《遥感原理与应用20106.pptx》由会员分享，可在线阅读，更多相关《遥感原理与应用20106.pptx（55页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、1、数字图像的性质和特点1遥感数字图像遥感数字图像是以数字表示的遥感图像,其最基本的单元是像素.像素是成像过程的采样点,也是计算机处理图像的最小单元.像素具有空间特征和属性特征.像素的属性特征采用亮度值来表达.（P82辐射分辨率）纯像素;混合像素第1页/共55页1、数字图像的性质和特点 二、遥感数字图像的特点便于计算机处理与分析图像信息损失少抽象性强第2页/共55页1、数字图像的性质和特点 三.遥感数字图像的表示方法1.遥感数字图像是以二维数组来表示的.第3页/共55页1、数字图像的性质和特点三.遥感数字图像的表示方法2.遥感图像按照波段数量分为:1.1.单波段数字图像单波段数字图像:SPOT
2、:SPOT 的全色波段的全色波段.2.2.多波段数字图像多波段数字图像:TM:TM的的7 7个波段数据个波段数据.3.多波段数字图像的三种数据格式1.1.BSQBSQ格式格式(Band sequential(Band sequential)2.2.BIPBIP格式格式(Band interleaved by pixel)(Band interleaved by pixel)3.3.BILBIL格式格式(Band interleaved by line)(Band interleaved by line)第4页/共55页1、数字图像的性质和特点四.航空像片的数字化空间采样：将航空像片具有的连续灰
3、度信息转化为每行有m个单元，每列有n个单元的像素组合。属性量化：可得到每个像元的数字模拟量，与航空像片中对应位置上的灰度相对应。第5页/共55页2、遥感图像的计算机分类第6页/共55页一、分类原理与基本过程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。P194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。第7页/共55页 统计可分性的量度（全局统计和局部统计）：统计可分性的量度（全局统计和局部统计）：(1)(1)空空间间距距离离 表表示示类类与与类类之之间间的的差差异异,通通常常用用欧氏距离或马氏距离欧氏距离或
4、马氏距离来描述。来描述。(P194)(P194)绝对值距离欧氏距离马氏距离第8页/共55页 统计可分性的量度（全局统计和局部统计）：统计可分性的量度（全局统计和局部统计）：(1)(1)空空间间距距离离 表表示示类类与与类类之之间间的的差差异异,通通常常用用欧氏距离或马氏距离欧氏距离或马氏距离来描述。来描述。(P194)(P194)绝对值距离欧氏距离马氏距离第9页/共55页(2)相似系数相似系数 -表示类与类之间的相似程度。表示类与类之间的相似程度。混合距离结论：距离越大，相似度越小；相似系数越大，相关程度越高，相似度越大。第10页/共55页一、分类原理与基本过程遥感数字图像计算机分类基本过程(
5、P195)1.根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。2.根据研究区域，收集与分析地面参考信息与有关数据。3.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。制定分类系统，确定分类类别。4.找出代表这些类别的统计特征5.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场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。6.对遥感图像中各像素进行分类。7.分类精度检查。8.对判别分析的结果进行统计检验。第11页/共55页遥感图像计算机分类方法(P195)监督分类法：选择具有代表
6、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。第12页/共55页二、图像分类方法 1、监督分类 （1）、最小距离分类法Step 2 for eachunclassified pixel,calculate the distance toaverage for each trainingarea第13页/共55页二、图
