第7章遥感数字图像的计算机解译.pptVIP

面向二十一世纪课程教材 遥感导论 第7章 遥感图像计算机解译 概念 7.1 遥感数字图像的性质与特点 7.2 遥感数字图像的计算机分类 7.3 遥感图像多种特征的抽取 7.4 遥感图像解译专家系统 7.2 遥感数字图像的计算机分类 计算机分类处理的一般过程 监督分类 一般步骤： 1.监督分类包括利用训练区样本建立判别函数的“学习”过程. 2.把待分像元代入判别函数进行判别过程。 训练区的选择： 1.训练区必须具有典型性和代表性。 2.对所有使用的图件要求时间和空间上的一致性。（协助选取） 3.训练区样本选择后可做直方图，观察其分布规律，一般要求单峰近似正态分布，若双峰，则可能是混合类别，需要重做。 4.训练样本数目确定。至少N+1（N为光谱维）是理论值。具体分类时要看对图像的了解程度和图像本身情况来确定。 5.训练区确定后，计算各种统计量如集群的均值和方差、协方差。 非监督分类 概念：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（将相似度大的像元归为一类）的方法。采用的聚类分析的方法。 主要过程： 1.确定初始类别参数，即确定初始类别数和类别中心（集群中心）。 2.计算每个像元所对应的特征矢量与各集群中心的距离。 3.选与中心距离最短的类别作为这一矢量的所属类别。 4.计算新的类别均值向量。 5.比较新的类别均值与原中心位置上的变化。若位置发生了改变，则以新的类别均值作为聚类中心，再从第二步开始重复，进行反复迭代操作。 6.如果聚类中心不再变化，计算停止。 监督分类和非监督分类的区别 根本区别点: 在于是否利用训练场地来获取先验的类别知识，监督分类根据训练场提供的样本选择特征参数、建立判别函数，对待分类点进行分类。非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。因此，非监督分类方法简单，且分类具有一定的精度。 7.3遥感图像多种特征的抽取 * * 电子教案 制作人：贾维花 遥感数字图像计算机解译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。 像元 属性特征 空间特征 空间分辨率 亮度值 数字图像 构成单元 特点 表示方法 多波段数据格式 1.便于计算机处理与分析 2.图像信息损失低 3.抽象性强，便于建模。 二维数组或矩阵 BSQ(Band sequential) BIP(Band interleaved by pixel) BIL(Band interleaved by line) (见P190~191) 返回 正像素 混合像素 1 分类的原理 2 图像分类的方法 3 分类的一般过程 4 图像分类的有关问题（见P201～202） 返回 统计模式识别 像素的相似度 统计特征变量 分类依据 分类原理 统计模式识别的关键：是提取待识别模式的一组统计特征，然后按照一定准则作出决策，从而对数字图像予以识别。 地物的光谱特征以及对图像进行处理后的特征变量，根据其像元的相似度 全局统计特征变量 局部统计特征变量 特征空间中的距离 特征空间相似系数 绝对距离 欧氏距离 马氏距离 混合距离 返回 波段： 1 2 3 4 同类地物集聚性 原始图像的预处理 训练区的选择 特征选择、特征提取 分类运算 结果检验 成果输出 返回 分类过程 见P(195~196) 监督分类 非监督分类 分类方法 最小距离分类法 多级切割分类法 特征曲线窗口法 最大似然比分类法 分级集群法（Hierarchical Clustering) 动态聚类法 （ISODATA) 最小距离判别法 最近邻域分类法 返回 监督分类和非监督分类的区别 返回 返回 返回 返回 光谱特征 形状特征 空间关系特征 纹理特征 点状地物 线状地物 面状地物 地物单元边界特征描述 形态特征描述 相邻关系 包含关系 方位关系 相交关系 相贯关系 距离关系 方向关系 遥感图像解译专家系统 图像处理与特征提取子系统 图像解译专家系统的机理 图像解译知识获取子系统 图像处理：图像滤波、增强、大气校正、几何精校正、正射纠正等。 特征提取：光谱特征、形状特征、空间关系特征、纹理特征 增加遥感解译新知识 修改原知识或补充新知识 自动总结经验，修改错误和增加新的解译知识 遥感图像数据库 遥感解译知识库 推理机 解释器 专家解译知识 背景知识 咨询式 隐蔽式 返回 计算机解译技术发展趋势 人工神经网络 分形技术 小波分析 模糊