第七章遙感數(shù)字圖像計算機(jī)解譯第1頁，課件共52頁，創(chuàng)作于2023年2月1第一節(jié)遙感圖像的計算機(jī)分類計算機(jī)分類遙感圖像分類結(jié)果圖遙感圖像計算機(jī)解譯：就是對遙感圖像上的信息進(jìn)行屬性的識別和分類，從而達(dá)到識別圖像信息所對應(yīng)的實際地物，提取所的地物信息的目的。遙感圖像解譯目視解譯計算機(jī)解譯第2頁，課件共52頁，創(chuàng)作于2023年2月2一、分類原理遙感圖像計算機(jī)分類的依據(jù)是遙感圖像像元光譜特征的相似度。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。第3頁，課件共52頁，創(chuàng)作于2023年2月3非監(jiān)督分類（Unsupervisedclassification

）：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(jìn)行歸類合并（即相似度的像元?dú)w為一類）的方法。非監(jiān)督分類完全按照像元的光譜特征進(jìn)行統(tǒng)計分類,常常用于對分類區(qū)沒有太多了解情況下.人為干預(yù)較少,自動化程度較高.二、分類方法第4頁，課件共52頁，創(chuàng)作于2023年2月4監(jiān)督分類法（SupervisedClassification

）：選擇具有代表性的典型實驗區(qū)或訓(xùn)練區(qū)，用訓(xùn)練區(qū)中已知地面各類地物樣本的光譜特性來“訓(xùn)練”計算機(jī)，獲得識別各類地物的判別函數(shù)或模式，并以此對未知地區(qū)的像元進(jìn)行分類處理，分別歸入到已知的類別中。監(jiān)督分類的關(guān)鍵是選擇訓(xùn)練場地。訓(xùn)練場地要有代表性，樣本數(shù)目要能夠滿足分類要求。第5頁，課件共52頁，創(chuàng)作于2023年2月5監(jiān)督分類常常用于對分類區(qū)比較了解情況下,要求用戶控制.1)選擇可以識別或可以斷定其類型的像元建立模板,然后基于該模板使系統(tǒng)自動識別具有相同特征的像元.2)對分類結(jié)果進(jìn)行評價后再對模板進(jìn)行修改,多次反復(fù)后建立比較正確的模板,在此基礎(chǔ)上最終進(jìn)行分類.第6頁，課件共52頁，創(chuàng)作于2023年2月6根本區(qū)別在于是否利用訓(xùn)練場地來獲取先驗的類別知識。非監(jiān)督分類不需要更多的先驗知識，據(jù)地物的光譜統(tǒng)計特性進(jìn)行分類。當(dāng)兩地物類型對應(yīng)的光譜特征差異很小時，分類效果不如監(jiān)督分類效果好。監(jiān)督分類與非監(jiān)督分類方法比較第7頁，課件共52頁，創(chuàng)作于2023年2月7（1）分級集群法用距離評價單個個體間的相似程度，根據(jù)距離最近原則判定并歸類到同一類別中的方法。（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。1、非監(jiān)督分類的基本方法第8頁，課件共52頁，創(chuàng)作于2023年2月8非監(jiān)督分類一般步驟初始分類專題判別分類合并色彩確定分類后處理色彩重定義統(tǒng)計分析.第9頁，課件共52頁，創(chuàng)作于2023年2月9Main>Classification>Unsupervisedclassification提示：實際工作中將分類設(shè)為最終分類數(shù)的2倍以上。初始分類第10頁，課件共52頁，創(chuàng)作于2023年2月10確定采用的距離確定最終的類別數(shù)（N）計算個體間的距離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)STOPYN基本過程第11頁，課件共52頁，創(chuàng)作于2023年2月11初始分類T:收斂閾值.在迭代過程中,上次聚類中類型值未改變的象元所占的百分比。M:最大迭代次數(shù)。第12頁，課件共52頁，創(chuàng)作于2023年2月12第13頁，課件共52頁，創(chuàng)作于2023年2月13Evaluateclassification1)同時顯示germtm.ing和germtm_isodata.ing提示:打開第2幅圖時關(guān)閉cleardisplay2)打開屬性表調(diào)整字段和順序3）編輯類別顏色4)對比顯示提示：對比Utility>flicker/Blend/Swipe區(qū)別專題判別第14頁，課件共52頁，創(chuàng)作于2023年2月14Rasterattributeeditor:Img屬性表中對classnames和顏色進(jìn)行編輯。專題判別第15頁，課件共52頁，創(chuàng)作于2023年2月15Swipe確定每一類別的專題信息第16頁，課件共52頁，創(chuàng)作于2023年2月16分類重編碼recode分類合并第17頁，課件共52頁，創(chuàng)作于2023年2月17分類重編碼recode主要應(yīng)用于非監(jiān)督分類，判斷每個分類的專題屬性，對相同和相近分類通過圖像重編碼進(jìn)行合并。分類合并第18頁，課件共52頁，創(chuàng)作于2023年2月18Post－classificationprocessing細(xì)碎圖斑處理1）Clump:計算分類圖斑的面積，記錄相鄰區(qū)域中最大圖斑面積。2）Sieve:對經(jīng)Clump圖像，按照定義數(shù)值大小，刪除較小的圖斑，賦0值。3）Eliminate:對經(jīng)Clump圖像，按照定義數(shù)值大小，刪除較小的圖斑，合并到相鄰最大的圖斑。分類后處理第19頁，課件共52頁，創(chuàng)作于2023年2月19Main>Imageinterpreter>GISanalysis>Clump

