遥感数字图像的计算机解译2010学生版.pptVIP

2002-11-01 遥感数字图像的计算机解译 本章要点 遥感数字图像的自动分类 遥感图像多种特征的抽取(自学) 遥感图像解译专家系统(自学) 常用遥感图像处理软件 一、遥感数字图像的自动分类 遥感数字图像自动分类是通过模式识别理论，利用计算机将遥感图像自动分成若干的方法。 一、遥感数字图像的计算机分类 遥感数字图像计算机分类难度很大？ 第一、影像中所提供的目标地物信息不仅不完全，而且或多或少地带有噪声。 第二、遥感影像信息量丰富，内容非常“拥挤”。不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。 第三、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。 分类原理与过程 统计模式识别的关键:提取待识别模式的一组统计特征值，然后按照一定准则作出决策，从而对数字图像予以识别。 统计特征变量与特征的提取 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，这些测量值可以用作遥感图像分类的原始特征变量。 然而，就某些特定地物的分类而言，多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K－T变换等），以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。 分类是对图像上每个像素按照亮度接近程度给出对应类别，以达到大致区分遥感图像中多种地物的目的。 统计特征变量 分类过程中采用的统计特征变量包括：全局统计特征变量和局部统计特征变量。 全局统计特征变量是将整个数字图像作为研究对象，从整个图像中获取或进行变换处理后获取变量。 如地物的光谱特征。 局部统计特征变量是将数字图像分割成不同识别单元，在各个单元内分别抽取的统计特征变量。 如对TM的6个波段数据进行K－T变换（缨帽变换）获得的亮度特征 利用这两个变量就可以对遥感图像进行植被分类。 特征提取 在很多情况下，利用少量特征就可以进行遥感图像的地学专题分类，因此需要从遥感图像n个特征中选取k个特征作为分类依据，我们把从n个特征中选取k个更有效特征的过程称为特征提取。 特征提取要求所选择的特征相对于其他特征更便于有效地分类，使图像分类不必在高维特征空间里进行。 其变量的选择需要根据经验和反复的实验来确定。 特征提取 统计特征变量可以构成特征空间，多波段遥感图像特征变量可以构成高维特征空间。 一般说来，高维特征空间数据量大，但这些信息中仅包含少量的样本分类信息。 为了抽取最有效的信息，可以通过变换把高维特征空间所表达的信息内容集中在一到几个变量图像上。 主成分变换可以把互相存在相关性的原始多波段遥感图像转换为相互独立的多波段新图像，而且使原始遥感图像的绝大部分信息集中在变换后的前几个组分构成的图像上，实现特征空间降维和压缩的目的。 分类的依据 遥感图像计算机分类的依据:是遥感图像像素的相似度。 在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。 距离:特征空间中象元数据和分类类别特征的相似程度。 距离最小即相似程度最大。 度量特征空间中的距离经常采用以下几种算法: 绝对值距离 欧氏距离 欧氏距离 欧氏距离 标准欧氏距离 标准欧氏距离：在特征空间的轴向上，当总体分布的离散度大小不同时，即使欧氏距离相等，各轴向上的相似程度也不同。用标准偏差把轴向上总体的离散差异归一化的距离叫标准欧氏距离。 马氏距离 马氏距离（Mahalanobis）：总体分布除了轴向上离散度不同以外，在各轴之间往往还存在相关性。在考虑离散度的同时，也考虑到各轴间的总体分布的相关（协方差）来进行校正的距离叫马氏距离。 混合距离 混合距离（像元i到第g类类均值的距离） 相关系数 相关系数 是指像素间的关联程度。采用相关系数衡量相似度时，相关系数越大，相似度越大。两个像素之间的相关系数rij可以定义为： 遥感数字图像计算机分类基本过程 遥感数字图像计算机分类基本过程如下： 首先明确遥感图像分类的目的及其需要解决的问题，在此基础上根据应用目的选取特定区域的遥感数字图像 图像选取时应考虑图像的空间分辨率、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。 为提高计算机分类的精度，需要对数字图像进行辐射校正和几何纠正。 对图像分类方法进行比较研究，掌握各种分类方法的优缺点，然后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。 根据应用目的及图像数据的特征制定分类系统，确定分类类别，也可通过监督分类方法，从训练数据中提取图像数据特征，在分类过程中确定分类类别。 遥感数字图像计算机分类基本过程 找出代表这些类别的统计特征。 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区域进行采样，测定其特征。 在非