第六章 遥感图像分类(三)

其中，
A R R R cos 0 1 0 sin 0 a11 a12 a a 21 22 a31 a32 sin 1 0 0 cos 0 cos sin sin 0 cos 0 sin cos 0 a13 a23 a33 sin cos 0 0 0 1
所谓直接法方案是从原始图像阵列出发按行列的顺序依次对每个原始像素点位求其在地面坐标系也是输出图像坐3数字图像亮度或灰度值的重采样以间接法纠正方案为例假如输出图像阵列中的任一像素在原始图像中的投影点位坐标值为整数时便可简单地将整数点位上的原始图像的已有亮度值直接取出填入输出图像
第六章 遥感图像的几何处理
构像方程：
X X Y Y A R t Z P Z St
0
x 0 f
式中：
sin cos (X ) (Z ) (Y ) ( y ) f tan f (Z )
则共线方程可以简写为：
(X ) xf (Z ) (Y ) yf (Z )
共线方程的几何意义：当 地物点P、对应像点p和投 影中心S位于同一条直线上 时，上式成立。
像点P
6.1.3 全景摄影机的构像方程
全景摄影机影像是由一条曝光缝隙沿旁向扫描而成，对 于每条缝隙图像的形成，其几何关系等效于中心投影沿旁向 倾斜一个扫描角θ后，以中心线成像的情况。
由像点坐标可以解算大地（平面）坐标，称为正算公式：
X P X S (Z P Z S ) a11 x a12 y a13 f a31 x a32 y a33 f a x a22 y a23 f YP YS ( Z P Z S ) 21 a31 x a32 y a33 f

(2) 对比分析法：依据解译标志的相近程度，从已知到未 知的 推断过程。 (3) 综合推理法：依据已有知识，经过分析、比较、综合 而做出的推断。
(4) 信息复合法：依据辅助资料，结合解译标志做出推断。
(5) 地理相关分析法：依据地学知识和地学基本规律做出 的推断解译。
4、遥感像片目视解译步骤 (1) 准备阶段： 对解译任务的深刻理解
☆ 摄影像片的基本特征：
(1) 投影方式：中心投影 (2) 视觉感受：地物顶（冠）的形态 ☆ 摄影像片的解译（判读）标志 (1) 直接判读标志：色调与色彩；形状；大小；
阴影；纹理；空间位置。
(2) 间接判读标志：相关布局；内在联系。
3、目视解译方法
(1) 直接判读法：依据解译标志做出的直接判断。
草地
建设用地
4-2
5 水域 未利用地 6
5、遥感制图
阅读重点： （1）遥感影像地图 （2）计算机辅助遥感制图的过程和步骤
基于遥感的土地利用更新调查
1 资料准备
（1）遥感信息源：googleearth上的遥感图作为更新调查的遥感数据源 （2）地形图（基期）、基期的土地利用现状图
2 技术流程
利用遥感技术辅助更新土地利用现状图，以googleearth的遥感图片为基础 调查资料，与原有的土地利用现状图套合对比，经实地调绘和补充调查，更新 土地利用现状数据库，其流程如下： (1)googleearth上下载调查区域的图像 (3)遥感图像几何校正（控制点从对应地形图上获取） (4)目视判读、解译并矢量化 (5)野外核实、调绘、补测 (6)建立土地利用现状数据库
图型：地物有规律的排列而成的图形结构。
空间位置：地物分布的位置地点。 相关布局：不同地物空间分布的内在联系。

