遥感图像处理(分类与特征抽取)水院分析报告.ppt

遥感图象处理：分类与特征提取 分类与特征提取 概述 分类原理与基本过程 遥感图像分类方法 遥感图像多种特征提取 图像解译专家系统 概述 遥感图像计算机分类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。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理解。 概述 利用计算机对遥感数字图像进行分类难度很大。 遥感图像是从遥远的高空成像的，成像过程要受传感器、大气条件、太阳位置等多种因素的影响。影像中所提供的目标地物信息不仅不完全，而且或多或少地带有噪声，因此人们需要从不完全的信息中尽可能精确地提取出地表场景中感兴趣的目标物。 遥感影像信息量丰富，与一般的图像相比，其包容的内容远比普通的图像多，因而内容非常“拥挤”。不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。 遥感图像的地域性、季节性和不同成像方式更增加了计算机对遥感数字图像进行解译的难度。 概述 由于利用遥感图像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。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，这是实现遥感图像自动理解的基础研究之一，也是地理信息系统中数据采集自动化研究的一个方向，因此具有重要的理论意义和应用前景。 分类原理与过程 计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用。统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定准则作出决策，从而对数字图像予以识别。 遥感图像分类的主要依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值可以用作遥感图像分类的原始特征变量。然而，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特征的模式变量，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。 分类原理与过程 分类过程中采用的统计特征变量包括：全局统计特征变量和局部统计特征变量。 全局统计特征变量是将整个数字图像作为研究对象，从整个图像中获取或进行变换处理后获取变量，前者如地物的光谱特征，后者如对TM的6个波段数据进行K－T变换（缨帽变换）获得的亮度特征，利用这两个变量就可以对遥感图像进行植被分类。 局部统计特征变量是将数字图像分割成不同识别单元，在各个单元内分别抽取的统计特征变量。例如，纹理是在某一图像的部分区域中，以近乎周期性或周期性的种类、方式重复其自身局部基本模式的单元，因此可以利用矩阵作为特征对纹理进行识别。 分类原理与过程 取n*n的窗口，有关矩阵为： 关联矩阵 以偏离图像灰度为i的点一定位置?（方向和距离）的点的灰度为j的概率Pδ(i,j)，求出关联矩阵，从该矩阵中算出各种纹理的特征量（能量、熵、相关性等） 旋转矩阵 以?方向上灰度为i的点连续出现k个的频率P?(i,k)为元素，求出旋转矩阵。从矩阵中算出各种纹理的特征量。 分类原理与过程 在很多情况下，利用少量特征就可以进行遥感图像的地学专题分类，因此需要从遥感图像n个特征中选取k个特征作为分类依据，我们把从n个特征中选取k个更有效特征的过程称为特征提取。 特征提取要求所选择的特征相对于其他特征更便于有效地分类，使图像分类不必在高维特征空间里进行，其变量的选择需要根据经验和反复的实验来确定。 分类原理与过程 统计特征变量可以构成特征空间，多波段遥感图像特征变量可以构成高维特征空间。一般说来，高维特征空间数据量大，但这些信息中仅包含少量的样本分类信息。为了抽取这些最有效的信息，可以通过变换把高维特征空间所表达的信息内容集中在一到几个变量图像上。主成分变换可以把互相存在相关性的原始多波段遥感图像转换为相互独立的多波段新图像，而且使原始遥感图像的绝大部分信息集中在变换后的前几个组分构成的图像上，实现特征空间降维和压缩的目的。 分类原理与过程 遥感图像计算机分类的依据是遥感图像像素的相似度。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。 距离:特征空间中象元数据和分类类别特征的相似程度。距离最小即相似程度最大。 度量特征空间中的距离经常采用以下几种算法: 绝对值距离 欧氏距离 分类原理与过程 马氏距离（Mahalanobis，既考虑离散度，也考虑各轴间的总体分布相关) 混合距离（像