第9章--遥感图像分类.ppt

第9章 遥感图像分类 遥感图像计算机分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。 由于利用遥感图像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。因此，利用计算机进行遥感图像智能化解译，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，这是实现遥感图像自动理解的基础研究之一，也是地理信息系统中数据采集自动化研究的一个方向，因此具有重要的理论意义和应用前景。 模式识别系统最主要的功能是对要识别的对象的类别进行判别。需要确定一定的判别规则,即判别函数和相关的比较运算关系. 分类方法 监督分类：事先已知类别的部分信息 非监督分类：事先没有类别的先验信息 硬分类：一个像素分为一类 软分类：一个像素分为多个类---混合像素 遥感图像计算机分类的依据是遥感图像像素的相似度。在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。 距离:特征空间中象元数据和分类类别特征的相似程度。距离最小即相似程度最大。 度量特征空间中的距离经常采用以下几种算法: 1.绝对值距离(等权、等混合距离) 2. 欧氏距离 图像预处理 确定工作范围：剪裁图像---矩形子图像，图像掩膜---多边形内的图像。 多源图像的几何配准 噪声处理 辐射校正 几何精纠正 多图像融合 特征选取 可分性 可靠性 独立性 数量少 波段选择、特征变换 分类 非监督分类 监督分类 分类后处理 处理零星的异类 结果检验 对分类精度进行可靠性检验、评定 结果输出 设置投影、比例尺、图例等制作成专题图 具体算法步骤如下： 分类后处理 无论是监督分类还是非监督分类，其结果都会产生一些面积很小的图斑。无论从专题制图的角度还是实际应用的角度，都有必要对这些小图斑进行剔除。处理方法： 聚类统计(Clump) 过滤分析(Sieve) 去除分析(Eliminate) 分类重编码（Recode) 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。 分类后处理 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。 分类后处理 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。 监督/非监督分类方法比较 根本区别点在于是否利用训练样区来获取先验的类别知识 监督分类根据训练样区提供的样本选择特征参数，建立判别函数，对待分类像元进行分类。因此，训练场地选择是监督分类的关键。对于不熟悉区域情况的人来说，选择足够数量的训练样区带来很大的工作量，操作者需要将相同比例尺的数字地形图叠在遥感图像上，根据地形图上的已知地物类型圈定分类用的训练样区。由于训练样区要求有代表性，训练样本的选择要考虑到地物光谱特征，样本数目要能满足分类的要求，有时这些还不易做到，这是监督分类不足之处。 监督/非监督分类方法比较 非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。因此，非监督分类方法简单，且分类具有一定的精度。严格说来，分类效果的好坏需要经过实际调查来检验。当光谱特征类能够和唯一的地物类型（通常指水体、不同植被类型、土地利用类型、土壤类型等）相对应时，非监督分类可取得较好分类效果。当两个地物类型对应的光谱特征类差异很小时，非监督分类效果不如监督分类效果好。 存在的问题 遥感图像计算机分类算法设计的主要依据是地物光谱数据。因此，存在着如下的问题： 未充分利用遥感图像提供的多种信息 遥感数字图像计算机分类的依据是像素具有的多光谱特征，并没有考虑相邻像素间的关系。例如，被湖泊包围的岛屿，通过分类仅能将陆地与水体区别，但不能将岛屿与临近的陆地（假定二者地面覆盖类型相同，具有同样的光谱特征）识别出来。这种方法的主要缺陷在于地物识别与分类中没有利用到地物空间关系等方面的