，通过“学习”对未知像元进行处理分类，分别归入到已知类别中，达到自动分类识别目的。

遥感图像监督分类的思想：首先根据类别的先验知识确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本（称为训练样本）的观测值确定判别函数中待定参数的过程称为学习（Learning）或训练（Training），然后将未知类别的样本的观测值带入判别函数，再依据判别准则对该样本的所属类别作出判定。遥感图像监督分类算法很多，下面只讨论几种典型的遥感图像监督分类算法。第15页1.2遥感图像监督分类■基于最小错误概率的Bayes分类器

贝叶斯(Bayes)分类器又称为最大似然分类法，是实际研究和应用较多的一种分类算法，主要是依据Bayes准则进行分类，判断函数的构造和对应的分类准则是整个方法的核心内容，在遥感图像分类时，将多波段图像数据看成满足多维正态分布数据，从而构造分类函数。

最大似然分类法的优点是操作简单，可与贝叶斯理论以及其他先验知识相融合，但是它也有自身缺陷：例如，只使用于波段数少的多光谱数据，且分类时间长，对感兴趣区（样本）要求较高等。

第16页1.2遥感图像监督分类最大似然判别规则

前提

各类的分布为正态函数

依据

贝叶斯(Bayes)公式

判别函数

判别规则

式中，——似然概率——先验概率

——后验概率——X出现的概率第17页1.2遥感图像监督分类正态分布多变量概率密度函数

式中第18页1.2遥感图像监督分类判别函数判别规则判别边界第19页1.2遥感图像监督分类02550255TMBand3TMBand4concretehighbuildingsgrassslopewaterbaresoilsforest1202550255TMBand3TMBand4concretehighbuildingsgrassslopewaterbaresoilsforest第20页1.2遥感图像监督分类■子空间分类器

在遥感图像分类时，分类器的选择一般要考虑两个因素，一是分类的准确度，二是分类的速度。

子空间和补子空间混合表示的模式空间称为对偶空间，建立在对偶子空间上的分类器称为对偶子空间分类器（DualSubspaceClassifier）。

子空间分类器和对偶子空间分类器具有特征提取和分类决策于一体的功能。

第21页1.2遥感图像监督分类自相关矩阵子空间

投影矩阵

判别界面F（X）第22页1.2遥感图像监督分类■概率松弛法

概率松弛法(ProbabilisticRelaxation)：在考虑某个像元与其邻域内像元的相关性基础上进行迭代计算，最后依据最大概率对遥感图像进行分类。

基本思想：利用邻接像元从属于各类别的概率，来调整中心像元从属于各类别的概率，并根据调整后的概率按Bayes分类法对各像元进行分类。该过程是一个多次迭代的过程）。

第23页1.2遥感图像监督分类假设各类别的光谱特征服从正态分布。属于同一类别的像元属于该类的概率趋于同一个先验概率。对于某个像元属于ωi类而邻近像元属于ωj类的联合事件的概率，与本像元的点位无关，而只与“本－邻像元对”8个方向有关且在每个方向上趋同于一个先验概率。第24页1.2遥感图像监督分类

定义概率兼容系数：

估计某一类ωi的某像元k在N方向邻近像元影响下的调整概率：

式中：第25页1.2遥感图像监督分类计算第l＋1次迭代时，像元k属于ωi类的概率调整值当变动小于给定的阈值或有变动的像元个数小于给定的阈值时，迭代结束。

第26页1.2遥感图像监督分类

优点：

（1）概率松弛算法的预处理方法和后处理方法算法比较简单。（2）概率松弛算法充分利用了各像元从属于某一类别的概率信息，因而比前两种方法理论依据更充实、算法更精细。

缺点：

（1）预处理法不可避免地会产生某些不希望有的图像平滑效果，以致损失了必要的类别边界或纹理细节信息。（2）后处理法所能依据的信息仅是各像元的分类结果，而不知各像元从属某类的可靠程度(概率)，因而近似性较大。（3）概率松弛算法所需计算机容量和计算时间较费。第27页1.2遥感图像监督分类■平行六面体分类法

