遥感导论主要内容46.pptVIP

遥感导论主要内容2 遥感图像目视解译原理 目标地物特征 色—颜色 形—形状 位—位置 遥感图像目视解译原理 目标地物的直接判读标志 色调（tone）颜色（colour） 阴影（shadow） 形状（shape） 纹理（texture） 大小（size） 位置（site） 图型（pattern） 遥感图像目视解译原理 间接判读标志—目标地物与其相关指示特征 TM影像（5号星） SPOT4影像 中巴资源一号01、02星 高分辨率CCD相机 遥感图像目视解译基础 目视解译步骤 准备工作 初步解译与建标 室内详细判读 野外验证与补判 目视解译成果的转绘与制图 计算机自动分类的实质 是根据某一标准，对像元特征空间进行划分，将遥感影像上的每一个像元划分到不同地物类别的过程。 分类方法 监督分类 通过选取有代表性的训练场地作为样本，并依此建立判别函数。应用该函数对非样本像元进行分类 选取训练样本是监督分类的前提 注意：通常对每类地物都会选N个样本 分类方法 监督分类 最近邻域分类法 分类方法 监督分类 特征曲线窗口法 分类方法 监督分类 最大似然比分类法 Maximum Likelihood Classifier 分类方法 非监督分类 不以任何先验知识为依据，纯粹依靠不同光谱数据组合在统计上的差别来进行“盲分类”， 事后再对已分出各类的地物属性进行确认的分类方法。 分类方法 非监督分类 动态聚类法（ISODATA） 遥感图像的计算机分类 监督分类与非监督分类的比较 监督分类需要根据训练场提供的特征参数建立判别函数。工作量大，资料收集有难度，费用高，训练场选择较好时，分类质量高。 非监督分类不需要任何先验知识，根据地物光谱的统计特性进行分类。费用较低。光谱特征类与唯一地物对应时，分类质量高。地物间光谱特性相差小时，分类质量低。 人工智能方法 人工神经网络（ANN） 主要特征： 大规模的并行处理和分布式信息存储 具有自适应性和自组织性的非线性系统 较强的学习功能、联想功能和容错功能 从本质上讲也可以说一种监督分类，因为也有样本参与训练的过程 10 全色 0.51~0.73 全色 20 短波红外 1.5~1.75 4 20 近红外 0.79~0.89 3 20 红色 0.61~0.68 2 20 绿色 0.50~0.60 1 地面分辨率 波段名称 波长/um 波段序号 19.5 全色 0.51~0.73 全色 19.5 近红外 0.77~0.89 4 19.5 红色 0.63~0.69 3 19.5 绿色 0.52~0.59 2 19.5 蓝绿色 0.45~0.52 1 地面分辨率 波段名称 波长/um 波段序号 分类主要依据 地物的光谱特征 像素的相似度 通常用距离和相关系数作为衡量相似度的指标 绝对值距离 欧氏距离 马氏距离 混合距离 相关系数 分类方法 监督分类 最小距离分类 非监督分类 分级集群法（Hierarchical Clustering） 用距离评价各个像元在光谱空间上分布的相似程度，把它们合并成不同的集群，即分类结果中不同的类别。 * 第四章 遥感图像处理 颜色的性质可以由明度、色调和饱和度来描述。 上图从左至右饱和度逐渐增大，叶子的绿色中掺入白光的成分越来越少。物体的饱和度取决于其反射（透射）光谱特性。反射（透射）光谱越窄，物体饱和度就越高。 红、绿、蓝这三种颜色称为“色光三原色” 也称加法三原色。 光学基础知识 原色减法：三补色(黄，品红，青）全部参与叠加形成黑色，任意其中两种补色相加形成不参与合成的颜色的原色。 （近似）真彩色合成 标准假彩色合成 其中遥感平台位置和运动状态变化的影响 包括航高、航速、俯仰、翻滚、偏航等 遥感影像变形原因： 遥感平台位置和运动状态变化的影响 地形起伏的影响 地球表面曲率的影响 大气折射的影响 地球自转的影响 数字图像的校正 数字图像的校正 精校正基本思路 数字图像的校正 精校正具体步骤 确定校正前后像元的位置关系 通过控制点，找到变换前后图像坐标的对应关系 建立该关系的数学描述 根据该数学描述计算坐标 计算校正后各像元的亮度值 ？ ？ ？ ？ ？ 最小二乘法在多项式纠正的使用 多项式几何纠正根据多项式方程的次数，有最少控制点个数的要求，但控制点选择过程中可能存在随机误差。为了消除随机误差，需要尽可能将更多的控制点信息应用到多项式模型的方程解算当中，因此需要利用最小二乘法将更多的控制点坐标信息应用到多项式方程的求解过程。 最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。 数字图像的校正 计算方法 计算校正后各像元的亮度值 最近相邻法 k=Integer(x+0.5) l=Integer(y+0.5)