7、像分类方法 1、监督分类 （1）、最小距离分类法 最近邻域分类法 Nearest NeighbourNearest Neighbour。Defines a typical pixel for each class Defines a typical pixel for each classvvAssigns pixels on the basis of spectral distanceAssigns pixels on the basis of spectral distancevvCan separate diverse classesCan separate diverse classe
8、svvBoundary problems remain unresolvedBoundary problems remain unresolved第14页/共55页（1）最小距离分类法P196它是以特征空间中的距离作为像素分类的依据，包括最小距离和最近邻域。最小距离判别法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分像元与已知类别之间的距离，然后将其归属于距离最小的一类。第15页/共55页最小距离法示意图第16页/共55页最近邻域分类法P197在多波段遥感图像中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分像元到每一类中每一个统计特征量的距离，这样，该
9、像元到每一类都有几特征值，取其中最小的一个距离作为该像元到该类别的距离，最后比较该待分像元到所有类别间的距离，将其归属于距离最小的一类。分类精度不高，计算速度快。第17页/共55页（2）多级切割分类法P197通过设定在各轴上的一系列分割点，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的分类方法。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间。如落入某个特征子空间，则属于该类，如落入所有特征子空间之外，则属于未知类别。多波段图像分类前先进行主成分变换，然后进行多级分割。第18页/共55页（3）最大似然比分类法（MLC）P198是通过求出每个像素对于各类别的归
10、属概率，把该像素分到归属概率最大的类别中去的方法。前提：假定训练区各地物的光谱特征服从正态分布，利用训练区可求出均值、方差、协方差等特征参数，从而可求出总体的先验概率密度函数。当总体不符合正态分布时，不宜采用MLC。第19页/共55页设从类别k中观测到x的条件概率为p(x|k)，则归属概率Lk为归属概率是指对于待分像元x，它从属于分类类别k的后验概率。P198式6.8和6.9第20页/共55页+AB波段1波段2Amin1Amax1Amax2Amin2Bmin1Bmax1Bmin2Bmax2平行算法示意图第21页/共55页 特征曲线是地物光谱特征曲线参数构成的曲线。以特征曲线为中心取一个条带，构
11、造一个窗口，凡是落在此窗口内的地物即被认为是一类，反之，则不属于该类。（4 4）、特征曲线窗口分类法）、特征曲线窗口分类法第22页/共55页 监督分类监督分类 小结小结 (1)概念概念:监督是指人为干预监督是指人为干预下的下的训练样本选取训练样本选取过程。过程。依据训练依据训练样本的亮度特征建立样本的亮度特征建立“判别函数判别函数”，进行，进行预分类预分类；再依据预分类；再依据预分类结果，结果，调整训练样本调整训练样本，再分类，再分类，取得好的取得好的分类分类结果的过程，称为结果的过程，称为监督分类。监督分类。(2)训练区的实际意义训练区的实际意义:获得建立判别函数所必须的统计量。这获得建立判
12、别函数所必须的统计量。这些统计参数包括些统计参数包括-均值、方差、协方差。均值、方差、协方差。(3)监督分类的关键监督分类的关键-训练样本的选取训练样本的选取、样样本本数数:如如果果特特征征空空间间(波波段段数数 )的的维维数数是是n n，则则预预分分类类的的样样本数一定要本数一定要 n+1,n+1,甚至可以达到甚至可以达到3n 3n。B、代代表表性性:训训练练样样本本应应该该反反映映该该类类地地物物的的亮亮度度特特征征；且且需需注注意意同同类地物空间分布的不连续性。类地物空间分布的不连续性。(如多块同类样本都要选取如多块同类样本都要选取)第23页/共55页 、亮度分布亮度分布：从亮度特征角度
13、而言，对于同一类地物具有：从亮度特征角度而言，对于同一类地物具有不同亮度特征不同亮度特征情况，通常情况，通常都要选取都要选取（同物异谱同物异谱）。）。、纯度的把握纯度的把握：一般来说，一般来说，在已知类别的在已知类别的中间部位较高中间部位较高；如果如果过纯过纯，则方差过小，导致许多此类地物的像元被，则方差过小，导致许多此类地物的像元被拒分拒分；如如果果不不纯纯，则则方方差差过过大大，导导致致不不是是此此类类地地物物的的像像元元被被分分到到该该类别中，导致出现类别中，导致出现“错分错分”的情况；的情况；把把握握纯纯度度的的方方法法：读读像像元元的的亮亮度度值值，确确定定该该类类地地物物的的亮亮度
