当前位置：文档之家 › 遥感数字图像处理-第五章 遥感数字图像的计算机分类(一)2016

遥感数字图像处理-第五章 遥感数字图像的计算机分类(一)2016

  • 格式：pptx
  • 大小：8.29 MB
  • 文档页数：84

下载文档原格式

  / 84

合集下载

(完整word版)《遥感数字图像处理》课后习题详解

(完整word版)《遥感数字图像处理》课后习题详解

遥感数字图像处理第一部分1。

什么是图像?并说明遥感图像与遥感数字图像的区别。

答：图像（image）是对客观对象的一种相似性的描述或写真.图像包含了这个客观对象的信息。

是人们最主要的信息源。

按图像的明暗程度和空间坐标的连续性划分，图像可分为模拟图像和数字图像.模拟图像（又称光学图像）是指空间坐标和明暗程度都连续变化的、计算机无法直接处理的图像,它属于可见图像。

数字图像是指被计算机储存，处理和使用的图像，是一种空间坐标和灰度都不连续的、用离散数字表示的图像,它属于不可见图像。

2。

怎样获取遥感图像？答：遥感图像的获取是通过遥感平台搭载的传感器成像来获取的。

根据传感器基本构造和成像原理不同。

大致可分为摄影成像、扫描成像和雷达成像三类.m=时的灰度情况。

3。

说明遥感模拟图像数字化的过程。

灰度等级一般都取2m(m是正整数），说明8答：遥感模拟图像数字化包括采样和量化两个过程。

①采样：将空间上连续的图像变换成离散点的操作称为采样.空间采样可以将模拟图像具有的连续灰度(或色彩）信息转换成为每行有N个像元、每列有M个像元的数字图像.②量化：遥感模拟图像经离散采样后，可得到有M×N个像元点组合表示的图像，但其灰度(或色彩）仍是连续的,不能用计算机处理。

应进一步离散、归并到各个区间，分别用有限个整数来表示，称为量化。

m=时，则得256个灰度级.若一幅遥感数字图像的量化灰度级数g=256级,则灰度级别有256个。

当8用0—255的整数表示.这里0表示黑，255表示白，其他值居中渐变。

由于8bit就能表示灰度图像像元的灰度值,因此称8bit量化。

彩色图像可采用24bit量化，分别给红，绿,蓝三原色8bit，每个颜色层面数据为0—255级。

4.什么是遥感数字图像处理？它包括那些内容？答：利用计算机对遥感数字图像进行一系列的操作,以求达到预期结果的技术，称作遥感数字图像处理。

其内容有：①图像转换。

包括模数（A/D)转换和数模（D/A）转换。

遥感数字图像处理

遥感数字图像处理

遥感数字图像处理第一章1.图像是对客观对象一种相似性的描述或写真，它包含了被描述或写真对象的信息，是人们最主要的信息源。

根据人眼的视觉可视性将图像分为可见图像和不可见图像。

按图像的明暗程度和空间坐标的连续性，将图像分为数字图像和模拟图像。

2数字图像指用计算机存储和处理的图像，是一种空间坐标和灰度均不连续、以离散数学原理表达的图像。

数字图像最基本的单位是像素。

3遥感数字图像是数字形式的遥感图像。

4遥感数字图像处理，是利用计算机图像处理系统对遥感图像中的像素进行系列操作的过程。

主要内容：（1）图像增强：灰度拉伸、平滑、锐化、彩色合成、主成分变换、K-T变换、代数运算、图像融合等压抑、去除噪声，增强整体图像或突出图像中的特定地物的信息，使图像更容易理解、解释和判读（2）图像校正（3）信息提取5遥感数字图像处理系统：硬件系统（计算机、数字化设备、大容量存储设备、显示器和输出设备、操作台）、软件系统（ERDAS IMAGING最突出的特色是专家模拟系统、可视化建模工具以及与ArcGIS软件的高度集成、ENVI 最突出的特色是具有丰富的高光谱数据处理工具和内嵌的IDL开发语言、PCI Geomatica最特出的特色是功能丰富的工具箱和建模系统、ER Mapper遥感图像处理系统最大特点是基于算法的图像处理）6遥感基本知识：物理学、地学、数学、信息理论、计算机技术和地理信息系统第二章1遥感是遥感信息的获取、传输、处理以及分析判读和应用的过程2遥感系统是一个从地面到空中乃至整个空间，从信息收集、存储、传输、处理到分析、判读、应用的技术体系，主要包括遥感实验、信息获取、信息传输、信息处理、信息应用等5个部分。

