遙感原理與應(yīng)用- 課件 第5、6章 遙感圖像信息目視解譯、遙感圖像信息計算機(jī)識別

遙感原理與應(yīng)用Principlesandapplicationsofremotesensing第五章遙感圖像信息目視解譯01.遙感圖像的目視解譯printthepresentationandmakeitintoafilmawiderfield03.航空遙感影像目視判讀printthepresentationandmakeitintoafilmawiderfield02.目視判讀的方法和步驟printthepresentationandmakeitintoafilmawiderfield04.航天遙感影像目視判讀printthepresentationandmakeitintoafilmawiderfield目錄CONTENT2025/3/818:172025/3/818:17PART01遙感圖像的目視解譯printthepresentationandmakeitintoafilmawiderfield2025/3/818:171、遙感圖像解譯的概念遙感圖像是地物電磁波特性的實時記錄。遙感圖像能夠提供給解譯者的信息有：1）目標(biāo)的光譜特征信息：主要由地物的類別、性質(zhì)的差異決定2）目標(biāo)的空間位置特征3）目標(biāo)隨時間的動態(tài)信息不同的目標(biāo)，在上述性質(zhì)和特征上是不同的。所以，遙感圖像解譯定義為：遙感儀器自空中獲得大量的地面目標(biāo)的信息數(shù)據(jù)，通過電磁波或磁帶回收等方式傳送回地面，由地面接收站獲取并記錄，將接收到的原始遙感數(shù)據(jù)加工制成可供觀察分析的數(shù)據(jù)產(chǎn)品。根據(jù)所獲得的遙感影像數(shù)據(jù)和資料，從中分析出人們感興趣的地面目標(biāo)的形態(tài)和性質(zhì)，這一過程稱為遙感圖像解譯。2025/3/818:17一、目視解譯概念1、遙感圖像解譯的概念遙感圖像判讀（解譯）的本質(zhì)就是：利用遙感圖像提供的各種數(shù)據(jù)，再結(jié)合解譯者的學(xué)識和經(jīng)驗，確定空間什么位置（Where-Position）有什么目標(biāo)（What-Qualitative）有多少(How-Quantitative）但是，遙感圖像上的信息并非直接呈現(xiàn)出來，而是通過圖像上復(fù)雜形式的色調(diào)、結(jié)構(gòu)及它們的變化表現(xiàn)出來，因此要正確的認(rèn)識它們必須具備相應(yīng)的知識。2025/3/818:17一、目視解譯概念遙感圖像解譯并不是一件簡單的事情！2025/3/818:17一、目視解譯概念

2、圖像判讀的背景知識專業(yè)知識

指需要熟悉所解譯的學(xué)科及相關(guān)學(xué)科的知識。包括對地物成因聯(lián)系、空間分布規(guī)律、時相變化以及地物與其他環(huán)境要素間的聯(lián)系等知識。比如遙感地質(zhì)探礦，首先需具備地層、構(gòu)造、蝕變帶等與找礦直接相關(guān)的地質(zhì)知識和經(jīng)驗，還需要了解植物分布、土壤等相關(guān)知識。地理區(qū)域知識指區(qū)域特點(diǎn)、人文自然景觀等。每個區(qū)域有其獨(dú)特的區(qū)域特征，即地域性，它影響到圖像的圖型結(jié)構(gòu)等，它能直接幫助識別地物和現(xiàn)象。遙感系統(tǒng)知識解譯者必須了解每一圖像是怎樣生成的；不同遙感器是如何描述景觀特征的，它使用的何種電磁波段，空間分辨率是多少等等，怎樣從圖像中獲得有用的信息等。2025/3/818:17

2、圖像判讀的背景知識遙感圖像判讀與日常目視觀察有3點(diǎn)不同：A遙感圖像通常為“頂視-鳥瞰”，而不同于日常生活中的透視B遙感圖像常用可見光以外的電磁波段，而大多數(shù)我們熟悉的特征是在可見光譜段，可以表現(xiàn)得十分不同C遙感圖像常用一種不熟悉或變化的比例和分辨率描述地球表面因此，對于初學(xué)者需要多對照地形圖、實地或熟悉地物觀測，以增強(qiáng)立體感和和景深印象，糾正視覺誤差，積累圖像判讀經(jīng)驗遙感圖像的判讀過程是地面目標(biāo)成像過程的逆過程，即從地面實況的模擬影像中提取遙感信息、反演地面原型的過程一、目視解譯概念2025/3/818:17遙感圖像解譯的實質(zhì)

遙感成像的逆過程。起點(diǎn)終點(diǎn)一、目視解譯概念2025/3/818:173、遙感圖像解譯的兩種方式1目視判讀（VisualInterpretation）判讀者通過直接觀察或借助判讀儀器（放大鏡、立體鏡、密度分割儀和彩色合成儀等）研究地物在遙感圖像上反映的各種影像特征（如形狀、大小、色彩、陰影、圖型結(jié)構(gòu)等），憑借豐富的判讀經(jīng)驗，扎實的專業(yè)知識和手頭的相關(guān)資料，并通過地物間的相互關(guān)系推理分析，達(dá)到識別所需地物信息的過程。特點(diǎn)：解譯者的學(xué)識和經(jīng)驗在判讀中起主要作用，精度高，但難以對海量空間信息的定量化分析。2計算機(jī)判讀（ComputerImageryUnderstanding）也叫計算機(jī)分類，是利用計算機(jī)，通過一定的數(shù)字方法（如統(tǒng)計學(xué)、圖形學(xué)、模糊數(shù)學(xué)等），來提取有用信息。特點(diǎn)：速度快，處理方式靈活多樣，整個處理過程通常是以人機(jī)交互方式進(jìn)行，對計算機(jī)技術(shù)和算法要求較高，識別的精度通常不及目視判讀。一、目視解譯概念2025/3/818:17

景物特征主要有光譜特征、空間特征和時間特征。此外，在微波區(qū)還有偏振特性。景物的這些特征在圖像上以灰度變化的形式表現(xiàn)出來，因此圖像的灰度是以上三者的函數(shù)。

不同地物這些特征不同，在圖像上的表現(xiàn)形式也不同。因此，判讀員可以根據(jù)圖像上的變化和差別來區(qū)分不同類別。再根據(jù)其經(jīng)驗、知識和必要的資料，可以判斷地物的性質(zhì)或一些自然現(xiàn)象。

各種地物的各種特征都以各自的形式（或稱樣子、模式）表現(xiàn)在圖像上。各種地物在凸顯上的各種特有的表現(xiàn)形式稱為判讀標(biāo)志。二、目視解譯的標(biāo)志2.1光譜特征及判讀標(biāo)志地物的反射波譜特性一般用一條連續(xù)曲線表示，而多波段傳感器一般分成一個一個波段進(jìn)行探測，在每個波段里傳感器接受的是該波段區(qū)間的地物輻射能量的積分值（或平均值）地物的波譜響應(yīng)曲線與其光譜特性曲線的變化趨勢是一致的。地物在多波段圖像上特有的這種波譜響應(yīng)就是地物的光譜特征的判讀標(biāo)志。波譜響應(yīng)值與地物在該波段內(nèi)光譜反射亮度的積分值相應(yīng)

