【文档说明】遥感图像的计算机解译课件.ppt，共(43)页，1.365 MB，由小橙橙上传

转载请保留链接：https://www.ichengzhen.cn/view-77616.html

以下为本文档部分文字说明：

第六章遥感图像的计算机解译遥感数字图像的性质与特点遥感数字图像的自动分类遥感图像多种特征的抽取遥感图像解译专家系统2022/12/11计算机解译：又称遥感图像理解(RemoteSensingImg

eryUnderstanding)，它以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据遥感图像中目标地物的各种影像特征(颜色、形状、纹理与空间位置)，结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理，实现对遥感图像的理解，完成对遥感图像的解译。20

22/12/12计算机解译遥感影像的困难目标信息不完全且带有噪声信息量过于丰富，造成相互影响和干扰地域性、季节性和不同成像方式2022/12/13数字图像的性质和特点遥感数字图像是以数字表示的遥感图像,其最基

本的单元是像素.像素是成像过程的采样点,也是计算机处理图像的最小单元.像素具有空间特征和属性特征.像素的属性特征采用亮度值来表达.正像素：一个像素只包含一种地物的像素混合像素：像素内包含两种或两种以上的地物2022/12/14数字图像的性质和特点特点便于计算机处理与分析图像

信息损失少抽象性强2022/12/15遥感数字图像的表示方法以二维数组来表示的2022/12/16按照波段数量分为:单波段数字图像:SPOT的全色波段.多波段数字图像:TM的7个波段数据.多波段数字图像的三种数据格式BSQ格式(Bandsequential)BIP格式(Bandint

erleavedbypixel)BIL格式(Bandinterleavedbyline)遥感数字图像的表示方法2022/12/17遥感图像的计算机分类2022/12/18遥感图像的计算机分类2022/12/19遥感图像的计算机分类分类原理不同的地物有不同的光谱特征

，同类地物具有相同或相似的光谱特征。基于数字图像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进行分类。图像分类的总目标：将图像中所有的像元自动地进行土地覆盖类型或土地覆盖专题的分类。需要注意的问题：同物异谱；同谱异物2022/

12/110遥感图像的计算机分类2022/12/111遥感图像的计算机分类几个基本概念模式(pattern)：在多波段图像中，每个像元都具有一组对应取值，称为像元模式特征(feature)：在多波段图像中，每个波段都可看作一个变量，称为特征变量特征提取(fea

tureextraction)：通过变换找出最能反映地物类别差异的特征变量用于分类的过程特征选择(featureselection)：直接从原始波段数据中选择2022/12/112遥感图像的计算机分类目视解译的依据：影像的色调和几何特征遥感

图像分类的依据：地物的光谱特征遥感图像计算机分类的依据：像素的相似度2022/12/113遥感图像的计算机分类遥感图像计算机分类的依据：像素的相似度常使用距离和相关系数来衡量相似度。距离衡量相似度时，距离越小相似度越大。

相关系数衡量相似度时，相关程度越大，相似度越大。2022/12/114遥感图像的计算机分类一般步骤：分类预处理特征选取分类分类后处理专题图制作2022/12/115遥感图像计算机分类方法监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性

来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似

度的大小进行归类合并（即相似度的像元归为一类）的方法。2022/12/116一、分类原理与基本过程遥感数字图像计算机分类基本过程1.根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。2.根据研

究区域，收集与分析地面参考信息与有关数据。3.根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。4.找出代表这些类别的统计特征2022/12/117一、分类原理与基本过

程遥感数字图像计算机分类基本过程4.为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。6.对遥感图像中各像素进行

分类。7.分类精度检查。8.对判别分析的结果进行统计检验。2022/12/118二、图像分类方法1.监督分类（1）最小距离分类法Step2–foreachunclassifiedpixel,calculatethedist

ancetoaverageforeachtrainingarea2022/12/119二、图像分类方法1、监督分类（1）、最小距离分类法最近邻域分类法NearestNeighbour。Definesatypicalpixe

lforeachclassAssignspixelsonthebasisofspectraldistanceCanseparatediverseclassesBoundaryproblemsremainunresolved2022/12/120二、图像分类方法1、监督

分类（2）、多级切割分类法通过设定在各轴上的一系列分割点，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字空间的分类方法。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征字空间中。2022/12/121二、图像分类方法1、

监督分类（3）、特征曲线窗口分类法特征曲线是地物光谱特征曲线参数构成的曲线。以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口内的地物即被认为是一类，反之，则不属于该类。2022/12/122二、图像分类方法1、

监督分类（4）、最大似然比分类法(MaximumLikelihood)通过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的方法。假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。2022/12/123二、图像分类方

法1、监督分类（4）、最大似然比分类法(MaximumLikelihood)2022/12/124二、图像分类方法1、监督分类（4）、最大似然比分类法(MaximumLikelihood)2022/12/125二、图像分类方法1、监督分类（4）、最大似然比分类法(M

aximumLikelihood)2022/12/126二、图像分类方法2、非监督分类（1）、分级集群法确定评价各样本相似程度所采用的指标初定分类总数；计算样本间的距离，据距离最近的原则判定样本归并到不同类别；归并后的类别作

为新类，与剩余的类别重新组合，然后再计算并改正其距离。分级集群方法的特点是分级进行的，可能导致对一个像元的操作次序不同，得到不同的分类结果。这是该方法的缺点。2022/12/127二、图像分类方法2、非监督分类

（2）、动态聚类法在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。2022/12/128二、图像分类方法3、监督分类与非监督分类方法比较根本区别在于是否利用训练场地来获取先验的类别知识。监督分类的关键是选择训练场地。训练场地要有代