3传感器是收集和记录电磁辐射能量信息的装置。

按工作方式分为被动、主动方式，按数据的记录方式，分为成像和非成像方式。

4摄影成像：传感器主要是摄影机，在快门打开的一瞬间几乎同时收集目标上所有的反射光，聚焦到胶片上成为衣服影响，并记录下来。

遥感数字图像处理教程

遥感数字图像处理教程

遥感数字图像处理教程第一章名词解释1、遥感数字图像（P1）:以数字形式存储和表达的遥感图像2、A/D 转换（P1）：把模拟图像转变成数字图像称为模/数转换，记作A/D 转换3、D/A 转换（P1）：把数字图像转 变成模拟图像称为数/模转换，记作D/A 转换简答题1、模拟图像（照片）与遥感数字图像有什么区别？ （P2） 答表1.1遥感数字图像与印刷照片的区别颜色没有特定的规则，在处理过程「二可以根据需 要通过合成产生多个波段（3-8000） 2、怎么理解图像处理的两个观点？ （P7）答：两种观点是：离散方法的观点和连续方法的观点。

1 .离散方法：图像的存储和表示均为数字形式，数字是离散的，因此，使用离散 方法进行图像处理才是合理的。

与该方法相关的一个概念是空间域。

空间域图像 处理以图像平面本身为参考，直接对图像中的像素进行处理。

2 .连续方法：图像通常源自物理世界，它们服从可用连续数学描述的规律，因此 具有连续性，应该使用连续数学方法进行图像处理。

与该方法相关的一个主要概 念是频率域。

频率域基于傅里叶变换，频率域的图像处理是对傅里叶变换后产生 的反映频率信息的图像进行处理。

完成频率域图像处理后，往往要变换回到空间 域进行图像的显示和对比。

四、论述题1、什么是遥感数字图像处理，主要内容有哪些？ （P2）答：遥感数字图像处理是通过计算机图像处理系统对遥感图像中的像素进行系列 操作的过程。

（1）图像增强：使用多种方法去除噪声，增强显示图像整体或突出图像中的特 定地物的信息，使图像更容易理解、解释和判读。

例：例如灰度拉伸、平滑、锐 化、彩色合成、主成分（K-L ）变换、K-T 变换、代数运算、图像融合照片来自于模拟方式通过摄影系统产生没有像素没有行列结构没有才」推行o 表示投有数据任何点，都没有编号摄影受电黑波谱的成像范围限制遛感数字图像 来自干数字方式 通过扫描和数码相机产生 基本利成单位是像素 具有行和列 可能会观察到扫描行 。

遥感数字图像处理(ERDAS)

遥感数字图像处理(ERDAS)

• 色彩变换（RGB-IHS）
– 将图像从红绿蓝彩色空间转换到以亮度、色度、 饱和度为定位参数的彩色空间，以便使图像颜 色与人眼看到的更接近。
• 指数计算
– 应用一定的数学方法，将遥感图像中不同波段 的灰度值进行各种组合运算，计算反映矿物及 植被等的常用比率和指数（植被指数，裸露指 数等）
傅立叶变换
植被指数： 水体指数： 建筑指数：
专题制图输出
根据工作需要和制图区域的地别特点，进行地图四面的整体设计，设计内 容也括图幅大小尺寸、图面布置方式、地图比例尺、图名及图例说明等； 需要淮备专题制图输出的数据层，也就是要在窗口中打开有关的图像或图 形文件； 启动地图编辑器，正式开始制作专题地图； 确走地图的内图框，同时确定输出地图所也含的实际区域范围，生成基本 的的制图输出图面内容： 在主要图面内容周围，放置图廓线、格网线、坐标注记，以及图名、图例、 比例尺、指北针等图廓外要素； 设首打印机，打印输出地图。
20 20
250/500/1000
产品
蓝
绿
红
近红外
短波红外
中波红外
热红外
全色
Landsat-7
1
1
1
1
2
1
1
Landsat-5
1
1
1
1
2
1
Spot-4
1
1
1
1
1
Spot-5
1
1
1
1
1
QuickBird
1
1
1
1
1
Modis
36
产品
多光谱数据
PAN数据
备注
全景范围
SPOT-2/4