2.2空間特征及判讀標(biāo)志景物的各種幾何形態(tài)為其空間特征，它與物體的空間坐標(biāo)X、Y、Z密切相關(guān)，這種空間特征在像片上也是由不同的色調(diào)表現(xiàn)出來。色調(diào)是地物反射和發(fā)射電磁波的強(qiáng)弱程度在圖像上的記錄，因而它是識別地物的主要標(biāo)志，有時甚至是唯一的判讀標(biāo)志。因為在一幅圖像上如果不存在色調(diào)差別，就根本顯示不出各種地物的形態(tài)差別。目標(biāo)地物和背景之間必需存在能被人的視覺所分辨的色調(diào)差異，目標(biāo)才能被區(qū)分。北京故宮博物院與護(hù)城河之間的色調(diào)差異遙感圖像判讀標(biāo)志：色調(diào)利用色調(diào)標(biāo)志時要注意同物異譜與同譜異物同物異譜：同一物體或性質(zhì)相同的物體在不同條件（或相同條件）下具有不同的反射率，而表現(xiàn)出不同色調(diào)。同一種植被由于不同環(huán)境條件、不同生長期在同一影像上表現(xiàn)處各種色調(diào)；同一地物光譜特征的變化；同譜異物：不同地物可能具有相同或相似的光譜特征。不同植被具有相似的光譜特征遙感圖像判讀標(biāo)志：色調(diào)2.2空間特征及判讀標(biāo)志判讀標(biāo)志：形狀大小圖形陰影位置紋理類型形狀指各種地物的外形、輪廓。從高空觀測地面物體形狀是在X-Y平面內(nèi)的投影。需要根據(jù)影象比例尺和分辨率具體分析，注意畸變（雷達(dá)、航片邊緣）不同物體顯然其形狀不同，其形狀與物體本身的性質(zhì)和形成有密切關(guān)系美國加利福尼亞機(jī)場QuickBird影像圖阿聯(lián)酋-迪拜機(jī)場1米清晰度地理位置：25.2597N，55.3733E北京西站QuickBird影像圖埃及-金字塔1M精度地理位置：29.9768388889N，31.1304166667E大小地物的尺寸、面積、體積在圖像上按比例縮小后的相似性記錄。根據(jù)比例尺在影像上量算.它是遙感圖像上測量目標(biāo)地物最重要的數(shù)量特征之一。根據(jù)物體的大小可推斷物體的屬性。圖形自然、人造地物所構(gòu)成的圖形。?①由于地物高度的變化，阻擋太陽光照射而產(chǎn)生的陰影。②幫助認(rèn)識地物性質(zhì)：容易構(gòu)成立體效果；③可以幫助獲得地物的數(shù)量特征。注意：不同遙感影像中對陰影的解譯是不同的，例如：側(cè)視雷達(dá)影像中目標(biāo)地物陰影由目標(biāo)阻擋雷達(dá)波束穿透而產(chǎn)生，熱紅外圖像中目標(biāo)地物陰影是由于溫度差異所形成，例如飛機(jī)飛離機(jī)場不久進(jìn)行熱紅外成像，可以在像片上看到飛機(jī)噴氣尾流在地表形成的白色調(diào)陰影。陰影陰影陰影陰影分為本身陰影（本影）和投落陰影（落影）。美國加利福尼亞機(jī)場陰影這張分辨率為1米的紐約曼哈頓的衛(wèi)星照片，是2000年6月30日由空間圖像公司的IKONOS衛(wèi)星拍攝的，中間是110層高的世界貿(mào)易中心的雙塔。陰影2001年9月12日2001年9月15日位置地物存在的地點(diǎn)和所處的環(huán)境。目標(biāo)地物和周圍環(huán)境總是具有一定的空間制約關(guān)系。例如，蘆葦長在河湖邊沼澤地，紅柳叢生在沙漠，河漫灘和階地位于河谷兩側(cè)，洪積扇總是位于溝口，河流兩側(cè)的湖泊是牛軛湖，雪線附近的是冰斗湖等。農(nóng)田與水渠之間的位置，根據(jù)農(nóng)田與水渠的相對位置可以判讀農(nóng)田為水澆地、水田或旱地。位置位置相關(guān)布局多個目標(biāo)地物之間的空間配置關(guān)系。地面物體之間存在著密切的物與能量上的聯(lián)系，依據(jù)空間布局可以推斷目標(biāo)地物的屬性。紋理又稱質(zhì)地,圖像上細(xì)部結(jié)構(gòu)以一定頻率重復(fù)出現(xiàn)，是單一特征的集合，是遙感圖像中目的地物內(nèi)部色調(diào)有規(guī)律變化造成的影像結(jié)構(gòu)。不同物體,在遙感影像上形成不同的紋理質(zhì)地。如河床上的卵石較沙粗糙些，草原表面比森林要光滑，沙漠中的紋理能表現(xiàn)沙丘的形狀以及主要風(fēng)系的風(fēng)向，紋理（質(zhì)地）常用光滑狀、粗糙狀、參差狀、海綿狀、疙瘩狀、鍋穴狀表示。紋理紋理類型土地利用類型

水系類型耕地、林地、草地——農(nóng)業(yè)用地

建設(shè)用地——非農(nóng)業(yè)用地

遙感圖像上目標(biāo)地物的特征是地物電磁輻射差異在遙感影像上的典型反映。目標(biāo)地物的特征:色：指目標(biāo)地物在遙感影像上的顏色，包括色調(diào)、顏色和陰影。形：指目標(biāo)地物在遙感影像上的形狀，包括形狀、紋理、大小、圖形等。位：指目標(biāo)地物在遙感影像上的空間位置，包括目標(biāo)地物分布的空間位置、相關(guān)布局等。地物特征形狀：目標(biāo)地物在遙感圖像上呈現(xiàn)的外部輪廓。紋理：也叫內(nèi)部結(jié)構(gòu)，指遙感圖像中目標(biāo)地物內(nèi)部色調(diào)有規(guī)則變化造成的影像結(jié)構(gòu)。大?。褐高b感圖像上目標(biāo)物的形狀、面積與體積的度量。圖形：目標(biāo)地物有規(guī)律的排列而成的圖形結(jié)構(gòu)。位置：指目標(biāo)地物分布的地點(diǎn)。相關(guān)布局：多個目標(biāo)地物之間的空間配置關(guān)系。色調(diào)：全色遙感圖像中從白到黑的密度比例叫色調(diào)（也叫灰度）顏色：是彩色圖像中目標(biāo)地物識別的基本標(biāo)志。陰影：是圖像上光束被地物遮擋而產(chǎn)生的地物的影子。據(jù)此可判讀物體性質(zhì)或高度。色形位地物特征地物特征2.3時間特征及判讀標(biāo)志對于同一地區(qū)景物的時間特征表現(xiàn)在不同時間地面覆蓋類型不同，地面景觀發(fā)生很大變化。景物的時間特征在圖像上以光譜特征及空間特征的變化表現(xiàn)出來。武漢市ETM（432）圖象，描述下列各類地物的特征：光譜特征(色調(diào))，空間特征（幾何形狀），其他特征（如紋理）。判讀標(biāo)志直接解譯標(biāo)志

根據(jù)地物或現(xiàn)象本身反映的信息特性可以解譯目標(biāo)物的影像特征，即能夠直接反映物體或現(xiàn)象的那些影像特征稱為直接解譯標(biāo)志。包括：色調(diào)、形狀、大小、陰影、結(jié)構(gòu)和圖案（型）等

判讀標(biāo)志間接解譯標(biāo)志

通過與之有聯(lián)系的其它地物在影像上反映出來的影像特征，間接推斷某一事物或現(xiàn)象的存在和屬性，這些地物和特征就稱為間接解譯標(biāo)志。包括：位置、相關(guān)布局等。直接解譯標(biāo)志和間接解譯標(biāo)志是一個相對概念，常?？梢娡粋€解譯標(biāo)志對甲物來說是直接解譯標(biāo)志，對乙物可能就成了間接解譯標(biāo)志。2.4影響景物特征及判讀的因素

各種地物是處于復(fù)雜、多變的自然環(huán)境中,所以判讀標(biāo)志也隨著地區(qū)的差異和自然景觀的不同而變化,絕對穩(wěn)定的判讀標(biāo)志是不存在的,有些判讀標(biāo)志具有普遍意義,有些則帶有地區(qū)性。有時即使是同一地區(qū)的判讀標(biāo)志,在相對穩(wěn)定的情況下也在變化。因此,在判讀過程中,對判讀標(biāo)志要認(rèn)真分析總結(jié),不能盲目照搬套用。地物本身的復(fù)雜性傳感器特性的影響目視能力的影響2.4影響景物特征及判讀的因素1.地物本身的復(fù)雜性色素的區(qū)別細(xì)胞結(jié)構(gòu)的區(qū)別葉子的稠密度含水量植被色素葉子稠密度細(xì)胞結(jié)構(gòu)含水量1.地物本身的復(fù)雜性土壤特性含水量有機(jī)質(zhì)水水泥沙葉綠素工業(yè)污染2.傳感器特性的影響幾何分辨率輻射分辨率光譜分辨率時間分辨率幾何分辨率空間分辨力：傳感器瞬時視場內(nèi)所觀察到地面的大小幾何分辨力：能分辨出的最小地物的大小。幾何分辨力＝3倍空間分辨力地面分辨率和影像分辨率地面分辨率：影像能夠詳細(xì)區(qū)分的最小單元（像元）能代表的地面尺寸的大小。影像分辨率：地面分辨率在不同比例尺的具體影像上的反映。地面分辨率衛(wèi)星/傳感器地面分辨率(pan/ms)(m)圖像寬幅(km×km)IKONOS1/413x13SPOT/HRV2.5/560x60Landsat/ETM15/30180x180Landsat/TM30180x180Terra/MODIS250-1000continentalNOAA/AVHRR>1100continental同一地區(qū)不同地面分辨率影像北京故宮_SPOT_2.5m北京故宮_QuickBird_0.6m不同分辨率的IKONOS影像影像分辨率

影像分辨率隨影像的比例尺不同而變化。陸地衛(wèi)星MSS地面分辨率：80m1:100萬圖像上影像分辨率：0.08mm影像分辨率：0.8mm1:10萬圖像上輻射分辨率輻射分辨率是傳感器區(qū)分兩種輻射強(qiáng)度最小差別的能力，在遙感影像上表現(xiàn)為某一像元的輻射量化等級，一般用量化比特數(shù)表示最暗至最亮灰度值之間的分級數(shù)目。如6bit，8bit，12bi等，其輻射分辨率為26級、28級、212級。輻射分辨率決定了某個波段各類地物的細(xì)節(jié)，在可見光、近紅外波段用等效噪聲功率衡量。傳感器的輸出包括信號和噪聲兩大部分。如果信號小于噪聲，則輸出的是噪聲。如果兩個信號之差小于噪聲，則在輸出的記錄上無法分辨這兩個信號。光譜分辨率光譜探測能力，包括：傳感器總的探測波段的寬度、波段數(shù)、各波段的波長范圍和間隔。波段太多，輸出數(shù)據(jù)量太大，加大處理工作量和判讀難度。最佳探測波段，是指這些波段中探測各種目標(biāo)之間和目標(biāo)與背景之間，有最好的反差或波譜響應(yīng)特性的差別。

