《遙感導(dǎo)論》主講：劉朝順華東師范大學(xué)地理學(xué)系E-mail：csliu@辦公室：閔行校區(qū)資環(huán)樓209室第六章遙感數(shù)字圖像的計算機解譯12023/4/32了解數(shù)字圖像的性質(zhì)與特點、表示方法；掌握數(shù)字圖像分類原理、監(jiān)督分類、非監(jiān)督分類的具體方法及兩種分類方法的區(qū)別；了解遙感圖像多種特征的抽取；了解遙感圖像解譯專家系統(tǒng)的組成。本章知識要點§1、數(shù)字圖像的性質(zhì)和特點遙感數(shù)字圖像遙感數(shù)字圖像是以數(shù)字表示的遙感圖像,其最基本的單元是像素.像素是成像過程的采樣點,也是計算機處理圖像的最小單元.像素具有空間特征和屬性特征.像素的屬性特征采用亮度值來表達.正像素;混合像素§1、數(shù)字圖像的性質(zhì)和特點

二、遙感數(shù)字圖像的特點便于計算機處理與分析圖像信息損失少抽象性強§1、數(shù)字圖像的性質(zhì)和特點

三.遙感數(shù)字圖像的表示方法遙感數(shù)字圖像是以二維數(shù)組來表示的.§1、數(shù)字圖像的性質(zhì)和特點三.遙感數(shù)字圖像的表示方法遙感圖像按照波段數(shù)量分為:單波段數(shù)字圖像:SPOT的全色波段.多波段數(shù)字圖像:TM的7個波段數(shù)據(jù).多波段數(shù)字圖像的三種數(shù)據(jù)格式BSQ格式(Bandsequential)BIP格式(Bandinterleavedbypixel)BIL格式(Bandinterleavedbyline)§1、數(shù)字圖像的性質(zhì)和特點四.航空像片的數(shù)字化空間采樣：將航空像片具有的連續(xù)灰度信息轉(zhuǎn)化為每行有m個單元，每列有n個單元的像素組合。屬性量化：可得到每個像元的數(shù)字模擬量，與航空像片中對應(yīng)位置上的灰度相對應(yīng)?！?、數(shù)字圖像的性質(zhì)和特點四.航空像片的數(shù)字化DPI(DotsperInch)§1、數(shù)字圖像的性質(zhì)和特點四.航空像片的數(shù)字化DPI(DotsperInch)§2、遙感圖像的計算機分類遙感圖像分類原理

遙感圖像計算機分類以遙感數(shù)字圖像為研究對象，在計算機系統(tǒng)支持下，綜合運用地學(xué)分析、遙感圖像處理、地理信息系統(tǒng)、模式識別與人工智能技術(shù)，實現(xiàn)地學(xué)專題信息的智能化獲取。其基本目標是將人工目視解譯遙感圖像發(fā)展為計算機支持下的遙感圖像理解。遙感圖像計算機分類的依據(jù)是遙感圖像像素的相似度。常使用距離和相關(guān)系數(shù)來衡量相似度。采用距離衡量相似度時，距離越小相似度越大。采用相關(guān)系數(shù)衡量相似度時，相關(guān)程度越大，相似度越大。

利用遙感圖像進行分類(classification)是以區(qū)別圖像中所含的多個目標物為目的，對每個像元或比較勻質(zhì)的像元組給出對應(yīng)其特征的名稱，這些名稱稱為分類類別(class)。在分類中所注重的是各像元的灰度及紋理等特征。用這樣的多個特征量（特征矢量）所定義的空間叫特征空間（featurespace）。分類也可以說是按照若干分類基準對特征空間進行分割，對其中所含的像元或勻質(zhì)區(qū)域給出相同的名稱。光譜特征空間光譜特征空間：以各波段圖像的亮度分布為坐標軸組成的空間同類地物在特征空間形成一個相對聚集的點集群不同類地物的點集群在特征空間內(nèi)一般是相互分離的

