遥感图像分类课件.ppt

辅助数据改进遥感分类的方法 地理分层 分类器操作 分类后处理 遥感信息与非遥感信息的复合 遥感影像与地图的复合 地图影像化 影像地图化 DTM与遥感数据的复合 遥感与地球物理、地球化学数据的复合 遥感信息与地球物理、化学数据复合 遥感信息--地表空间特征 地球物理、地球化学特征--不同深度地物的物理性质，如内部结构、物理组成、基层表面起伏 专题图栅格化 空间配准 构建信息表达模型及提取方法 遥感信息与地球物理、化学数据复合 基于面向对象影像分割的分类方法 遥感信息认知中的对象 对象 对象 面向基元的遥感信息提取方案 高空间分辨率影像 SAR数据 Lidar数据 GIS矢量数据 多尺度分析 光谱、形状、纹理 特征库 模糊规则库 认知基元 基元特征的定量化表达 模糊逻辑推理 信息提取结果 决策知识库 地物知识库 数据层 分析层 基元层 决策层 结果层 遥感信息认知中的尺度问题 地表信息—多层次结构 尺度依赖 认知过程--不同的地物 实体有不同的最佳提取 尺度 选择适当的尺度，才能有效、完整地提取信息 影像对象的尺度表示 …邻对象 …子对象 …父对象 * 影像对象构建方法 多尺度影像分割首先通过初始分割将影像像元合并成较小的初始影像对象,然后通过多次循环将较小的影像对象合并成较大的多边形对象 尺度空间内影像对象构建 考虑遥感、高程、专题矢量图层等多源信息的构建模型 多种约束的基元构建方法保证基元的准确性 阈值控制基元所在尺度层次 * 影像对象构建方法与参数优化 对象合并准则 在初始分割基础上，通过将初始影像对象逐步合并为较大的对象来实现多尺度对象的构建，对象合并的停止条件是由其尺度准则决定的 * 影像对象构建方法 尺度为：16 平均面积：867.6 尺度为：32 平均面积：2131.1 尺度为：128 平均面积：8274.8 尺度为：256 平均面积：30171 影像对象的特征描述 基于对象的信息识别 作 操 辑 逻 … 目标类2 目标类3 目标类n 目标类1 特征1 特征2 特征3 特征m … 结果特征元 μc1 μc2 μc3 … μc4 表示对应目标类中所选择的特征 人工神经网络分类 生物神经网络(biological neural network, BNN)，特别是人脑 人工神经网络(artificial neural network, ANN)：由大量神经元经广泛互联组成的非线性网络（功能模块，数学模型） 自底向上的综合方法： * 神经元-Neuron 神经网络-Artificial neural network 神经元模型 Neuron Model： 多输入，单输出，带偏置 R个输入pi∈R，即R维输入矢量p n: net input, n=wp+b。 R个权值wi∈R，即R维权矢量w 阈值b 输出a=f(n), f: transfer function 遥感影像计算机自动解译 利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间去。 特征—能够反映地物光谱信息和空间信息并可用于图像分类处理的变量 遥感影像分类 基于统计的方法和基于规则的方法 监督分类和非监督分类 硬分类和软分类 逐像元分类和面向对象分类 分类标准 按照逻辑准则组织的信息类别正确的分类学定义 参考标准: 美国规划协会的土地分类标准(LBCS) 美国国家植被分类系统 基于统计的分类方法 遥感影像光谱特征分布特点 遥感影像分类原理 同类地物在相同的条件下（纹理、地形等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息特征或空间信息特征将不同，集群在不同的特征空间区域。 基于光谱特征的分类原理 遥感图像计算机分类的依据是遥感图像像素的相似度。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。 监督分类和非监督分类 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。 遥感分类基本过程 根据图像分类目的选取特定区域的遥感影像，考虑空间分辨率、光谱分辨率、成像时间、图像质量等。 根据研究区域，收集与分析地面参考信息与有关数据