光譜分辨率衛(wèi)星/傳感器波段范圍（um）衛(wèi)星/傳感器波段范圍（um）衛(wèi)星/傳感器波段范圍（um）LandsatTM0.45～0.52（藍(lán)）0.52～0.60（綠）0.63～0.69（紅）0.76～0.90（近紅外）1.55～0.75（中紅外）10.4～12.4（熱紅外）2.05～2.35（中紅外）MODIS0.620～0.6700.841～0.8760.459～0.4790.545～0.5651.230～1.2501.628～1.6522.105～2.1550.405～0.4200.438～0.4480.483～0.4930.526～0.5360.546～0.5560.662～0.6720.673～0.6830.743～0.7530.862～0.8770.890～0.9200.931～0.941MODIS0.915～0.9653.600～3.8403.929～3.9893.929～3.9894.020～4.0804.433～4.4984.482～4.5491.360～1.3906.535～6.8957.175～7.4758.400～8.7009.380～9.80010.780～11.28011.770～12.27013.185～13.48513.485～13.78513.785～14.08514.085～14.385NOAA-AHRR0.58～0.68（紅）0.72～1.10（近紅外）3.55～3.93（熱紅外）10.3～11.3（熱紅外）11.3～12.5（熱紅外）SPOT-HRV0.50～0.59（綠）0.61～0.68（紅）0.79～0.89（近紅外）0.51～0.73（可見光）時間分辨率定義：我們把傳感器對同一目標(biāo)進(jìn)行重復(fù)探測時，相鄰兩次探測的時間間隔成為遙感圖像的時間分辨率。應(yīng)用：土地利用變化、洪水、綠地消長、城市熱島等不同時相影像athens_olympic_july5_2004athens_olympic_may7_2004全球晝夜溫差空間、光譜和時間分辨率的關(guān)系空間－光譜分辨率關(guān)系空間－時間分辨率關(guān)系光譜－時間分辨率關(guān)系IKONOS321波段真彩色合成圖典型地物波譜響應(yīng)曲線長城提取的結(jié)果圖空間－光譜分辨率關(guān)系空間－光譜分辨率關(guān)系100m10m1m0.1m0.01m

空間分辨率全色多光譜高光譜地形圖測圖光譜分辨率交通國防城市農(nóng)業(yè)資源環(huán)境森林空間-時間分辨率關(guān)系上海城市擴(kuò)展圖2002年ETM影像（RGB:321)1988年TM影像(RGB:321)散點(diǎn)圖光譜－時間分辨率關(guān)系3.目視能力的影響空間分辨能力正常人眼的分辨角為1’,在明視距離250mm處,能分辨相距75μm的兩個點(diǎn),大約6-7線對/mm?；译A分辨能力大約十幾級灰度,通過反差拉伸、密度分割、偽彩色編碼。色別與色階分辨能力大約50種左右,借助儀器可以分辨13000多種。PART02目視判讀的方法和步驟printthepresentationandmakeitintoafilmawiderfield2025/3/818:17一、判讀前的準(zhǔn)備判讀員的訓(xùn)練搜集充足的資料了解圖像的來源、性質(zhì)和質(zhì)量傳感器、日期和地點(diǎn)、波段、比例尺、航高、投影性質(zhì)幾何分辨力、輻射分辨力、光譜波段的個數(shù)和波長區(qū)間、時間重復(fù)性、像片的反差、最小灰度和最大灰度等判讀儀器和設(shè)備像片觀察、像片量測、像片轉(zhuǎn)繪

-直接判讀法-對比分析法-信息復(fù)合法-綜合推理法-地理相關(guān)分析法二、遙感圖像目視解譯方法直判法是指通過遙感影像的解譯標(biāo)志，能夠直接確定某一地物或現(xiàn)象的存在和屬性的一種直觀解譯方法。直判法所運(yùn)用的解譯標(biāo)志是解譯者曾經(jīng)見過的并了解了它的含義，因此能較快地鑒別某一地物或現(xiàn)象的存在和屬性。一般具有明顯形態(tài)、色調(diào)特征的地物，多運(yùn)用這種方法進(jìn)行解譯。①直接判讀法

直接判讀法水體包括同類地物對比分析法、空間對比分析法和時相動態(tài)對比法。同類地物對比分析法是在同一景遙感影像上，由已知地物推出未知目標(biāo)地物的方法?？臻g對比分析法是根據(jù)待判讀區(qū)域的特點(diǎn)，選擇另一個熟悉的與遙感圖像區(qū)域特征類似的影像，將兩個影像相互對比分析，由已知影像為依據(jù)判讀未知影像的一種方法。時相動態(tài)對比法，是利用同一地區(qū)不同時間成像的遙感影像加以對比分析，了解同一目標(biāo)地物動態(tài)變化的一種解譯方法。例如，遙感影像中河流在洪水季節(jié)與枯水季節(jié)中的變化。利用時相動態(tài)對比法可進(jìn)行洪水淹沒損失評估，或其他一些自然災(zāi)害損失評估。②對比分析法對比分析法1993~2001年間浙江省海寧市的新圍涂區(qū)1080公頃159公頃對比分析法4698公頃818公頃1273公頃1993~2001年間浙江省蕭山-紹興-上虞的新圍涂區(qū)對比分析法③信息復(fù)合法利用透明專題圖或地形圖與遙感圖像重合，根據(jù)專題圖或地形圖提供的多種輔助信息，識別遙感圖像上目標(biāo)地物的方法。④綜合推理法綜合考慮遙感圖像多種解譯特征，結(jié)合生活常識，分析、推斷某種目標(biāo)地物的方法。例如，鐵道延伸到大山腳下，突然中斷，可以推斷出有鐵路隧道通過山中。在攝影航空像片中，公路在像片上的構(gòu)像為狹長帶狀，在晴朗天氣下成像時，公路因為平坦，反射率高，影像上呈現(xiàn)灰白或淺灰色調(diào)，鐵路在形狀上構(gòu)像與鐵路相似，但色調(diào)為灰色或深灰色，從色調(diào)上比較易于識別，但在大雨過后成像的航空像片上，公路因路面積水，影像色調(diào)也呈現(xiàn)灰色至深灰色，很難依據(jù)色調(diào)將公路與鐵路區(qū)分，此時就需要采用綜合推理法，因汽車轉(zhuǎn)彎相對靈活，公路轉(zhuǎn)彎處半徑很小，而火車轉(zhuǎn)彎不靈活，鐵路在轉(zhuǎn)彎處半徑很大。此外，鐵路在道口與公路或大路直角相交，而大路與公路既有直角相交，也有銳角相交。鐵路每隔一定距離就有一個車站，根據(jù)這些特征綜合分析，就可以將公路與鐵路區(qū)別開來。

⑤地理相關(guān)分析法根據(jù)地理環(huán)境中各種地理要素之間的相互依存，相互制約的關(guān)系，借助專業(yè)知識，分析推斷某種地理要素性質(zhì)、類型、狀況與分布的方法。三、判讀的一般過程發(fā)現(xiàn)目標(biāo)先大后小、由易入難、由已知到未知先反差大的目標(biāo)后反差小的目標(biāo)先宏觀觀察后微觀分析描述目標(biāo)光譜特征、空間特征、時間特征

識別和鑒定目標(biāo)資料、特征、經(jīng)驗、推理

清繪和評價目標(biāo)（專題圖）PART03航空遙感圖像目視判讀printthepresentationandmakeitintoafilmawiderfield2025/3/818:17單波段像片的判讀多光譜像片的判讀熱紅外像片的判讀側(cè)視雷達(dá)像片的判讀多時域圖像的判讀單波段像片的判讀色調(diào)特征和空間特征圖像增強(qiáng)密度分割Landsat7波段多光譜像片的判讀光譜特性曲線比較判讀假彩色合成空間特征全色片紅外片假彩色合成熱紅外像片的判讀溫度、發(fā)射率；熱特性：熱容量、熱傳導(dǎo)率、熱慣量。側(cè)視雷達(dá)像片的判讀色調(diào)特征：入射角，地面粗糙度，地物電特性幾何特征：比例尺失真，地形起伏影響穿透特性：可以得到地面圖象散射特性：可以反映地下狀況不同地物的SAR影像特征道路耕地居民地水系鐵路植被多時域圖像的判讀景物的時間特性以光譜特征和空間特征表現(xiàn)兩個時間的MSS圖像疊合提取洪水淹沒區(qū)范圍

PART04航天遙感圖像目視判讀printthepresentationandmakeitintoafilmawiderfield2025/3/818:17一、判讀標(biāo)志及其運(yùn)用航空像片的判讀標(biāo)志，一般也適于航天遙感圖像。航天器飛得比航空器高得多。因此，航天圖像比航空像片更加綜合，更加概括，航天圖像的判讀標(biāo)志的掌握和運(yùn)用，也要比航空像片的判讀標(biāo)志的掌握和運(yùn)用更加綜合和概括。