(a) (b)
(c) (d)
w1 w2 w3 w4 w5 w6 w7 w8 w9
无论哪种方法，其处理过程为
R = w1z1+w2z2+…+w9z9 = S wkz 其中 zk 是 与模板系数wk相联系的灰度级象素 R代表模板中心象素的值
边缘检测
如果一幅图像满足这些条件，它的灰度直方图基本上可看 作是由分别对应目标和背景的两个单峰直方图混合构成的。
直方图阈值分割
简单直方图分割法 最佳阈值
简单直方ห้องสมุดไป่ตู้分割法
图像的灰度级范围为0,1,…l-1，设灰度级i的象素 数为ni，则一幅图像的总象素N为
N=∑i=0l-1ni 灰度级i出现的概率定义为：
(1) ∪i=1nRi=R
分割所得到的全部子区域的总和 (并集)应能包括图像中所有象素， 或者说分割应将图像中的每个象 素都分进某1个子区域中
(2) 对所有的i和j， i≠j，有Ri∩Rj=φ
(3) i=1,2…n,有 P(Ri)=TRUE
(4) 对i≠j,有 P(Ri∪Rj)=FALSE
(5) 对i=1,2…n,Ri是 连通的区域
E2(Zt)=∫zt ∞ P1(Z)dZ 因此，总的错误概率E(Z)为：
E(Zt)=(1-θ)E1(Zt)+ θ E2(Zt)
最佳阈值就是使E(Zt)为最小值时的Zt，将E(Zt) 对Zt求导，并令其等于0，解出其结果为：
θP1(Zt)=(1- θ)P2(Zt) 设P1(Zt)和P2(Zt)均为正态分布函数，其灰度均值分别为 μ1和μ2，对灰度均值得标准偏差分别为σ1和σ2，即
第七章 遥感图像分割
对于给定的一幅含有多个物体的数字图像， 模式识别的过程由三个阶段组成，如图所示

原始遥感图像
对应的专题图像
用光谱信息 对影像逐个 像元地分类， 在结果的分 类地图上会 出现“噪声”
产生噪声的原因有原始影像本身的噪声，在地类 交界处的像元中包括有多种类别，其混合的幅射 量造成错分类，以及其它原因等
另外还有一种现象，分类是正确的，但某种类别 零星分布于地面，占的面积很小，我们对大面积 的类型感兴趣，因此希望用综合的方法使它从图 面上消失
简单集群分类方法
K-均值法（K-means Algorithm） Cluster分类法 迭代自组织数据分析技术方法（Iterative
Self-Organization Data Analysis Techniques， ISODATA）
通过自然的聚类，把它分成8类
K-均值算法的聚类准则是使每一聚类中，像元到 该类别中心的距离的平方和最小
A. 按照某个原则选择一些初始聚类中心 B. 计算像元与初始类别中心的距离，把像素分配
到最近的类别中
C. 计算并改正重新组合的类别中心 D. 过程重复直到满足迭代结束的条件
仅凭遥感影像地物的光谱特征的分布 规律，即自然聚类的特性，进行“盲 目”的分类
其分类的结果只是对不同类别达到了 区分，但并不能确定类别的属性；其 类别的属性是通过分类结束后目视判 读或实地调查确定的
遥感图像计算机分类
色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局
基于光谱的
基于空间关系的
遥感图像特征集
遥感图像 遥感图像计算机分类流程框图
将影像数据的连续变化转化为地图模式， 以提供给用户有意义的信息
获得关于地面覆盖和地表特征数据的更深 刻的认识
较目视解译客观，在分析大数据集时比较 经济
基本思想：通过迭代，逐次移动各类的中心，直 至得到最好的聚类结果为止

遥感图像处理遥感图 像分类
遥感图像的分类
遥感图像的分类
一．遥感图像分类概述 二．遥感图像分类原理 三．遥感图像分类基本过程 四．遥感图像分类方法 五．遥感图像分类后处理 六．遥感图像分类精度检查 七．遥感图像分类中存在的问题
一、遥感图像分类概述
1. 分类的定义 2. 分类的意义 3. 分类的难点
四、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：
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；
分类原理—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。
➢ 为了抽取这些最有效的信息，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。
（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。
➢监督分类主要包括：最小距离分类法、最近邻 分类法、多级切割分类法、最大似然比分类法 等；