第5章_遥感数字图像处理_图像校正(1)

第5章_遥感数字图像处理_图像校正(1)

散射增加了达到卫星传感器的能量，从而 降低了遥感图像的反差，反差降低则降低 了图像的分辨率，因此必须进行校正。 低分辨率图像的空间范围比较大，不能认 为图像中各处的大气散射是均匀的，需要 进行分区校正。

（3）太阳辐射

太阳位置(高度角和方位角)造成光照条件的差异引起的辐 射误差 太阳高度角较低时，图像上会产生阴影压盖其他地物的 图像，造成同物异谱问题，影响遥感图像的定量分析和自 动识别。 地形起伏引起的辐射误差 地面倾斜度 由于地形的变化，在遥感图像上会造成同类地物灰度不 一致的现象。



到达地表的全球年辐射总量的分布基本上成带状，只有在低纬度地区受到破坏。在赤 道地区,由于多云，年辐射总量并不最高。南北半球的副热带高压带，特别是在大陆
荒漠地区，年辐射总量较大，最大值在非洲东北部。
在各种因素中，大气的影响要首先考虑。 大气散射与吸收太阳的下行辐射和传感器 接收的上行辐射的光谱特性造成深刻的影 响。 大气影响使图像表面的细节变模糊，大气 辐射校正的目的是消除这些影响，提高表 面反演的准确性。

（1）大气分子及气溶胶瑞利散射和米氏散 射、分子及气溶胶的吸收、散射以及散射 吸收的耦合作用。大气的存在导致程辐射 及吸收，这是两个相互对立的作用，一个 增加辐射量，一个减少辐射量。
瑞利散射：又远小于光波长的气体分子引起，大小与波长的四次方成 正比； 米氏散射：有大小与光波长相当的颗粒（气溶胶：如烟、水蒸气）引 起，也称为气溶胶散射，大小与波长成反比。
传感器端的辐射校正的原理

利用已经建立的地物反射率与遥感图像像素之间的关 系，通过遥感图像的像素值计算传感器端的像素的反
射率。一般通过辐射定标来完成。

辐射校正的结果可以是辐亮度也可以是反射率。

5遥感数字图像处理-第五章

5遥感数字图像处理-第五章

☞ 邻域处理
针对一个像元点周围一个小邻域的所有像元而进行，输出 值大小除与像元点在原图像中的灰度值大小有关，还决定于它 邻近像元点灰度值大小。如卷积运算、中值滤波、滑动平均等。
②
图像增强的分类
点处理
点处理
邻域处理
邻域处理
2. 遥感图像的对比度增强
对比度增强的基本原理
人眼对图像的识别主要是基于图像中不同像元的亮度(灰度、
差别为有选择的滑动平均是一种带门限值的滑 动平均处理。
④
有选择的局部平均法
有选择的局部平均法实现步骤：
1. 2. 3. 4. 给定一个判定阈值T 计算模板窗口内像元DN值的均值X 计算窗口中心目标像元的DN值与X的绝对差值D 比较D与T的大小
如D＞T，则窗口中心像元输出DN值等于X
如D＜T，则窗口中心像元DN值保持不变 优点：边缘信息损失减少，减轻输出图像的模糊效应。
中值滤波是一种非线性变换。其优势在于可在平滑的基 础上较大程度地防止边缘模糊。
③
中值滤波
中值滤波窗口可选用模板的不同形式：
○ ○ ○ ○ ○ ○ ○ ○ ○ 方形窗口：对线性噪声抑制效果好
○ ○ ○ ○ ○ 十字形窗口：对点性噪声抑制效果好
④
有选择的局部平均法
有选择的局部平均法—其实质为一种滑动平均平滑法。与滑动平均法的
其中，x—原始图像的亮度值
X—线性扩展增强后的亮度值
②
非线性扩展
Ⅱ 对数变换法
X d
c a b x
②
非线性扩展
Ⅲ 三角函数扩展
假定原始图像的灰度范围是（a，b），将原始图像灰度范围扩展为 （c，d），其中c ＜ a，d ＞ b，其正切函数计算公式为：