二、航天遙感圖像的分辨力及其判讀效用圖像分辨力包括圖像的幾何分辨力、光譜分辨力和溫度分辨力等。其中,幾何分辨力可分為影像分辨力(即像片分辨力)和地面分辨力兩種。影像分辨力是像片上每1mm寬度內(nèi)可分辨的黑白線對的數(shù)目，其單位是“線對/mm”。線對是相鄰的、同樣寬的一根黑線和一根白線。一般，航空像片以影像分辨力表示它分辨地物的能力。影像分辨力取決于膠片顆粒的粗細(xì)、透鏡的性能等因素。對于同一尺寸的像幅，用“線對/mm”數(shù)即影像分辨力來衡量遙感圖像是可以的。但航天遙感圖像的尺寸不一，比例尺有大有小，一張底片可印出幾種不同像幅、不同比例尺的像片，這樣，用“線對/mm”數(shù)來表示分辨能力就不適當(dāng)了。一般，航天圖像用地面分辨力---圖像上所能辨認(rèn)的兩地物之間的最小距離表示其分辨能力。地面分辨力的單位是“米”或“米*米”。各種航天器的飛行高度不同，其遙感器性能各異，故其地面分辨力也不同。不同地面分辨力的圖像有不同的效用二、航天遙感圖像的分辨力及其判讀效用三、單波段像片的判讀對于單波段的可見光、近紅外像片，從其色調(diào)特征和空間特征來分析判讀。可采用圖像增強(qiáng)方法，如反差增強(qiáng)能使不同亮度地物間的灰度差拉大，區(qū)分類別就較容易，對于空間特征可用邊緣增強(qiáng)來突顯地物的輪廓。另一種有效的方法是進(jìn)行密度分割并用偽彩色編碼技術(shù)來增強(qiáng)圖像，因此人眼對顏色的差別比灰度差別敏感得多，因此效果好。三、單波段像片的判讀如圖5-5，某城市的部分區(qū)域影像，水對近紅外光吸收嚴(yán)重，呈深色調(diào)，城市地區(qū)建筑物對紅外光反射比水強(qiáng)，再加上馬路上有行樹，使得城市的色調(diào)比水淡一些，但仍較深。由于眼睛區(qū)分灰階的能力較差，有時看來與水的色調(diào)差不多。農(nóng)田中農(nóng)作物反射近紅外光強(qiáng)，因此呈淺色調(diào)對該影像進(jìn)行密度分割后，從圖5-6中清楚地看到城區(qū)與湖水顏色的差別，并且城區(qū)內(nèi)由于建筑密度不同，造成反射亮度的微小差別，經(jīng)增強(qiáng)后顯示出來；城區(qū)內(nèi)園林、綠地及菜地（南城區(qū)）也畢露；城周圍的河流，由于其寬度不足一個像元，與植物混雜，使其反射率下降，色調(diào)與城區(qū)相近。但結(jié)合空間特征，它是線狀地物，再根據(jù)這個地區(qū)河網(wǎng)交錯的特點(diǎn)，可以判斷為河流；城外紅色、橙色為不同的農(nóng)作物或樹；綠、黃、淡紅色調(diào)則為農(nóng)田、道路、房屋間雜形成。四、多光譜像片的判讀多光譜像片顯示景物的光譜特征比單波段強(qiáng)的多，它能表示出景物在不同光譜段的反射率變化。對于多光譜像片可以使用多波段合成、線性拉伸、比較判讀等方法，將多光譜圖像與各種地物的光譜反射特征數(shù)據(jù)聯(lián)系起來，以正確判讀地物的屬性和類型。四、多光譜像片的判讀不同類別的地物在遙感影像上呈現(xiàn)各自的特征，根據(jù)影像上特有的地物特征對各類別地物進(jìn)行判斷識別，此過程稱之為影像解譯，區(qū)分各種類別的特征為解譯標(biāo)志。通過解譯標(biāo)志對影像各類別進(jìn)行樣本選擇，解譯標(biāo)志的建立在土地覆蓋變化監(jiān)測中至關(guān)重要，同時要從不同年份的影像數(shù)據(jù)獲取土地覆蓋信息建立統(tǒng)一的解譯標(biāo)志不可缺少。根據(jù)影像地物類別分布及影像特點(diǎn)，建立以下解譯標(biāo)志便于特征提取中樣本選擇，表5-5為解譯標(biāo)志表。四、多光譜像片的判讀判讀多光譜圖像的另一種有效方法是將幾個波段進(jìn)行假彩色合成。假彩色合成像片上的顏色表示了各波段亮度值在合成圖像上所占的比率，這樣可以直接在一張假彩色像片上進(jìn)行判讀。如標(biāo)準(zhǔn)教材色的合成方案為：紅外波段使用紅色、紅色波段使用綠色、綠色波段使用藍(lán)色，合成的結(jié)果植物為紅色、土壤（剛翻耕）為綠色，水為藍(lán)黑色。形成這種顏色的原因，與地物的波譜特性和所用的濾光片、波段有關(guān)。本節(jié)結(jié)束Endofthissection遙感原理與應(yīng)用Principlesandapplicationsofremotesensing2025/3/818:1701.遙感圖像的監(jiān)督分類與非監(jiān)督分類03.分類后處理和精度評價02.遙感圖像信息計算機(jī)識別的其他方法目錄CONTENT2025/3/818:17PART01遙感圖像的監(jiān)督分類與非監(jiān)督分類第六章遙感圖像信息計算機(jī)識別第1頁1.1分類原理與基本過程

遙感數(shù)字圖像計算機(jī)識別：以遙感數(shù)字圖像為研究對象，在計算機(jī)系統(tǒng)支持下，綜合運(yùn)用地學(xué)分析、遙感圖像處理、地理信息系統(tǒng)、模式識別與人工智能技術(shù)，實現(xiàn)地學(xué)專題信息的智能化獲取。

遙感數(shù)字圖像計算機(jī)識別的基本目標(biāo)：將人工目視解譯遙感圖像發(fā)展為計算機(jī)支持下的遙感圖像理解。

遙感數(shù)字圖像計算機(jī)識別的主要目的：將遙感圖像的地學(xué)信息獲取發(fā)展為計算機(jī)支持下的遙感圖像智能化識別，其最終目的是實現(xiàn)遙感圖像理解。

遙感數(shù)字圖像計算機(jī)識別的基礎(chǔ)工作：遙感數(shù)字圖像的計算機(jī)分類。第2頁1.1分類原理與基本過程■遙感圖像分類的基本原理

遙感圖像計算機(jī)分類的依據(jù)：遙感圖像像素（或像元）的相似度。相似度是兩類模式之間的相似程度。在遙感圖像分類過程中，常使用距離和相關(guān)系數(shù)來衡量相似度。其中，采用距離衡量相似度時，距離越?。ù螅?，相似度越高（低）；采用相關(guān)系數(shù)衡量相似度時，相關(guān)系數(shù)越?。ù螅嗨贫仍降停ǜ撸?。第3頁1.1分類原理與基本過程（1）絕對值距離

i，j為特征空間中兩點(diǎn)。dij表示當(dāng)前像素i到類j的距離，n為波段數(shù)，xik表示像素i在k波段的像素值，xjk表示類k在波段j的均值。第4頁1.1分類原理與基本過程（2）歐式距離x=(x1,x2,...xn)是n維向量，uk=(u1,u2,...un)是樣本分布的中心。（3）馬氏距離

既考慮離散度，也考慮到各軸間總體分布的相關(guān)性（協(xié)方差）。T為協(xié)方差矩陣，當(dāng)=I(單位矩陣)時，馬氏距離即為歐幾里德距離。tt第5頁1.1分類原理與基本過程（4）混合距離

像元i到第g類類均值的混合距離。（5）相關(guān)系數(shù)

式中：xki和xkj為像元i和j的第k個分量(波段k上對應(yīng)的值)，和表示均值。

第6頁1.1分類原理與基本過程地物反射率差異圖

若按照地物類別聚集的規(guī)律把多光譜空間劃分為若干個子空間，每一個子空間包含一個類別，就可以把圖像中未知像元進(jìn)行分類，分配到各自的子空間中。第7頁1.1分類原理與基本過程

多變量特征選擇 有選擇地去除多光譜圖像中對分類貢獻(xiàn)不大的波段，從而確定分類信息源的過程。特征 分類時所使用的波段或波段組合。特征參數(shù) 選擇出來的，新的對于表示類別可分性更為有效的變量。特征空間 特征參數(shù)組成的空間。第8頁1.1分類原理與基本過程相關(guān)概念像元的特征值

每個波段上灰度值構(gòu)成的矢量特征空間

包含X的的n維空間模式

圖像中某一類目標(biāo)樣本

屬于某類別的像素樣本觀測值

樣本的多光譜矢量波段1波段2…波段n多光譜圖像第9頁1.1分類原理與基本過程多光譜圖像分類原理設(shè)圖像上有兩類目標(biāo)ωA、ωB判別準(zhǔn)則為：遙感圖像計算機(jī)分類算法的核心就是確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則fAB(X)＝0第10頁1.1分類原理與基本過程