4） Hyperbolic
5） Logistic
2.5.4 训练过程
2.5.4 训练过程

把输入模式映射到相应分类器，所需知识
由权值来体现。最初，给定问题域的权值
是未知的，直到找到有用权值之前，神经
网络不能解决这个问题。

寻找有用权值集合的过程，称为训练（也
称为学习过程）。
B P 学 习
2.5.5 影响误差曲线的因素
2. 计算机图象分类
概念：以区别图象中所含 的多个目标物为目的，对 每个像元或者比较均匀的 像元组给出对应其特征的 名称。 特征名称一般称类别，例 如土地利用/覆盖中的 居 民地、水域、园地、林地、 耕地等。 参与分类的多个特征量 （向量）所定义的空间， 称为特征空间，例如2个 波段定义的2维特征空间， 3个波段定义的3维特征空 间等。
第一节
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。
第二节 遥感图像的计算机分类
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。
基准类别参数确定， 转入分类处理 ISODATA 算法
N― 所要求的类别数 I― 迭代次数限定值 Tn―每类集群中至少应有的点 数 Tc―集群分裂标准即每类集群 所允许的最大标准差 Tm―集群合并标准即两灯集群 中心间允许的最小距离
2 监督分类
2.1 平行管道分类 2.2 最小距离分类 2.3 最大似然分类 2.4 马氏距离分类 2.5 神经网络分类方法 2.6 光谱角分类 2.7 二值编码分类

一方面可以发挥专家系统的指导作用，一 定程度上为模式识别提供经验性知识 另一方面可以利用数字图像本身的特征， 有助于提高计算机解译的灵活性
第四节 遥感图像专家解译系统
三、计算机解译技术的发展趋势 5.应用新的方法
①人工神经网络法：遥感图像目标地物的特征抽 取与选择 ②小波分析：遥感图像的压缩以及从立体像对中获 取地面高程信息 ③分形技术：提取自然地物的特征；对遥感数据进 行压缩 ④模糊分类法：处理地物的模糊边界
第二节 遥感图像的计算机分类 四、非监督分类
定义：也叫光谱积群法或边学习边分类法 是在缺乏类别特征的条件下，根据遥 感数据本身的规律性，即像元相似度的大 小，对研究区进行归类合并，从而达到分 类的目的。 优点：减少了人为的干扰，可以直接进行运 算，省去了选择样区的麻烦 缺点：运算量巨大
原图
非监督分类 监督分类
第一节 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。
第二节 遥感图像的计算机分类 分类原理与基本过程 图像分类方法 图像分类的有关问题
第六章 遥感数字图像的计算机解译
遥感数字图像的性质与特点 遥感数字图像的自动分类 遥感图像多种特征的抽取 遥感图像解译专家系统
第一节 数字图像的性质和特点 一、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 正像素 混合像素
第二节 遥感图像的计算机分类 四、非监督分类
2.遥感图像分类精度的提高受到许多因素的限 制 ①大气状况影响分类精度 吸收——使目标地物的辐射量衰减 散射——引起非目标地物的电磁波进 入传感器，使遥感图像的灰 度产生偏移

训练样区的选择
准确性——确保选择的样区与实践地物的 一致性
代表性——思索到地物本身的复杂性，所 以必需在一定程度上反映同类地物光谱特 性的动摇情况
统计性——选择的训练样区内必需有足够 多的像元
选择训练区
训练区与特征空间的联络
选择样本区域
▪ 植被 老城区 耕地 水 新城区
将样本数据在特征空间进展聚类
分类的总目的是将图像 中一切的像元自动进展 土地覆盖类型或土地覆 盖专题的分类
计算机分类实例
原始遥感图像
对应的专题图像
光谱方式识别
空间方式识别
新方法
统计分类 构造分类 模糊分类 神经网络分类 小波分析 专家系统 遥感图像计算机分类
颜色、颜色、阴影、外形、纹理、大小、位置、图型、相关规划
基于光谱的
非监视分类方法的特点
优点： 不需求预先对待分类区域有广泛的了解 需求较少的人工参与，人为误差的时机减
少 小的类别可以被区分出来 缺陷： 盲目的聚类 难以对产生的类别进展控制，得到的类别
不一定是想要的类别
非监视分类与监视分类的结合
监视分类的缺陷在于，必需在分类前确定 样本，难度大、效率低
主要的非监视分类方法
K-均值法〔K-means Algorithm〕 迭代自组织数据分析技术方法〔
Iterative Self-Organization Data Analysis Techniques，ISODATA〕
K-均值法
经过自然的聚类，把它分成8类
K-均值法
K-均值算法的聚类准那么是使每一聚类中，像元 到该类别中心的间隔的平方和最小
最大似然分类法
最大似然分类法
地物类数据在特征空间中构成特定的点群 每一类的每一维数据都在本人的数轴上为正态分

