[工学]第四章 遥感图像自动识别分类.ppt

遥感图像自动识别分类 遥感数字图像的性质与特点 遥感数字图像的自动分类 遥感图像多种特征的抽取 遥感图像解译专家系统 (利用计算机进行遥感图像智能化解译，可以快速获取地表不同专题信息，并利用这些专题信息迅速地更新地理数据库。) 数字图像的性质和特点 遥感数字图像:是以数字表示的遥感图像,其最基本的单元是像素.像素是成像过程的采样点,也是计算机处理图像的最小单元.像素具有空间特征和属性特征. 像素的属性特征采用亮度值来表达. 遥感数字图像的特点：便于计算机处理与分析；图像信息损失少；抽象性强。 2、遥感图像按照波段数量分为: 单波段数字图像:SPOT 的全色波段. 多波段数字图像:TM的7个波段数据. 3、多波段数字图像的三种数据格式 BSQ格式(Band sequential) BIP格式(Band interleaved by pixel) BIL格式(Band interleaved by line) 航空像片的数字化 空间采样：将航空像片具有的连续灰度信息转化为每行有m个单元，每列有n个单元的像素组合。 属性量化：可得到每个像元的数字模拟量，与航空像片中对应位置上的灰度相对应。 遥感图像的计算机分类 分类原理与基本过程 计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用。关键是提取待识别模式的一组统计特征值。 遥感图像分类的主要基础是地物的光谱特征。然而，有时多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K－T变换等），以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。 分类原理与基本过程 分类过程中采用的统计特征变量包括：全局统计特征变量和局部统计特征变量。 全局统计特征变量如地物的光谱特征，TM的6个波段数据进行K－T变换（缨帽变换）获得的亮度特征。 局部统计特征变量是将数字图像分割成不同识别单元，在各个单元内分别抽取的统计特征变量。例如，纹理。 在很多情况下，利用少量特征就可以进行遥感图像的地学专题分类，因此需要从遥感图像n个特征中选取k个特征作为分类依据，我们把从n个特征中选取k个更有效特征的过程称为特征提取。 特征提取要求所选择的特征相对于其他特征更便于有效地分类，使图像分类不必在高维特征空间里进行，其变量的选择需要根据经验和反复的实验来确定。 分类原理与基本过程 特征变换(类间大，类内小---主成分变换等)和特征选择(减少数量，选择典型特征)。 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(特征空间中象元数据和分类类别特征的距离)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。 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。 分类基本过程 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。 根据研究区域，收集与分析地面参考信息与有关数据，数字图像进行辐射校正和几何纠正。 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。 找出代表这些类别的统计特征。 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。 对遥感图像中各像素进行分类。 分类精度检查。在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料、专题图进行核查。 图像分类方法 监督分类 （1）最小距离分类法：是用特征空间中的距离表示像元数据和分类类别特征的相似程度，在距离最小时（相似度最大）的类别上对像元数据进行分类的方法。 最近邻域分类法 Nearest Neighbour Defines a typical pixel for each class： Assigns pixels on the basis of spectral distance Can separate diverse classes Boundary problems remain unresolved (2)、多级切割分类法 通过设定在各轴上的一系列分割点，将