摄影测量与遥感技术课件-遥感数字图像计算机解译.pptVIP

遥感数字图像计算机解译 6.1 数字图像基础知识 6.2 遥感数字图像的性质与特点 6.3 遥感数字图像的计算机分类 6.1 数字图像基础知识 一、光学图像与数字图像 早期的遥感技术通过摄影成像方法得到的像片称之为光学图像。能在计算机里存储、运算、显示和输出的图像称为数字图像。 遥感图像是由无数个很小的单元（像元）组成的，每个像元的明暗程度记录了成像瞬间的物体的电磁辐射强度（反射率或发射率）。 二、图像的表示 O 图像 x y (x,y)表示像元的位置；f(x,y)表示（x,y)位置上的对应地物电磁辐射强度。 O 图像 x y 1 2 3 4 2 1 3 4 5 6 Pixel 函数f(x,y)的取值：离散整数取样是根据需要将灰度空间分成2n级,根据方格内电磁辐射强弱取其平均值整数作为函数f(x,y)的值。 一幅数字图像其实质是一个数字矩阵。数字矩阵可以计算机里进行存储和运算。 6.2 遥感数字图像的性质与特点 遥感数字图像: 以数字形式表现的遥感影像。 基本单位为像素（像元），是计算机图像处理的最小单元。像元的大小由传感器的瞬时视场角决定，对应的地面的投影面积或大小即空间分辨率或地面分辨率。 空间特征 属性特征 1、遥感数字图像的特点 1）便于计算机处理与分析 2）图像信息损失低 3）抽象性强 2、遥感数字图像的类型 1）二值数字图像 2）单波段数字图像 3）多波段数字图像 多波段图像的显示 色彩合成 不同的波段赋予不同的原色 3、遥感数字图像的存贮格式 1）BSQ（Band sequential） 2）BIP （Band interleaved by pixel ） 3）BIL（Band interleaved by line） 4、光学影像—遥感数字图像的转化 1）空间采样：确定采样间距 2）属性量化：8位，24位 6.3 遥感数字图像的计算机分类 通过模式识别理论，利用计算机将遥感图象自动分成若干地物类别的方法。如土地覆盖/土地利用分类、森林类型分类、植被 类型分类。 一、基本概念 特征（feature）： 在多波段图象中，每个波段都可看作一个变量，称为特征变量。特征变量构成的空间称特征空间。 特征提取(feature extraction)： 找出反映地物类别差异的特征变量用于分类的过程。 不同的地物具有不同的光谱特征，同类地物具有相同或相似的光谱特征。 遥感图象计算机分类即是基于数字图象中反映的同类地物的光谱相似性和异类地物的光谱差异性。根据遥感图像中像元的相似度将目标地物分为不同类型。 相似度常用的度量指标：距离、相关系数。 二、基本原理 欧氏距离: N, 波段数; dij第个i像元与第j个像元在N维空间中的距离; xik为第个k波段上第i个像元的灰度值; 绝对距离: 常用的距离和有关统计量 马氏距离: 相关系数: 三、遥感数字图像的分类方法 分类方式：监督分类、非监督分类。 分类器：统计分类、模糊分类、邻域分类、神经网络分类等。 从研究区域选取有代表性的训练区作为样本。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、方差等），建立判别函数，据此对数字图像待分像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。 (一）监督分类 常用的监督分类方法： 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、最大似然分类法 1、最小距离分类法 一种相对简化了的分类方法。 假设N维空间存在M个类别，某一像元距哪类距离最小，则判归该类 通过训练样本事先确定类别数、类别中心，然后进行分类。分类的精度取决于训练样本的准确与否 最小距离分类法 2、多级切割分类法 在各特征轴上设置一系列分割点。将多维特征空间划分成分别对应不同分类类别的互不重叠的特征子空间。 3、最大似然法 建立在贝叶斯准则基础上，分类错误概率最小的一种非线性分类，是应用比较广泛、比较成熟的一种监督分类方法。求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去。 最大似然法 训练区： 已知覆盖类型的代表样区，用于描述主要特征类型的光谱属性。其精度直接影响分类结果 检验区： 用于评价分类精度的代表样区。 在监督分类中，训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获取的信息的价值。用于图象分类的训练区的统计结果，一定要充分反映每种信息类型中光谱类别的所有组成。 样本的采集要具有代表性、完整性，尽量采集多个样区。 原始图象 分类图象 专题制图 根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别。 在非监督分类中，先确定光谱可分的类别，然后定义它们的信息类。