平行六面体分类法（ParallelepipedClassifier）：也称为多级切割法或者平行算法或者盒式决策规则，主要根据设定在各轴上的值域，在多维图像特征空间中划分出若干个互不重叠的平行多面体块段（特征子空间），每一块是一类。此方法分类时需有由训练组数据学习产生基本统计量信息，主要包括每类的均值向量和标准差向量。

第28页1.2遥感图像监督分类用平行六面体分类法分割三维特征空间第29页1.2遥感图像监督分类平行六面体分类法原理：

只有当 否则排除，Class(xi)＝0

相当于在数据空间中划分出若干个平行多面体块段，每一块段为一类。第30页1.2遥感图像监督分类02550255TMBand3TMBand4concretehighbuildingsgrassslopewaterbaresoilsforest02550255TMBand3TMBand4concretehighbuildingsgrassslopewaterbaresoilsforest12

要求分割面总是与各特征轴正交，如果各类别在特征空间中呈倾斜分布，就会产生分类误差。可先采用各轴的正交变换后，再进行多级分割。第31页1.2遥感图像监督分类优点 分类标准简单，计算速度比较快。缺点

按照各个波段的均值和标准差划分的平行多面体与实际地物类别数据点的分布的点群形态不一致。改进

将自然点群分割为几个较小的平行多面体。第32页1.2遥感图像监督分类■支持向量机分类法

支持向量机分类法(SupportVectorMachine,SVM)，是一种监督学习分类方法，通过引入核函数概念在高维特征空间解算最优化问题，进而寻找最优分类超平面，解决复杂数据分类问题。

两类样本数据可分离的支持向量机原理第33页1.2遥感图像监督分类■支持向量机分类法

平面L必须满足两条件:

（1）可划分两类样本；（2）L1距离L与L2距离L的距离要确保最大。当严格要求样本不可越过L1和L2两超平面时，则这种情况称为硬边缘分类，但硬边缘分类存在对异常值过于灵敏和只对线性可分离数据有效等问题，因此在满足最大化分类间隔基础上要引入损失函数构建新的优化问题，从而允许少量样本出现在间隔带中，则这种情况称为软边缘分类。

第34页1.2遥感图像监督分类■支持向量机分类法

支持向量机分类法通过对样本在光学遥感图像分类过程中的训练，搭建了地物类型和光学遥感图像信息因子间的桥梁，取得了较好分类精度和分类效果，适合解决小样本、高维、非线性多源数据分类，特别是一对一多类方法模型和以径向基核函数为基础的支持向量机模型，更适合提取遥感图像中的地物类别信息。

第35页1.2遥感图像监督分类■随机森林分类法

随机森林(RandomForest，RF)分类法是由Breiman率先提出的，是由众多的决策树组成，每一颗决策树都会产生一种分类结果，随机森林则是将所有结果汇总并从中选出最佳的分类器进行分类。其随机主要体现在两方面：（1）子模型的训练样本是随机抽取的；（2）子模型对应的特征信息也是随机抽取的。每一颗决策树模型的训练是通过自助采样法(Boostrap抽样)抽出来的，在构建每一颗决策树模型的时候是从所有特征中随机抽取一个子集来对模型进行训练。

第36页1.2遥感图像监督分类■随机森林分类法

随机森林(RandomForest，RF)分类法是一种比较成熟的算法，具备极高的准确率和精度高、能评估各个特征在分类问题上的重要性以及能提供快速、可靠、稳定性好的分类结果，在遥感图像分类上具有广泛的应用，特别是在数据维度较高，样本数据少，同时对准确性要求较高的多光谱与多时相遥感图像分类中，取得了很好的应用效果。

第37页1.2遥感图像监督分类■遥感图像监督分类的优缺点

遥感图像监督分类的优点：

（1）根据研究目的、研究内容和研究区域，选择性确定遥感图像分类类别，避免一些不必要类别的产生；（2）训练样本的选择具有可控性；（3）通过检验和核查训练样本，确定训练样本是否被精确分类，避免图像分类过程中出现较大错误。（4）避免了遥感图像非监督分类中对光谱集群组的重新归类。第38页1.2遥感图像监督分类■遥感图像监督分类的优缺点

