遥感基础与应用 1 第七章 遥感数字图像的计算机解译 第一节 遥感图像的计算机分类 第二节 计算机解译的主要技术发展趋势 遥感基础与应用 2 第一节 遥感图像的计算机分类 计算机分类 遥感图像 分类结果图 概念 :就是对遥感图像上的信息进行属性的识别和分类，提取地物信息的过程。 遥感图像解译 目视解译 计算机解译 遥感基础与应用 3 一、分类原理 1、分类原理 分类依据是遥感图像像元光谱特征的相似度。常使用距离和相关系数来衡量相似度 距离越小相似度越大。 相关程度越大，相似度越大。 波段 1上的像元亮度值 波段 2上的像元亮度值 两波段多光谱图像 分类图像 分类处理 遥感基础与应用 4 主要包括 监督分类 和 非监督分类 两种 1、监督分类 监督分类： 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的方法。 二、遥感图像计算机分类方法 MSS图像 各类地物在 5个波段的 DN值 监督分类过程 遥感基础与应用 7 1) 选择可以识别或可以断定其类型的像元建立模板 2) 必须对摸板进行评价 ,并结合实际分类对模板进行反复修改 监督分类常常用于对分类区比较了解情况下 ,要求用户控制 监督分类 遥感基础与应用 8 监督分类的方法 （ 1）最小距离分类法 （ 2）最大似然比分类法 （ 3）多级切割分类法 （ 4）特征曲线窗口分类法 遥感基础与应用 9 （ 1）最小距离分类法 用特征空间中的距离表示像元数据和分类类别特征的相似程度，根据距离最小（相似度最大）对像元数据进行分类的方法。 空间距离的表示： 欧氏距离 标准欧氏距离 马赫拉诺皮斯距离 遥感基础与应用 10 遥感基础与应用 11 通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。 （ 2）最大似然比分类法 (Maximum Likelihood) 遥感基础与应用 12 监督分类的一般步骤 采集训练样本 建立模板 评价模板 初步分类 检验分类 分类后处理 分类特征统计 遥感基础与应用 13 1）应用 AOI绘图工具获取分类模板信息 利用 Raster 工具面板多边形工具，在原图像上绘制多边形，在 signature editor对话框中将其加载到 signature 分类模板中。 选择训练样本建立分类模板 打开一幅图像， germtm.img Classification signature editor 应用 AOI绘图工具获取分类模板信息 遥感基础与应用 15 遥感基础与应用 16 Region growing properties 进行 Neighborhood 属性设置。利用 Region grow AOI选择种子点。 提示： AOI seed propertiesregion growing Properties 约束条件： Area确定最多的像元数； Distance确定包含像元距离种子点像元的最大距离。 Spectral euclidean distance,可以接收像元与种子点之间最大波谱欧式距离（两个像元在各个波段数值之差平方和的二次根） 2）应用 AOI扩展绘图工具获取分类模板信息 遥感基础与应用 17 应用 AOI扩展绘图工具获取分类模板信息 遥感基础与应用 18 遥感基础与应用 19 模板评价 Evaluating Signatures 分类模板建立后，应对其进行评价，确定分类结果精度。 遥感基础与应用 20 Contingeney Matrix 可能性矩阵输出一个百分比矩阵，表明每个 AOI训练区中有多少像元分别属于相应类别。 模板评价 Evaluating Signatures 遥感基础与应用 21 提示： 误差矩阵精度 Image interpreterGIS analysis Clump 2） Sieve:对经 Clump图像，按照定义数值大小，删除较小的图斑，赋 0值。 MainImage interpreterGIS analysis Sieve 3） Eliminate:对经 Clump图像，按照定义数值大小，删除较小的图斑，合并到相邻最大的图斑。 MainImage interpreterGIS analysis Eliminate 分类后处理 遥感基础与应用 24 类别统计分析 修改面积单位 遥感基础与应用 25 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。 2、非监督分类 1 2 3 遥感基础与应用 26 非监督分类的方法 （ 1）分级集群法 用距离评价单个个体间的相似程度，根据距离最近原则判定并归类到同一类别中的方法。 （ 2）动态聚类法 在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。 非监督分类一般步骤 初始分类 专题判别 分类合并 色彩确定 分类后处理 色彩重定义 统计分析 . 遥感基础与应用 28 Main Classification Unsupervised classification 提示： 实际工作中将分类设为最终分类数的 2倍以上。 