14、度分分布布区区间间；同同时时，注注意意其其它它地地物物亮亮度度值值与与其其近近似似部部分分的的像像元元亮亮度度分布区间，依分布区间，依“错分损失最小错分损失最小”的原则的原则，确定，确定“分类界限分类界限”。第24页/共55页(P199)(1)前提：假定遥感影像上同类地物在同样条前提：假定遥感影像上同类地物在同样条件下具有相同的光谱特征。件下具有相同的光谱特征。(2)分类原理分类原理：不必对影像地物有先验知识，：不必对影像地物有先验知识，仅依据影像上各类地物光谱信息（或纹理信息）仅依据影像上各类地物光谱信息（或纹理信息）进行特征提取，再统计特征的差别来达到分类的进行特征提取，再统计特征的差别来
15、达到分类的目的，最后对已分出的各个类别进行确认。目的，最后对已分出的各个类别进行确认。非监督分类非监督分类第25页/共55页同类地物有其一定的聚集空间，多个类别在直方图上有很多峰值及对应的众数灰度值，在不同众数附近的灰度空间形成的点群，叫集群。分级集群方法是采用距离评价各样本（每个像元）在空间分布的相似程度，把它们的分布分割或合并成不同的集群。每个集群是什么地类，要根据地面调查或已知类型的数据比较后确定。1）分级集群法P199第26页/共55页分级集群法的分类过程：1）确定各样本相似程度采用的指标，如距离、相关系数等。2）初定分类总数n；3）计算样本间的距离；根据距离最近原则判定样本归并到不同
16、类别；4）归并后的类别作为新类，与其余类重新组合，然后再计算并改正其距离。在达到所要分类的最终类别前，重复样本间相似度的评价和归并，直到所有的像素都归入到各类别中去。第27页/共55页2）动态聚类法P200是在初始状态给出图像粗糙的分类，然后基于一定的原则在类别间重新组合样本，直到分类比较合理为止。ISODATA动态聚类法的分类过程：1）按照某个原则选择初始聚类中心。规定每一类别最小像元数，规定迭代次数。M为图像平均值，k=1,2,n，n为类总数。Xk为类中心。第28页/共55页2）计算像素与初始类别中心的距离，把该像素分配到最近的类别中。3）计算并改正重新组合的类别中心，如果重新组合的像素数
17、小于最小允许值，则取消该类，总数减1。当类别中心距离小于阈值，类间距离大于阈值，聚类完成。举例：如图像灰阶为256，最大值为225，最小值为0，标准差为43，图像均值为108，按isodata方法，该图像分成6类，中心像元值各是多少？第29页/共55页 非监督分类与监督分类非监督分类与监督分类 的结合的结合 通常非监督分类做为监督分类的通常非监督分类做为监督分类的前导前导；如果监督；如果监督分类的最终结果要类，那么做非监督分类时致少要分类的最终结果要类，那么做非监督分类时致少要类。以此保证分类的纯度，因为方差小，错分的类。以此保证分类的纯度，因为方差小，错分的可能性也小。可能性也小。分层分类分
18、层分类(或决策树或决策树)逐逐层层次次地地建建立立特特征征空空间间，逐逐步步分分类类，达达到到预预期期的的分类目的。一般来说，分层分类的分类目的。一般来说，分层分类的识别精度较高识别精度较高。第30页/共55页非监督分类与监督分类的比较P201区别：是否利用训练场地获取知识优缺点：监督分类精度相对高，方法复杂；非监督分类精度低，方法简单。第31页/共55页图像分类的有关问题(P201)1、未充分利用遥感图像的多种信息(仅光谱特征，空间关系、形状、大小等未用)2、提高遥感图像分类精度受到限制：大气状况(辐射纠正)下垫面的影响(几何纠正)其他影响第32页/共55页 4、遥感图像多种特征的抽取、遥感
19、图像多种特征的抽取 1)地物边界跟踪法点状地物线状地物面状地物边界跟踪：是在遥感图像分类的基础上进行的。(图6.5-图6.6)形状特征和空间关系特征抽取第33页/共55页1)对数字图像进行增强处理；2)对图像进行二值化处理(黑白或01)；3)将图像中的像元分为线状地物与背景；4)噪声去除从而获得初始线状地物图。5)逐行扫描，寻找代表线状地物的像素，根据像素的多寡，计算线状地物的宽度；6)剥皮细化留下骨干像素；7)重复5-6步线状地物信息检测与跟踪线状地物信息检测与跟踪第34页/共55页地物形状特征的描述1)周长P或线状地物的长度P：2)面积S：3)线状地物的曲率C：4)面状地物的形状系数F：(
20、式6.18)第35页/共55页地的空间关系特征描述1)方位关系：指两物体之间方向与位置的相对关系。以一个物体为中心，描述另一个物体位于它的哪一个方向上，距离它有多远。(图6.8)2)包含关系或(内部相离)：一个物体位于另一个物体内部，并且边界不相邻。(图6.9)3)相邻关系：指两个地物在边界上相邻。(图6.10)4)相交关系：两个地物在一点上交汇。(图6.11)第36页/共55页5、遥感图像解译专家系统专家系统：Expert System,简称ES。是把某一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 思考问题和解决问题，是代替专家解决专业问题的技术系统(P220)。第37页/