提示：該命令輸出為中間文件。所需時間較長。

Main>Imageinterpreter>GISanalysis>Sieve

Main>Imageinterpreter>GISanalysis>Eliminate

功能在于簡化分類圖，類視地圖綜合。第20頁，課件共52頁，創(chuàng)作于2023年2月20類別統(tǒng)計分析修改面積單位第21頁，課件共52頁，創(chuàng)作于2023年2月212、監(jiān)督分類的基本方法（1）最小距離分類法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，根據(jù)距離最?。ㄏ嗨贫茸畲螅ο裨獢?shù)據(jù)進(jìn)行分類的方法?？臻g距離的表示：歐氏距離標(biāo)準(zhǔn)歐氏距離馬赫拉諾皮斯距離第22頁，課件共52頁，創(chuàng)作于2023年2月22第23頁，課件共52頁，創(chuàng)作于2023年2月23（2）最大似然比分類法(MaximumLikelihood)通過求出每個像素對于各類別的歸屬概率，把該像素分到歸屬概率最大的類別中去的方法。（3）多級切割分類法（4）特征曲線窗口分類法第24頁，課件共52頁，創(chuàng)作于2023年2月24監(jiān)督分類的一般步驟采集訓(xùn)練樣本建立模板評價模板初步分類檢驗分類分類后處理分類特征統(tǒng)計第25頁，課件共52頁，創(chuàng)作于2023年2月25取決于用戶對研究區(qū)及類別的了解程度。1）矢量多邊形：使用矢量圖層；自定義AOI多邊形；2）標(biāo)志種子象素：利用AOI工具，用十字光標(biāo)標(biāo)出一個象元作為種子象素（seedpixel）代表訓(xùn)練樣本，其相鄰象素根據(jù)用戶指定參數(shù)進(jìn)行比較，直到?jīng)]有相鄰象元滿足要求，這些相似元素通過柵矢轉(zhuǎn)換成為感興趣區(qū)域。訓(xùn)練樣本選擇：第26頁，課件共52頁，創(chuàng)作于2023年2月261）應(yīng)用AOI繪圖工具獲取分類模板信息利用Raster工具面板多邊形工具，在原圖像上繪制多邊形，在signatureeditor對話框中將其加載到signature分類模板中。提示：同一專題類型的多個AOI形成的模板可以合并。定義分類模板第27頁，課件共52頁，創(chuàng)作于2023年2月271）打開一幅圖像，germtm.img

2）Classification>signatureeditor>應(yīng)用AOI繪圖工具獲取分類模板信息第28頁，課件共52頁，創(chuàng)作于2023年2月28第29頁，課件共52頁，創(chuàng)作于2023年2月29Regiongrowingproperties進(jìn)行Neighborhood屬性設(shè)置。利用RegiongrowAOI選擇種子點。提示：AOI>seedproperties>regiongrowingProperties約束條件：Area確定最多的像元數(shù)；Distance確定包含像元距離種子點像元的最大距離。Spectraleuclideandistance,可以接收像元與種子點之間最大波譜歐式距離（兩個像元在各個波段數(shù)值之差平方和的二次根）2）應(yīng)用AOI擴(kuò)展繪圖工具獲取分類模板信息第30頁，課件共52頁，創(chuàng)作于2023年2月30應(yīng)用AOI擴(kuò)展繪圖工具獲取分類模板信息

第31頁，課件共52頁，創(chuàng)作于2023年2月31第32頁，課件共52頁，創(chuàng)作于2023年2月32模板評價EvaluatingSignatures分類模板建立后，應(yīng)對其進(jìn)行評價，確定分類結(jié)果精度。第33頁，課件共52頁，創(chuàng)作于2023年2月33ContingeneyMatrix可能性矩陣輸出一個百分比矩陣，表明每個AOI訓(xùn)練區(qū)中有多少像元分別屬于相應(yīng)類別。模板評價EvaluatingSignatures第34頁，課件共52頁，創(chuàng)作于2023年2月34