遥感图像监督分类的缺点：

（1）分类系统的确定与样本选择，受人的主观因素影响较大，分类者确定的类别或许并不是遥感图像中存在的实际类别，这样会导致多维数据空间中各类别之间并非独一无二，有重叠现象；分类者选择的样本也可能并不代表遥感图像中的真实情况；（2）由于遥感图像中存在“同物异谱”现象，例如：同一植被类，由于其生长环境、密度、年龄、阴影等差异，内部方差大，可能导致训练样本不具有很好的代表性；（3）选取和评价训练样本都需要较多的时间和人力。（4）仅能识别样本中所确定的类别。

第39页1.3遥感图像非监督分类

遥感图像非监督分类：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，根据像元间相似度的大小进行归类合并的方法。

理论依据：遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域。方法：聚类分析。

第40页1.3遥感图像非监督分类主要过程

确定初始类别参数（类别数、集群中心）计算每个像元Xk到各集群中心j的距离dkj集群中心是否变化计算新的集群中心dki＝Min(dkj)XkЄ第i类结束YN第41页1.3遥感图像非监督分类■聚类中的相似性度量

在聚类过程中，通常是依据某种相似性准则对样本进行合并或分离。在统计模式识别中，常用的相似性度量有：欧氏距离、马氏距离和特征矢量的角度。

在多光谱遥感图像分类中，最常用的是距离相似性度量。在相似性度量确定后，须再确定一个评价聚类结果质量的准则函数。根据已经确定的准则函数对样本的聚类分析，须确保类内的距离最小，而类间的距离最大。即在分类结果中，同一类别点在特征空间中聚集的较紧密，不同类别点在特征空间中相距较远。例如，可利用最小误差平方和准则来实现：

第42页1.3遥感图像非监督分类■K-均值算法(K-MeansAlgorithm)K-均值算法又称为C-均值算法，K-均值算法的基本思想：通过迭代运算，逐渐移动各类中心，直至达到最好的分类结果为止。

聚类准则（收敛条件）：

使每一聚类中，多模式点到该类别的中心的距离的平方和最小。即：对于图像中互不相交的任意一类，计算该类中的像素值与该类均值差的平方和。将图像中所有类的差的平方和相加，并使相加后的值达到最小。

第43页1.3遥感图像非监督分类开始选择初始类别的中心将所有像元分到c个类别中聚类中心不变计算新的集群中心结束NY过程第44页1.3遥感图像非监督分类■ISODATA算法

基本思想：在初始类别参数选定的基础上，通过逐步趋近求出实际的基准类别参数。

实质：以初始类别为“种子”进行自动迭代聚类的过程，可以自动地进行类别的“合并”和“分裂”，其参数也在不断地聚类调整中逐渐确定，并最终构建所需要的判别函数。

基准类别参数的确定过程，也正是利用光谱特征本身的统计性质对判别函数不断调整和“训练”过程。第45页1.3遥感图像非监督分类过程输入控制参数ni<Tn计算初始集群的有关参数聚类分裂l=I或|Mil－Mil-1|≤T合并结束取消Ni-1σimax>TsNi<N/2或>σDik<TcYYYYYNNNNN第46页1.3遥感图像非监督分类第47页1.3遥感图像非监督分类K-Means算法与ISODATA算法的区别：（1）ISODATA算法它不是每调整一个样本的类别就重新计算一次各样本的均值，而是在把所有的样本都调整完之后才重新计算。（2）K-Means算法是逐个样本修正法，ISODATA算法是成批样本修正法。（3）ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别“合并”与“分裂”，从而得到类数比较合理的聚类结果。第48页1.3遥感图像非监督分类■模糊聚类算法

基本原理：利用模糊矩阵A＝[aij]对样本集U进行划分——软分类A的定义aijЄ[0,1]，表示样本Uj属于第i类的隶属度。A中每列元素之和为1，即一个样本对各类的隶属度之和为1。A中每行元素之和大于0，表示每类不为空。聚类准则一般b≥1，b越大，分类越模糊，当b＝1时为硬分类。