遥感图像的计算机分类

遥感图像的计算机分类

一、概述
分类处理与增强处理 共同点
增强和提取遥感图像中的目标信息 异同点 ✓ 增强主要是增强图像的目视效果，提高图像的可解译
性——定性 ✓ 分类着眼于地物类别的区别——定量
一、概述
遥感图像分类处理的特点 多变量
特征选择 有选择地去除多光谱图像中对分类贡献不大的波段，从 而确定分类的信息源的过程
❖ 前提 各类的分布为正态函数
❖ 依据 贝叶斯(Bayes)公式
p(i/X)p(i)pp ((X X )/i)
❖ 判别函数
g i(X ) P (X / i)P (i)
❖ 判别规则
若 P (i) P ( X /i) P (j) P ( X /j) 则 X i
式中，p(X/—i)— 似然概率 —p(—i )先验概率 p(—i /—X)后验概率 ——p(X )出现的概率
原始图像的预处理 训练区的选择
特征选择和特征提取 分类
检验结果 结果输出
三、计算机分类处理的一般过程
➢ 原始图像的预处理
对观测数据作成像处理，以及图像的几何校正、辐射校 正、量化、采样、预滤波、去噪声等处理，以便获得一 幅比较清晰、对比度强、位置准确的图像提高分类精度
三、计算机分类处理的一般过程
➢ 训练区的选择
❖ 要求 普遍性、代表性
❖ 方法 实地调查 借助地图、航片或其他专题资料 非监督分类
平原水田
水
景观相片
田
遥感影像
丘陵水田
山区水田
平原旱地
旱地
景观相片
遥感影像
丘陵旱地
山区旱地
有林地
林地
景观相片
遥感影像
灌木林地 疏林地
高覆盖度草地
草地

遥感数字图像处理教学.pptx

遥感数字图像处理教学.pptx

i 1 n
rij （美国查维茨提出的）
i 1
特征提取（feature extraction）
特征提取是在特征选择后，利用特征提取算法从原始特征中求出最能反映地物类别 性质的一组新特征，由此既可以压缩数据，又提高特征类别间的可分性。
第22页/共61页
4）图像分类运算
依据你选择的特征变量和图像的分类对象的实际情况以及选择适当的分类 方法和相应的分类参数进行图像分类。
碎斑处理——处理办法主要是进行滤波处理，用计算机手段 去掉分类图中过于孤立的类别像素，或将它归并到包围相邻 较连续分布的那些类中。比如：ENVI的多数/少数分析、聚 块和筛除等。 类别合并——ENVI中有类别合并处理的模块，主要将其颜色 和编码更改一致即可。
第26页/共61页
b）分类结果检验分析
统计分类结果——包括各类地物在各波段的平均值、标准差、min、max、协方差矩 阵、相关系数矩阵、特征值、各类像素数和所占像素百分比、精度检验等等统计指 标的说明。
•
分类的基本原理
•
分类的方法
•
分类的工作流程
•
非监督分类方法
•
监督分类方法
•
图像分类的相关问题
第31页/共61页
6.4 非监督分类法
非监督分类法是指人们事先对分类过程不加入任何的先验知识，而仅凭遥感图像 中地物的光谱特征进行分类，分类过程就是自然的聚类特性。
这样的分类的结果从效果上讲，只区分了图像上存在的差异，并不能确定该类别 的属性，具体的属性尚需要通过目视判读或实地调查针对性的确定。
监督分类法的基本原理！
做分类时，常把图像中某一类地物称为模式，而把属于该类中的像素称为样 本，其中某位置的像元在不同波段或不同特征空间中的像素值，则可以称为该样 本的观测值。

