第五讲 遥感图像的计算机处理.pptx

2016/5/6;第六章 遥感数字图像计算机解译;遥感数字图像计算机解译;遥感数字图像是以数字形式表示的遥感图像，其基本单元是像素，像素具有空间特征和属性特征； 像素具有特定的空间位置信息和面积； 像素的属性特征采用亮度表示，像素值是由传感器所探测到的地面目标的电磁辐射强度决定。;由于传感器上探测元件的灵敏度直接影响有效量化的级数，因此，不同传感器提供的有效量化的级数是不同的。;遥感数字图像特点;数字化之后，连续空间变量被等间隔取样成离散值，一幅图像可以表示为一个矩阵，如果在x方向取N个取样点，在y方向取M个取样点，则数字图像可以用一个M*N的矩阵表示；;遥感数字图像;BSQ数据格式：按波段顺序依次排列的数据格式，每个波段数据依据行号依次排列。适合于对单个波谱波段中任何部分的空间存取。;;第六章 遥感数字图像计算机解译;遥感数字图像解译;遥感数字图像分类;遥感图像分类过程;分类过程中所采用的统计特征变量包括： 全局统计特征变量：K-T变换，K-L变换等 局部统计特征：纹理特征等；;遥感图像计算机分类的依据是遥感图像像素的相似度。相似度是两类模式之间的相似程度，常使用距离和相关系数来衡量相似度。;相关系数是指像素之间的关联程度，采用相关系数衡量相似度时，相关系数取值越大，相似度越大，两个像素之间的相似度定义：;遥感图像分类算法;首先需要从研究区域选取有代表性的训练区作为样本。 根据训练区提供的样本，选择特征参数（如像素亮度均值、方差等），建立判别函数， 根据判别函数对样本像元进行分类，依据样本类别的特征来识别其它像元的归属类别。;遥感图像监督分类;最小距离分类法;最近邻分类法;多级切割分类法;特征曲线窗口法;特征曲线窗口法;最大似然比分类法;假定遥感图像上同类物体在相同条件下具有相同的光谱信息特征；非监督分类不必获取样本的先验信息，仅仅依靠影像上不同地类的地物光谱特征（或者纹理信息）进行特征提取，再统计特征的差异来达到分类的目的，最后对已分出的各个类别的实际类别进行确认 非监督分类主要采用聚类分析的方法，把一组像素按照相似性归成若干类别，即“物以类聚”，从而使同一类别像素之间的距离尽可能的小，不同类之间的差异尽可能的大。 非监督分类的方法主要有：分级集群法、动态聚类法等 ;分级集群法;分级集群法分类过程;动态聚类法;监督/非监督分类方法比较 ;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；此外，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。 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。制约遥感图像分类精度的几个客观因素有大气状况的影响、下垫面的影响、其他因素的影响;第六章 遥感数字图像计算机解译;遥感图像解译，除了利用地物的光谱特征外，还需利用地物的形状特征和空间关系特征，因此需要提取图像的其他特征。;地球表面的物体，从其分布特征来看，主要表现为三种形式，点状地物、线状地物、面状地物；随着遥感影像空间分辨率的变化，相同地物的分布特征是可变的。;对地物边界跟踪，是获取地物形态特征的前提。针对不同地物分布特点，地物边界跟踪方法不同。;点状地物与面状地物的边界跟踪 点状地物是用一个像素或几个相邻像素表示的地物，因一个像素对应地表一定的面积，因此点状地物可视为缩小的面状地物。面状地物边界跟踪法同样适用于点状地物，只不过点状地物跟踪的方法更加简单。;线状地物信息检测与跟踪 线状地物检测是对线状地物像素的亮度与方向特性进行检测，找出可能的线状地物点。线状地物检测的方法较多，简单的有阈值技术。 1）首先对数字图像进行增强处理，然后对图像进行二值化处理，图像的二值化方法一般是通过设定某个阈值，并以该阈值为门限，把具有灰度级的图像变换为二值的黑白图像。 2）通过二值化处理，将图像中的像元分为线状地物与背景，在此基础上进行噪声消除，从而获得较为正确的线状地物片断，作为下一步线状地物扩展与连接的起始点。 3）数据经过以上处理后，得到一幅初始的线状地物图。;形状特征描述;为便于链码与地理坐标间的转换，规定地理坐标原点取在屏幕左上角，即X轴由左向右，y轴由上而下。对一个连通的像素序列来说，与某一像素连通的后续像素只可能是由0～7中的任一个方向码。因此，对图像边界来说，除像素序列的初始像素外，任一后续像素位置均可用0～7中的一个数值来唯一地确定。 ;形状特征描述;形状特征提取;地物单元面积 利用边界点上的地理坐标计算面积，其面积提取方法如下 首先计算出面状地物每一行的面积：;形状特征提取;地物空间关系