第3章地物光谱特征与遥感数字图像信息提取2.pptVIP

遥感机理和各种前向模型 统计模型 物理模型 半经验模型 反演模型和反演策略的研究 * 原始的聚类中心 第1次迭代后的类别分布 聚类过程: 类别中心的变化 第2次迭代后的类别分布 第n次迭代后的类别分布 TM4-3-2假彩色合成图像 非监督分类结果: 15个光谱类 非监督分类 4-3-2假彩色合成图象(香港九龙) 分类结果(10类) 结果合并(5类) 最终结果 (类别颜色改变) 监督分类、非监督分类比较： 根本区别在于是否利用训练场地来获取先验的类别知识 监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。有时这些不易做到，此为监督分类的不足之处 非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。 方法 优点 缺点 适用范围 监督分类 精确度高,准确性好,与实际类别吻合较好 工作量大 有先验知识时使用该方法 非监督分类 工作量小,易于实现 分类结果与实际类别相差较大,准确性差 在没有类别先验知识时使用该方法 (三)遥感图像分类中的若干问题 未充分利用遥感图像提供的多种信息，如空间关系、图型如河流和湖泊、纹理特征等。 提高遥感图像分类精度受到限制 大气状况的影响（吸收、散射） 下垫面的影响（混合像元问题、地形因素的影响） 其他因素的影响（云雾、多时相图像、边界） 其他 同物异谱：同类地物具有不同的光谱特征 同谱异物：不同的地物可能具有相似的光谱特征。 （四）其它的一些方法 决策树分类法、人工神经网络分类法、模糊分类法、 亚像元分类法(subpixel classification)、其他分类法等 ?根据经验和专家知识获取如下规则： Class1（缓坡植被）:NDVI0.3, slope20 Class2（朝北陡坡植被）：NDVI0.3, slope=20, 90=aspect=270 Class3（朝南陡坡植被）：NDVI0.3, slope=20, , aspect90 或 aspect270 Class4（水体）：NDVI=0.3, 0 Class5（裸地）：NDVI=0.3, b4=20 Class6（无数据区，背景）: NDVI=0.3, b4=0 注：其中，NDVI为归一化植被指数；slope为坡度；aspect为坡向；bN代表第N个波段 3.4 遥感数字图像信息定量反演 遥感图像信息定量反演的原理 遥感图像信息定量反演方法 遥感地表参数反演 地物复杂 方法 信息量 量化中的真实性 《遥感地学分析》 《遥感地学分析》 3.3.2 遥感数字图像处理 3. 遥感数据融合 实质 在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标的图像信息 原理及过程 预处理 主要包括遥感影像的大气校正、辐射校正及空间配准 数据融合 根据融合目的和融合层次智能地选择合适的融合算法，将空间配准的遥感影像数据（或提取的图像特征或模式识别的属性说明）进行有机合成，得到目标的更准确表示或估计 3.3.2 遥感数字图像处理 数据融合分类 像元级融合 像元级融合是一种最低水平的融合 特征级融合 特征级融合是一种中等水平的融合 决策级融合 决策级融合是最高水平的融合 数据融合方法 IHS变换、代数法 、Brovey变换、图像回归法、主成分变换（PCT）、小波变换等 3.3.2 遥感数字图像处理 三级融合层次下的融合方法 像元级 特征级 决策级 代数法 熵法 专家系统 IHS变换 表决法 神经网络 Brovey变换 聚类分析 Bayes估计 主成分变换 Bayes估计 模糊聚类法 回归模型法 神经网络法 可靠性理论 Kalman滤波法 加权平均法 基于知识的融合法 Dempater-shafer推理法 Dempater-shafer推理法 小波变换 图像分解为不同空间分辨率、频率特征、方向性的子信号 TM低频代替SPOT低频 TM741 RadarSat TM和RadarSat复合 6.2遥感数字图像的计算机分类 特征（feature）：在多波段图象中，每个波段都可看作一个变量，称为特征变量。特征变量构成的空间称特征空间。 特征提取(feature extraction)：找出反映地物类别差异的特征变量用于分类的过程。 遥感数字图像分类： 依据：遥感图像像素的相似程度 距离：距离越小相似度越大 相关系数：相关程度越大，相似度越大 欧氏距离: N, 波段数; dij第个i像元与第j个像元在N维空间中的距离; xik为第个k