2) 过滤分析
提示：main>image interpreter>gis analysis>Sieve
确定最小图斑 大小
过滤分析后，所有小图斑的属性值变为0
分类后处理
3) 去除分析
提示：main>image interpreter>gis analysis>Eliminate
确定最小图斑 大小
输出图像的数 据类型
打开上图，Edit>Column Properties…打开下图
专题判别
3）编辑类别颜色和名称
专题判别
4) 对比显示
提示：对比Utility>flicker/ Blend/ Swipe区别
分类后处理
1) 聚类统计
提示：main>image interpreter>gis analysis>clump
分类结果评价
Kappa 系数值 <0.00 0.00-0.20 0.20-0.40 0.40-0.60 0.60-0.80 0.80-1.00 分类质量 很差 差 一般 好 很好 极好
遥感图像分类中的若干问题
• 遥感分类的精度和可靠性除了与分类方法本身 的优劣有关外，还取决于一些其它的因素：
训练场地和训练样本的选择问题
分类后处理
3) 去除分析
提示：main>image interpreter>gis analysis>Eliminate
分类后处理
4) 分类重编码（主要针对非监督分类）
提示：main>image interpreter>gis analysis>Recode
分类后处理
4) 分类重编码（主要针对非监督分类）

“Max stdev from Mean”文本框中输入用于限定相对于均值的标 准差的大小。 ➢要 为 每 一 类 别 设 置 不 同 的 阈 值 ：
➢A. 在类别列表中，点击想要设置不同阈值的类别。 ➢B. 点击“Multiple Values”来选择它。 ➢C. 点击“Assign Multiple Values”按钮。 ➢D. 在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本
➢选择Classification > Super vised > Maximum Likelihood ➢设 定 似 然 度 的 阈 值 ， 范 围 0 - 1 ➢数 据 比 例 系 数 ： 这 个 比 例 系 数 是 一 个 比 值 系 数 ， 用 于 将 整 型 反 射 率 或 辐 射 率
多辅助方法，如上面的可以显示不同的假彩色合成窗口，也可以进行主成分分析后进行 假彩色合成，由于去除了波段间的相关性，不同地物区分的更加明显；还可以借助 Google Earth辅助解译。
第8页/共53页
ENVI/IDL
6.2 监督分类
➢第二种方法，在散点图上进行选择 ➢（1）在主图像上，选择tools > 2D scatter plots,将1波段作为X，4波段作为Y，原理
第2页/共53页
ENVI/IDL
6.1 分类类型
❖1、监督分类
❖监 督 分 类 ： 又 称 训 练 分 类 法 ， 用 被 确 认 类 别 的 样 本 像 元 去 识 别 其他未知类别像元的过程。它就是在分类之前通过目视判读和野 外调查，对遥感图像上某些样区中影像地物的类别属性有了先验 知识，对每一种类别选取一定数量的训练样本，计算机计算每种 训练样区的统计或其他信息，同时用这些种子类别对判决函数进 行训练，使其符合于对各种子类别分类的要求，随后用训练好的 判决函数去对其他待分数据进行分类。使每个像元和训练样本作