遥感图像分类处理分析报告.ppt

7 遥感影像计算机分类遇到的困难 （1）遥感影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。 （2）遥感影像信息量丰富，与一般的影像相比，其包容的内容远比普通的影像多，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。 （3）遥感影像的地域性、季节性和不同成像方式更增加了计算机对遥感数字影像进行解译的难度。 8 遥感影像计算机分类发展前景 由于利用遥感影像可以客观、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影像智能化解译，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，这是实现遥感影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。 2. 常规分类方法的盲区 聚类统计（Clump) 通过对分类专题影像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出影像，其中每个图斑都包含Clump类组属性。这是一个中间结果，供下一步处理使用。 过滤分析(Sieve) 对经Clump处理后的Clump类组影像进行处理，按照定义的数值大小，删除Clump影像中较小的类组图斑，并给所有小图斑赋予新的属性值0。显然，这引出了一个小图斑归属问题。可以与原分类图对比确定新属性。 4.3 去除分析(Eliminate) 用于删除原始分类影像中的小图斑或小Clump类组，与过滤不同，去除将删除的小图斑合并到相邻的最大分类中，而且如果输入影像是Clump聚类影像，经过去除处理后，将分类图斑的属性值自动恢复为Clump处理前的原始分类编码。即结果是简化的分类影像。 分类重编码(Recode) 主要是针对非监督分类而言的，因在非监督分类过程中，用户一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过ISODATA聚类获得分类方案后，首先是将专题分类影像与原始影像对照，判断每个类别的专题属性，然后对相似或类似的分类通过影像重编码进行合并，并定义分类名称和颜色。 分类重编码还可以用在其它方面，作用有所不同。 6.影像分类的后期处理问题 在遥感图像的分类中，由于混合像元的存在以及分类算法是针对每个像元单独进行的，结果在分类影像中会出现一大片同类地物中夹杂着散点分布的异类地物的不一致现象，他们在分类图像中表现为噪声。为了克服这种与实际情况不相符合、也不满足分类要求的情形，可通过平滑处理来减少或消除类别噪声的影响。 常用的方法有： 聚类统计(Clump) 过滤分析(Sieve) 去除分析(Eliminate) 分类重编码（Recode) 分类精度是指分类结果的正确率。正确率包括地物属性被正确识别，以及它们在空间分布的面积被准确度量。遥感数字影像分类结果在没有经过专家检验和多次纠正的情况下，分类精度一般不超过90％； 计算机分类的准确性是至关重要的，对分类结果需进行误差分析，即随机抽查检验区分类的精度和可靠性。当精度不够时，可从两方面进行改进（1）重新选择训练样本；（2）对判别函数进行评价和选择。 7.遥感影像分类精度 13.5 计算机分类新方法 监督分类和非监督分类都是依据地物的光谱特性的点独立原则来分类的，且都采用的是统计方法，这种方法只是根据各波段灰度数据的统计特征进行的，加上卫星遥感数据的分辨率的限制，一般图像的像元都带有综合光谱信息（混合）的特点，致使计算机分类面临着许多模糊对象。尤其对同物异谱、异物同谱普遍存在的情况下，也会带来不正确的分类结果。因此近年来出现了一些新的分类方法，如模糊分类、神经网络分类等。 13.5.1 模糊分类（混合像元分类） 混合像元——传感器对地物的探测是以像元未单位的，像元除了有一定的波谱参量外，还表征了地物的空间分布即具有一定的面积。如果一个像元内仅包含一种地物，则称这个像元为典型像元(纯像元）；如果一个像元内包含几种地物，则称该像元为混合像元。 实际上，遥感影像中的像元很大程度上都是混合像元，混合像元分解的重要性早就为遥感界所认识。单个像元提供的信息只是亮度值，要在这单个像元中提取各类地物信息，这实际上也相当于一个黑箱，我们所知道的只是外部表现，而内部机理都是不清楚的。近年来发展起来的模糊理论和方法，对于分析不准确的信息或界线不明确的对象提供了有用的概念和方法。 对于遥感影像的分类，模糊方法已显