第49页1.3遥感图像非监督分类给出初始划分A计算聚类中心Vi计算新的分类矩阵A*分类NY具体过程第50页1.3遥感图像非监督分类■遥感图像非监督分类的优缺点

非监督分类主要优点：（1）不需要预先对所要分类的区域有广泛的了解和熟悉，而监督分类则需要分析者对所研究区域有很好的了解从而才能选择训练样本。但是在非监督分类中分析者仍需要一定的知识来解释非监督分类得到的集群组。（2）人为误差的机会减少，即使分析者对分类图像有很强的看法偏差，也不会对分类结果有很大影响。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）独持的、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丢失函数。

第51页1.3遥感图像非监督分类■遥感图像非监督分类的优缺点

非监督分类主要缺点——来自于对其“自然”的依赖性：（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，因此分析者面临着如何将它们和想要的类别相匹配的问题，实际上几乎很少有一对一的对应关系。（2）分析者较难对产生的类别进行控制，因此其产生的类别也许并不能让分析者满意。（3）图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使其不同图像之间的对比变得困难。

第52页1.3遥感图像非监督分类监督分类与非监督分类的比较根本区别：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：选择训练场地。监督分类法优点：简单实用，运算量小。缺点：受训练场地个数和训练场典型性的影响较大。受环境影响较大，随机性大。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。非监督分类优点：事先不需要对研究区了解，减少人为因素影响，减少时间，降低成本。不需要更多的先验知识，据地物的光谱统计特性进行分类。缺点：运算量大。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。PART02遥感图像信息计算机识别的其他方法第六章遥感图像信息计算机识别第54页2.1基于混合像元的遥感图像分类

遥感图像像元记录的是探测单元的瞬时视场角对应的地面范围内目标的辐射能量总和。若探测单元的瞬时视场角所对应的地面范围只包含了同一类性质的目标，则该像元记录的是同一性质的地面目标的辐射能量总和，这样的像元称为纯像元（PurePixel）。

若探测单元的瞬时视场角所对应的地面范围包含了多类不同性质的目标，则该像元记录的是多类不同性质的地面目标的辐射能量总和，这样的像元称为混合像元（MixedPixel）。第55页2.1基于混合像元的遥感图像分类混合像元分类第56页2.1基于混合像元的遥感图像分类在实际应用中，混合像元一般是客观存在的，若混合像元用在传统的统计模式识别方法（如：在最小距离分类法中，是按像元到各类中心间的最小距离来确定其类别的）中，往往会导致误分类。近年来，一些专家或学者提出了类型分解思想，根据各类地物在混合像元中的百分比(也称为类型比，CategoryProportion)确定混合像元的类型，也就是将混合像元划分到百分比最大的一类地物中。混合像元分类法主要有最小二乘法、二次规划法、模糊数学法等方法。第57页2.2基于知识的遥感图像分类

基于知识的遥感图像分析系统主要包括知识库(KnowledgeBase)和推理机(InferenceEngine)两个核心内容。

知识库中存储着很多与影像解译有关的经验和知识，既包括地面目标本身的知识，也包括遥感专家或学者长期积累的遥感图像判读与解译方面的方法、经验和知识，而且这些经验、方法和知识都要转换成计算机能够识别的形式。第58页2.2基于知识的遥感图像分类推理机主要包括遥感图像处理和分析算法、依据识别对象挑选算法与把各种算法组合成拥有一定逻辑顺序的算法序列的能力。当遥感图像等数据输入基于知识的遥感图像分析系统后，推理机在知识库的支持和帮助下完成遥感图像目标的识别和解译工作。

在遥感图像识别过程中，知识库中的知识丰富度是非常关键的，推理机的逻辑推理、空间分析和综合分析等能力也是非常重要的。第59页2.2基于知识的遥感图像分类系统结构框图目标分割和识别流程图第60页2.3面向对象的遥感图像分类

