遥感数字图像处理_遥感数字影像分类研讨.ppt

遥感数字影像处理遥感数字影像分类;第五讲 遥感数字影像分类 ;1 概述;1.1 计算机遥感影像分类的概念;分类是对影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影像中多种地物的目的。 遥感影像分类是将影像的所有像元按其性质分为若干个类别的技术过程（朱述龙等，遥感图象获取与分析）。性质指地物光谱特征和空间特征。 ;1.2 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。 ;1.3 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。 ;2.1 计算机遥感影像分类的原理;取n*n的窗口，有关矩阵为： 关联矩阵 以偏离影像灰度为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。; 在很多情况下，利用少量特征就可以进行遥感影像的地学专题分类，因此需要从遥感影像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，使影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。 ; 统计特征变量可以构成特征空间，多波段遥感影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影像上。主成分变换可以把互相存在相关性的原始多波段遥感影像转换为相互独立的多波段新影像，而且使原始遥感影像的绝大部分信息集中在变换后的前几个组分构成的影像上，实现特征空间降维和压缩的目的。 ; 遥感影像计算机分类的依据是遥感影像像素的相似度。相似度是两类模式之间的相似程度。在遥感影像分类过程中，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;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（像元i到第g类类均值的距离） ;相关系数 是指像素间的关联程度。采用相关系数衡量相似度时，相关程度越大，相似度越大。两个像素之间的相关系数rij可以定义为： ;（1）首先明确遥感影像分类的目的及其需要解决的问题，在此基础上根据应用目的选取特定区域的遥感数字影像，影像选取时应考虑影像的空间分辨率、光谱分辨率、成像时间、影像质量等。 （2）根据研究区域，收集与分析地面参考信息与有关数据。为提高计算机分类的精度，需要对数字影像进行辐射校正和几何纠正（这部分工作也可能由提供数字影像的卫星地面站完成）。 （3）对影像分类方法进行比较研究，掌握各种分类方法的优缺点，然后根据分类要求和影像数据的特征，选择合适的影像分类方法和算法。根据应用目的及影像数据的特征制定分类系统，确定分类类别，也可通过监督分类方法，从训练数据中提取影像数据特征，在分类过程中确定分类类别。 ;（4）找出代表这些类别的统计特征。 （5）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。在无监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。 （6）对遥感影像中各像素进行分类。包括对每个像素进行分类和对预先分割均匀的区域进行分类。 （7）分类精度检查。在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料、专题图