遙感圖像分類(Classification)：將圖像的所有像元按相似度劃分為若干個類別(Class)的技術(shù)過程。

在遙感圖像分類前，通常需要進(jìn)行特征選擇(FeatureSelection)和特征提取(FeatureExtraction）。特征選擇：從眾多特征中挑選出可以參加分類運(yùn)算的若干特征。特征提?。涸谔卣鬟x擇后，利用特征提取算法從原始特征中求出最能反映其類別特性的一組新特征，完成樣本空間到特征空間的轉(zhuǎn)換。 數(shù)據(jù)壓縮、提高不同類別特征之間的可區(qū)分性。

第11頁1.1分類原理與基本過程

遙感圖像分類(Classification)：將圖像的所有像元按相似度劃分為若干個類別(Class)的技術(shù)過程。

在遙感圖像分類前，通常需要進(jìn)行特征選擇(FeatureSelection)和特征提取(FeatureExtraction）。

對于n個波段多光譜圖像的特征選擇，美國查維茨教授提出最佳指數(shù)公式(OIF)：Si為第i個波段標(biāo)準(zhǔn)差，Si值越大表示該波段圖像信息量越大，反之，信息量越小；Rij表示第i個波段與第j個波段之間的相關(guān)系數(shù)，Rij值越小表示兩波段數(shù)據(jù)間的獨(dú)立性越高，反之，獨(dú)立性越低；OIF值越大說明波段組合越優(yōu)，反之，波段組合越劣。第12頁1.1分類原理與基本過程

在遙感圖像分類中，常以混淆矩陣（ConfusionMatrix）評價分類結(jié)果的精度。

式中mij表示實驗區(qū)內(nèi)屬于ωi類的像素（像元）被分到ωij類中去的像素（像元）總數(shù)，n為類別數(shù)。如果混淆矩陣中對角線上的數(shù)值越大，則表示分類結(jié)果的可靠性越高；如果混淆矩陣中非對角線上的數(shù)值越大，則表示錯誤分類現(xiàn)象越嚴(yán)重。第13頁1.1分類原理與基本過程■分類基本過程（1）明確分類目的，選取數(shù)字圖像；（2）收集、分析地面參考信息和有關(guān)數(shù)據(jù)；圖像預(yù)處理（幾何糾正、輻射糾正）；（3）比選合適的分類方法和算法，制定分類系統(tǒng)；（4）找出代表這些類別的統(tǒng)計特征；（5）采用訓(xùn)練場地（監(jiān)督分類中）或聚類方法（非監(jiān)督分類中）測定總體特征；（6）對各未知像素分類；（7）分類精度檢查（用訓(xùn)練數(shù)據(jù)或隨機(jī)抽樣數(shù)據(jù)）；（8）對判別分析的結(jié)果統(tǒng)計檢驗。上述分類過程，在實際分類工作中可根據(jù)需要進(jìn)行修改或補(bǔ)充。第14頁1.2遙感圖像監(jiān)督分類

遙感圖像監(jiān)督分類也稱為訓(xùn)練場地法或先學(xué)習(xí)后分類法。首先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)已知地面樣本的光譜特征來“訓(xùn)練”計算機(jī)，通過“學(xué)習(xí)”對未知像元進(jìn)行處理分類，分別歸入到已知類別中，達(dá)到自動分類識別目的。

遙感圖像監(jiān)督分類的思想：首先根據(jù)類別的先驗知識確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，其中利用一定數(shù)量的已知類別的樣本（稱為訓(xùn)練樣本）的觀測值確定判別函數(shù)中待定參數(shù)的過程稱為學(xué)習(xí)（Learning）或訓(xùn)練（Training），然后將未知類別的樣本的觀測值帶入判別函數(shù)，再依據(jù)判別準(zhǔn)則對該樣本的所屬類別作出判定。遙感圖像監(jiān)督分類算法很多，下面只討論幾種典型的遙感圖像監(jiān)督分類算法。第15頁1.2遙感圖像監(jiān)督分類■基于最小錯誤概率的Bayes分類器

貝葉斯(Bayes)分類器又稱為最大似然分類法，是實際研究和應(yīng)用較多的一種分類算法，主要是依據(jù)Bayes準(zhǔn)則進(jìn)行分類，判斷函數(shù)的構(gòu)造和對應(yīng)的分類準(zhǔn)則是整個方法的核心內(nèi)容，在遙感圖像分類時，將多波段圖像數(shù)據(jù)看成滿足多維正態(tài)分布數(shù)據(jù)，從而構(gòu)造分類函數(shù)。

最大似然分類法的優(yōu)點(diǎn)是操作簡單，可與貝葉斯理論以及其他先驗知識相融合，但是它也有自身缺陷：例如，只使用于波段數(shù)少的多光譜數(shù)據(jù)，且分類時間長，對感興趣區(qū)（樣本）要求較高等。

第16頁1.2遙感圖像監(jiān)督分類最大似然判別規(guī)則

前提

各類的分布為正態(tài)函數(shù)

依據(jù)

貝葉斯(Bayes)公式

判別函數(shù)

判別規(guī)則

式中，——似然概率——先驗概率

——后驗概率——X出現(xiàn)的概率第17頁1.2遙感圖像監(jiān)督分類正態(tài)分布多變量概率密度函數(shù)

式中第18頁1.2遙感圖像監(jiān)督分類判別函數(shù)判別規(guī)則判別邊界第19頁1.2遙感圖像監(jiān)督分類02550255TMBand3TMBand4concretehighbuildingsgrassslopewaterbaresoilsforest1202550255TMBand3TMBand4concretehighbuildingsgrassslopewaterbaresoilsforest第20頁1.2遙感圖像監(jiān)督分類■子空間分類器

在遙感圖像分類時，分類器的選擇一般要考慮兩個因素，一是分類的準(zhǔn)確度，二是分類的速度。

子空間和補(bǔ)子空間混合表示的模式空間稱為對偶空間，建立在對偶子空間上的分類器稱為對偶子空間分類器（DualSubspaceClassifier）。

子空間分類器和對偶子空間分類器具有特征提取和分類決策于一體的功能。

第21頁1.2遙感圖像監(jiān)督分類自相關(guān)矩陣子空間

投影矩陣

判別界面F（X）第22頁1.2遙感圖像監(jiān)督分類■概率松弛法

概率松弛法(ProbabilisticRelaxation)：在考慮某個像元與其鄰域內(nèi)像元的相關(guān)性基礎(chǔ)上進(jìn)行迭代計算，最后依據(jù)最大概率對遙感圖像進(jìn)行分類。

基本思想：利用鄰接像元從屬于各類別的概率，來調(diào)整中心像元從屬于各類別的概率，并根據(jù)調(diào)整后的概率按Bayes分類法對各像元進(jìn)行分類。該過程是一個多次迭代的過程）。

第23頁1.2遙感圖像監(jiān)督分類假設(shè)各類別的光譜特征服從正態(tài)分布。屬于同一類別的像元屬于該類的概率趨于同一個先驗概率。對于某個像元屬于ωi類而鄰近像元屬于ωj類的聯(lián)合事件的概率，與本像元的點(diǎn)位無關(guān)，而只與“本－鄰像元對”8個方向有關(guān)且在每個方向上趨同于一個先驗概率。第24頁1.2遙感圖像監(jiān)督分類

定義概率兼容系數(shù)：

估計某一類ωi的某像元k在N方向鄰近像元影響下的調(diào)整概率：

式中：第25頁1.2遙感圖像監(jiān)督分類計算第l＋1次迭代時，像元k屬于ωi類的概率調(diào)整值當(dāng)變動小于給定的閾值或有變動的像元個數(shù)小于給定的閾值時，迭代結(jié)束。

第26頁1.2遙感圖像監(jiān)督分類

優(yōu)點(diǎn)：

（1）概率松弛算法的預(yù)處理方法和后處理方法算法比較簡單。（2）概率松弛算法充分利用了各像元從屬于某一類別的概率信息，因而比前兩種方法理論依據(jù)更充實、算法更精細(xì)。

缺點(diǎn)：

（1）預(yù)處理法不可避免地會產(chǎn)生某些不希望有的圖像平滑效果，以致?lián)p失了必要的類別邊界或紋理細(xì)節(jié)信息。（2）后處理法所能依據(jù)的信息僅是各像元的分類結(jié)果，而不知各像元從屬某類的可靠程度(概率)，因而近似性較大。（3）概率松弛算法所需計算機(jī)容量和計算時間較費(fèi)。第27頁1.2遙感圖像監(jiān)督分類■平行六面體分類法

平行六面體分類法（ParallelepipedClassifier）：也稱為多級切割法或者平行算法或者盒式?jīng)Q策規(guī)則，主要根據(jù)設(shè)定在各軸上的值域，在多維圖像特征空間中劃分出若干個互不重疊的平行多面體塊段（特征子空間），每一塊是一類。此方法分類時需有由訓(xùn)練組數(shù)據(jù)學(xué)習(xí)產(chǎn)生基本統(tǒng)計量信息，主要包括每類的均值向量和標(biāo)準(zhǔn)差向量。