SPOT影像真實二維特征空間示例1-21-31-42-32-43-4遙感圖像分類原理像元值波段2波段1像元值分類類別的特征（特征空間）AB采樣（提取訓(xùn)練數(shù)據(jù)）ABC分類結(jié)果C圖像分類遙感圖像分類后結(jié)果勻質(zhì)的像元組土地利用分類圖一、分類基本過程根據(jù)圖像分類目的選取特定區(qū)域的遙感數(shù)字圖像，需考慮圖像的空間分辨率、光譜分辨率、成像時間、圖像質(zhì)量等。根據(jù)研究區(qū)域，收集與分析地面參考信息與有關(guān)數(shù)據(jù)。根據(jù)分類要求和圖像數(shù)據(jù)的特征，選擇合適的圖像分類方法和算法。制定分類系統(tǒng)，確定分類類別。找出代表這些類別的統(tǒng)計特征為了測定總體特征，在監(jiān)督分類中可以選擇具有代表性的訓(xùn)練場地進行采樣，測定其特征。在非監(jiān)督分類中，可用聚類等方法對特征相似的像素進行歸類，測定其特征。對遙感圖像中各像素進行分類。分類精度檢查。對判別分析的結(jié)果進行統(tǒng)計檢驗。遙感圖像計算機分類方法監(jiān)督分類法：從研究區(qū)域選擇具有代表性的訓(xùn)練場地作為樣本。根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過選擇特征參數(shù)（如像素亮度均值、方差等），建立判別函數(shù)，據(jù)此對樣本像元進行分類，依據(jù)樣本類別的特征來識別非樣本像元的歸屬類別。非監(jiān)督分類：是在沒有先驗類別（訓(xùn)練場地）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進行歸類合并（即相似度大的像元歸為一類）的方法。二、圖像分類方法確定每個類別的樣區(qū)學(xué)習或訓(xùn)練確定判別函數(shù)和相應(yīng)的判別準則計算未知類別的像元的函數(shù)值按判別準則進行像元所屬的判別監(jiān)督分類的思想判決函數(shù)：當各個類別的判別區(qū)域確定后，用來表示和鑒別某個特征矢量屬于哪個類別的函數(shù)判別規(guī)則：判斷特征矢量屬于某類的依據(jù)。當計算完某個矢量在不同類別判決函數(shù)中的值后，我們要確定該矢量屬于某類必須給出一個判斷的依據(jù)。這種判斷的依據(jù)，稱之為判別規(guī)則判決函數(shù)和判決規(guī)則監(jiān)督法分類主要步驟選擇訓(xùn)練樣本區(qū)確定類別數(shù)對每類選擇足夠多的有代表性的樣本分類前分析樣本區(qū)質(zhì)量選擇合適的分類算法分類結(jié)果的精度評價準確性——確保選擇的樣區(qū)與實際地物的一致性代表性——考慮到地物本身的復(fù)雜性，所以必須在一定程度上反映同類地物光譜特性的波動情況統(tǒng)計性——選擇的訓(xùn)練樣區(qū)內(nèi)必須有足夠多的像元訓(xùn)練樣區(qū)的選擇選擇訓(xùn)練區(qū)訓(xùn)練區(qū)與特征空間的聯(lián)系水新城區(qū)老城區(qū)耕地植被

選擇樣本區(qū)域建立類別的判別函數(shù)水老城區(qū)新城區(qū)植被紅255綠255????耕地0?藍2551、監(jiān)督分類

（1）、最小距離分類法是用特征空間中的距離表示像元數(shù)據(jù)和分類類別特征的相似程度，在距離最小時（相似度最大）的類別上對像元數(shù)據(jù)進行分類的方法。

包括：最小距離判別法最近鄰域分類法1、監(jiān)督分類

（1）、最小距離分類法Step2–foreachunclassifiedpixel,calculatethedistancetoaverageforeachtrainingarea歐幾里德距離：絕對距離：1、監(jiān)督分類

（1）、最小距離分類法基本思想是設(shè)法計算未知矢量X到有關(guān)類別集群之間的距離，哪類距離它最近，該未知矢量就屬于那類距離判決函數(shù)偏重于集群分布的幾何位置距離判別規(guī)則是按最小距離判別的原則1、監(jiān)督分類

（1）、最小距離分類法

最近鄰域分類法

NearestNeighbour

。

DefinesatypicalpixelforeachclassAssignspixelsonthebasisofspectraldistanceCanseparatediverseclassesBoundaryproblemsremainunresolved

最小距離分類法原理簡單，分類精度不很高，但計算速度快，它可以在快速瀏覽分類概況中使用。

（2）、多級切割分類法通過設(shè)定在各軸上的一系列分割點，將多維特征空間劃分成分別對應(yīng)不同分類類別的互不重疊的特征子空間的分類方法。對于一個未知類別的像素來說，它的分類取決于它落入哪個類別特征子空間中。多級切割分類法

這種分類方法便于直觀理解如何分割特征空間，以及待分類像素如何與分類類別相對應(yīng)。但該方法要求分割面總是與各特征軸正交，如果各類別在特征空間中呈現(xiàn)傾斜分布，就會產(chǎn)生分類誤差。因此運用此法法分類前，需要先進行主成分分析，或采用其他方法對各軸進行相互獨立的正交變換，然后進行分類。

（3）、特征曲線窗口分類法特征曲線是地物光譜特征曲線參數(shù)構(gòu)成的曲線。以特征曲線為中心取一個條帶，構(gòu)造一個窗口，凡是落在此窗口內(nèi)的地物即被認為是一類，反之，則不屬于該類。特征曲線窗口法分類的依據(jù)是：相同的地物在相同的地域環(huán)境及成像條件下，其特征曲線是相同或相近的，而不同地物的特征曲線差別明顯。

（3）、特征曲線窗口分類法特征曲線選取的方法可以有多種，如地物吸收特征曲線，它將地物的標準吸收特征值連接成曲線，通過與其他像素吸收曲線比較，進行分類；也可以在圖像訓(xùn)練區(qū)中選取樣本，把樣本地物的亮度值作為特征參數(shù)，連接該地物在每波段參數(shù)值即構(gòu)成該類地物的特征曲線。特征曲線窗口法可以根據(jù)不同特征進行分類，如利用標準地物光譜曲線的位置、反射峰或谷的寬度和峰值的高度作為分類的識別點，給定誤差容許范圍，分別對每個像素進行分類；或者利用每一類地物的各個特征參數(shù)上、下限值構(gòu)造一個窗口，判別某個待分像元是否落入該窗口，只要檢查該像元各特征參數(shù)值是否落入到相應(yīng)窗口之內(nèi)即可。