表性，样本数目要能够满足分类要求。此为监督分类的不足之处。非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。2022/12/129三、图像分类中的有关问题1、未充分利用遥感图像提供的多种信息只考虑多光

谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类.水体的分类.2022/12/130三、图像分类中的有关问题2、提高遥感图像分类精度受到限制大气状

况的影响：吸收、散射。下垫面的影响：下垫面的覆盖类型和起伏状态对分类具有一定的影响。其他因素的影响：云朵覆盖；不同时相的光照条件不同，同一地物的电磁辐射能量不同；地物边界的多样性。2022/12/13

1§3、遥感图像多种特征的抽取一、地物边界跟踪法1.点状地物与面状地物的边界跟踪2.线装地物信息检测与跟踪二、形状特征描述与提取1.地物形状特征的描述2.地物形态特征的提取2022/12/132§3、遥感图像多种特征的抽取三、地物空间关系特征描述与提取不同地物之间的空间关系：方位关系

、包含关系、相邻关系、相交关系、相贯关系。空间关系特征提取与描述（1）方位关系的提取（2）包含关系特征提取与描述（3）相邻关系特征抽取（4）相交关系特征抽取（5）相关关系特征的提取2022/12/133§4、遥感图像专家解译系统专家系统：把某一特定领域的专家知识与经验形式

化后输入到计算机中，由计算机模仿专家思考问题与解决问题，是代替专家解决专业问题的技术系统。遥感图像解译专家系统的组成图像处理与特征提取子系统遥感图像解译知识获取子系统遥感图像解译专家系统的机理

计算机解译的主要技术发展趋势2022/12/134§4、遥感图像专家解译系统一、遥感图像解译专家系统的组成1、图像处理与特征提取子系统：包括图像处理、地形图数字化、精纠正、特征提取，结果存贮在遥感数据库内。2、遥感图像解译知识获取系统：获取遥感图像解译专家知识，并把专家知识形式化表

示，存贮在知识库中。3、狭义的遥感图像解译专家系统。2022/12/135§4、遥感图像专家解译系统二、图像处理与特征提取子系统1、图像处理：图像滤波可消除图像的噪声；图像增强可突出目标物体与背景的差异；大气纠正可消除大气散

射、雾霁等影响；几何精校正后的数字影像可与专题图精确复合；2、分类与特征提取子系统从图像中抽取光谱特征、图像特征和空间特征，为专家系统进行推理、判断及分析提供依据。2022/12/136§4、遥感图像专家解译系统三、遥感图像解译知识获取子系统1、遥感图像解译

知识获取系统的主要功能是知识获取.2、知识获取有三个层次:增加遥感解译新知识发现原有错误知识,修改或补充新知识根据解译结果,自动总结经验，修改错误知识,增加新知识4、遥感图像解译描述性知识可以采用框架式方法表示框架知识表示方法的特点5、过程性知识采用产生式规则

知识表示方法产生式规则的特点2022/12/137§4、遥感图像专家解译系统四、遥感图像解译专家系统的机理1、遥感图像数据库包括遥感图像数据和每个地物单元的不同特征，由数据管理系统管理。2、解译知识库包括专家解译知识和背景知识，

由知识库管理系统管理。3、推理机采用正向推理和反向推理相结合的方式进行遥感图像解译。推理机具有两种运行形式咨询式：用户和系统进行人机对话，解译系统根据用户提供的区域信息和任务要求，完成遥感图像解译。隐蔽式：解译过程中图像数据同解译知识的结合

在专家系统内部进行。数据的传递、知识的调用都在系统内部独立完成2022/12/138§4、遥感图像专家解译系统五、计算机解译的主要技术发展趋势1、抽取遥感图像多种特征对高分辨率卫星图像的自动解译来说，一般分别

对目标地物采用地、中、高三个层次进行特征抽取和表达。低层次的对象是像素，每个像素对应的数值是该地物波谱特征的表征；中层次主要抽取和描述目标的形态、纹理等空间特征；高层次主要抽取和描述识别目标与相

邻地物之间的空间关系。2022/12/139§4、遥感图像专家解译系统五、计算机解译的主要技术发展趋势2、逐步完成GIS各种专题数据库的建设，利用GIS数据减少自动解译中的不确定性GIS数据库在计算机自动解译中发挥

以下重要作用：（1）对遥感图像进行辐射校正，消除或降低地形差异的影响；（2）作为解译的直接证据，增加遥感图像的信息量；（3）作为解译的辅助证据，减少自动解译中的不确定性；（4）作为解译结果的检验数据，降低误判率。2022/12/140§4、遥感图

像专家解译系统五、计算机解译的主要技术发展趋势3、建立适用于遥感图像自动解译的专家系统，提高自动解译的灵活性需要从以下两方面开展工作：建立解译知识库和背景知识库。解译知识库是遥感图像解译认识和经验经形式化后记录在贮存介质上的。背景知识库是有关遥感解译背景知识与经验的集合，以地学知识为主。

根据遥感图像解译的特点来构造专家系统。2022/12/141§4、遥感图像专家解译系统五、计算机解译的主要技术发展趋势4、模式识别与专家系统相结合既可以发挥图像解译专家知识的指导作用，在一定程度上为模式识别提供经验性的知识，又可以利用数字遥感图像本身提供的特征，有助于提

高计算机解译的灵活性。2022/12/142§4、遥感图像专家解译系统五、计算机解译的主要技术发展趋势5、计算机解译新方法的应用（1）人工神经网络(ArtificialNeuralNetworks)在遥感图像识别中的应用。（2）小

波分析在遥感图像识别中的应用。（3）分形技术在遥感图像识别中的应用。（4）模糊分类方法遥感图像识别中的应用。2022/12/143