遥感原理与应用2010_6.pptVIP

第六章:遥感数字图象计算机解译 第六章 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 遥感图像解译专家系统 §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.（P82辐射分辨率） 纯像素;混合像素 §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 §1、数字图像的性质和特点 §1、数字图像的性质和特点 §1、数字图像的性质和特点 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。 §2、遥感图像的计算机分类 一、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。P194 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。 一、分类原理与基本过程 遥感数字图像计算机分类基本过程(P195) 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。 根据研究区域，收集与分析地面参考信息与有关数据。 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。 找出代表这些类别的统计特征 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。 对遥感图像中各像素进行分类。 分类精度检查。 对判别分析的结果进行统计检验。 遥感图像计算机分类方法(P195) 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。 二、图像分类方法 1、监督分类 二、图像分类方法 1、监督分类 （1）最小距离分类法 P196它是以特征空间中的距离作为像素分类的依据，包括最小距离和最近邻域。 最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分像元与已知类别之间的距离，然后将其归属于距离最小的一类。 最近邻域分类法 P197在多波段遥感图像中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分像元到每一类中每一个统计特征量的距离，这样，该像元到每一类都有几特征值，取其中最小的一个距离作为该像元到该类别的距离，最后比较该待分像元到所有类别间的距离，将其归属于距离最小的一类。分类精度不高，计算速度快。 （2）多级切割分类法 P197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子空间的分类方法。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子空间。如落入某个特征子空间，则属于该类，如落入所有特征子空间之外，则属于未知类别。多波段图像分类前先进行主成分变换，然后进行多级分割。 （3）最大似然比分类法（MLC） P198是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。 前提：假定训练区各地物的光谱特征服从正态分布，利用训练区可求出均值、方差、协方差等特征参数，从而可求出总体的先验概率密度函数。当总体不符合正态分布时，不宜采用MLC。 （4）、特征曲线窗口分类法 图像分类的有关问题(P201) 1、未充分利用遥感图像的多种信息(仅光谱特征，空间关系、形状、大小等未用) 2、提高遥感图像分类精度受到限制： 大气状况(辐射纠正) 下垫面的影响(几何纠正) 其他影响 1)对数字图像进行增强处理； 2)对图像进行二值化处理(黑白或01)； 3)将图像中的像元分为线状地物与背景； 4)噪声去除从而获得初始线状地物图。 5)逐行扫描，寻找代表线状地物的像素，根据像素的多寡，计算线状地物的宽度； 6)剥皮细化留下骨干像素； 7)重复5-6步 5、遥感图像解译专家系统 专家系统：Expert System,简称ES。是把某一领域的专家知识与经验形式化后输入到计算机中，由计算机模仿专家 思