（4）、最大似然比分類法(MaximumLikelihood)地物類數(shù)據(jù)在特征空間中構(gòu)成特定的點群每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上為正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個多維正態(tài)分布各類的多維正態(tài)分布模型各有其分布特征利用各類的已知數(shù)據(jù)（訓(xùn)練區(qū)），求出均值、方差及協(xié)方差等特征參數(shù)，從而求出總體的概率密度函數(shù)在此基礎(chǔ)上，對于任何一個像元，通過求出每個像素對于各類別的歸屬概率（對于待分像元x，從屬于分類類別k的概率），把該像素分到歸屬概率最大的類別中去最大似然比分類法在多類別分類時，常采用統(tǒng)計學(xué)方法建立起一個判別函數(shù)集，然后根據(jù)這個判別函數(shù)集計算各待分像元的歸屬概率。

x為待分像元，P（k)為類別k的先驗概率，可以通過訓(xùn)練區(qū)來決定。由于上式中分母和類別無關(guān)，在類別間比較的時候可以忽略。最大似然比分類必須知道總體的概率密度函數(shù)P（x|k）。由于假定訓(xùn)練區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣，近似服從正態(tài)分布（對一些非正態(tài)分布可以通過數(shù)學(xué)方法化為正態(tài)問題來處理），通過訓(xùn)練區(qū)，可求出其平均值及方差、協(xié)方差等特征參數(shù)，從而可求出總體的先驗概率密度函數(shù)。此時，像素x歸為類別k的歸屬概率Lk表示如下（這里省略了和類別無關(guān)的數(shù)據(jù)項）：類別k的協(xié)方差矩陣類別k的平均向量（n維）

這種最大似然比分類法的特征是，在分類結(jié)果上具有概率統(tǒng)計的意義。但必須注意幾點：為了以較高精度測定平均值及方差、協(xié)方差，各個類別的訓(xùn)練數(shù)據(jù)至少也要為特征維數(shù)的2到3倍以上。如果2個以上的波段相關(guān)性很強，那么方差協(xié)方差矩陣的逆矩陣就不存在，或非常不穩(wěn)定。在訓(xùn)練數(shù)據(jù)幾乎都取相同值的均質(zhì)性數(shù)據(jù)組的情況下也是如此。此時，最好采用主成分分析法，把維數(shù)減到僅剩相互獨立的波段。當總體分布不符合正態(tài)分布時，不適于采用以正態(tài)分布的假設(shè)為基礎(chǔ)的最大似然比分類法。其分類精度也將下降。

最大似然分類法利用概率判別函數(shù)與貝葉斯判別規(guī)則進行分類優(yōu)點：考慮特征空間中類別的形狀、大小和定位缺點：計算量大，計算時間長假定地物光譜特征呈正態(tài)分布最小距離分類法最大似然法根據(jù)應(yīng)用目的和區(qū)域，有選擇的決定分類類別，避免出現(xiàn)一些不必要的類別可以控制訓(xùn)練樣本的選擇可以通過檢查訓(xùn)練樣本來決定訓(xùn)練樣本是否被精確分類，從而避免分類中的嚴重錯誤，分類精度高避免了非監(jiān)督分類中對光譜集群的重新歸類分類速度快監(jiān)督法分類的優(yōu)點主觀性由于圖像中間類別的光譜差異，使得訓(xùn)練樣本沒有很好的代表性訓(xùn)練樣本的獲取和評估花費較多人力時間只能識別訓(xùn)練中定義的類別監(jiān)督法分類的缺點

非監(jiān)督分類的主要方法是聚類分析。

聚類（Cluster）是把一組像素按照相似性歸成若干類別，即“物以類聚”。它的目的是使得屬于同一類別的像素之間的距離盡可能的小而不同類別上的像素間的距離盡可能的大。2、非監(jiān)督分類Clusters分類：通過對已知類別的訓(xùn)練集的分析，用樣本的特征建立一個關(guān)于類別屬性準確劃分的模型，以便用來判定新的未知數(shù)據(jù)的類別聚類：人類一項基本的認知活動，通過無監(jiān)督的學(xué)習過程，把數(shù)據(jù)聚集成類，使類間的相似性盡可能小，類內(nèi)相似性盡可能大，找到數(shù)據(jù)的特征分類與聚類利用事先定義的參數(shù)確定數(shù)據(jù)空間中類別的位置，然后確定單個像元是否屬于某個類別聚類一般的聚類算法是先選擇若干個模式點作為聚類的中心每一中心代表一個類別，按照某種相似性度量方法（如最小距離方法）將各模式歸于各聚類中心所代表的類別，形成初始分類然后由聚類準則判斷初始分類是否合理，如果不合理就修改分類，如此反復(fù)迭代運算，直到合理為止聚類過程按照某個原則選擇一些初始聚類中心計算像元與初始類別中心的距離，把像素分配到最近的類別中聚類過程計算并改正重新組合的類別中心過程重復(fù)直到滿足迭代結(jié)束的條件聚類過程非監(jiān)督分類不施加任何先驗知識，僅憑遙感影像上地物的光譜特征分布規(guī)律進行自然“聚類”。分類結(jié)果只是對不同類別達到了區(qū)分，但并不能確定類別的屬性。分類結(jié)束后，利用目視判讀或?qū)嵉卣{(diào)查等方法確定類別屬性。2、非監(jiān)督分類

（1）、分級集群法當同類物體聚集分布在一定的空間位置上，它們在同樣條件下應(yīng)具有相同的光譜信息特征，其他類別的物體應(yīng)聚集分布在不同的空間位置上。由于不同地物的輻射特性不同，反映在直方圖上會出現(xiàn)很多峰值及其對應(yīng)的一些灰度值，它們在圖像上對應(yīng)的像元分別傾向于聚集在各自不同灰度空間形成的很多點群，這些點群就叫做集群。分級集群法采用“距離”評價每個像元在空間分布的相似程度，把它們的分布分割或者合并成不同的集群。每個集群的地理意義需要根據(jù)地面調(diào)查或者與已知類型的數(shù)據(jù)比較后方可確定。2、非監(jiān)督分類