第28頁1.2遙感圖像監(jiān)督分類用平行六面體分類法分割三維特征空間第29頁1.2遙感圖像監(jiān)督分類平行六面體分類法原理：

只有當(dāng) 否則排除，Class(xi)＝0

相當(dāng)于在數(shù)據(jù)空間中劃分出若干個平行多面體塊段，每一塊段為一類。第30頁1.2遙感圖像監(jiān)督分類02550255TMBand3TMBand4concretehighbuildingsgrassslopewaterbaresoilsforest02550255TMBand3TMBand4concretehighbuildingsgrassslopewaterbaresoilsforest12

要求分割面總是與各特征軸正交，如果各類別在特征空間中呈傾斜分布，就會產(chǎn)生分類誤差?？上炔捎酶鬏S的正交變換后，再進(jìn)行多級分割。第31頁1.2遙感圖像監(jiān)督分類優(yōu)點(diǎn) 分類標(biāo)準(zhǔn)簡單，計算速度比較快。缺點(diǎn)

按照各個波段的均值和標(biāo)準(zhǔn)差劃分的平行多面體與實際地物類別數(shù)據(jù)點(diǎn)的分布的點(diǎn)群形態(tài)不一致。改進(jìn)

將自然點(diǎn)群分割為幾個較小的平行多面體。第32頁1.2遙感圖像監(jiān)督分類■支持向量機(jī)分類法

支持向量機(jī)分類法(SupportVectorMachine,SVM)，是一種監(jiān)督學(xué)習(xí)分類方法，通過引入核函數(shù)概念在高維特征空間解算最優(yōu)化問題，進(jìn)而尋找最優(yōu)分類超平面，解決復(fù)雜數(shù)據(jù)分類問題。

兩類樣本數(shù)據(jù)可分離的支持向量機(jī)原理第33頁1.2遙感圖像監(jiān)督分類■支持向量機(jī)分類法

平面L必須滿足兩條件:

（1）可劃分兩類樣本；（2）L1距離L與L2距離L的距離要確保最大。當(dāng)嚴(yán)格要求樣本不可越過L1和L2兩超平面時，則這種情況稱為硬邊緣分類，但硬邊緣分類存在對異常值過于靈敏和只對線性可分離數(shù)據(jù)有效等問題，因此在滿足最大化分類間隔基礎(chǔ)上要引入損失函數(shù)構(gòu)建新的優(yōu)化問題，從而允許少量樣本出現(xiàn)在間隔帶中，則這種情況稱為軟邊緣分類。

第34頁1.2遙感圖像監(jiān)督分類■支持向量機(jī)分類法

支持向量機(jī)分類法通過對樣本在光學(xué)遙感圖像分類過程中的訓(xùn)練，搭建了地物類型和光學(xué)遙感圖像信息因子間的橋梁，取得了較好分類精度和分類效果，適合解決小樣本、高維、非線性多源數(shù)據(jù)分類，特別是一對一多類方法模型和以徑向基核函數(shù)為基礎(chǔ)的支持向量機(jī)模型，更適合提取遙感圖像中的地物類別信息。

第35頁1.2遙感圖像監(jiān)督分類■隨機(jī)森林分類法

隨機(jī)森林(RandomForest，RF)分類法是由Breiman率先提出的，是由眾多的決策樹組成，每一顆決策樹都會產(chǎn)生一種分類結(jié)果，隨機(jī)森林則是將所有結(jié)果匯總并從中選出最佳的分類器進(jìn)行分類。其隨機(jī)主要體現(xiàn)在兩方面：（1）子模型的訓(xùn)練樣本是隨機(jī)抽取的；（2）子模型對應(yīng)的特征信息也是隨機(jī)抽取的。每一顆決策樹模型的訓(xùn)練是通過自助采樣法(Boostrap抽樣)抽出來的，在構(gòu)建每一顆決策樹模型的時候是從所有特征中隨機(jī)抽取一個子集來對模型進(jìn)行訓(xùn)練。

第36頁1.2遙感圖像監(jiān)督分類■隨機(jī)森林分類法

隨機(jī)森林(RandomForest，RF)分類法是一種比較成熟的算法，具備極高的準(zhǔn)確率和精度高、能評估各個特征在分類問題上的重要性以及能提供快速、可靠、穩(wěn)定性好的分類結(jié)果，在遙感圖像分類上具有廣泛的應(yīng)用，特別是在數(shù)據(jù)維度較高，樣本數(shù)據(jù)少，同時對準(zhǔn)確性要求較高的多光譜與多時相遙感圖像分類中，取得了很好的應(yīng)用效果。

第37頁1.2遙感圖像監(jiān)督分類■遙感圖像監(jiān)督分類的優(yōu)缺點(diǎn)

遙感圖像監(jiān)督分類的優(yōu)點(diǎn)：

（1）根據(jù)研究目的、研究內(nèi)容和研究區(qū)域，選擇性確定遙感圖像分類類別，避免一些不必要類別的產(chǎn)生；（2）訓(xùn)練樣本的選擇具有可控性；（3）通過檢驗和核查訓(xùn)練樣本，確定訓(xùn)練樣本是否被精確分類，避免圖像分類過程中出現(xiàn)較大錯誤。（4）避免了遙感圖像非監(jiān)督分類中對光譜集群組的重新歸類。第38頁1.2遙感圖像監(jiān)督分類■遙感圖像監(jiān)督分類的優(yōu)缺點(diǎn)

遙感圖像監(jiān)督分類的缺點(diǎn)：

（1）分類系統(tǒng)的確定與樣本選擇，受人的主觀因素影響較大，分類者確定的類別或許并不是遙感圖像中存在的實際類別，這樣會導(dǎo)致多維數(shù)據(jù)空間中各類別之間并非獨(dú)一無二，有重疊現(xiàn)象；分類者選擇的樣本也可能并不代表遙感圖像中的真實情況；（2）由于遙感圖像中存在“同物異譜”現(xiàn)象，例如：同一植被類，由于其生長環(huán)境、密度、年齡、陰影等差異，內(nèi)部方差大，可能導(dǎo)致訓(xùn)練樣本不具有很好的代表性；（3）選取和評價訓(xùn)練樣本都需要較多的時間和人力。（4）僅能識別樣本中所確定的類別。

第39頁1.3遙感圖像非監(jiān)督分類

遙感圖像非監(jiān)督分類：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，根據(jù)像元間相似度的大小進(jìn)行歸類合并的方法。

理論依據(jù)：遙感圖像上的同類地物在相同的表面結(jié)構(gòu)特征、植被覆蓋、光照等條件下，一般具有相同或相近的光譜特征，從而表現(xiàn)出某種內(nèi)在的相似性，歸屬于同一個光譜空間區(qū)域；不同的地物，光譜信息特征不同，歸屬于不同的光譜空間區(qū)域。方法：聚類分析。

第40頁1.3遙感圖像非監(jiān)督分類主要過程

確定初始類別參數(shù)（類別數(shù)、集群中心）計算每個像元Xk到各集群中心j的距離dkj集群中心是否變化計算新的集群中心dki＝Min(dkj)Xk?第i類結(jié)束YN第41頁1.3遙感圖像非監(jiān)督分類■聚類中的相似性度量

在聚類過程中，通常是依據(jù)某種相似性準(zhǔn)則對樣本進(jìn)行合并或分離。在統(tǒng)計模式識別中，常用的相似性度量有：歐氏距離、馬氏距離和特征矢量的角度。

在多光譜遙感圖像分類中，最常用的是距離相似性度量。在相似性度量確定后，須再確定一個評價聚類結(jié)果質(zhì)量的準(zhǔn)則函數(shù)。根據(jù)已經(jīng)確定的準(zhǔn)則函數(shù)對樣本的聚類分析，須確保類內(nèi)的距離最小，而類間的距離最大。即在分類結(jié)果中，同一類別點(diǎn)在特征空間中聚集的較緊密，不同類別點(diǎn)在特征空間中相距較遠(yuǎn)。例如，可利用最小誤差平方和準(zhǔn)則來實現(xiàn)：

第42頁1.3遙感圖像非監(jiān)督分類■K-均值算法(K-MeansAlgorithm)K-均值算法又稱為C-均值算法，K-均值算法的基本思想：通過迭代運(yùn)算，逐漸移動各類中心，直至達(dá)到最好的分類結(jié)果為止。

聚類準(zhǔn)則（收斂條件）：

使每一聚類中，多模式點(diǎn)到該類別的中心的距離的平方和最小。即：對于圖像中互不相交的任意一類，計算該類中的像素值與該類均值差的平方和。將圖像中所有類的差的平方和相加，并使相加后的值達(dá)到最小。

第43頁1.3遙感圖像非監(jiān)督分類開始選擇初始類別的中心將所有像元分到c個類別中聚類中心不變計算新的集群中心結(jié)束NY過程第44頁1.3遙感圖像非監(jiān)督分類■ISODATA算法

