第六章遥感数字图像计算机解译分析.pptVIP

第六章 遥感图像计算机解译 本章提要(…) §1 概述 §2 信息类别和光谱类别 §3 非监督分类 §4 监督分类 §5 其它分类方法 §6 不同分类方法的精度差异 §7 分类中应用的辅助数据 §8 图像分类的有关问题 遥感数字图像的性质与特点 1.遥感数字图像计算机解译 概念（与第五章对比） 解译难度大，原因 2.遥感数字图像概念 像素、像素分类 遥感数字图像特点 遥感数字图像表示方法 3.遥感数字图像表示方法 二值图像、单波段图像、彩色图像、多波段数字图像（重点） 4.航片的数字化 空间采样、属性量化 §1 概述 遥感影像分类就是把像元归到某个类别的过程 §2 信息类别和光谱类别 信息类别是用户使用的对地面事物的信息分类。 计算机分类的原理 计算机分类目的是实现影像从地学信息到智能化识别过程。 计算机分类核心是统计模式识别技术。该技术的关键要提取特征值，按一定准则决策。 计算机分类依据是地物光谱特性及其相似度。 计算机分类实质是按像素亮度的接近程度区分图像中地物类型。 特征提取：从N个特征中提取K个有效特征的过程。 分类方法包括监督分类和非监督分类。 计算机分类的过程 明确分类目的及需要解决的问题。 收集相关资料与数据。 比较分类方法，根据分类要求和数据特征，选取合适的分类方法。 寻找类别的统计特征。（计算机完成） 测定分类总体特征。监督分类（样区采样）；非监督分类（聚类算法） 进行分类。 分类精度检查。 最终结果检验。 多次重复，艰辛细致，可修改补充。 §3 非监督分类 非监督分类(Unsupervised Classification)是指在多光谱影像中搜寻和定义自然光谱集群组的过程，也叫聚类分析或点群分析。 非监督分类前提：同类地物在同样条件下具有相同光谱信息特征。 聚类：把一组像素按照相似性分成若干类别。 （物以类聚）求算像素之间的相似度。 1 非监督分类特点 优点 2 非监督分类方法 2 非监督分类方法 3 非监督分类的步骤 非监督分类的基本步骤 4 非监督类别解析为信息类别 可直接对应某些信息类别 §4 监督分类 1 监督分类特点 优点 1 监督分类特点 缺点 1 监督分类特点 训练数据 2 训练样区的选取原则 3 训练数据选择的一般步骤 4 监督分类的方法 最小距离法分类 ISODATA算法分类 最大似然法 多级分割分类法 特征曲线窗口法 5 执行监督分类的一般步骤 §5 其他分类方法 §6 不同分类方法的精度差异 §7 分类中应用的辅助数据 §8 图像分类的有关问题 * 本章主要介绍遥感图像的计算机分类方法，要求掌握监督分类和非监督分类方法，了解其它几种的分类方法。了解分类的精度问题、辅助数据和其它相关问题。 数字影像和分类影像 分类影像（右）是通过分析数字影像（左）确定的，将数字影像上相似光谱值的像元集合成组。这里“A”类由像元值5，6，7，8和9组成的，“B”类由像元值0，1，2，3，4组成。 光谱类别是像元按照亮度值进行的分组，亮度信息相似度大的像元归在一个组内，光谱类别可以直接在遥感数据中观察到。 非监督分类不需要预先对所要分类的区域有广泛的了解。 人为误差的机率很小。 面积很小的独立地物均能被识别。 缺点 非监督分类形成的光谱类别并不一定与信息类别对应。 分析人员很难控制分类产生的类别并进行识别。 光谱类别的解译识别工作量大而复杂。 分级集群法 集群：根据非监督分类的前提条件，不同地物有不同的辐射特性，对应图像上的像元会倾向于聚集在不同的灰度空间，形成很多点群，称为集群。 原理：采用求算像元之间的距离来评价每个像元在空间分布的相似程度，从而把它们的空间分布分割或者合并成不同的集群的过程。 步骤：1.确定评价像元相似程度方法 2.初定地物分类总数 3.计算像元之间距离 4.归并后的类别作为新类与其它类别求算距离，直到分类完成。 特点：人为干预少，某个像元被归为一类后，就没有改变的可能，导致操作次序会影响分类结果。 动态聚类法 原理：在图像初始状态时，先做粗糙分类，再遵循一定原则在类别间重新组合像元，直到分类比较合理为止。 步骤：1.选择初始类聚类中心 2.计算像元与初始类别中心的距离，把它分配到最近类别中。 3.计算并改正重新组合的类别中心，重复第二步，直到分类完成。 4.分类完成标志。类别数、距离、方差都达到标准。 类别合并与分裂 合并：1.两个