21、共55页遥感图像解译专家系统是模式识别与人工智能技术相结合的产物。用模式识别(Pattern Identification)方法获取地物多种特征，为专家系统解译提供多种证据，同时应用人工智能技术，运用遥感图像专家的经验和方法，模拟遥感图像目视解译的具体思维过程，进行遥感图像解译。(P213)第38页/共55页遥感图像解译ES的组成(P213)1)图像处理与提取子系统；2)遥感图像解译知识获取子系统；3)遥感图像解译专家子系统。第39页/共55页知识获取知识获取界面界面地理名词地理名词数据字典数据字典图像处理图像处理图形输入图形输入完整一致性检查完整一致性检查图像几何精校正图像几何精校正框架产生
22、器框架产生器规则产生器规则产生器图像分类图像分类区域分割与特征提取区域分割与特征提取ABA图像处理与特征提取子系统B遥感图像解译知识获取子系统属性数据属性数据空间数据空间数据第40页/共55页图像解译知识库图像解译知识库遥感数据库遥感数据库知识管理库知识管理库公共数据区公共数据区数据库管理数据库管理推理机推理机解释器解释器用户界面用户界面CC遥感图像解译专家子系统查询查询解释解释第41页/共55页 1)图像处理与提取子系统图像滤波；图像增强；辐射纠正；图像几何配准；图像分类；图像特征提取。遥感数据库第42页/共55页2)遥感图像解译知识获取子系统知识获取主要通过知识获取界面来实现。知识获取界面
23、是一个具有语义和语法制导的结构编辑器。知识获取后进行完整性和一致性检查；通过框架产生器实现描述性知识的表示和获取。通过规则产生器实现过程性知识的表示与获取。图像解译知识库(Knowledge Base,称KB)第43页/共55页框架第44页/共55页产生式规则IF(条件)THEN (操作)第45页/共55页3)遥感图像解译专家子系统遥感图像数据库(包括空间数据和属性数据)；解译知识库(包括专家解译知识和背景知识)；推理机；解释器：是一个用于说明推理的工具，是对推理过程的解释，以便用户了解计算机解译的过程。第46页/共55页推理机(P216)是遥感图像解译专家系统的核心。作用：提出假设，利用地物
24、多种特征作为证据，进行推理验证，实现图像解译。正向推理过程：反向推理过程：第47页/共55页专家系统自动解译技术路线(P224)卫星图像识别（解译）机理分析；卫星图像识别（解译）机理分析；知识获取与知识形式化表示；知识获取与知识形式化表示；建立专家知识库和背景知识库；建立专家知识库和背景知识库；遥感图像解译专家系统构建遥感图像解译专家系统构建第48页/共55页数字遥感图像数字遥感图像；几何纠正和辐射纠正；几何纠正和辐射纠正；目标地物光谱特征抽取目标地物光谱特征抽取(分类分类)；目标地物形状特征与描述；目标地物形状特征与描述；空间位置抽取与描述；空间位置抽取与描述；自动制图专家系统构建自动制图专
25、家系统构建(P224)第49页/共55页地理专题信息复合（必要时进行）；地理专题信息复合（必要时进行）；运用遥感图像解译专家系统实现运用遥感图像解译专家系统实现数字图像智能化识别；数字图像智能化识别；产生专题图产生专题图 ；（在（在GIS支持下）实现地理数据库支持下）实现地理数据库更新。更新。第50页/共55页6、计算机辅助遥感制图的过程计算机辅助遥感制图的过程(P179)数字遥感图像输入；几何纠正(参考地形图)；图像分类(目视解译或计算机分类)；专题类型图(如水系、路网、植被)；专题图与基础地图底图套合；图幅整饰(如比例尺、经纬网、标题、图例)；专题地图输出。第51页/共55页地理信息数据遥
26、感图像地图制图要素及技术分析地理要素选取实测控制点几何纠正选纠正点图像数据变换建立专题分类体系专题图底图数字化第52页/共55页图像识别目视判读计算机分类专题类型图专题类型图与底图套合专题地图底图与专题类型图匹配扫描回放分色扫描打印计算机辅助遥感制图的基本过程第53页/共55页7、计算机解译的主要技术发展趋势(P219)1)抽取多种图像特征综合利用；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；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；4)模式识别与专家系统结合；结构模式识别、统计模式识别5)计算机解译新方法的应用。人工神经网络、小波分析、分形技术、模糊分类方法、证据理论第54页/共55页感谢您的观看！第55页/共55页