第六章 遥感数字图像计算机解译概要1.ppt

动态聚类法中有类别的合并或分裂，这说明迭代过程中类别总数是可变的。 如果两个类别的中心点距离近，说明相似程度高，两类就可以合并成一类；或者某类像元数太少，该类就要合并到最相近的类中去。 类别的分裂也有两种情况： 某一类像元数太多，就设法分成两类； 如果类别总数太少，就将离散性最大的一类分成两个类别，可以先求出每个类别的均值和标准差，然后通过对每一个波段的标准偏差设定阈值来实现，标准差大于阈值，该类就要分裂。 3 监督/非监督分类方法比较 根本区别点在于是否利用训练样区来获取先验的类别知识 监督分类根据训练样区提供的样本选择特征参数，建立判别函数，对待分类像元进行分类。因此，训练场地选择是监督分类的关键。对于不熟悉区域情况的人来说，选择足够数量的训练样区带来很大的工作量，操作者需要将相同比例尺的数字地形图叠在遥感图像上，根据地形图上的已知地物类型圈定分类用的训练样区。由于训练样区要求有代表性，训练样本的选择要考虑到地物光谱特征，样本数目要能满足分类的要求，有时这些还不易做到，这是监督分类不足之处。 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。严格说来，分类效果的好坏需要经过实际调查来检验。当光谱特征类能够和唯一的地物类型（通常指水体、不同植被类型、土地利用类型、土壤类型等）相对应时，非监督分类可取得较好分类效果。当两个地物类型对应的光谱特征类差异很小时，非监督分类效果不如监督分类效果好。 6.2.3 分类过程 遥感数字图像计算机分类基本过程如下： 首先明确遥感图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图像，图像选取时应考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。 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，需要对数字图像进行辐射校正和几何纠正。 对图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图像数据的特征，选择合适的图像分类方法和算法。根据应用目的及图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，从训练数据中提取图像数据特征，在分类过程中确定分类类别。 找出代表这些类别的统计特征。 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区域进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。 对遥感图像中所有像素进行分类。 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、专题图进行核查。 对判别分析的结果进行统计检验。 6.2.4 存在的问题 遥感图像计算机分类算法设计的主要依据是地物光谱数据。因此，存在着如下的问题： 未充分利用遥感图像提供的多种信息 遥感数字图像计算机分类的依据是像素具有的多光谱特征，并没有考虑相邻像素间的关系。例如，被湖泊包围的岛屿，通过分类仅能将陆地与水体区别，但不能将岛屿与临近的陆地（假定二者地面覆盖类型相同，具有同样的光谱特征）识别出来。这种方法的主要缺陷在于地物识别与分类中没有利用到地物空间关系等方面的信息。 统计模式识别以像素作为识别的基本单元，未能利用图像中提供的形状和空间位置特征，其本质是地物光谱特征的分类。例如，根据水体的光谱特征，在分类过程中可以识别构成水体的像素，但计算机无法确定一定空间范围的水体究竟是湖泊还是河流。这个问题如果引入地物形状特征则可以识别。显然，遥感图像计算机分类未能充分利用遥感图像提供的多种信息。因此图像分类后，可以利用分类的结果，将这些目标对象进行重组，在区域分割或边界跟踪的基础上抽取遥感图像形态、纹理特征和空间关系等特征，然后利用这些特征对图像进行解译。 提高遥感图像分类精度受到限制 分类精度是指分类结果的正确率，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。遥感数字图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％，其原因除了与选用的分类方法有关外，还存在着制约遥感图像分类精度的几个客观因素： 大气状况的影响、下垫面的影响、其他因素的影响。 大气状况的影响 不少人理想化地认为遥感图像只记录遥感观测区域内的地物电磁辐射能量，遥感图像的灰度大小及其变化只反映了地物的辐射光谱特征变化，这种观念是不正确的。地物辐射电磁波，必须经过大气层才能到达传感器，大气的吸收和散射会对目标地物的电磁波产生影响，其中大气吸收使得目标地物的电磁波辐射被衰减，到达传感器的能量减少，散射会引起电磁波行进方向的变化，非目标地物发射的电磁波也会因为散射而进入传感