第六章遥感图像处理3.docVIP

第六章 遥感图像处理 §6-4遥感图像的分类 一般原理：图像分类，或叫多波段、多变量分类，是把一幅多维图像中的每个点或区域内归属于若干类别中的一类，或若干个专题要素中的一种。一幅多维图像（通常是多波段图像）是由一组反映地物属性的变量数值（亮度值）组成的。不同种类的地物在反射或发射电磁波的能力方面有明显差异，构成不同的反射或发射光谱。由于地物成分、性质、分布情况的复杂性及成像条件等因素，同一类地物的波谱样式并不完全相同，不通地物的地波谱样式之间的差别也不是截然分开的，因而，图像分类的方法一般都是建立在统计分析的基础之上的。 遥感图形上的像元亮度值代表了不同地物的波谱特性，属于同种类型的地物总是以某种特征值为中心，有规律的分布在多维空间内，通过计算机对像元数据进行统计、对比和归纳，可在某种程度上实现对地物的分类和识别。 多光谱域中的图像变换 在遥感数字图像计算机分类处理之前，通常要实施一些遥感图像在多光谱域中的变换，称为分类前的预处理。其目的是进行数据压缩和特征选择。变换后所得的新图像，称为特征图像。大多数变换的目的是提高信息的表达。变换后的图像通常比原始图像更易于解译。在遥感实践中常见的变换有： 1．主分量变换 主分量变换/主成分分析/K-L变换，用多波段数据的一个线性变换，变换数据到一个新的坐标系统，以使数据的差异达到最大。 变换前，类别信息与噪声信息混合均摊在两波段g1，g2图像上，实行主分量变换的几何意义就是把原始特征空间的特征轴旋转到平行于混合集群结构轴方向上去，这样，变化后大部分信息都投影在g1′波段上，此时即可舍弃g2′波段不用，这样就相当于减少了一半的数据量。 g2 g1′ g2′ g1 这一技术对于增强信息含量、隔离噪声、减少数据维数非常有用，进行主分量变换的关键是找到变换轴的方向，因此，要计算多波段图像亮度值的协方差矩阵及其特征值和相应的特征向量，进而根据组成的主分量变换矩阵，实施主分量变换。变换算法：X′=X*AT，A为n*n变换矩阵。 2．哈达码变换 利用哈达码矩阵作为变换矩阵所实施的遥感图像多光谱变换。哈达码矩阵具有不同的维数，X′=X*H，二维的哈达码矩阵实际是使坐标轴旋转45o的正交变换。 3．穗帽变换 穗帽变换/ K-T变换，（Kauth和Thomas）不是由严格的理论体系推导而产生的，而是基于对Landsat的大量MSS图像统计研究中提出的，其实质与主分量变换一致。他的原理是基于如下的统计事实： （1）通过对大量的LandsatMSS图像（不同季节、不同地区、不同年份）的统计研究后，发现把各种土壤和各种植被按他们在陆地卫星图像四个波段（B4、B5、B6、B7）中的亮度值（x4、x5、x6、x7）投影到光谱特征空间中时，总是落在一个形似三角形帽状的集群范围内。 x6 IGV IY ISB x7 IN x5 x4 （2）其中，各种土壤地物特征点的分布比较集中在“帽”底，并且随着土壤反射亮度的不同，而沿着一条通过特征空间远点的辐射线散布,该辐射线称为“土壤背景”轴，记为ISB(Soil Background axis)。 （3）同时，各种植被地物特征点的分布比较集中在“帽”空间中。当植被的发展阶段变化时，如幼苗期、发展期、成熟期和枯黄期等，特征点的分布是沿着垂直于“帽”底面的轴线发展的，植被愈绿越接近于“帽”顶，越黄越接近于“帽”底。该分布轴被称为“绿色植被”轴，记为IGV(Green Vegetation axis)；当植被由绿色开始成熟并发展为枯黄时，其特征的点的变化是从“帽”顶沿着一些被称为“帽穗”的轨迹逐渐向“帽”底下降，由此得到“穗帽”的名称。 根据以上事实，可以把ISB、IGV以及另外设两个正交轴IY（黄轴）和IN（噪声轴）定为帽形集群的结构轴，设法找到一个变换矩阵A，用于把原始特征空间的四轴线旋转值平行于帽形集群的结构轴，则构成了穗帽变换。 Kauth和Thomas研究出的矩阵A有如下形式： 0.433 0.632 0.586 0.264 -0.290 -0.562 0.600 0.491 -0.824 0.533 -0.050 0.185 0.223 0.012 -0.543 0.809 4．比值变换 多光谱域中的比值变换的一般形式可表达为： ai,bi——权系数，xi——第i波段图像中的影像亮度值 （1）简单比值变换：任意两