面向对象的遥感图像分类法在信息提取和分类时，处理的最小单元已不再是像元，而是含有更多语义信息的多个相邻像元组成的图像对象。

面向对象的遥感图像分类法首先在图像预处理基础上对遥感图像进行分割，获取同质对象；然后再按照遥感图像分类或目标地物提取的一些具体要求，提取和检验目标地物的部分特征信息（如：形状、大小、纹理、阴影、光谱、位置、布局等），最后利用模糊分类法对遥感图像进行分类和地物信息提取。第61页2.3面向对象的遥感图像分类

面向对象的遥感图像分类法有两个重要的特征：

（1）利用对象的多特征；（2）利用不同分割尺度获取不同尺度的图像对象层，各地类的提取不是都在同一尺度图像中进行，而是在各地类最适宜的尺度层中进行提取。这两个特征使面向对象的遥感图像分类结果更合理和更可靠，也更适用于高分辨遥感图像的分类。第62页2.3面向对象的遥感图像分类■多尺度图像分割

遥感图像在多尺度分割前表示同一空间尺度的类别信息，该尺度也就是图像的空间分辨率。一个对象层通常有一个固定尺度值，多个对象层通常体现了多种空间尺度的地物类别属性。不同尺度对象层提取不同属性类别信息，解决了图像地物识别中的“同谱异物”问题。在多尺度分割中，同一空间分辨率的遥感图像信息已不再是只用一种尺度来描述，同一时相图像可用多种适宜的尺度来表示。第63页2.3面向对象的遥感图像分类

面向对象分割层次图每个图像对象就能知道其邻居、子对象与父对象，就产生一个不同尺度从属关系的描述。在识别光谱信息和形状信息均非常相似的图像对象时，同一尺度层内相邻对象的语义信息与不同尺度层间图像对象的语义信息就显得十分重要。第64页2.3面向对象的遥感图像分类在面向对象的遥感图像分类中，关于多尺度分割的算法有很多，其中最有代表性和典型性的算法是分形网络演化算法(FractalNetEvolutionApproach，FNEA)。分形网络演化算法是从图像中单个像元（像素）开始，按照像元（像素）对象异质性最小原则，将单个像元(或像元集合)与其相邻的像元(或像元集合）进行合并，最后合并成一个个的图像对象，这些图像对象的集合便构成了图像分割结果。第65页2.3面向对象的遥感图像分类■面向对象分类方法面向对象的遥感图像分类中，对于分割结果的分类通常有两种方法：最邻近分类方法和决策支持的模糊分类方法。

最邻近分类方法：利用所给类别的样本在特征空间中对图像对象进行分类的一种方法。每一类都有样本和特征空间，而且其特征空间是可以组合任意的特征。

最邻近分类法的运算规则：对于每一图像对象，在特征空间中找寻其最近的样本对象，例如一图像对象最近的样本对象属于A类，则这图像对象就会被分为A类。第66页2.3面向对象的遥感图像分类

决策树支持的模糊分类：应用模糊逻辑概念和方法、继承机制与语义模型而建立，用于图像分类的一种决策知识库。

分类步骤：首先建立不同尺度的分类层次，并在每一层次上分别赋值对象的光谱特征、形状特征、纹理特征和相邻关系特征，然后通过定义多特征并赋予不同权重，定义每个对象隶属于某类的概率，建立图像分类标准，并根据最大概率原则在大尺度上提取出“父类”，再依据实际研究需要对感兴趣地物在小尺度上赋值特征提取出“子类”，最后确定图像分类结果。第67页2.3面向对象的遥感图像分类最邻近分类的原则第68页2.3面向对象的遥感图像分类

决策树分类图隶属函数第69页2.3面向对象的遥感图像分类

面向对象图像分析中的分类体系实际上就是一棵决策树，不同尺度的分割图像对应着决策树的不同层次。

分类体系实际是针对某一分类任务而建立的信息库，包含分类任务中的各种类型，并把这些类型组织在一个层次结构中。分类体系中的每一类型都有自己的特征描述，特征描述是由若干特征的隶属函数依据一定逻辑关系而组成。按照这种分类体系组织类别的专家知识，再按照决策树分类法对其进行分类。类别特征的定义是通过隶属函数(成员函数)实现的。第70页2.3面向对象的遥感图像分类

