3遥感图像信息提取.pptx

遥感图像信息提取 主要内容 1、遥感信息提取技术概述 2、监督分类 3、基于专家知识的决策树分类 4、面向对象分类 5、地物识别和定量反演 6、动态监测 7、立体像对DEM提取 1、遥感信息提取方法概述 1.1 影像信息提取技术基础 遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。 遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类，即信息提取。 1.2 遥感信息提取方法概述 人工解译 基于光谱计算机自动分类 基于专家知识的决策树分类 面向对象特征自动提取 地物识别与地表反演 变化检测 地形信息提取 1.3 遥感信息提取方法——适用范围 方法 说明 人工解译 适用定性信息的提取，也就是在图像上通过肉眼能分辨的信息 基于光谱的计算机分类 对于中低分辨率的多光谱影像效果明显（小于10米） 基于专家知识的决策树分类 需要多源数据支持 面向对象分类方法 随着高分辨率影像的出现而发展起来的 地物识别与地表反演 定量信息提取，需要模型的支持，数据源有一定要求 变化监测 多时相影像支持 地形信息提取 需要立体像对的支持 2、监督分类 2.1 监督分类定义 又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。 在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本 计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求 用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类 2.2 监督分类基本流程 类别定义/特征判别 影像分类 分类器选择 样本选择 分类后处理 结果验证 平行六面体 最小距离 马氏距离 最大似然 波谱角 二进制编码 光谱信息散度 神经网络 支持向量机分类 模糊分类 2.3 监督分类流程说明——类别定义/特征判断 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统； 对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。 这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。 2.3 监督分类流程说明——样本选择 样本选择是非常重要的过程，直接影响分类精度 在样本选择过程中，有很多辅助方法 可以显示不同的假彩色合成窗口，也可以进行主成分分析后进行假彩色合成，由于去除了波段间的相关性，不同地物区分的更加明显；还可以借助Google Earth辅助解译 各个样本类型之间的可分离性要好 用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本 2.3 监督分类流程说明——分类器选择 据分类的复杂度、精度需求等确定哪一种分类器 目前ENVI的监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码 2.3 监督分类流程说明——分类后处理 分类后处理包括很多过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（分类后处理）、栅矢转换等操作 监督分类练习(一) 数据源 练习数据\1-监督分类\1-监督分类（Classic） 分类 类别定义 样本选择 分类器选择 分类后处理 小斑快处理 栅矢转换 精度验证 监督分类练习(二) 数据源 练习数据\1-监督分类\2-火烧迹地提\BurnALI_subset.dat” 分类 类别定义 样本选择 分类器选择 分类后处理 小斑快处理 栅矢转换 精度验证 3、基于专家知识的决策树分类 3.1 专家知识的决策树分类基本原理 + + + 根据光谱特征、空间关系和其他上下文关系归类像元 3.2 专家知识的决策树分类基本步骤 知识（规则）定义 规则输入 决策树运行 分类后处理 3.3 规则定义 规则获取：经验总结和样本总结 规则描述 类1：NDVI大于0.3，坡度大于或者等于20度 类2：NDVI大于0.3，坡度小于20度，阴坡 类3：NDVI大于0.3，坡度小于20度，阳坡 类4：NDVI小于或等于0.3，波段4值大于或等于20 类5： NDVI小于或等于0.3，波段4值小于20 3.4