第二次全国土地调查底图制作与影像判读.ppt

影像增强处理 遥感数字图像的增强处理 遥感影像的融合 IHS变换 加权融合 基于主分量变换的融合 比值变换融合 融合效果分析 影像增强处理 遥感数字图像的增强处理 遥感影像的融合 IHS变换 IHS变换是基于IHS彩色模型和应用广泛的融合变换方法之一。利用IHS变换先将多光谱的TM影像进行彩色变换（包括待融合的全色图像和多光谱图像几何配准，并将多光谱图像重采样与全色图像分辨率相同），分离出强度（I）、色度（H）和饱和度（S）三个分量，然后将全色波段影像与分离的强度分量进行直方图匹配，再将分离的色度、饱和度分量与匹配后的全色影像按照IHS反变换，进行彩色合成。 影像增强处理 遥感数字图像的增强处理 遥感影像的融合 IHS变换 影像增强处理 遥感数字图像的增强处理 遥感影像的融合 IHS变换 原图 IHS变换结果 影像增强处理 遥感数字图像的增强处理 遥感影像的融合 加权融合 融合的结果将不会保留多光谱图像的灰度值，亮度成分将得到加强。这有利于对高亮度城镇做出正确解释。 影像增强处理 遥感数字图像的增强处理 遥感影像的融合 基于主分量变换的融合 首先对多光谱图像进行主分量变换，变换后的第一主分量含有变换前各波段图像的相同信息，而各波段中其余对应的部分被分配到变换后的其他波段。然后将高分辨率图像和第一主分量进行直方图匹配，使高分辨率图像与第一主分量有相近的均值和方差。最后，用直方图匹配后的高分辨率图像代理主分量中的第一主分量和其余分量一起进行主分量逆变换，得到融合影像。 影像增强处理 遥感数字图像的增强处理 遥感影像的融合 比值变换融合 这种方法可以增强图像两端的对比度。 影像增强处理 遥感数字图像的增强处理 遥感影像的融合 融合效果分析 信息量 清晰度 目视效果 影像信息分类 计算机信息提取 纹理特征分析 图像分割 面向对象的遥感信息提取 影像信息分类 计算机信息提取 监督和非监督分类 利用软件分类 K-MEANS算法 最大似然比分类法 人工神经网络方法 监督分类 (a)对遥感影像进行目视分析，为建立分类模板做准备。任何计算机自动分类首先都离不开通过经验对图像的目视分析和判断。在ERDASimagine中将图像打开，根据图像的颜色，纹理，形状，分布等特征，可对图像所显示的内容进行初步的判断。如下图。 监督分类 对影像中的内容可初步划分为草地，林地，水面，建筑，道路，空地等大类。对于内容分类的种数应当根据图像本身的特点和所开展工作的目的综合确定。如这副影像在工作中仅需区分水面和陆地的话，那分两类就足够，如果是要分划土地利用类型，则所分的类别必然要更详细。 对影像的目视解译 监督分类 (b)建立分类模板。分类模板是将上一个过程中人脑对图像的判读转化为电脑能够判读的形式，即模板。然后由电脑利用模板对图像进行自动非类，并把分类后的图像反映出来。所以说，分类模板是进行监督的工具。 打开ERDASimagine主菜单，点击CLASSIFILER，点击SIGNATURE EDITOR，进行分类模板的建立。分类模板的建立关键是采集各类别样点信息并将样点信息合并建立模板。样点信息的采集可以运用AOI（感兴趣区域）图形工具，AOI扩展工具，查询光标扩展等方法在原始图像或处理后的影像中进行。 监督分类 (c)对模板进行分析，判断模板效果。对模板的分析有多种方法，如分类报警，可能性矩阵，直方图，分类统计等方法。在此展示的是运用可能性矩阵进行评价的过程。在SIGNATURE EDITOR中选择EVALATION→CONTINGENCY，打开对话框，确定参数，软件会自动生成模板的可能性矩阵。 监督分类 矩阵反映了利用建立的分类的模板，会有多少的像元分在相应的类别中。通过该矩阵可看出，水域和未利用地所受干扰最小，绝大部分的像元会分在对应的类别。而林地和草地相互间的干扰较大，但总体趋势不会受到影响。房屋和道路间干扰也很大，特别是房屋对道路的影响。假如根据以上建立的模板进行监督分类，可预计未利用地，水域，林地，草地的效果会比较明显，房屋和道路出现误差的情况会比较大。 监督分类 (d)进行监督分类。在ERDASimagine主菜单，点击CLASSIFILER，点击SUPERVISED CLASSFICATION，打开对话框，载入以上建立的分类模板，选择参数，执行监督非类。 监督分类 在对图像进行监督分类后还需要根据实际情况和工作目的对分类的图像进行精度评价和分类后处理，使分类的精度达到完成相应工作的要求。 精度评价在ERDASimagine可以运用阀值处理的工具。用户可对每个类别设置一个阀值，将可能不属于它的像元分离出去，并赋予另一个分类值。阀值处理也是对分类图像进行初步优化的过程。分类精度评价工具是通过生成精度评估矩阵使用户对图像中的特定像元和已知分类像元进