提示：誤差矩陣精度<85%，模板需要要重建。第35頁，課件共52頁，創(chuàng)作于2023年2月35第36頁，課件共52頁，創(chuàng)作于2023年2月36三、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第37頁，課件共52頁，創(chuàng)作于2023年2月372、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地形起伏狀態(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。第38頁，課件共52頁，創(chuàng)作于2023年2月38第二節(jié)遙感圖像專家解譯系統(tǒng)遙感解譯專家系統(tǒng)：把某遙感解譯的專家知識與經(jīng)驗形式化后輸入到計算機(jī)中，由計算機(jī)模仿遙感解譯專家思考問題與解決問題的計算機(jī)技術(shù)系統(tǒng)。首先建立知識庫，根據(jù)分類目標(biāo)提出假設(shè)，并根據(jù)擁有的數(shù)據(jù)資料定義支持假設(shè)的規(guī)則、條件和變量，然后應(yīng)用知識庫自動進(jìn)行分類。第39頁，課件共52頁，創(chuàng)作于2023年2月39專家系統(tǒng)結(jié)構(gòu)專家系統(tǒng)結(jié)構(gòu)簡圖

知識庫用以存放專家提供的專門知識。專家系統(tǒng)的性能水平取決于知識庫中所擁有知識的數(shù)量和質(zhì)量。數(shù)據(jù)庫用于存放系統(tǒng)運(yùn)行過程中所需要和產(chǎn)生的所及信息。推理機(jī)是針對當(dāng)前問題的信息，識別、選取、匹配知識庫中規(guī)則，以得到問題求解結(jié)果的一種機(jī)制。第40頁，課件共52頁，創(chuàng)作于2023年2月40一、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)。第41頁，課件共52頁，創(chuàng)作于2023年2月41第三節(jié)、計算機(jī)解譯的主要技術(shù)發(fā)展趨勢1、抽取遙感圖像多種特征

低層次主要提取地物波譜特征的表征；中層次主要抽取和描述目標(biāo)的形態(tài)、紋理等空間特征；高層次主要抽取地物之間的空間關(guān)系特征。第42頁，課件共52頁，創(chuàng)作于2023年2月422、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（1）對遙感圖像進(jìn)行輻射校正，消除或降低地形差異的影響；（2）作為解譯的證據(jù)，增加遙感圖像的信息量減少自動解譯中的不確定性；（3）作為解譯結(jié)果的檢驗數(shù)據(jù)，降低誤判率。第43頁，課件共52頁，創(chuàng)作于2023年2月433、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。根據(jù)遙感圖像解譯的特點來構(gòu)造專家系統(tǒng)。第44頁，課件共52頁，創(chuàng)作于2023年2月444、模式識別與專家系統(tǒng)相結(jié)合模式識別(PR)是指用計算機(jī)的方法,就人類對外部世界某一特定客體、過程及現(xiàn)象的識別功能進(jìn)行自動模擬。模式信息的形式和內(nèi)容是十分廣泛的,既可以是圖形、圖像,也可以是語音、語言文字或一般的電、聲信息。第45頁，課件共52頁，創(chuàng)作于2023年2月455、計算機(jī)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。第46頁，課件共52頁，創(chuàng)作于2023年2月46人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)，概括說來，人工神經(jīng)網(wǎng)絡(luò)具有以下主要特征：大規(guī)模的并行處理和分布式信息存儲；具有良好自適應(yīng)性和自組織性的非線性系統(tǒng)；較強(qiáng)的學(xué)習(xí)功能、聯(lián)想功能和容錯功能，適合模擬人的形象思維。第47頁，課件共52頁，創(chuàng)作于2023年2月47小波分析小波理論起源于信號處理。由于探測精度的限制．一般的信號都是離散的，通過分析認(rèn)為信號是由多個小波組成的，這些小波代表著不同的頻率持征。小波函數(shù)平移、組合形成了小波函數(shù)庫，通過小波函數(shù)庫中區(qū)間的變化可以對某些感興趣的頻率特征局部放大，因此．小波函數(shù)被稱為數(shù)學(xué)顯微鏡。第48頁，課件共52頁，創(chuàng)作于2023年2月48小波分析方法的基本思想就是將圖像進(jìn)行多分辨率分解．分解成不同空間、不同頻率的子圖像、然后再對子圖像進(jìn)行系數(shù)編碼。基于小波分析的圖像壓縮實質(zhì)上是對分解系數(shù)進(jìn)行量化的壓縮。目前，小波分析在遙感圖像識別中的應(yīng)用主要是在遙感圖像壓縮方面，也有人對小波理論在立體視覺中的應(yīng)用進(jìn)行了理論探討