卫星遥感图像识别方法.pptVIP

—— 雪反射光谱曲线 1）? 雪对所有波长反射率都很高且与太阳能量频谱基本同步、这是雪呈现白色的原因。 2）? 雪在紫兰波段反射率较大，因而雪呈兰白色。 4、关于遥感工作模式的讨论 ——存在遥感影像噪声 ——大气扰动（折射率不稳定）是影像变形的原因之一 ——地物反射率的大小是决定对应像元的灰度的主要因素 ——遥感光源及传感器与目标地物的距离对影响质量影响很大 ——人的肉眼视觉与遥感工作模式是一样的 二、遥感图象识别 遥感技术己成为当前人类研究地球资源环境的一种有力技术手段．在遥感技术的研究中，通过遥感影像判读识别各种目标是遥感技术发展的一种重要环节，无论是专业信息提取，动态变化预测，还是专题地图制作和遥感数据库的建立等都离不开分类，对照地面地物类型，便可以从影像上进行地类的识别。 遥感技术的改进促使遥感专题信息的提取方法也在不断地改进，经历了目视解译、自动分类、光谱特性的信息提取及光谱与空间特征的专题信息提取等多个阶段． （一）监督分类 图像解译者用指定的方法来“监督”像元分类过程，这些指定的方法是计算机的算法、图像中所出现各种土地类型的数字描述等。为了做到这一点，用已知覆盖类型的代表样区，这种样区也称为训练区，来汇编一个数字的“判读关键字”，然后将数据集上的每一个像元在数字上和判读关键字中的每一种类进行比较，并把它用“看起来最像”的类型的名字来标注。 1）训练阶段 尽管多光谱图像数据的分类实际上是各高度自动化的阶段，但是在训练阶段它绝不是自动的。它需要图像分析者和图像数据之间进行紧密的配合，而且还需要了解研究区内大量的参照数据和完整的地理知识。训练阶段的整个目标就是，收集一系列描述图像分裂种每一种地面覆盖类型的光谱响应模式的统计数字。 K-最临近分类 训练样本用n维数值属性描述。每个样本代表n 维空间的一个点。这样，所有的训练样本都存放在n维模式空间。给定一个未知样本， K-最临近分类法搜索模式空间，找出最接近未知样本的k个训练样本。 ? 平行六面体分类法 考虑每个类别训练集内数值变差范围。变差范围由每一类别训练集内，每一波段内的最高与最低数字来确定，并且在二通道散点图上表现为一个矩形窗口。 假如像元是在类别变差范围之内，则可将其归入所在的类别 用判定树归纳分类 判定树是一个类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分支代表一个测试输出，而每个树叶节点代表类或类分布。树的最顶层节点是根节点。 高斯最大似然分类法 假设光谱响应分布是高斯分布（正态分布），可以由训练区的均值矢量和协方差矩阵描绘某一类别的响应模式的分布。再我们就能清楚已知的、属于特定土地覆盖类型的像元值的统计概率。每种光谱类型都有这样一个概率密度函数。根据计算的属于每一类的像元值的概率，变可应用概率密度函数对未定像元做分类。 贝叶斯分类法 贝叶斯分类法是最大似然法的扩展这种方法在做概率估算时需要用两个加权因子 首先分析者应预先确定“先验概率”或给定每一类别出现的预先似然率。 以错误分类为“代价”而出现的加权也适用于每一类 最大似然分类法的主要缺点是，对每一个像元分类时要进行大量的计算 遗传算法 利用遗传算法解最优化问题，首先应对可行域中的个体进行编码，然后在可行域中随机挑选指定群体大小的一些个体组成作为进化起点的第一代群体，并计算每个个体的目标函数值，即该个体的适应度。接着就像自然界中一样，利用选择机制从群体中随机挑选个体作为繁殖过程前的个体样本。选择机制保证适应度较高的个体能够保留较多的样本；而适应度较低的个体则保留较少的样本，甚至被淘汰。 在下一步的繁殖过程中，遗传算法提供了交叉和变异两种算法对挑选后的样本进行交换和基因突变。交叉算法交换随机挑选的两个个体的某些位，变异算子则直接对一个个体中的随机挑选的某一位进行突变。这样通过选择和繁殖就产生了下一代群体。重复上述选择和繁殖过程，直到结束条件得到满足为止。进化过程最后一代中的最优解就是用遗传算法解最优化问题所得到的最终结果。 后向传播分类 后向传播分类是一种神经网络学习算法。一个神经网络通常由三个或三个以上的层组成，每个层上有多个节点，这些节点有些类似于生物的神经网络，因此有时也将这些节点成为神经元。神经网络包括一个输入层、一个输入层以及一个和多个隐藏层。在输入层中的节点用作神经网络的输入变元。通常，这些节点可以是来自一幅遥感图像的光谱数据、质地特征和其他由这些图像数据或该区域的辅助数据所导出的中间产品。在输出层可能是神经网络输出类别的范围 粗糙集方法 粗糙集理论基于给定训练数据内部的等价类的建立。给定现实世界数据，通常有些类不能被可用的属性区分。粗糙集可以用来近似或“粗略地”定义这种类。给定类C的粗糙集定