（1）、分級集群法確定評價各樣本相似程度所采用的指標初定分類總數(shù)；計算樣本間的距離，據(jù)距離最近的原則樣本歸并到不同類別；歸并后的類別作為新類，與剩余的類別重新組合，然后再計算并改正其距離。重復(fù)樣本間相似度的評價和歸并，直到所有像素都歸入到各類別中去。分級集群方法的特點是分級進行的，可能導(dǎo)致對一個像元的操作次序不同，得到不同的分類結(jié)果。這是該方法的缺點。

確定采用的距離確定分類總數(shù)n找出距離最小的類別組歸并距離最小的類別計算歸并后新的個體間的距離歸并后的類別數(shù)STOPYN2、非監(jiān)督分類

（1）、分級集群法

分級集群方法的特點是這種歸并的過程是分級進行的，在迭代過程中沒有調(diào)整類別總數(shù)的措施，如果一個像元被歸入到某一類后，就排除了它再被歸入到其他分支類別中的可能性，這樣可能導(dǎo)致對一個像元的操作次序不同，會得到不同的分類結(jié)果，這是該方法的缺點。2、非監(jiān)督分類

（2）、動態(tài)聚類法在初始狀態(tài)給出圖像粗糙的分類，然后基于一定原則在類別間重新組合樣本，直到分類比較合理為止這種聚類方法就是動態(tài)聚類。按照某個原則選擇一些初始類聚類中心。在實際操作中，要把初始聚類數(shù)設(shè)定得大一些，同時引入各種對迭代次數(shù)進行控制的參數(shù)，如控制迭代的總次數(shù)、每一類別最小像元數(shù)、類別的標準差、比較相鄰兩次迭代效果以及可以合并的最大類別對數(shù)等，在整個迭代過程中，不僅每個像元的歸屬類別在調(diào)整，而且類別總數(shù)也在變化。在用計算機編制分類程序時，初始聚類中心可按如下方式確定：設(shè)初始類別數(shù)為n，這樣共有n個初始聚類中心，求出圖像的均值M和方差σ，按下式可求出初始聚類中心:k=1,2,…,n，為初始類中心編號，n為初始類總數(shù)。ISODATA(IterativeSelf-OrganizingDataAnalysisTechnique）迭代自組織數(shù)據(jù)分析技術(shù)方法在動態(tài)聚類法中具有代表性。2、非監(jiān)督分類（2）、動態(tài)聚類法計算像素與初始類別中心的距離，把該像素分配到最近的類別中。

動態(tài)聚類法中類別間合并或分割所使用的判別標準是距離，待分像元在特征空間中的距離說明互相之間的相似程度，距離越小，相似性大，則它們可能會歸入同一類。這里的距離可以采用前面介紹的幾種距離。計算并改正重新組合的類別中心。

如果重新組合的像素數(shù)目在最小允許值以下，則將該類別取消，并使總類別數(shù)減1。當類別數(shù)在一定的范圍，類別中心間的距離在閾值以上，類別內(nèi)的方差的最大值為閾值以下時，可以看作動態(tài)聚類的結(jié)束。當不滿足動態(tài)聚類的結(jié)束條件時，就要通過類別的合并及分離，調(diào)整類別的數(shù)目和中心間的距離等，然后返回到上一步，重復(fù)進行組合的過程。2、非監(jiān)督分類（2）、動態(tài)聚類法（1）初始化，設(shè)置參數(shù)；（2）選擇初始聚類中心；（3）按一定規(guī)則(如距離最小)對所有像元分配類別；（4）計算并改正重新組合的類別中心；（5）類別的分裂和合并；（6）如果達到迭代次數(shù)或者兩次迭代之間類別均值變化小于閾值，則結(jié)束迭代；否則，重復(fù)（3）-（6）；（7）確認類別，對結(jié)果進行精度評估ISODATA選定初始類別中心輸入迭代限值參數(shù):I,K,L,θN,θS,θC對樣本像元進行聚類并統(tǒng)計ni,m,σni<θN取消第i類是迭代次數(shù)=I或相鄰兩次迭代類別中心變動小于限值σ>θS

確定分裂后的中心DIK<θC

確定并類后的中心輸出否否是否否是ISODATA算法過程框圖

每類集群允許的最大標準差

集群允許的最短距離

每類集群至少的點數(shù)是迭代次數(shù)期望得到的類別數(shù)每次允許合并的類的對數(shù)K：希望得到的類別數(shù)θN：所希望的一個類中樣本的最小數(shù)目θS：類的分散程度的參數(shù)（如標準差、方差）θC：類間距離的參數(shù)（如最小距離）L：每次允許合并的類的對數(shù)I：允許迭代的次數(shù)ISODATA參數(shù)的設(shè)定決定類的“分裂”與“合并”

