第7章 遥感图像分类与变化监测.ppt

第7章 遥感图像分类与动态监测 1.遥感图像分类基础知识 (1)遥感应用的根本目的是提取专题信息。 专题信息提取是指利用图像的光谱信息，空间信息以及多时相信息对目标进行识别、归类，并从图像中提取各种专题信息的过程。 提取的信息主要有5类。 1.遥感图像分类基础知识 专题信息提取过程可概括为： 1.遥感图像分类基础知识 (2)遥感图像分类仅只是一种专题信息提取类型。 图像分类的目的是将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或者其他信息，按照某种规则或算法划分为不同的类别。 遥感图像分类就是对地球表面及其环境在遥感图像上的信息进行识别和分类，从而达到识别图像信息所相应的实际地物，提取所需地物信息的目的。 1.遥感图像分类基础知识 遥感图像分类的方法包括： 1.遥感图像分类基础知识 遥感图像计算机分类或称自动分类：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，根据目标地物的影像特征（颜色、形状、纹理、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，实现对遥感图象的理解，完成对遥感图象的解译。 1.遥感图像分类基础知识 (3)遥感图像计算机分类的依据是遥感图像像素的相似度。 常使用距离和相关系数来衡量相似度。 采用距离衡量相似度时，距离越小相似度越大。 采用相关系数衡量相似度时，相关程度越大，相似度越大。 1.遥感图像分类基础知识 遥感图像计算机分类方法 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。 1.遥感图像分类基础知识 遥感数字图像计算机分类基本过程 A、根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。 B、根据研究区域，收集与分析地面参考信息与有关数据。 C、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。制定分类系统，确定分类类别。 D、找出代表这些类别的统计特征 1.遥感图像分类基础知识 遥感数字图像计算机分类基本过程 E、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场地进行采样，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。 F、对遥感图像中各像素进行分类。 G、分类精度检查。 H、对判别分析的结果进行统计检验。 2.ERDAS遥感图像分类 (1)非监督分类，主要步骤包括： A、初始分类 B、专题判别 C、分类后处理 D、色彩重定义 E、栅格矢量转换 2.ERDAS遥感图像分类 (2)监督分类，主要步骤包括： A、定义分类模板 B、评价分类模板 C、进行监督分类 D、评价分类结果 E、分类后处理 聚类统计：通过对分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性。这是一个中间结果，供下一步处理使用。 过滤分析：对经Clump处理后的Clump类组图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。显然，这引出了一个小图斑归属问题。可以与原分类图对比确定新属性。 去除分析：用于删除原始分类图像中的小图斑或小Clump类组，与过滤不同，去除分析将删除的小图斑合并到相邻的最大分类中，而且如果输入图像是Clump聚类图像，经过去除处理后，将分类图斑的属性值自动恢复为Clump处理前的原始分类编码。即结果是简化的分类图像。 分类重编码：主要是针对非监督分类而言的，因在非监督分类过程中，用户一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过ISODATA聚类获得分类方案后，首先是将专题分类图像与原始图像对照，判断每个类别的专题属性，然后对相似或类似的分类通过图像重编码进行合并，并定义分类名称和颜色。 分类重编码还可以用在其它方面，作用有所不同。 3. ENVI遥感图像分类 非监督分类： 也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理)信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。 分类结果只是区分了类别的差异，但不能确定类别的属性。类别的属性需要通过目视判读或实地调查后确定。 3.1 ENVI非监督分类 3.1 ENVI非监督分类 ENVI非监督分类包括IS