第18讲遥感数字图像解译-四川建筑职业技术学院.DOCVIP

四 川 建 筑 职 业 技 术 学 院 授 课 教 案 第 PAGE 1 页 遥感数字图像解译 1 遥感数字图像解译概述 目视解译：又称目视判读，或目视判译，它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。 遥感图像计算机解译： 研究对象：遥感数字图像 技术支持：计算机技术、地学分析技术、遥感图像处理技术、地理信息系统技术、模式识别与人工智能技术 目的：智能化获取地学专题信息 基本目标：目视解译→计算机解译 优点：可以快速获取地表不同专题信息，并迅速更新地理数据库 基础工作：计算机分类 利用计算机对遥感数字图像进行解译的难度： (1) 遥感图像是从遥远的高空成像，成像过程要受传感器、大气条件、太阳位置等多种因素的影响，影像中所提供的目标地物信息不仅不完全，且或多或少地带有噪音。 (2) 遥感影像信息量丰富，与一般的图像相比，其包容的内容远比普通的图像多，因而非常“拥挤”，不同地物间信息的相互影响与干扰。 (3) 遥感图像的地域性、季节性和不同成像方式更增加了计算机对遥感数字图像进行解译的难度。 2 遥感数字图像的计算机分类 2.1 分类原理与基本过程 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。统计模式识别的关键是提取识别模式的一组统计特征值，然后按照一定准则作出决策，对数字图像予以识别。 遥感图像分类的主要依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值是遥感图像分类的原始特征变量，实际分类时往往采用对数字图像进行运算处理（如比值处理、差值处理、主成分变换等）后的亮度值。 遥感图像分类即是对图像上每个像素按照亮度接近程度给出对应类别，达到大致区分遥感图像中多种地物的目的。 1） 统计特征变量： 全局统计特征变量：将整个数字图像作为研究对象，从整个图像中获取变量（如地物的光谱特征）或进行变换处理（如对TM的6个波段数据进行缨帽变换）后获取变量，利用这些变量对遥感图像进行分类。 局部统计特征变量：将整个数字图像分割成不同识别单元，在各个单元内分别抽取统计特征变量。 2）特征提取 概念：为利用少量特征进行遥感图像的地学专题分类，可以从遥感图像n个特征中选取k个特征作为分类依据（n＞k）。从n 个特征中选取k个更有效特征的过程。 要求：选取的特征相对于其他特征更便于有效地分类，其选择根据经验和反复实验确定。 作用：特征空间降维、数据压缩 主要方法：多光谱变换（主成分变换、缨帽变换等） 3） 遥感图像计算机分类 依据：是遥感图像像素的相似度（两类模式 之间的相似程度）。常使用距离和相关系数来衡量相似度。 采用距离衡量相似度时，距离越小相似度越大；采用相关系数衡量相似度时，相关程度越大，相似度越大。 4） 遥感图像计算机分类方法 监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。 非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。 5） 遥感数字图像计算机分类基本过程 (1) 根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。 (2) 根据研究区域，收集与分析地面参考信息与有关数据。 (3) 根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。 (4) 找出代表这些类别的统计特征 (5) 为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。 (6) 对遥感图像中各像素进行分类。 (7) 分类精度检查。 (8) 对判别分析的结果进行统计检验。 2.2 图像分类方法 1） 监督分类 分类过程： 学习过程：利用训练区样本建立“判别”函数 判别过程：把待分类像元代入判别函数进行判别 训练样本的选择： (1) 种类上与待分区域类别一致； (2) 在各类目标地物面积较大的中心选取，用最大似然法时，应符合正态分布； (3) 样本数目应能够提供各类足够的信息和克服各种偶然因素的影响，最少要满足能够建立分类用判别函数的要求，具体数目与分类方法、特征空间为主、各类的大小和分布有关。 监督分类常用的具体分类方法： (1) 最小距离分类法：以特征空间中的距离作为像素分类的依据。原理简单，计算速度快，但分类精度不高。 a. 最小距离