結(jié)束迭代的條件合并（類數(shù)-1）每一類中的像元個數(shù)少于期望的類別最少像元數(shù)θN類別的個數(shù)大于期望的類別數(shù)K的2倍分裂（類數(shù)+1）類別的標準差大于類別標準差閾值θS類別的個數(shù)小于期望的類別數(shù)K的1/2當類別數(shù)在一定范圍內(nèi)，類別中心間的距離在閾值以上，類別內(nèi)的方差的最大值在閾值以下ISODATA調(diào)整類別數(shù)的準則兩次迭代之間，如果上一次和這一次的中心不變，或者變化小于一個閾值，說明聚類結(jié)束如果迭代次數(shù)達到了預(yù)設(shè)值I，那么即使不收斂，也強行結(jié)束ISODATA判斷迭代結(jié)束類別數(shù)：20迭代次數(shù)：20ISODATA類別數(shù)：10迭代次數(shù)：10ISODATA優(yōu)點：不需要預(yù)先對待分類區(qū)域有廣泛的了解需要較少的人工參與，人為誤差的機會減少小的類別能夠被區(qū)分出來缺點：盲目的聚類難以對產(chǎn)生的類別進行控制，得到的類別不一定是想要的類別計算速度慢非監(jiān)督分類方法的特點分級集群法動態(tài)聚類法67監(jiān)督/非監(jiān)督分類方法比較

根本區(qū)別點在于是否利用訓(xùn)練樣區(qū)來獲取先驗的類別知識監(jiān)督分類根據(jù)訓(xùn)練樣區(qū)提供的樣本選擇特征參數(shù)，建立判別函數(shù)，對待分類像元進行分類。因此，訓(xùn)練場地選擇是監(jiān)督分類的關(guān)鍵。對于不熟悉區(qū)域情況的人來說，選擇足夠數(shù)量的訓(xùn)練樣區(qū)帶來很大的工作量，操作者需要將相同比例尺的數(shù)字地形圖疊在遙感圖像上，根據(jù)地形圖上的已知地物類型圈定分類用的訓(xùn)練樣區(qū)。由于訓(xùn)練樣區(qū)要求有代表性，訓(xùn)練樣本的選擇要考慮到地物光譜特征，樣本數(shù)目要能滿足分類的要求，有時這些還不易做到，這是監(jiān)督分類不足之處。68監(jiān)督/非監(jiān)督分類方法比較非監(jiān)督分類不需要更多的先驗知識，它根據(jù)地物的光譜統(tǒng)計特性進行分類。因此，非監(jiān)督分類方法簡單，且分類具有一定的精度。嚴格說來，分類效果的好壞需要經(jīng)過實際調(diào)查來檢驗。當光譜特征類能夠和唯一的地物類型（通常指水體、不同植被類型、土地利用類型、土壤類型等）相對應(yīng)時，非監(jiān)督分類可取得較好分類效果。當兩個地物類型對應(yīng)的光譜特征類差異很小時，非監(jiān)督分類效果不如監(jiān)督分類效果好。69監(jiān)督/非監(jiān)督分類過程比較初步分類選擇訓(xùn)練樣本確定分類器分類后處理檢驗分類結(jié)果統(tǒng)計分析、輸出結(jié)果監(jiān)督分類非監(jiān)督分類分類合并專題判斷初步分類分類后處理統(tǒng)計分析、輸出結(jié)果yesno監(jiān)督分類的缺陷在于，必須在分類前確定樣本，難度大、效率低通過非監(jiān)督法將一定區(qū)域聚類成不同的單一類別，監(jiān)督法再利用這些單一類別區(qū)域“訓(xùn)練”計算機使分類精度得到保證的前提下，分類速度得到了提高非監(jiān)督分類與監(jiān)督分類的結(jié)合圖像分類中的有關(guān)問題

1、未充分利用遙感圖像提供的多種信息

只考慮多光譜特征，沒有利用到地物空間關(guān)系、圖像中提供的形狀和空間位置特征等方面的信息。統(tǒng)計模式識別以像素為識別的基本單元,未能利用圖像中提供的形狀和空間位置特征,其本質(zhì)是地物光譜特征分類。例如：水體的分類，是湖泊還是河流？

圖像分類中的有關(guān)問題2、提高遙感圖像分類精度受到限制大氣狀況的影響：吸收、散射。下墊面的影響：下墊面的覆蓋類型和起伏狀態(tài)對分類具有一定的影響。其他因素的影響：云朵覆蓋；不同時相的光照條件不同，同一地物的電磁輻射能量不同；地物邊界的多樣性。同物異譜：同類地物具有不同的光譜特征。例如：同一類作物，生長狀態(tài)不同，光譜特征有差異同譜異物：不同的地物可能具有相似的光譜特征。例如：不同的植被類型可能有相似的光譜特征制約分類精度的因素不同含水量的土壤的波譜曲線

