第六章--遥感数字图像的计算机解译.pptVIP

第六章 遥感数字图像的计算机解译 第一节 遥感图像计算机分类基本原理 第二节 监督分类与非监督分类 第三节 分类精度的评价和提高 遥感图像计算机信息提取 遥感图像计算机信息提取：采用计算机模拟人脑思维活动方式对图像加工、分析、判断、推理从而提取相关信息的过程，是计算机科学与遥感技术的有机结合。 遥感信息包括：光谱信息和空间信息 光谱信息：可通过计算机分类提取； 空间信息：通过结构模式识别完成。 第一节 遥感图像计算机分类基本原理 计算机图像分类：通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。图象分类的目的就是对图象上由不同的灰度值或色调所代表的不同目标或土地覆盖类型进行识别及描画。 按执行方式分：监督分类和非监督分类； 按分类模型或分类器分：统计分类、模糊分类、邻域分类和神经网络分类。 一、计算机分类原理 不同地物具有不同的波谱特征，同类地物具有相同或相近的波谱特征。遥感图像计算机分类是基于数字图像中反映的同类地物的光谱相似性和异类地物的光谱差异性进行的。 多波段图像每个波段可看作一个变量，即原始图像的特征变量。一个像元可看作有n个特征组成的n维空间的一个点，同类地物的像元形成n维空间的一个点群，差异明显的不同地物构成n维空间的若干个点群。 计算机分类就是分析特征空间这些点群的特点，如点群位置、分布中心、分布规律，从而确定点群的界限，最终完成分类任务。 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 是建立在对图像像元灰度值的统计、运算、对比和归纳基础上进行的 关键是提取待识别模式的一组统计特征值，然后按照一定准则作出决策，从而对数字图像予以识别。 二、计算机分类的一般步骤 1、分类预处理：大气校正等 2、特征选择：通过变换处理，从原始图像n个特征选出k个特征参与分类 3、分类(判别函数) 4、分类后处理(精度评价)：对“噪声类别”进行“平滑滤波”处理 5、专题图制作 特征选择(Feature Selection) 图像分类之前，需进行特征选择和特征提取。 特征选择（Feature Selection）：是采用什么时相、哪些波段的图像。 特征提取(Feature Extraction)：是在分类之前进行图像处理，以突出某些要求提取的信息。如主组分分析就可以达到减少维数，突出特征信息的作用。 特征选择最佳指数公式 最佳指数公式 式中的Si为第i个波段的标准差， Si越大，该波段图像的信息量越大；Rij表示第i、j两个波段之间的相关系数， Rij越小，两个波段之间的独立性越高。即OIF值越大，波段组合越优。 判别函数（数学模式） A、从已知类别中找出分类参数、条件等，从而确定判别函数或模式，称之为监督识别分类； B、在缺乏已知条件的情况下，根据数据自身规律总结出分类参数、条件，并确定判别函数或模式。称为非监督识别分类。 第二节 非监督分类与监督分类 一、非监督（识别）分类 依据每一类型地物具有的相似性，把反映各类型地物特征值的分布，按相似分割和概率统计理论，归并成不同的空间集群，然后与地面实况进行比较来确定各集群的含义。 当既无训练区又对研究地区不熟悉时，可采用非监督统计识别分类法。 非监督识别分类 事先对所研究地区没有了解。计算机对直接输入的各像元的数据进行运算处理，并分别归纳到与波段数相等的维数的多维空间内的若干个集群中，然后结合野外实况调查确定每个集群的含义，从而达到识别分类的目的。 理想情况：在不同类别地物的集群，在某一子空间中无重叠，可以完全分开； 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却是可以完全区分的。这就意味着，利用单波段的图像不能实现完善的分类，而只有利用多光谱图像，在多维特征空间中，才可能实现精确的分类。 一般情况：无论在总的特征空间中，或在任一子空间中，不同类别的集群之间总是存在有重叠现象。这时重叠部分的特征点所相应的地物，在分类时总会出现不同程度的分类误差，这是遥感图像分类中最常见的情况，如图所示。 优点：此种方法不需要训练区，直接利用图像像元灰度值的统计特性进行类别划分，因而回避了训练过程中可能出现的问题。 同一特性的多波段数据，将集群于多维空间的某一确定位置周围；而不同特性的多波段数据，将集群于这个多维空间中的不同位置的区域内。对于TM图像中的每个像元来说，都有与6(或7)个波段相应的6(或7)个数据，即相当于六(或七)维空间中的一点。 同类地物由于具有相似的光谱特性，像元点就会积聚在一定的空间区域内形成集群。而不同类型的地物的像元将散布在不同的空间位置中。可采取某种方法(数理统计法或其它数学方法)将集群的分布状态、界限等计算出来，归纳成一定的数学模式，就可以用来自动地