遥感图像与计算机解译 .ppt

第六章 遥感图像计算机解译 计算机解译，又称遥感图像理解(Remote Sensing ImgeryUnderstanding):它以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据遥感图像中目标地物的各种影像特征(颜色、形状、纹理与空间位置)，结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理，实现对遥感图像的理解，完成对遥感图像的解译。 模式与模式识别 “模式”通俗的含义是某种事物的标准形式； 模式识别系统对被识别的物体作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较进而做出归类。 遥感影像分类 分类：将图像中的像元归并为不同的类型，例如，分为不同土地覆盖类型。 分类原理：依据被分类地物的光谱特征，进行特征选择，建立分类识别模式，进行分类。 ——遥感图像地物的光谱特征，即数字图像中同类地物的光谱相似性和异类地物的光谱差异性进行分类。 遥感图像计算机分类依据 分类方法 监督分类法：在研究区域中选择具有代表性的 训练区作为地物的标准样本，根据训练区的样本的光谱特征计算其特征参数（如样本的均值、方差等），建立识别各类地物的判别函数，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。 非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度大的像元归为一类）的方法。 （一）监督分类 监督分类的思想 ： 根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，利用一定数量的已知类别求解函数中待定参数，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定 。 判决函数和判决规则 判决函数——判断某个特征矢量属于哪个类别的 - 函数 判决规则——对判决函数值进行判断归类的依据 光谱特征向量：同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量（X）。 X=[x1,x2 …… xn] n为图像波段总数 ； xi地物点在第i波段的亮度值。 地物与光谱特征空间的关系 地类集群 1、最小距离分类法 ——基于距离判决函数和判决规则原理进行分类的方法。 基本思想：设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类。 判决规则：若di（X） dj（X）,则X属于i类。 距离判决函数： （1）欧式距离: （2）马氏距离： （3）混合（计程）距离： dEi2 = (X-Mi)T(X-Mi) dT i= |xj-mij| dMi= 2 Step 2 – for each unclassified pixel, calculate the distance to average for each training area 2、最大似然分类法（Maximum Likelihood 地物点可以在特征空间找到相应的特征点，并且同类地物在特征空间中形成一个从属于某种概率分布的集群。由此，我们可以把某特征矢量（X）落入某类集群的条件概率当成分类判决函数（概率判决函数），把X落入某集群的条件概率最大的类为X的类别，这种判决规则就是贝叶斯判决规则。 ——根据概率判决函数和贝叶斯判决规则进行分类的方法。 概率判决函数： 贝叶斯判决规则： 根据贝叶斯判决规则：若Pi（X） Pj（X）,则X属于wi类。 Pi（X）=P（X/wi）P（ wi ） 3、多级切割分类法 又称为平行算法或（盒式决策规则） 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字空间中。 监督分类基本过程 （1）确定感兴趣的类别数。 （2）特征变换和特征选择 （3）选择训练样区 （4）选择监督分类方法（判决函数和判决规则) （5）根据判决函数和判决规则对非训练样区的图像区域进行分类。 特征变换与特征选择 特征变换 减少特征之间的相关性 使得待分类别之间的差异在变换后的特征中更明显。 ——将原始图像通过一定的数字变换生成一组新的特征图像，这一组新图像信息集中在少数几个特征图像上。 特征变换的作用： 主成分变换（ K—L变换） 主成分变换：是一种除去波段之间的多余信息，将多波段的图像信息压缩到比原波段更有效的少数几个转换波段的方法。 在遥感图像分类中，常常利用主成分变换来消除特征向量中各特征之间的相关性，并进行特征选择。 x2 2、 K-T变换 这种变换既可以实现信息压缩，又可以帮助解译分析农业特征