不同葉綠素濃度海水的波譜曲線

目視判讀用到的信息與計算機自動分類所用信息的區(qū)別目視判讀計算機自動分類處理對象多個像元的組合單個像元面積的估算粗略的精確的波段最多3個波段沒有限制分別灰階的能力大約十幾個灰階能夠充分利用所有灰階地物形狀可以利用存在限制，依賴于算法空間信息可以利用存在限制非遙感信息可以利用(圖像融合)可以利用，程度不夠處理時間慢快結(jié)果重現(xiàn)差好目視判讀用到的信息與計算機自動分類所用信息的區(qū)別目前計算機能夠利用的信息還是很有限的一方面從地物本身的復(fù)雜性著手，一方面從分類方法著手提高分類前預(yù)處理的精度面向?qū)ο蟮倪b感圖像分類決策樹分類，所謂的分層分類與GIS的集成提高分類精度的方法首先考慮應(yīng)用目的及圖像數(shù)據(jù)的特性確定分類類別，有時也通過從訓(xùn)練數(shù)據(jù)中提取的圖像數(shù)據(jù)特征確定分類類別監(jiān)督分類提取出對應(yīng)分類類別的訓(xùn)練數(shù)據(jù)，對圖像中代表給定類別的部分進行采樣，從而對特征相似的像元進行歸類非監(jiān)督分類不是預(yù)先確定類別而是根據(jù)歸類的結(jié)果確定類別其他分類方法分類的一般步驟使用設(shè)定的分類基準對各像元進行分類，包括對每個像元進行分類和對每個預(yù)先分割的勻質(zhì)區(qū)域進行分類。分類的方法經(jīng)常采用以下幾種：多級切割分類法、最小距離分類法、最大似然比分類法、決策樹分類法、其它方法（如利用模糊理論的方法、利用專家系統(tǒng)的方法）把已知的訓(xùn)練數(shù)據(jù)及分類類別與分類結(jié)果進行比較，確認分類的精度及可靠性分類的一般步驟監(jiān)督分類非監(jiān)督分類是否需要訓(xùn)練區(qū)主要步驟優(yōu)點缺點適用范圍常用分類方法課堂練習§3、遙感圖像多種特征的抽取一、地物邊界跟蹤法點狀地物與面狀地物的邊界跟蹤線狀地物信息檢測與跟蹤二、形狀特征描述與提取地物形狀特征的描述地物形態(tài)特征的提取§3、遙感圖像多種特征的抽取

三、地物空間關(guān)系特征描述與提取不同地物之間的空間關(guān)系：方位關(guān)系、包含關(guān)系、相鄰關(guān)系、相交關(guān)系、相貫關(guān)系。空間關(guān)系特征提取與描述（1）方位關(guān)系的提?。?）包含關(guān)系特征提取與描述（3）相鄰關(guān)系特征抽?。?）相交關(guān)系特征抽取（5）相關(guān)關(guān)系特征的提取§4、遙感圖像專家解譯系統(tǒng)

專家系統(tǒng)：把某一特定領(lǐng)域的專家知識與經(jīng)驗形式化后輸入到計算機中，由計算機模仿專家思考問題與解決問題，是代替專家解決專業(yè)問題的技術(shù)系統(tǒng)。遙感圖像解譯專家系統(tǒng)的組成圖像處理與特征提取子系統(tǒng)遙感圖像解譯知識獲取子系統(tǒng)遙感圖像解譯專家系統(tǒng)的機理計算機解譯的主要技術(shù)發(fā)展趨勢

§4、遙感圖像專家解譯系統(tǒng)一、遙感圖像解譯專家系統(tǒng)的組成1、圖像處理與特征提取子系統(tǒng)：包括圖像處理、地形圖數(shù)字化、精糾正、特征提取，結(jié)果存貯在遙感數(shù)據(jù)庫內(nèi)。2、遙感圖像解譯知識獲取系統(tǒng)：獲取遙感圖像解譯專家知識，并把專家知識形式化表示，存貯在知識庫中。3、狹義的遙感圖像解譯專家系統(tǒng)?！?、遙感圖像專家解譯系統(tǒng)二、圖像處理與特征提取子系統(tǒng)1、圖像處理：圖像濾波可消除圖像的噪聲；圖像增強可突出目標物體與背景的差異；大氣糾正可消除大氣散射、霧霽等影響；幾何精校正后的數(shù)字影像可與專題圖精確復(fù)合；2、分類與特征提取子系統(tǒng)從圖像中抽取光譜特征、圖像特征和空間特征，為專家系統(tǒng)進行推理、判斷及分析提供依據(jù)。

§4、遙感圖像專家解譯系統(tǒng)三、遙感圖像解譯知識獲取子系統(tǒng)1、遙感圖像解譯知識獲取系統(tǒng)的主要功能是知識獲取.2、知識獲取有三個層次:增加遙感解譯新知識發(fā)現(xiàn)原有錯誤知識，修改或補充新知識根據(jù)解譯結(jié)果，自動總結(jié)經(jīng)驗，修改錯誤知識，增加新知識3、遙感圖像解譯知識獲取主要通過知識獲取界面來實現(xiàn)知識獲取界面是一個具有語義和語法制導(dǎo)的結(jié)構(gòu)編輯器4、遙感圖像解譯描述性知識可以采用框架式方法表示框架知識表示方法的特點5、過程性知識采用產(chǎn)生式規(guī)則知識表示方法產(chǎn)生式規(guī)則的特點§4、遙感圖像專家解譯系統(tǒng)四、遙感圖像解譯專家系統(tǒng)的機理1、遙感圖像數(shù)據(jù)庫包括遙感圖像數(shù)據(jù)和每個地物單元的不同特征，由數(shù)據(jù)管理系統(tǒng)管理。2、解譯知識庫包括專家解譯知識和背景知識，由知識庫管理系統(tǒng)管理。3、推理機采用正向推理和反向推理相結(jié)合的方式進行遙感圖像解譯。

推理機具有兩種運行形式咨詢式：用戶和系統(tǒng)進行人機對話，解譯系統(tǒng)根據(jù)用戶提供的區(qū)域信息和任務(wù)要求，完成遙感圖像解譯。隱蔽式：解譯過程中圖像數(shù)據(jù)同解譯知識的結(jié)合在專家系統(tǒng)內(nèi)部進行。數(shù)據(jù)的傳遞、知識的調(diào)用都在系統(tǒng)內(nèi)部獨立完成§4、遙感圖像專家解譯系統(tǒng)五、計算機解譯的主要技術(shù)發(fā)展趨勢1、抽取遙感圖像多種特征