遥感数字图像处理：遥感数字图像处理(62页)

遥感数字图像处理：遥感数字图像处理(62页)
■ 传感器的波段选择必须考虑目标的光谱特征值， 才能取得好效果。
不同波谱分辨率对水铝 反射光谱的获取
时间分辨率
■ 时间分辨率指对同一地点进行遥感来样的时间间隔， 即采样的时间频率，也称重访周期。
■ 遥感的时间分辨率范围较大。以卫星遥感来说，静止 气象卫星（地球同步气象卫星）的时间分辨率为 1次 /0.5小时；太阳同步气象卫星的时间分辨率 2次／天； Landsat为1次／16天；中巴（西）合作的CBERS为1次 ／26天等。还有更长周期甚至不定周期的。
微波遥感与成像
在电磁波谱中，波长在1mm～
1m的波段范围称微波。该 范围内又可再分为毫米波、 厘米波和分米波。在微波 技术上，还可将厘米波分 成更窄的波段范围，并用 特定的字母表示
谱带名称
Ka K
Ku X
微波遥感是指通过微波传
C
感器获取从目标地物发射 或反射的微波辐射，经过 判读处理来识别地物的技
几种遥感图像处理系统简介
■ PCI ■ ERDAS ■ ENVI
PCI简介
■ PCI是加拿大PCI公司的产品，可进行遥感图像的处 理，也可应用于地球物理数据图像、医学图像、雷 达数据图像、光学图像的处理，并能够进行分 析 、制图等工作。它的应用领域非常广泛。
■ PCI拥有最齐全的功能模块：常规处理模块、几 何校正、大气校正、多光谱分析、高光谱分析、 摄影测量、雷达成像系统、雷达分析、极化雷达 分析、干涉雷达分析、地形地貌分析、矢量应用、 神经网络分析、区域分析、GIS联接、正射影像 图生成及DEM提取（航片、光学卫星、雷达卫 星）、三维图像生成、丰富的可供二次开发调用 的函数库、制图、数据输入/输出等四百多个软 件包。
多波段数字图像的数据格式
■BIP方式（band interleaved by pixel） 在一行中，每个像元按光谱波段次序进 行排列，然后对该行的全部像元进行这 种波段次序排列，最后对各行进行重复。

遥感数字图像计算机解译

遥感数字图像计算机解译

最小距离法分类
每一类别中的“＋”代表这一 类别的中心向量
最大似然法分类
类的概率分布计算
最大似然法分类
概率等值线，落到哪一类等值 线上，就属于哪一类
训练区的选择
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
表示分类精度的几个概念
生产者精度（producer’s accuracy）
➢ 某类中正确分类的像元数除以参考数据中所有该类的 像元数（列方向）
用户精度（user’s accuracy）
由于利用遥感图像能够快速、真实、客观地获取地球表 层信息，因此，利用计算机进行遥感图像智能化解译，快速 获取地表不同专题信息，并利用这些专题信息迅速地更新地 理数据库，是实现遥感图像自动解译的基础研究，具有重要 的理论意义和应用前景。
主要内容
1 遥感数字图像的性质和特点 2 遥感数字图像的计算机分类（重点，难点） 3 遥感数字图像多种特征的抽取（了解） 4 遥感图像解译专家系统（了解概念）
聚类过程：类别中心的变化
聚类过程：类别中心的变化
2分类 最大似然分类（比较成熟的方法之一） 马氏距离分类 神经网络分类方法 光谱角分类 二值编码分类
最小距离法分类
一种相对简化了的分类方法。前提是假设图像 中各类地物光谱信息呈多元正态分布； 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。
图像分类的基本原理
遥感数字 图像分类的依 据就是数字图 像中反映的同 类地物的光谱 相似性和异类 地物的光谱差 异性。

