第6章 遥感数字图像计算机解译(1).pptVIP

遥感影像的光谱特征统计量 像元值--影像中像元的灰度值，反映对应区域的光谱特性 灰度均值－反映图像中地物的平均反射强度 灰度中值－灰度级中处于中间的值，是灰度级的统计量，而非像元值 灰度众数－出现次数最多的像元值，反映分布较广的地物 灰度方差－反映信息量大小 灰度数值域－灰度值变化范围，信息量大小 灰度反差－显示效果和可分辨率 遥感数字图像计算机分类基本过程： 非监督分类(unsupervised classification)：根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别 主要采用聚类法，使同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。 在非监督分类中，先确定光谱可分的类别，然后定义它们的信息类。 分类过程 分类预处理：大气校正、几何校正与配准 特征选择(提取) 分类（监督分类训练区的选择） 分类后处理，包括精度评价 专题图制作 问题（光谱分类）： 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。 如：同一作物，生长状态不同，光谱特征有差异； 不同的植被类型可能有相似的光谱特征。 问题：光谱类和信息类不对应 光谱类（spectral class）：基于光谱特征形成的类别 如房屋的阳面和阴面光谱特征不同，不同的光谱类 信息类(information class)：根据实际需要待分的类别 人为的划分，如城市类由道路、建筑物、水体、绿地等不同地物组成，不同地物光谱特征不同。 砖场：烟囱（窑）、取土坑、堆砖处、房屋等 遥感图像计算机分类存在的问题 未充分利用遥感图像提供的多种信息，如没有考虑相邻像素间的关系、未能利用图像中提供的形状和空间位置特征。 提高遥感图像分类精度受到限制（分类精度---分类结果的正确率，如地物属性被正确识别、空间分布的面积被准确度量），遥感数字图像分类精度一般不超过90％。 遥感数字图像的计算机分类 1)、最小距离分类法（minimum distance classifier） 一种相对简化了的分类方法。 假设N维空间存在M个类别，某一像元距哪类距离最小，则判归该类。 通过训练样本事先确定类别数、类别中心，然后进行分类。分类的精度取决于训练样本的准确与否。 遥感数字图像的计算机分类 2)、多级切割分类法（multi-level sliceclassifier） 在各特征轴上设置一系列分割点。将多维特征空间划分成分别对应不同分类类别的互不重叠的特征子空间。 3)、 特征曲线窗口法 特征曲线：地物光谱特征参数构成的曲线。以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口范围内的地物即被认为是一类，反之则不属于该类。 ?? 特征曲线窗口法分类的依据是：相同地物在相同地域环境及成像条件下，特征曲线相同或相近，而不同地物的特征曲线差别明显。 特征曲线选取方法:地物吸收特征曲线，地物亮度值特征曲线等。 窗口选择:根据地物的特征参数上、下限值构造, 如地物光谱曲线反射峰、谷的宽度和峰值的高度。 遥感数字图像的计算机分类 遥感数字图像的计算机分类 4)、最大似然比分类法（maximum likelihood classifier） 求出每个像素对于各类别的归属概率(似然度likelihood)，把该像素分到归属概率最大的类别中去。 建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类，是应用比较广泛、比较成熟的一种监督分类方法。 同类地物在特征空间中形成一个从属与某种概率分布的集群(类别) X落入(归属)类别k的条件概率为P(k x)---概率判别函数 X落入(归属)条件概率最大的类别,定为X的类别---贝叶斯判别规则 遥感数字图像的计算机分类 4)、最大似然比分类法 遥感数字图像的计算机分类 训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获取的信息的价值 用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中光谱类别的所有组成。 代表性、完整性 分布：多个样区 非监督分类的常用方法 遥感数字图像的计算机分类 1)、分级集群法 2)、动态聚类法（ISODATA） 非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别----“物以类聚”。 目的:属于同一类别的像素之间的距离尽可能小,而不同类别上的像素间的距离尽可能大。 1）非监督分类--分级集群法： 不同地物的辐射特性不同，在直方图上会出现很多峰值及其对应的一些灰度值，在图像上对应的像元分别倾向于聚集在各自不同灰度空间形成的很多点群，这些点群叫做集群。 分级集群法