對高分辨率衛(wèi)星圖像的自動解譯來說，一般分別對目標地物采用低、中、高三個層次進行特征抽取和表達。

低層次的對象是像素，每個像素對應(yīng)的數(shù)值是該地物波譜特征的表征；中層次主要抽取和描述目標的形態(tài)、紋理等空間特征；高層次主要抽取和描述識別目標與相鄰地物之間的空間關(guān)系?！?、遙感圖像專家解譯系統(tǒng)五、計算機解譯的主要技術(shù)發(fā)展趨勢2、逐步完成GIS各種專題數(shù)據(jù)庫的建設(shè)，利用GIS數(shù)據(jù)減少自動解譯中的不確定性

GIS數(shù)據(jù)庫在計算機自動解譯中發(fā)揮以下重要作用：（1）對遙感圖像進行輻射校正，消除或降低地形差異的影響；（2）作為解譯的直接證據(jù)，增加遙感圖像的信息量；（3）作為解譯的輔助證據(jù)，減少自動解譯中的不確定性；（4）作為解譯結(jié)果的檢驗數(shù)據(jù)，降低誤判率?！?、遙感圖像專家解譯系統(tǒng)五、計算機解譯的主要技術(shù)發(fā)展趨勢3、建立適用于遙感圖像自動解譯的專家系統(tǒng)，提高自動解譯的靈活性

需要從以下兩方面開展工作：建立解譯知識庫和背景知識庫。解譯知識庫是遙感圖像解譯認識和經(jīng)驗經(jīng)形式化后記錄在貯存介質(zhì)上的。

背景知識庫是有關(guān)遙感解譯背景知識與經(jīng)驗的集合，以地學(xué)知識為主。根據(jù)遙感圖像解譯的特點來構(gòu)造專家系統(tǒng)。§§4、遙感圖像專家解譯系統(tǒng)五、計算機解譯的主要技術(shù)發(fā)展趨勢4、模式識別與專家系統(tǒng)相結(jié)合

既可以發(fā)揮圖像解譯專家知識的指導(dǎo)作用，在一定程度上為模式識別提供經(jīng)驗性的知識，又可以利用數(shù)字遙感圖像本身提供的特征，有助于提高計算機解譯的靈活性?！?、遙感圖像專家解譯系統(tǒng)五、計算機解譯的主要技術(shù)發(fā)展趨勢5、計算機解譯新方法的應(yīng)用（1）人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks)在遙感圖像識別中的應(yīng)用。（2）小波分析在遙感圖像識別中的應(yīng)用。（3）分形技術(shù)在遙感圖像識別中的應(yīng)用。（4）模糊分類方法遙感圖像識別中的應(yīng)用。應(yīng)用軟件簡介§5遙感數(shù)字圖像處理的應(yīng)用軟件系統(tǒng)1)ERDASIMAGINE2）ENVI3）PCI1)ERDAS簡介

ERDASIMAGINE是美國亞特蘭大ERDAS（EarthResourceDataAnalysisSystem）公司開發(fā)的集遙感和GIS于一身的軟件包。ERDAS的設(shè)計體現(xiàn)了高度的模塊化，主要模塊有核心模塊、圖像處理模塊、地形分析模塊、數(shù)字化模塊、掃描儀模塊、柵格GIS模塊、硬拷貝模塊、磁帶機模塊。其中圖像處理模塊包括增強模塊、預(yù)分類模塊、分類模塊、分類后處理模塊、輻射度糾正模塊、幾何糾正模塊等?！?/p>

5遙感數(shù)字圖像處理的應(yīng)用軟件系統(tǒng)ERDASIMAGINE的功能體系輸入柵格圖象數(shù)據(jù)文本屬性數(shù)據(jù)ERDAS遙感圖象圖例系統(tǒng)數(shù)據(jù)預(yù)處理（幾何校正、拼接鑲嵌、子區(qū)裁剪、投影變換）圖象解譯圖象分類矢量功能虛擬GIS圖象庫矢量圖形數(shù)據(jù)數(shù)據(jù)輸入輸出專題圖輸出輸出柵格圖象數(shù)據(jù)文本屬性數(shù)據(jù)矢量圖形數(shù)據(jù)批處理命令工具空間建模視窗操作2)ENVI簡介——ExelisVIS公司5遙感數(shù)字圖像處理的應(yīng)用軟件系統(tǒng)1975年，美國科羅拉多州立大學(xué)負責NASA的火星計劃中的影像處理1977年,成立ResearchSystems,Inc.(RSI)公司1994年，用IDL開發(fā)ENVI2000年,Kodak收購RSI2004年,RSI,連同Kodak的RemoteSensingSystems(RSS)部門和ITT的GOES/POESandGPS部門重新組合SpaceSystemsgroup2006年,重組為ITTVIS公司2011年，重組為ExelisVIS公司W(wǎng)ashingtonSwitzerlandFranceUnitedKingdomItaliaAsiaPacific擁有200,000用戶分布在80多個國家和地區(qū)2)ENVI簡介