遥感数字图像处理-第五章 遥感数字图像的计算机分类(一)2016

遥感数字图像处理-第五章 遥感数字图像的计算机分类(一)2016
明可夫斯基距离存在的主要问题
•明氏距离与特征参数的量纲有关（解决办法：标准化处理） •明氏距离没有考虑特征参数间的相关性
26
为了更一步理解这些距离的差别，我们做下面一个实验 ：选取一个点作为中心点，用上述的三个距离公式分别计算周 围的每一个点到这个中心点的距离 ，将距离相同的点用同一 种颜色表示，那么得到下面的三个图：
Y为类均值向量.
优点：
1）独立于分量量纲
2）排除了样本之间的相关性影响。
缺点：不同的特征不能差别对待，可能夸大弱特征。
29
相似系数(余弦距离)
表示当前像元的向量与类向量之间的光谱夹角。
像元i到类k的距离公式为：
dik为像元i 到类k的距离，p为波段数，xij为像元i 在j波段的值, Mkj为类k在j波段的中心。
距离判别函数
欧氏距离:
dij
N
(xik x jk )2
k 1
N
N, 波段数；dij第个i像元与第j个像元在N维空间中的距离； xik为第个k波段上第i个像元的灰度值。
相当于高维空间内向量所表示的点到点之间的距离。
由于特征向量的各分量的量纲不一致，通常需要先对各分量进 行标准化，使其与单位无关，比如对亮度值和NDVI两个单位不同的 指标使用欧式距离可能使结果失效。
（主要）
（次要、补充）
12
统计模式识别的基本含义
（1）把识别对象的特征的每一个观测量视为从属于一定分布 规律的随机变量；
（2）在多维观测的情况下，把识别对象特征的各维观测值的 总体视为一个随机矢量，每一个随机矢量在一个多维特征空间中 都有一个特征点与之相对应；
（3）所有特征点的全体在特征空间中将形成一系列的分布群 体，每个分布群体中的特征点被认为具有相似特征，并可以划为 同一类别；

第五讲 遥感图像的计算机处理

第五讲 遥感图像的计算机处理

201
特征曲线窗口法分类的依据是：相同的地物在相同的地域 环境及成像条件下，其特征曲线是相同或相近的，而不同 地物的特征曲线差别明显。 特征曲线窗口法分类的效果取决于特征参数的选择和窗口 大小。各特征参数窗口大小的选择要根据地物在各特征参 数空间里的分布情况而定。
首先需要从研究区域选取有代表性的训练区作为样本。 根据训练区提供的样本，选择特征参数（如像素亮度均 值、方差等），建立判别函数， 根据判别函数对样本像元进行分类，依据样本类别的特 征来识别其它像元的归属类别。
2017/6/21
19
遥感图像监督分类
监督分类的方法主要有： • 最小距离分类法 • 多级切割分类法 • 特征曲线窗口法 • 最大似然比分类法 训练区的选取原则： 准确性：确保选择的样区与实际地物的一致性 代表性：在一定程度上反映同类地物光谱特性的波动情况 统计性：选择的训练样区内必须有足够多的像元
主成分变换可以把相互存在相关性的原始多波段图像转换 为相互独立的多波段图像，而且使原始遥感图像的绝大部 分信息集中在变化后的前几个组成上，从而实现特征空间 的降维和数据压缩；
2017/6/21
15
特征空间度量
遥感图像计算机分类的依据是遥感图像像素的相似度。相 似度是两类模式之间的相似程度，常使用距离和相关系数来 衡量相似度。
分级集群法分类过程


确定评价各样本相似程度所采 用的指标（距离，相关系数）。 初定分类总数n。 计算个体间的距离；根据距离 最近的原则判定归并到不同类 别。 归并后的类别作为新类，与剩 余的类别重新组合，然后再计 算并改正其距离。在达到所要 分类的最终类别数以前，重复 样本间相似度的评价和归并， 这样直到所有像素都归入到各 类别中去

