遥感图像的计算机解译.pdf

第8章 遥感图像的计算机解译 第8章 遥感图像的计算机解译 §8.1 遥感图像的计算机分类 §8. 2 遥感图像空间信息的计算机提取 §8. 3 遥感图像解译专家系统 §8.4 计算机解译的主要技术发展趋势 8.1.1 分类的原理和步骤 8.1.2 非监督分类 8.1.3 监督分类 8.1.4 图像分类的有关问题 分类原理: 在应用遥感技术解决实际问题时常常需要根 据地物的特征进行归类,有时还要制成专题图并 量算面积,例如土地利用调查、士壤调查等等, 这一工作称为分类。 目视判读分类所依据的是影像的色调和几何 特征等解译标志,而计算机分类的对象是数字图 像,地物的所有特征都是通过数字化的灰度值反 映出来的, 因此, 计算机分类是建立在对图像像 元灰度值的统计、运算、对比和归纳基础上进 行的。 遥感图像计算机分类是基于数字图像中所 反映的同类地物的光谱相似性和异类地物的光 谱差异性进行的。 分类步骤: (一)分类预处理 (一)分类预处理 (二) 特征选择 (二) 特征选择 (三) 分类 (三) 分类 (四) 分类后处理 (四) 分类后处理 (五) 专题图制作 (五) 专题图制作 8.2.1非监督分类 8.2.1非监督分类 　1、非监督分类的概念： 　1、非监督分类的概念： 　　非监督分类的前提是假定遥感影像上的同 　　非监督分类的前提是假定遥感影像上的同 类物体在同样条件下具有相同的光谱信息特征。 类物体在同样条件下具有相同的光谱信息特征。 非监督分类方法不必对影像地物获取先验知识, 非监督分类方法不必对影像地物获取先验知识, 仅依靠影像上不同类地物光谱信息(或纹理信息) 仅依靠影像上不同类地物光谱信息(或纹理信息) 进行特征提取,再统计特征的差别来达到分类的 进行特征提取,再统计特征的差别来达到分类的 目的,最后对巳分出的各个类别的实际属性进行 目的,最后对巳分出的各个类别的实际属性进行 确认。 确认。 2 、非监督分类方法： 　　　主要采用聚类分析方法,聚类是把一 组像素按照相似性归成若干类别,即“物以 类聚” 。它的目的是使得属于同一类别的 像素之间的距离尽可能的小而不同类别 上的像素间的距离尽可能的大。其常用 方法如下: 　(1) 分级集群法 (Hierarchical Clustering) 　(2) 动态聚类法 ISODATA方法在动态聚类法中具有代 　表性。 8.2.3 监督分类 1、监督分类的概念： 　　　　首先需要从研究区域选取有代表性的训练场地作为 样本。根据已知训练区提供的样本,通过选择特征参数(如 像素亮度均值、差等),建立判别函数,据此对样本像元进行 分类,依据样本类别的特征来识别非样本像元的归属类别。 监督分类包括利用训练区样本建立判别函数的“学习”过程和 把待分像元代入判别函数进行判别的过程。 ●监督分类对训练场地的选取具有一定要求: 训练场地所包含的样本在种类上要与待分区域的类别 一致。训练样本应在各类目标地物面积较大的中心选取, 这样才有代表性。如果采用最大似然法,分类要求各变量 正态分布, 因此训练样本应尽量满足这一要求。 2 、监督分类中常用的具体分类方法: (1) 最小距离分类法 (2) 多级切割分类法 (3) 特征曲线窗口法 (4) 最大似然比分类法 3. 监督分类和非监督分类方法比较 3. 监督分类和非监督分类方法比较 ◆监督分类和非监督分类的根本区别点在于是否利用 训练场地来获取先验的类别知识 , 监督分类根据训 练场提供的样本选择特征参数 , 建立判别函数 , 对 待分类点进行分类。因此 , 训练场地选择是监督分 类的关键。由于训练场地要求有代表性 , 训练样本 的选择要考虑到地物光谱特征 , 样本数目要能满足 分类的要求 , 有时这些还不易做到 , 这是监督分类 不足之处。 ◆ 相比之下 , 非监督分类不需要更多的先验知识 , 它根据地物的光谱统计特性 进行分类。因此 , 非