第六章 遥感图像的计算机解译.ppt

第六章 遥感图像的计算机解译 主讲：赖格英 教授 江西师范大学地理与环境学院 本章内容 6.1 遥感数字图像的存储方式 6.2 遥感数字图像的计算机分类 6.3 遥感图像多种特征的抽取 6.4 遥感技术应用实例 遥感数字图像可分几种类型： 二值数字图像：8位图像 黑白图像 单波段数字图像：指在某一波段范围内工作的传感器获取的遥感数字图像，如SPOT卫星提供的10 m分辨率全色波段遥感图像。 彩色数字图像：由红、绿、蓝三个数字层构成的图像。每个像素用一字节记录地物亮度值，数值范围一般介于0～255之间。 多波段数字图像：是传感器从多个波段获取的遥感数字图像。如TM的7个波段 多波段数字图像的存贮与分发，通常采用三种数据格式： BSQ（Band sequential）数据格式：按波段顺序依次排列。 BIP（Band interleaved by pixel）：每个像元按波段次序交叉排列： BIL（ Band interleaved by line）：逐行按波段次序排列的格式。 6.2 遥感数字图像的计算机分类 本节内容： 6.2.1 分类原理与基本过程 6.2.2 图像分类方法 6.2.3 图像分类的有关问题 本节重点与难点： 重点：图像的分类方法 难点：分类的原理 6.2.1 分类原理与基本过程 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。 为了判断数字图像中同类地物的光谱相似性和异类地物的光谱差异性，引进统计特征变量，在遥感图像分类过程中，常使用距离和相关系数来衡量相似度或相异度。 距离的几种算法 （1）绝对值距离 其中，x为遥感图像的像元灰度值，i，j为遥感影像中的像元，n为波段数。 （2）欧氏距离： （3）马氏距离： 或 马氏距离既考虑了离散度，同时也考虑了两类光谱之间的相关性（协方差），其中∑ij为协方差矩阵。σ是标准差。 欧氏距离和马氏距离的差别（一） 欧氏距离（ Euclidean distance）是一个通常采用的距离定义，它是在n维空间中两个点之间的真实距离。 欧氏距离有明显的缺点：它将样品的不同属性（即各指标或各变量）之间的差别等同看待，这一点有时不能满足实际要求。 欧氏距离和马氏距离的差别（二） 马氏距离是由印度统计学家马哈拉诺比斯(P. C. Mahalanobis)提出的，表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。 与欧氏距离不同的是它考虑到各种特性之间的联系（例如：一条关于身高的信息会带来一条关于体重的信息，因为两者是有关联的） 并且是尺度无关的(scale-invariant)，即独立于测量尺度 缺点是夸大了变化微小的变量的作用。 （4）像元i到第g类的类均值的混合距离 其中： mg为g类的像元数，Mkg为g类k变量的均值 分类步骤: （1）分类预处理：辐射校正、几何校正等 （2）特征选择： （3）分类 （4）分类后处理 ：分类精度检查 （5）专题图制作 6.2.2 图像分类方法 监督分类 (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 非监督分类 (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。 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。 耕地 居民地 森林 水体 裸地 监督分类的流程和具体方法 1、选择有代表性的典型训练场地，或在遥感图像上圈出已知地物分布的范围界线。例如：现有已知地物M1、M2、M3。 2、对已知训练区的已知地物样本的光谱特征或已知地物所有像元各波段的数值（亮度值）进行统计，提取各地物类别的数值特征。例如：各类型地物不同波段的均值、标准差（或称方差）等，若用三个波段表示，则有如下形式： ik 为各类别的均值，Sik 表示各类的标准差；其下标i=1，2，3，?，表示类