遥感图像处理基本原理厉青解析.pptVIP

3、一般情况 无论在总空间或子空间中，不同类别点群都有重叠现象。这时重叠部分的影像在分类时，会出现一定程度的误差，这是遥感图像分类中最常见的情况。 无论哪种情况，分类问题的核心都是确定地物类别点群在特征空间的中心位置、边界范围及类与类之间的边界。 位置（一个点群的中心）－计算图像灰度的均值向量（即数学期望） 范围－计算图像灰度的标准差向量（或协方差矩阵)。即点群的离散程度。 边界－应用边界函数，鉴别图像像元的类别归属。 三、监督分类和非监督分类 1、监督分类 先在图像中选择有代表性的训练区（应是波谱特征比较均一的地区），由训练组数据得出各个类别的统计数据，然后根据这些统计数据对整个图像进行分类，即把图像中各个像元点归化到给定类中。 2、非监督分类 根据图像数据的本身统计特征及自然点群的分布情况划分类别，各类别的统计特征是未知的，一般是提供少数阈值对分类过程给以部分控制。 监督分类与非监督分类的最大区别在于，监督分类首先给定类别，而非监督分类由图像数据的统计特征来决定。 ? 监督分类和非监督分类相同之处：它们都是以图像的灰度为基础，通过统计、计算灰度的均值、方差、协方差(标准差)(或协方差矩阵)等特征参数进行分类的。为了提高分类精度，通常还采用一些“辅助信息”参入计算机的自动分类识别.例如，由于遥感图像时间特征的影响，考虑采用多时相的图像数据。由于地形的影响考虑采用数字地面模型的数据。在具有地理信息系统的情况下，采用地理信息系统支持的分类等。 人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。 * 根据 X＝ Fx(x,y) 　Y＝ Fy(x,y) 　　　　　　　　　　　　　　　　 　 　　 　　　　　　　　　　　　　　　　 求出原始图像四个角点（a、b、c、d）纠正后　的对应点（a′、b′、c′、d′）的大地坐标（X a′,Y a′）, （X b′,Y b′）, （X c′,Y c′）, （Xd′,Yd′），然后求其最大和最小值，即： 　　　X1＝min(X a′，X b′, X c′, X d′) 　　　X2＝max(X a′，X b′, X c′, X d′) (3) 　　　Y1＝min(Y a′,　Y b′,Y c′,Y d′) 　　　Y2＝max(Y a′,　Y b′,Y c′,Y d′) 　 由（3）式确定的大地坐标值即为纠正后图像的边界范围。 为了把该边界范围转换为计算机中纠正图像的贮存数组空间，必须在其中划分出格网，每个网代表一个输出象元。为此应根据精度要求定义输出象元的地面尺寸△X和△Y，并以边界范围左上角A点为输出图像的坐标原点，以x′轴（AC边）表示图像行号，以y′轴（AB边）表示图像列号。图像总的行列数M和N由下式确定： ? 　输出图像在A－x′y′坐标系中，每个象元将以其所在的行列号来确定其位置。行列号的范围为： x′＝1，2，……，M y′＝1，2，……，N 　　　 任意一个输出图像坐标（行列号）与坐标的关系为： ? 　或 式中：Xp，Yp － 纠正后象元中的地面坐标， 　　xp′，yp′－ 纠正后象元中的图像坐标（行列号） （四）、纠正后数字图像灰度值的重采样 　以间接法纠正方案为例，假如输出图像阵列中的任意一个象元在原始图像中的投影点的坐标值为整数时，便可简单地将整数点位上原始图像上的灰度值直接取出，填入输出图像中。但当投影点位的坐标不为整数时，则投影点的灰度值需根据周围阵列象元的灰度确定，这种方法就称为灰度值重采样。所谓重采样，是相对于遥感信息获取时已进行过一次采样而言的。 1.邻近法： 　以离投影点最近的一个象元的灰度值作为输出象元的灰度值。 这种方法保持了原来的亮度值不变，即光谱信息不变，但却搬动了空间位置，相比之下，几何精度差。但方法简单，计算速度快，灰度失真大。 2.双线性内插法： 　以投影点周围邻近四个象元的灰度值，确定输出象元的灰度值，其简单式为： g x′y′－输出