遥感数字图像处理：遥感图像的分类

遥感数字图像处理：遥感图像的分类

四、分类基本过程
7.结果输出：
对于达到精度要求的分类图像，根据需要和用途，设置投影、比例 尺、图例等制作专题图。
五、遥感图像分类方法
利用遥感图像进行分类（classification） 是以区别图像中所含的多个目标物为目的的， 对每个像元或比较匀质的像元组给出对应其特 征的名称。在分类中注重的是各像元的灰度及 纹理等特征。分类方法主要包括以下三大类：
差异 2. 可靠性：同类对象其特征值比较相近。 3. 独立性：所用的各特征之间应彼此互不
相关。 4. 数量少：分类的复杂程度随特征个数的
增加迅速增长。
三、分类方法
• 根据是否需要已知类别及其训练样本，对 分类器进行训练和监督，可分为：监督分 类和非监督分类。
• 根据所使用的方法分为：随机统计方法和 模糊数学方法。
➢ 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
绝对距离和欧氏距离中，各特征参数等权出现，也称为等混和距离
分类原理—相似度判断
➢马➢ 马氏氏距距离离（M（ahMaalhaanloabniosb，is既，考既虑考离虑散离度散，度也，考也虑 各轴考间虑的各总轴体间分的布总相体关分) 布相关)
1. 监督分类法 2. 非监督分类法 3. 新的探索：模糊分类法、面向对象分类法等；
（一）监督分类
➢监督分类法：选择具有代表已知地面覆盖类型 的训练样本区，用训练样本区中已知地面各类 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（如均值、方 差、判别域等），并以此对未知地区的像元进 行分类处理，分别归入到已知具有最大相似度 的类别中。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
14
光谱特征向量与特征点集群
光谱特征向量
光谱特征变量：由于受外界各种因素的影响，使得同类地 物的成像亮度值总是带有随机误差，导致图像亮度值（即光谱特 征）的观测值为一个随机变量（x）。
光谱特征向量：同名地物点在不同波段图像中亮度的观测量 构成一个多维的随机向量（X），称为光谱特征向量。即
X x 1 , x 2 , , x n T
17
特征点集群在空间中的分布情况
•最理想情况
不同类别集群至少在一个特征子空间（某一波段图像）中的投影 （即亮度范围）是完全可以相互区分开的——可以用简单的图像密度 分割实现。
Bj
植被
Bi
18
•典型情况
不同类别地物的集群，在任一个子空间都有重叠现象存在，但 在总的特征空间中却是可以完全分开的。即单波段的图像不能实现 图像的分类，只有利用多波段图像在多维空间中才能实现精确分类。
波段：光谱波段
其它派生波段（纹理、上下文关系、波段比等）
辅助数据(ancillary data) (非遥感数据，如DEM、 土壤类型)
特征提取（feature extraction）：通过变换找出最能反映 地物类别差异的特征变量用于分类的过程
9
ቤተ መጻሕፍቲ ባይዱ
模式识别 是人们沿着仿生学的道路，用计算机系统作为工具来
利用计算机技术来模拟人类的识别功能,对地 球表面及其环境在遥感图像上的信息进行属性 的自动判别和分类，达到提取所需地物信息的 目的。
4
计算机分类
是通过模式识别理论，利用计算机将遥感图象自动 分成若干地物类别的方法。
如土地覆盖/土地利用分类、森林类型分类、植被 类型分类、岩性分类、……
数据→信息 （遥感数据---地物信息）
水 19
•一般情况
不论是在总的特征空间还是任一子空间，不同类别的集群之间 总有重叠现象，这时重叠部分的特征点所相应的地物，在分类时 会出现不同程度的分类误差，这是遥感图像分类中最常见的现象。
遥感图像解译
遥感图像数据
专题图像 解译 专题地图
方法
专业应用
目视解译
光谱规律 解译标志（亮度、色 地学规律 调、位置、时间、纹 解译者的经验 理、结构等）
景物类型