基本思想：在初始類別參數(shù)選定的基礎(chǔ)上，通過逐步趨近求出實際的基準(zhǔn)類別參數(shù)。

實質(zhì)：以初始類別為“種子”進(jìn)行自動迭代聚類的過程，可以自動地進(jìn)行類別的“合并”和“分裂”，其參數(shù)也在不斷地聚類調(diào)整中逐漸確定，并最終構(gòu)建所需要的判別函數(shù)。

基準(zhǔn)類別參數(shù)的確定過程，也正是利用光譜特征本身的統(tǒng)計性質(zhì)對判別函數(shù)不斷調(diào)整和“訓(xùn)練”過程。第45頁1.3遙感圖像非監(jiān)督分類過程輸入控制參數(shù)ni<Tn計算初始集群的有關(guān)參數(shù)聚類分裂l=I或|Mil－Mil-1|≤T合并結(jié)束取消Ni-1σimax>TsNi<N/2或>σDik<TcYYYYYNNNNN第46頁1.3遙感圖像非監(jiān)督分類第47頁1.3遙感圖像非監(jiān)督分類K-Means算法與ISODATA算法的區(qū)別：（1）ISODATA算法它不是每調(diào)整一個樣本的類別就重新計算一次各樣本的均值，而是在把所有的樣本都調(diào)整完之后才重新計算。（2）K-Means算法是逐個樣本修正法，ISODATA算法是成批樣本修正法。（3）ISODATA算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自動地進(jìn)行類別“合并”與“分裂”，從而得到類數(shù)比較合理的聚類結(jié)果。第48頁1.3遙感圖像非監(jiān)督分類■模糊聚類算法

基本原理：利用模糊矩陣A＝[aij]對樣本集U進(jìn)行劃分——軟分類A的定義aij?[0,1]，表示樣本Uj屬于第i類的隸屬度。A中每列元素之和為1，即一個樣本對各類的隸屬度之和為1。A中每行元素之和大于0，表示每類不為空。聚類準(zhǔn)則一般b≥1，b越大，分類越模糊，當(dāng)b＝1時為硬分類。

第49頁1.3遙感圖像非監(jiān)督分類給出初始劃分A計算聚類中心Vi計算新的分類矩陣A*分類NY具體過程第50頁1.3遙感圖像非監(jiān)督分類■遙感圖像非監(jiān)督分類的優(yōu)缺點(diǎn)

非監(jiān)督分類主要優(yōu)點(diǎn)：（1）不需要預(yù)先對所要分類的區(qū)域有廣泛的了解和熟悉，而監(jiān)督分類則需要分析者對所研究區(qū)域有很好的了解從而才能選擇訓(xùn)練樣本。但是在非監(jiān)督分類中分析者仍需要一定的知識來解釋非監(jiān)督分類得到的集群組。（2）人為誤差的機(jī)會減少，即使分析者對分類圖像有很強(qiáng)的看法偏差，也不會對分類結(jié)果有很大影響。因此非監(jiān)督分類產(chǎn)生的類別比監(jiān)督分類所產(chǎn)生的更均質(zhì)。（3）獨(dú)持的、覆蓋量小的類別均能夠被識別，而不會像監(jiān)督分類那樣被分析者的失誤所丟失函數(shù)。

第51頁1.3遙感圖像非監(jiān)督分類■遙感圖像非監(jiān)督分類的優(yōu)缺點(diǎn)

非監(jiān)督分類主要缺點(diǎn)——來自于對其“自然”的依賴性：（1）非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對應(yīng)于分析者想要的類別，因此分析者面臨著如何將它們和想要的類別相匹配的問題，實際上幾乎很少有一對一的對應(yīng)關(guān)系。（2）分析者較難對產(chǎn)生的類別進(jìn)行控制，因此其產(chǎn)生的類別也許并不能讓分析者滿意。（3）圖像中各類別的光譜特征會隨時間、地形等變化，不同圖像以及不同時段的圖像之間的光譜集群組無法保持其連續(xù)性，從而使其不同圖像之間的對比變得困難。

第52頁1.3遙感圖像非監(jiān)督分類監(jiān)督分類與非監(jiān)督分類的比較根本區(qū)別：是否利用訓(xùn)練場地來獲取先驗的類別知識。監(jiān)督分類的關(guān)鍵：選擇訓(xùn)練場地。監(jiān)督分類法優(yōu)點(diǎn)：簡單實用，運(yùn)算量小。缺點(diǎn)：受訓(xùn)練場地個數(shù)和訓(xùn)練場典型性的影響較大。受環(huán)境影響較大，隨機(jī)性大。訓(xùn)練場地要有代表性，樣本數(shù)目要能夠滿足分類要求。此為監(jiān)督分類的不足之處。非監(jiān)督分類優(yōu)點(diǎn)：事先不需要對研究區(qū)了解，減少人為因素影響，減少時間，降低成本。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。缺點(diǎn)：運(yùn)算量大。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。PART02遙感圖像信息計算機(jī)識別的其他方法第六章遙感圖像信息計算機(jī)識別第54頁2.1基于混合像元的遙感圖像分類

遙感圖像像元記錄的是探測單元的瞬時視場角對應(yīng)的地面范圍內(nèi)目標(biāo)的輻射能量總和。若探測單元的瞬時視場角所對應(yīng)的地面范圍只包含了同一類性質(zhì)的目標(biāo)，則該像元記錄的是同一性質(zhì)的地面目標(biāo)的輻射能量總和，這樣的像元稱為純像元（PurePixel）。

若探測單元的瞬時視場角所對應(yīng)的地面范圍包含了多類不同性質(zhì)的目標(biāo)，則該像元記錄的是多類不同性質(zhì)的地面目標(biāo)的輻射能量總和，這樣的像元稱為混合像元（MixedPixel）。第55頁2.1基于混合像元的遙感圖像分類混合像元分類第56頁2.1基于混合像元的遙感圖像分類在實際應(yīng)用中，混合像元一般是客觀存在的，若混合像元用在傳統(tǒng)的統(tǒng)計模式識別方法（如：在最小距離分類法中，是按像元到各類中心間的最小距離來確定其類別的）中，往往會導(dǎo)致誤分類。近年來，一些專家或?qū)W者提出了類型分解思想，根據(jù)各類地物在混合像元中的百分比(也稱為類型比，CategoryProportion)確定混合像元的類型，也就是將混合像元劃分到百分比最大的一類地物中?；旌舷裨诸惙ㄖ饕凶钚《朔ā⒍我?guī)劃法、模糊數(shù)學(xué)法等方法。第57頁2.2基于知識的遙感圖像分類

基于知識的遙感圖像分析系統(tǒng)主要包括知識庫(KnowledgeBase)和推理機(jī)(InferenceEngine)兩個核心內(nèi)容。

知識庫中存儲著很多與影像解譯有關(guān)的經(jīng)驗和知識，既包括地面目標(biāo)本身的知識，也包括遙感專家或?qū)W者長期積累的遙感圖像判讀與解譯方面的方法、經(jīng)驗和知識，而且這些經(jīng)驗、方法和知識都要轉(zhuǎn)換成計算機(jī)能夠識別的形式。第58頁2.2基于知識的遙感圖像分類推理機(jī)主要包括遙感圖像處理和分析算法、依據(jù)識別對象挑選算法與把各種算法組合成擁有一定邏輯順序的算法序列的能力。當(dāng)遙感圖像等數(shù)據(jù)輸入基于知識的遙感圖像分析系統(tǒng)后，推理機(jī)在知識庫的支持和幫助下完成遙感圖像目標(biāo)的識別和解譯工作。

在遙感圖像識別過程中，知識庫中的知識豐富度是非常關(guān)鍵的，推理機(jī)的邏輯推理、空間分析和綜合分析等能力也是非常重要的。第59頁2.2基于知識的遙感圖像分類系統(tǒng)結(jié)構(gòu)框圖目標(biāo)分割和識別流程圖第60頁2.3面向?qū)ο蟮倪b感圖像分類

面向?qū)ο蟮倪b感圖像分類法在信息提取和分類時，處理的最小單元已不再是像元，而是含有更多語義信息的多個相鄰像元組成的圖像對象。

面向?qū)ο蟮倪b感圖像分類法首先在圖像預(yù)處理基礎(chǔ)上對遙感圖像進(jìn)行分割，獲取同質(zhì)對象；然后再按照遙感圖像分類或目標(biāo)地物提取的一些具體要求，提取和檢驗?zāi)繕?biāo)地物的部分特征信息（如：形狀、大小、紋理、陰影、光譜、位置、布局等），最后利用模糊分類法對遙感圖像進(jìn)行分類和地物信息提取。第61頁2.3面向?qū)ο蟮倪b感圖像分類

面向?qū)ο蟮倪b感圖像分類法有兩個重要的特征：

（1）利用對象的多特征；（2）利用不同分割尺度獲取不同尺度的圖像對象層，各地類的提取不是都在同一尺度圖像中進(jìn)行，而是在各地類最適宜的尺度層中進(jìn)行提取。這兩個特征使面向?qū)ο蟮倪b感圖像分類結(jié)果更合理和更可靠，也更適用于高分辨遙感圖像的分類。第62頁2.3面向?qū)ο蟮倪b感圖像分類■多尺度圖像分割