通常来说，若只用一个特征或很少的特征就可把一类与其他类识别开时，就使用决策支持的模糊分类法；否则，选择最邻近分类法。在处理多维特征空间联系方面，最邻近分类器比成员函数更优。

第71页2.4高光谱遥感图像分类■二值编码分类法

二值编码（BinaryEncoding）分类法的基本原理：首先对已知地物类别根据其波谱曲线进行二值编码（0或者1），编码方法是将各波段的灰度值和平均值作比较，大于生成0或者1，然后利用同样的方法对待判定像元光谱曲线进行二值编码，再使用异或方法进行待判像元光谱和已知光谱进行匹配（异或操作用于检查两个数是否有差别，有则为1，无则为0），最后将待分类像元分到波段数目相似性最多的类别中。

第72页2.4高光谱遥感图像分类二值编码技术使光谱匹配过程快速有效，有助于提高光谱数据分析处理效率。但由于该技术在编码过程中忽略了许多细微的吸收光谱信息，因此只使用于较粗略地识别分类，不能应用于精细的高光谱数据匹配识别分类研究中。

第73页2.4高光谱遥感图像分类■波谱角制图分类法

波谱角制图分类法（SpectralAngleMapper，SAM）：对地物波谱波形相似度的一种度量，将每条波谱都视为波段空间的一个矢量，通过计算一个测试波谱（像元波谱）与一个参考波谱之间的“角度”来确定两者间的相似性。参考波谱可以是实验室波谱或野外测定波谱或是从图像上提取的像元波谱，所选择的最终波谱单元作为参考波谱时须按照图像波谱的波长和波段间隔进行重采样，使得两个波谱曲线具有相同的维数。

第74页2.4高光谱遥感图像分类波谱角制图分类法是将每个样本看作是一个n维空间内的一个向量（X），第i个向量和第j个向量间存在一夹角，定义夹角的余弦作为两向量间的相似性度量。两矢量夹角余弦公式为：在波谱分类上可以消除或减弱因太阳入射角、地形、坡向和观测角等因素引起的波谱变异的“同物异谱”现象。此外，波谱角对于乘性干扰具有良好的抗干扰性，不受照度变化影响。

第75页2.4高光谱遥感图像分类■波谱信息散度分类法

波谱信息散度分类法(SpectralInformationDivergence，SID)最早由Chang教授于1999年提出，主要用来度量高光谱图像中两个不同像元间的相似性度，是一种基于信息论衡量两条光谱之间差异的波谱分类方法。与SAM分类法相比，SID考虑了光谱本身的变动性，更符合实际情况。

第76页2.5遥感图像分类新方法■人工神经网络分类法

人工神经网络(ArtificialNeuralNetwork，ANN)是一种模拟人脑神经元细胞的网络结构。

人工神经网络方法在遥感图像分类中具有两个功能：（1）神经网络通常用于遥感图像目标地物的特征抽取与选择。（2）神经网络用于学习训练及分类器的设计。由于ANN分类器是一种非线性分类器，可以提供难以想象而复杂的类间分界面，为多目标地物识别提供了一种可能的解决方法。

类型：BP、Hopfield、ART、自组织特征映射模型。

第77页2.5遥感图像分类新方法f(a)f(b)f(n)y1y2yn∑∑∑x1x2…xm……输入层输出层隐含层BP网结构W1kk第78页2.5遥感图像分类新方法BP网基本原理正向传播

输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐层之后，传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。到输出层时，再把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程。反向传播把误差信号按原来正向传播的通路方向传回，并对每个隐层的各个神经元的权系数进行修改，从而使误差信号趋向于最小。第79页2.5遥感图像分类新方法具体过程对权系数置初值给定训练数据集计算各层实际输出计算学习误差修正权系数和阈值误差是否满足要求分类NY第80页2.5遥感图像分类新方法

结论：（1）可以在一定程度上消除传统的遥感影像分类所带来的模糊性和不确定性。（2）从分类