初始分类 确定采用的距离 确定最终的类别数 n 计算个体间的距离 找出距离最小的类别组 归并距离最小的类别 计算归并后新的个体间的距离 归并后的类别数 STOP Y N 基本过程 3 4 6 8 1 7 9 2 5 像元个体 序号 遥感基础与应用 30 初始分类 M:最大迭代次数。 T:收敛阈值 .在迭代过程中 ,上次聚类中类型值未改变的象元所占的百分比。 遥感基础与应用 31 遥感基础与应用 32 Evaluate classification 1) 同时显示 germtm.ing和 germtm_isodata.ing 提示 :打开第 2幅图时关闭 clear display 2) 打开属性表调整字段和顺序 3）编辑类别颜色 4) 对比显示 提示：对比 Utilityflicker/ Blend/ Swipe区别 专题判别 Raster attribute editor: Img属性表中对 class names 和颜色进行编辑 。 专题判别 遥感基础与应用 34 Swipe 确定每一类别的专题信息 遥感基础与应用 35 分类重编码 recode 分类合并 遥感基础与应用 36 分类重编码 recode 主要应用于非监督分类，判断每个分类的专题属性，对相同和相近分类通过图像重编码进行合并。 分类合并 遥感基础与应用 37 Post classification processing 细碎图斑处理 1） Clump:计算分类图斑的面积，记录相邻区域中最大图斑面积。 MainImage interpreterGIS analysis Clump 2） Sieve:对经 Clump图像，按照定义数值大小，删除较小的图斑，赋 0值。 MainImage interpreterGIS analysis Sieve 3） Eliminate:对经 Clump图像，按照定义数值大小，删除较小的图斑，合并到相邻最大的图斑。 MainImage interpreterGIS analysis Eliminate 分类后处理 遥感基础与应用 38 类别统计分析 修改面积单位 遥感基础与应用 39 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。 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。 3、监督分类与非监督分类方法比较 遥感基础与应用 40 三、图像分类中的有关问题 未充分利用遥感图像提供的多种信息 只考虑多光谱特征，没有利用到地物空间关系、空间位置、形状、纹理等方面的信息。 遥感基础与应用 41 第二节 计算机解译的主要技术发展趋势 1、抽取遥感图像多种特征 低层次主要提取地物波谱特征的表征； 中层次主要抽取和描述目标的形态、纹理等空间特征； 高层次主要抽取地物之间的空间关系特征。 2、逐步完成 GIS各种专题数据库的建设，利用GIS数据减少自动解译中的不确定性 （ 1） 对遥感图像进行辐射校正，消除或降低地形差异的影响； （ 2）作为解译的证据，增加遥感图像的信息量减少自动解译中的不确定性； （ 3）作为解译结果的检验数据，降低误判率。 3、建立适用于遥感图像自动解译的专家系统，提高自动解译的灵活性 专家系统： 把某一特定领域的专家知识与经验形式化后输入到计算机中 ， 由计算机模仿专家思考问题与解决问题 ， 是代替专家解决专业问题的技术系统 。 4、模式识别与专家系统相结合 模式识别 (PR)是指用计算机的方法 , 就人类对外部世界某一特定客体、过程及现象的识别功能进行自动模拟。模式信息的形式和内容是十分广泛的 ,既可以是图形、图像 ,也可以是语音、语言文字或一般的电、声信息。 5、计算机解译新方法的应用 （ 1）人工神经网络 (Artificial Neural Networks)在遥感图像识别中的应用。 （ 2） 小波分析在遥感图像识别中的应用。 （ 3）分形技术在遥感图像识别中的应用。 （ 4）模糊分类方法遥感图像识别中的应用。 遥感基础与应用 46 人工神经网络 人工神经网络是一种模拟人脑神经元细胞的网络结构，概括说来，人工神经网络具有以下主要特征：大规模的并行处理和分布式信息存储；具有良好自适应性和自组织性的非线性系统；较强的学习功能、联想功能和容错功能，适合模拟人的形象思维。 遥感基础与应用 47 小波分析 小波理论起源于信号处理。由于探测精度的限制一般的信号都是离散的，通过分析认为信号是由多个小波组成的，这些小波代表着不同的频率持征。小波函数平移、组合形成了小波函数库，通过小波函数库中区间的变化可以对某些感兴趣的频率特征局部放大，因此小波函数被称为数学显微镜。 遥感基础与应用 48 小波分析方法的基本思想就是将图像进行多分辨率分解分解成不同空间、不同频率的子图像、然后再对子图像进行系数编码。基于小波分析的图像压缩实质上是对分解系数进行量化的压缩。 目前，小波分析在遥感图像识别中的应用主要是在遥感图像压缩方面，也有人对小波理论在立体视觉中的应用进行了理论探讨，提出了基于 “ 小波变换 ” 的多分辨率边缘检测方法和立体匹配方法，这对于应用计算机从立体像对中获取地面高程信息具有借鉴意义。 小波分析 遥感基础与应用 49 分形技术 从几何形体上可以