ENVI的設(shè)計思想

ENVI是完全由IDL（InteractiveDataLanguage）寫成。ENVI的許多特性與IDL語言的特性緊密相關(guān)。IDL是一個用于交互式數(shù)據(jù)分析和數(shù)據(jù)可視化的完整計算環(huán)境。將大量數(shù)學(xué)設(shè)計分析和圖形顯示技術(shù)與功能強大的面向數(shù)組的結(jié)構(gòu)化語言結(jié)合在一起。由于IDL的開放性，用戶可以很容易的進行二次開發(fā)，方便靈活，可擴展性強。ENVI在圖像處理中是基于波段的，當多個文件被同時打開時，用戶可以選擇不同文件中的多個波段同時進行處理，直觀且功能強大。ENVI的主菜單和交互式菜單已經(jīng)標準化，直觀方便，符合用戶習慣。5遙感數(shù)字圖像處理的應(yīng)用軟件系統(tǒng)ENVI簡介——ExelisVIS(ENVI/IDL原產(chǎn)商)與Esri“與Exelis

VIS這樣的行業(yè)領(lǐng)導(dǎo)者合作，對ArcGIS地理信息系統(tǒng)平臺進行功能拓展，可以大大地擴展和提高用戶的影像處理能力”

——Esri總裁JackDangermond2007年6月14日，Esri公司和ExelisVIS公司宣布兩者的全球戰(zhàn)略商務(wù)合作計劃，共同提供遙感GIS一體化方案。目前，ENVI與ArcGIS進入第三階段——無縫融合，實現(xiàn)真正意義上的遙感與GIS一體化集成。遙感產(chǎn)品系列Orthorectification正射校正模塊CertifiedNITFNITF數(shù)據(jù)支持模塊ENVIFX面向?qū)ο罂臻g特征提取模塊DEMExtraction立體像對高程提取模塊AtmosphericCorrection大氣校正模塊ENVIENVI擴展ENVI主模塊開發(fā)語言IDLAdvanced數(shù)學(xué)與統(tǒng)計擴展工具包IDLDataMiner數(shù)據(jù)庫連接工具包IDL服務(wù)器產(chǎn)品ENVIforArcGISServer雷達產(chǎn)品SARscapeENVILiDARLiDAR數(shù)據(jù)處理和分析模塊ENVIServiceEngineIDL（InteractiveDataLanguage）

—強大的交互式數(shù)據(jù)處理開發(fā)語言語法簡單的第四代數(shù)據(jù)可視化語言具有強大的分析和可視化功能快速構(gòu)建系統(tǒng)原型和應(yīng)用程序開發(fā)的高效語言適合于大型商業(yè)開發(fā)能夠非常方便的為ENVI添加新功能和算法被譽為NASA最近40年的“里程碑技術(shù)”

IDL——從數(shù)據(jù)中獲取您所需的信息

用戶界面工具集成開發(fā)環(huán)境開發(fā)和編程工具二/三維繪圖與圖形多線程運算地圖工具讀取工具圖像與信號處理分析、預(yù)測與插值算法線性代數(shù)與微積分方程Data->InformationENVI簡介——大氣校正模塊采用目前精度最高的MODTRAN4+模型通過高光譜像素光譜上的特征來估計大氣的屬性可以有效地去除水蒸氣,氣溶膠散射，漫反射的鄰域效應(yīng)。獲得地物反射率和輻射率、地表溫度等真實物理模型參數(shù)。提供快速大氣校正（QuickAtmosphericCorrectionAlgorithm-QUAC）工具，它同樣是基于MODTRAN模型，并提供擴展函數(shù)。大氣校正前大氣校正后ENVI簡介——面向?qū)ο蟮奶卣魈崛∧K提供面向?qū)ο?、易于使用的向?qū)Р僮髁鞒虖母叻直媛嗜投喙庾V數(shù)據(jù)中提取地物信息。包括：交通工具飛機,坦克,汽車,船只建筑物建筑物輪廓,屋頂基礎(chǔ)設(shè)施道路,橋梁,機場,海港碼頭自然要素河流,湖泊,森林,田地云和霧ENVI簡介——立體像對高程提取模塊快速從ALOSPRISM,ASTER,CARTOSAT-1,FORMOSAT-2,GeoEye-1,IKONOS,KOMPSAT-2,OrbView-3,QuickBird,WorldView,SPOT1-5等以及航空影像立體像對中提取DEM。全面支持RPC模型參數(shù)，盡可能少的控制點以達到有效的精度使用DEM編輯工具對提取的DEM做局部編輯交互量測特征地物的高度和收集3D信息并導(dǎo)出為3DShapefile文件格式ENVI簡介——正射校正擴展模塊由瑞典的Spacemetric公司開發(fā)采用的正射校正方法具有可靠和高精度的特點，并且該方法被行業(yè)所認可。支持大區(qū)域范圍內(nèi)多幅影像、多傳感器一次正射校正。具有鑲嵌結(jié)果功能，提供接邊線和顏色平衡輔助工具。采用流程化的向?qū)讲僮鞣绞胶凸こ袒芾?。自定義傳感器模型提供接口函數(shù)，便于擴展功能。ENVI簡介——LiDAR數(shù)據(jù)處理和分析模塊專為LiDAR數(shù)據(jù)處理和分析而設(shè)計，可自動處理點云數(shù)據(jù)包括完整的LiDAR數(shù)據(jù)瀏覽、處理和分析工具生成DTM、DSM、SHP文件等來表達建筑物、電力線、樹木和其他地物等ENVI簡介——LiDAR數(shù)據(jù)處理和分析模塊可高效、全自動地從Li