遙感圖像在多尺度分割前表示同一空間尺度的類別信息，該尺度也就是圖像的空間分辨率。一個對象層通常有一個固定尺度值，多個對象層通常體現(xiàn)了多種空間尺度的地物類別屬性。不同尺度對象層提取不同屬性類別信息，解決了圖像地物識別中的“同譜異物”問題。在多尺度分割中，同一空間分辨率的遙感圖像信息已不再是只用一種尺度來描述，同一時相圖像可用多種適宜的尺度來表示。第63頁2.3面向?qū)ο蟮倪b感圖像分類

面向?qū)ο蠓指顚哟螆D每個圖像對象就能知道其鄰居、子對象與父對象，就產(chǎn)生一個不同尺度從屬關(guān)系的描述。在識別光譜信息和形狀信息均非常相似的圖像對象時，同一尺度層內(nèi)相鄰對象的語義信息與不同尺度層間圖像對象的語義信息就顯得十分重要。第64頁2.3面向?qū)ο蟮倪b感圖像分類在面向?qū)ο蟮倪b感圖像分類中，關(guān)于多尺度分割的算法有很多，其中最有代表性和典型性的算法是分形網(wǎng)絡(luò)演化算法(FractalNetEvolutionApproach，F(xiàn)NEA)。分形網(wǎng)絡(luò)演化算法是從圖像中單個像元（像素）開始，按照像元（像素）對象異質(zhì)性最小原則，將單個像元(或像元集合)與其相鄰的像元(或像元集合）進(jìn)行合并，最后合并成一個個的圖像對象，這些圖像對象的集合便構(gòu)成了圖像分割結(jié)果。第65頁2.3面向?qū)ο蟮倪b感圖像分類■面向?qū)ο蠓诸惙椒嫦驅(qū)ο蟮倪b感圖像分類中，對于分割結(jié)果的分類通常有兩種方法：最鄰近分類方法和決策支持的模糊分類方法。

最鄰近分類方法：利用所給類別的樣本在特征空間中對圖像對象進(jìn)行分類的一種方法。每一類都有樣本和特征空間，而且其特征空間是可以組合任意的特征。

最鄰近分類法的運(yùn)算規(guī)則：對于每一圖像對象，在特征空間中找尋其最近的樣本對象，例如一圖像對象最近的樣本對象屬于A類，則這圖像對象就會被分為A類。第66頁2.3面向?qū)ο蟮倪b感圖像分類

決策樹支持的模糊分類：應(yīng)用模糊邏輯概念和方法、繼承機(jī)制與語義模型而建立，用于圖像分類的一種決策知識庫。

分類步驟：首先建立不同尺度的分類層次，并在每一層次上分別賦值對象的光譜特征、形狀特征、紋理特征和相鄰關(guān)系特征，然后通過定義多特征并賦予不同權(quán)重，定義每個對象隸屬于某類的概率，建立圖像分類標(biāo)準(zhǔn)，并根據(jù)最大概率原則在大尺度上提取出“父類”，再依據(jù)實際研究需要對感興趣地物在小尺度上賦值特征提取出“子類”，最后確定圖像分類結(jié)果。第67頁2.3面向?qū)ο蟮倪b感圖像分類最鄰近分類的原則第68頁2.3面向?qū)ο蟮倪b感圖像分類

決策樹分類圖隸屬函數(shù)第69頁2.3面向?qū)ο蟮倪b感圖像分類

面向?qū)ο髨D像分析中的分類體系實際上就是一棵決策樹，不同尺度的分割圖像對應(yīng)著決策樹的不同層次。

分類體系實際是針對某一分類任務(wù)而建立的信息庫，包含分類任務(wù)中的各種類型，并把這些類型組織在一個層次結(jié)構(gòu)中。分類體系中的每一類型都有自己的特征描述，特征描述是由若干特征的隸屬函數(shù)依據(jù)一定邏輯關(guān)系而組成。按照這種分類體系組織類別的專家知識，再按照決策樹分類法對其進(jìn)行分類。類別特征的定義是通過隸屬函數(shù)(成員函數(shù))實現(xiàn)的。第70頁2.3面向?qū)ο蟮倪b感圖像分類

通常來說，若只用一個特征或很少的特征就可把一類與其他類識別開時，就使用決策支持的模糊分類法；否則，選擇最鄰近分類法。在處理多維特征空間聯(lián)系方面，最鄰近分類器比成員函數(shù)更優(yōu)。

第71頁2.4高光譜遙感圖像分類■二值編碼分類法

二值編碼（BinaryEncoding）分類法的基本原理：首先對已知地物類別根據(jù)其波譜曲線進(jìn)行二值編碼（0或者1），編碼方法是將各波段的灰度值和平均值作比較，大于生成0或者1，然后利用同樣的方法對待判定像元光譜曲線進(jìn)行二值編碼，再使用異或方法進(jìn)行待判像元光譜和已知光譜進(jìn)行匹配（異或操作用于檢查兩個數(shù)是否有差別，有則為1，無則為0），最后將待分類像元分到波段數(shù)目相似性最多的類別中。

第72頁2.4高光譜遙感圖像分類二值編碼技術(shù)使光譜匹配過程快速有效，有助于提高光譜數(shù)據(jù)分析處理效率。但由于該技術(shù)在編碼過程中忽略了許多細(xì)微的吸收光譜信息，因此只使用于較粗略地識別分類，不能應(yīng)用于精細(xì)的高光譜數(shù)據(jù)匹配識別分類研究中。

第73頁2.4高光譜遙感圖像分類■波譜角制圖分類法

波譜角制圖分類法（SpectralAngleMapper，SAM）：對地物波譜波形相似度的一種度量，將每條波譜都視為波段空間的一個矢量，通過計算一個測試波譜（像元波譜）與一個參考波譜之間的“角度”來確定兩者間的相似性。參考波譜可以是實驗室波譜或野外測定波譜或是從圖像上提取的像元波譜，所選擇的最終波譜單元作為參考波譜時須按照圖像波譜的波長和波段間隔進(jìn)行重采樣，使得兩個波譜曲線具有相同的維數(shù)。

第74頁2.4高光譜遙感圖像分類波譜角制圖分類法是將每個樣本看作是一個n維空間內(nèi)的一個向量（X），第i個向量和第j個向量間存在一夾角，定義夾角的余弦作為兩向量間的相似性度量。兩矢量夾角余弦公式為：在波譜分類上可以消除或減弱因太陽入射角、地形、坡向和觀測角等因素引起的波譜變異的“同物異譜”現(xiàn)象。此外，波譜角對于乘性干擾具有良好的抗干擾性，不受照度變化影響。

第75頁2.4高光譜遙感圖像分類■波譜信息散度分類法

波譜信息散度分類法(SpectralInformationDivergence，SID)最早由Chang教授于1999年提出，主要用來度量高光譜圖像中兩個不同像元間的相似性度，是一種基于信息論衡量兩條光譜之間差異的波譜分類方法。與SAM分類法相比，SID考慮了光譜本身的變動性，更符合實際情況。

第76頁2.5遙感圖像分類新方法■人工神經(jīng)網(wǎng)絡(luò)分類法

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)是一種模擬人腦神經(jīng)元細(xì)胞的網(wǎng)絡(luò)結(jié)構(gòu)。

人工神經(jīng)網(wǎng)絡(luò)方法在遙感圖像分類中具有兩個功能：（1）神經(jīng)網(wǎng)絡(luò)通常用于遙感圖像目標(biāo)地物的特征抽取與選擇。（2）神經(jīng)網(wǎng)絡(luò)用于學(xué)習(xí)訓(xùn)練及分類器的設(shè)計。由于ANN分類器是一種非線性分類器，可以提供難以想象而復(fù)雜的類間分界面，為多目標(biāo)地物識別提供了一種可能的解決方法。

類型：BP、Hopfield、ART、自組織特征映射模型。

第77頁2.5遙感圖像分類新方法f(a)f(b)f(n)y1y2yn∑∑∑x1x2…xm……輸入層輸出層隱含層BP網(wǎng)結(jié)構(gòu)W1kk第78頁2.5遙感圖像分類新方法BP網(wǎng)基本原理正向傳播

輸入的樣本從輸入層經(jīng)過隱單元一層一層進(jìn)行處理，通過所有的隱層之后，傳向輸出層；在逐層處理的過程中，每一層神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。到輸出層時，再把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果現(xiàn)行輸出不等于期望輸出，則進(jìn)入反向傳播過程。反向傳播把誤差信號按原來正向傳播的通路方向傳回，并對每個隱層的各個神經(jīng)元的權(quán)系數(shù)進(jìn)行修改，從而使誤差信號趨向于最小。第79頁2.5遙感圖像分類新方法具體過程對權(quán)系數(shù)置初值給定訓(xùn)練數(shù)據(jù)集計算各層實際輸出計算學(xué)習(xí)誤差修正權(quán)系數(shù)和閾值誤差是否滿足要求分類NY第80頁2.5遙感圖像分類新方法

結(jié)論：（1）可以在一定程度上消除傳統(tǒng)的遙感影像分類所帶來的模糊性和不確定性。（2）從分類