计算机分类 属性识别、分类 提取信息、识别地物
3
➢ 图像分类的目的 将图像中每个像元根据其不同波段的光谱亮
度、空间结构特征或其他信息，按照某种规则 或算法划分为不同的类别。 ➢ 遥感图像分类
（4） 找到各个分布群体的边界线（面）或确定任意特征点落 入每个分布群体中的条件概率，并以此依据来确定特征点（或相 应的识别对象）的分类。
13
光谱特征向量与特征点集群
基于统计模式识别的分类方法 监督分类与非监督分类 分类处理与增强处理的异同 共同点：增强和提取遥感图像中目标物的信息 不同点： 增强处理→增强视觉效果→提高图像的可解译性（定性） 图像分类→地物类别的区分（定量信息）
第五章 遥感数字图像计算机分类
一、遥感数字图像计算机分类的一般原理 二、遥感分类的常用判别函数 三、遥感数字图像的分类方法 四、遥感数字图像的分类后处理 五、光谱特征分类中的辅助处理技术 六、遥感图像计算机分类新方法
1
一、遥感数字图像计算机分类的一般原理
遥感图像解译
2
一、遥感数字图像计算机分类的一般原理
模拟人类的感知和识别智能，它是人工智能的一个分支。
分类器（或称判决器），可以根据一定的分类规则， 把某一测量矢量X划入某一组预先规定的类别之中去。
自然模式
接收器 (传感器)
x1 …x2.
xn
分类器 结果 (判决器)
模式识别系统的模型
10
遥感图像的计算机分类 它是对地球表面及其环境在遥感图像上的信息进行属
（主要）
（次要、补充）
12
统计模式识别的基本含义
（1）把识别对象的特征的每一个观测量视为从属于一定分布 规律的随机变量；
（2）在多维观测的情况下，把识别对象特征的各维观测值的 总体视为一个随机矢量，每一个随机矢量在一个多维特征空间中 都有一个特征点与之相对应；
（3）所有特征点的全体在特征空间中将形成一系列的分布群 体，每个分布群体中的特征点被认为具有相似特征，并可以划为 同一类别；
同，同一地物的电磁辐射能量不同；地物边界的多样 性。
8
➢ 统计模式识别的概念和基本问题
模式（pattern）: 在多波段图象中，每个象元都具有一组 对应取值，称为象元模式，即一个像元对应多个值（地理 信息的多维性）。
特征（feature）：在多波段图象中，每个波段都可看作一 个变量，称为特征变量。特征变量构成特征空间。
6
遥感图像分类的实质
图象分类 过程的总目标 是，将图象中 所有像元自动 地进行土地覆 盖类型或土地 覆盖专题的分 类。
7
影响遥感图像分类精度的因素
大气状况的影响：吸收、散射。 下垫面的影响：下垫面的覆盖类型和起伏状态对分类
具有一定的影响。 其他因素的影响：云朵覆盖；不同时相的光照条件不
——图像波段总数 ——地物图像点在第 波段图像中的亮度值
15
光谱特征向量与特征点集群
光谱特征空间 为度量地物的光谱特征，建立的以各波段图像的亮度
分布为子空间的多维空间。
16
光谱特征向量与特征点集群 特征点集群
每个地物点依其在各个波段所具有的光谱值可以在一个多 维空间中找到一个相应的特征点，但由于随机性所致，同类地 物的各取样点在光谱特征空间中的特征点将不可能表现为一个 点，而是表现为一个相对聚集的点集群，不同类地物点集群在 特征空间中一般相互分离，这些点集群称为特征点集群。
性的识别和分类，从而达到识别图像信息所相应的实际地 物，提取所需地物信息。
遥感图像目视判读与计算机分类的比较 相同点：目的一致； 不同点：目视判读——直接利用人类的自然识别智能； 计算机分类——利用计算机模拟人类的识别能力。
11
遥感图像的模式特征及其分类方法 光谱特征
纹理特征
↓
↓
基于光谱特征的统计识别方法 基于纹理特征的统计识别方法
主要数据类型： 1、原始光谱数据； 2、光谱变换后数据； 3、非遥感数据
5
➢ 理论依据
在理想条件下，图像中同类地物在相同的条件下应具有 相同或相似的光谱信息特征和空间信息特征，从而表现出同 类地物的某种内在相似性，即同类地物像元的特征向量将集 群在同一特征空间区域，而不同地区的光谱信息特征或空间 信息特征应不同，因而将集群在不同的特征空间区域。