6 第六章 遥感数字图像计算机解译.docVIP

第六章 遥感数字图像计算机解译 目的与要求：掌握遥感图像计算机解译的原理、方法和基本步骤；掌握监督分类法和非监督分类法；掌握遥感图像解译专家系统的组成及发展趋势。 重点及难点： 遥感图像计算机解译的原理、监督分类法和非监督分类法 教学法：讲授法、演示法 教学过程： 第一节 遥感数字图像计算机解译 一、分类原理与过程 1.概述 自然界中不同类型的地物具有各自不同的电磁波谱特性，遥感数字图像中像元的不同数值（亮度值）反映了相应地物的波谱特性。 定义（遥感数字图像分类/计算机自动识别）： 通过计算机对图像像元的数值的统计、运算、对比和归纳，对像元进行分类，即可达到对地物的自动识别，这种技术处理称为遥感数字图像分类。 所依赖的理论方法：统计模式识别，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分类决策。 遥感图像分类中所用统计特征变量： 全局统计特征变量：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； 局部统计特征变量：将数字图像分割为不同识别单元，在各单元内分别抽取的统计特征变量（如描述纹理的特征量）。 例如，1-7波段亮度值是特征变量x1,x2,…,x7；组合运算也可产生特征变量。 利用统计特征变量进行分类，需要： （1）变量能反映分类特征的区别； 将人分婴儿、儿童…，要选择特征变量“年龄”，而不是身高、体重、性别、民族… 波段1-7分别反映对不同波段的反射率差异，但如果进行热分布制图，主要依据热红外波段6，而不用其他波段值。 （2）如果有几个特征变量，尽可能使其区分不同的特征 如，通过主成分变换，将相互之间存在相关性的原始波段遥感图像转换为相互独立的多波段新图像，变换后的信息集中于前几个组分的图像上，实现特征空间将维压缩的目的。 理想状况: 同物同谱(同亮度)——多维空间中聚于一点 ，实际上有误差 = 分布成 点群， (也有同物异谱或异物同谱的现象)， 分类实质上是划分多维特征空间, 每个子空间(区域)相当于某一类地物集合. 参与分类的多个特征量(向量)所定义的空间，称为特征空间，例如2 个波段定义的2 维特征空间，3 个波段定义的3 维特征空间等等。 2、遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。 采用距离衡量相似度时，距离越小相似度越大。 采用相关系数衡量相似度时，相关程度越大，相似度越大。 例，已知分类标准：类别婴儿[0-2]，平均1岁；儿童3-9，平均6岁；少年……；问: 8岁的人是哪一类？ ——混合距离发现，离儿童平均年龄6岁差值2，最接近(所以是“儿童”类 3. 遥感图像计算机分类方法 监督分类 由经选择的代表性样区数据得到各类别的统计数据,然后据这些统计数据对整个图像分类 .(有有关类别的先验知识) 先学习后分类 非监督分类 各类统计特征事先未知,仅据图像数据本身的统计特性及自然点群的分布特征对整个图像分类.(无有关类别的先验知识)。 二、图像分类方法 1、监督分类 （1）、最小距离分类法-最小距离判别法 （1）最小距离分类法-最近邻域分类法 （2）多级切割分类法 通过设定在各轴上的一系列分割点，将多维特征空间划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。 对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。 （3）、特征曲线窗口分类法 特征曲线是地物光谱特征曲线参数构成的曲线。 以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口内的地物即被认为是一类，反之，则不属于该类。 （4）、最大似然比分类法 通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。 假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。 2、非监督分类 （1）分级集群法 确定评价各样本相似程度所采用的指标 初定分类总数； 计算样本间的距离，据距离最近的原则判定样本归并到不同类别； 归并后的类别作为新类，与剩余的类别重新组合，然后再计算。 分级集群方法的特点 是分级进行的，可能导致对一个像元的操作次序不同，得到不同的分类结果，这是该方法的缺点。 （2）动态聚类法（ISODATA） 在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。 在分类过程中类别数可以变化，某个像元可能被分为不同的类。 3.分类后处理 1) 分类的后处理，进行滤波，驱除孤立离散点。 2) 将已知训练样本和分类结果做比较，进行分类结果的精度评价。如果结果不满足精度要求，分析原因，重新进行处理，直到满意为止。 3) 生成最终分类图像，供进一步处理。 4、监督分类与非监督分类方法比较