第六章遥感图像计算机解译.pptVIP

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 Imgery Understanding):它以计算机系统为支撑环境，综合利用地学分析、遥感图像处理、地理信息系统、模式识别技术与人工智能技术，实现对遥感图像的专题信息智能化提取。 分类 分类目的：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的主要依据： 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 特征点集群 特征点集群在特征空间中的分布情况 理想情况——不同类别地物的集群至少在一个特征子空间中的投影是完全可以相互区分开的。 典型情况——不同类别地物的集群，在任一子空间中都有相互重叠的现象存在，但在总的特征空间中可以完全区分的。这时可采用特征变换使之变成理想情况进行分类。 一般情况——无论在总的特征空间中，还是在任一子空间中，不同类别的集群之间总是存在重叠现象。这时重叠部分的特征点所对应的地物，在分类时总会出现不同程度的分类误差，这是遥感图像中最常见的情况。 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，即将原有的m个特征量通过某种变换生成n个（n≤m）特征量。 特征变换的作用： 1、主成分变换（ K—L变换） 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。 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。 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，因此这种变换着眼点在于农作物生长过程而区别于其他植被覆盖。 3、生物量指标变换 比值变换图像可以增强土壤，植被，水之间的辐射差别，压抑地形坡度和方向引起的辐射量变化，在分类中具有较为明显的优点，而且计算相对较简单。 另一种生物量指标变换即归一化植被指数能较好的反应植被种类 ： NDVI=（TM4-TM3）/（TM4+TM3） 特征选择 ——从原有的n个特征值集合中，按某一准则选择出k个特征（k n）。 遥感影像的波段选择可分为定性的和定量的方法。 1.000 0.960 0.902 0.054 0.414 0.156 0.608 1.000 0.968 0.128 0.529 0.226 0.704 1.000 0.138 0.620 0.316 0.794 1.000 0.679 -0.080 0.366 1.000 0.311 0.891 1.000 0.468 1.000 相关系数矩阵 分类方法 监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，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，其中利用一定数量的已知类别求解函数中待定参数的过程称之为学习或训练，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 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）马氏距离： （2）欧式距离: （3）混合（计程）距离： dEi2=(X-Mi)T(X-Mi) dTi= |xj-mij| dMi= 2 Step 2 – for