第七节面向对象的遥感影象分类.ppt

第七节 面向对象的遥感影像分类;第七节 面向对象的遥感影像分类;7.1 概述;7.1 概述;a process of assigning pixels in an image to one of a number of classes. As a result of image classification, a thematic map is generated.;Supervised Classification: Minimum Distance;Distance Metrics;Distance Metrics;MLC: Bayes Formula Decision Rule;MLC: Normal (Gaussian) Distribution;7.1 概述;;7.1 概述;像素级;面向对象分类的工作流程;图像分割的概念 把图像分成互不重叠的区域并提取感兴趣目标的技术;图像分割的定义: 令集合R代表整个图像区域，对R的分割可看作将R分成N个满足以下5个条件的非空子集（子区域）R1，R2，…，RN： ； 对所有的i和j，i≠j，有Ri∩Rj =φ； 对i = 1,2,…,N，有P(Ri) = TRUE； 对i≠j,有P(Ri∪Rj) = FALSE； 对i =1,2,…,N，Ri是连通的区域。 其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,φ代表空集;图像分割的基本策略 分割算法基于灰度值的两个基本特性：不连续性和相似性 检测图像像素灰度级的不连续性，找到点、线（宽度为1）、边（不定宽度）。先找边，后确定区域。;图像分割的基本策略 分割算法基于灰度值的两个基本特性：不连续性和相似性 检测图像像素的灰度值的相似性，通过选择阈值，找到灰度值相似的区域，区域的外轮廓就是对象的边;图像分割有三大类方法： 区域法 把各像素划归到各个目标或区域中 边界法 确定存在于区域间的边界 边缘法 先确定边缘像素 把它们连接在一起以构成所需的边界;图像分割的具体算法：;7.3 灰度阈值法;7.3 灰度阈值法;7.3 灰度阈值法;应用灰度阈值法进行图像分割，为了保留云的纹理，灰度阈值为150 大于等于150的值拉伸到1-255之间，小于150的值设为0值;7.3 灰度阈值法：阈值的确定;7.3 灰度阈值法：阈值的确定;最佳阈值的选择;若原始图像中仅包含两类主要的灰度值区域（目标和背景），它的直方图可近似表示为灰度值概率密度函数 。这个密度函数实际上是目标和背景的两个单峰密度函数之和，数学表达式如下： ;迭代求解图像最佳分割阈值的算法原理与VC编程实现 算法步骤：STEP 1.求出图像中的最小和最大灰度值　 和　　，阈值初值 STEP 2.根据阈值　　将图像分割成目标和背景两部分，求出两部分的平均灰度值　　和　　。 STEP 3.求出新的阈值 STEP 4.迭代终止条件是否满足，若是，则结束；否则，令　　　　 转步骤2。 ;7.3 灰度阈值分割;7.4 易康面向对象的影像分析方法;易康软件特点;易康软件特点（续）;易康面向对象的知识获取及表示;光谱特征Spectral Features 纹理特征Texture Features 空间（几何）特征Spatial (Geometric) Features;纹理特征提取; Image Analysis Tasks;7.4 形状特征提取-ENVI 特征提取模块;数据集中的每个影像对象，即每个多边形，不仅包含了每个波段上所有像元的光谱均值，还包含了表征多边形形状的多种空间测度。 （1）面积A （2）边界长度bl 影像对象的边界长度是该对象所有与相邻对象相接的边数之和。 （3）形状指数 si 影像对象的形状指数为对象的边界长度 bl 除以4倍速的面积 A 平方根。 对象的形状越光滑，其值越小；若值越大，则形状的分形度越高。 （4）密度d 影像对象的密度值为其面积除以半径，可挖由构成影像对象的所有n个像元的坐标（x, y）的求得。密度可以替代紧凑度，对象的紧凑度越高，密度越大，形状与正方形越相似。;;面向对象的分类方法;7.5 易康软件操作;新建工程;导入栅格对象;NIR、Red、Green三波段组合显示;NIR、Red、Green三波段组合的显示结果;创建图像对象－多尺度分割算法;通过分类体系创建知识库－定义类别;双击各类别 插入分类器;定义样本对象;分类器－若当前列表中无分类器时，选择MORE;选择分类器，对图像进行分类;分类结果图;7.5 易康软件操作;导入栅格对象;雷达图像显示分析;创建图像对象－多尺度分割算法;对象平均模式显示分割后图像;利用第二图层均值将主河流从森林和砍伐区中分离出来。 在河流对象中移动鼠标，发现该图