1、微波与图像处理部分全册配套完整课件遥 感 数 字 图 像 处 理基本概念1辐射失真与校正2几何失真与校正3光谱图像分类4基本概念1辐射失真与校正2几何失真与校正3456遥感图像数据源图像数据的误差校正和配准辐射失真几何失真数字图像数据的解译辐射增强技术图像数据的多光谱变换图像分类监督分类非监督分类分类精度评价多源、多传感器图像分析高光谱图像数据解译图像数据的误差校正和配准辐射失真几何失真图像分类监督分类非监督分类分类精度评价卫星遥感图像处理过程 Pre-processing Enhancement and Transformations Classification and Feature e
2、xtraction1多波段遥感数字图像高光谱遥感光谱图像立方体spectral-image cube成像光谱技术以纳米级超高光谱分辨率，几十至数百个波段对地物同时成像，在获得地面二维空间图像信息的同时，还获取地物的连续光谱信息。既可以在空间切面依据图像特征对地物做图像分析和鉴别，又可以在光谱维上根据光谱特征对地物做光谱特征分析，直接识别地物的种类、组分和含量。 三维点云图像视场与像素遥感成像方式 光机扫描 线阵推帚扫描 面阵推扫光机扫描成像线阵推扫成像面阵推扫成像图像处理的基本方法 空间域图像增强 频域图像增强 图像复原 图像压缩D0=30的的GLPF滤波滤波原图像原图像D0=10的的GLPF
3、滤波滤波全滤波的逆滤波结果全滤波的逆滤波结果 半径受限的逆滤波结果半径受限的逆滤波结果 维纳滤波的结果维纳滤波的结果 (交互选择交互选择K)2 图像数据的误差校正和配准 辐射失真 失真源 校正方法 几何失真 失真源 校正方法 图像配准2辐射失真源 辐射失真的表现 特定波段内：亮度相对分布 地表亮度分布 不同波段、同一位置：相对亮度 光谱特性 辐射失真的来源 大气对辐射的影响 仪器误差大气对辐射的影响太阳照射传感器大气太阳辐射能经过多少种方式、路径进入传感器？像素（地面分辨单元）相邻像素太阳照射辐射到传感器大气T天空照射成分1路径辐射成分2天空照射成分2路径辐射成分1E0遥感图像数据源在没有大气
4、影响时，假设太阳射到地球的光谱辐照度为 E ，则在天顶角 时，地面的光谱辐照度为 Ecos 。此时，波长 1和 2之间的辐照度为 =1- 2一般足够窄：假设表面反射率为R，且地表为漫反射，那么散射到上半球的辐射亮度为212cosWmOSEEd 2cosWmOSEE 21cos2Wm srLER 像素（地面分辨单元）相邻像素太阳照射辐射到传感器大气T天空辐照成分1路径辐照成分2天空辐照成分2路径辐照成分1E0对于特定传感器来说，量化后的数值为DN，那么特定像素对应的辐射亮度为其中如果考虑大气的影响？需要对公式进行修正。 透过率（Transmittance） 有无大气条件下，到达地面的辐照度之比，
5、称为透过率，用 T 表示 天空辐照度（Sky irradiance） 在地面测得的，包括天空的散射和周围景物的散射，用 ED 表示 路径辐射亮度（Path radiance） 在传感器处测得的，包括天空散射和周围景物的散射，用 LP 表示大气影响的相关参数考虑大气因素修正后，地面的总辐照度为由像素的总辐照度产生的辐射亮度变为传感器获得的总辐射亮度变为2cosWmGDEEE 21cosWm srTDRLEE 21cosWm srSDPRTLEEL 仪器误差 光学系统误差 边缘减光（透镜系统） 辐射探测器的非线性： 暗电流（偏置） 传输特性斜率（增益）不均匀仪器误差 效果：产生条带辐射失真校正 大
6、气影响的精确校正 基于大气传输理论模型 大气影响的粗校正 基于图像特征模型 暗目标法 直方图调整 波段间的数学变换 仪器误差校正大气影响的精确校正 大气状态（时间，地点，波段：0.81.1m） 温度：29C 相对湿度： 24% 大气压力： 1004mbar 能见度：65km 测量位置： 海平面上30m21cosWm srSDPRTLEEL 光学厚度 大气透过率T =exp(-sec)大气影响的精确校正 宽带系统的大气校正 窄带系统的大气校正 高光谱 大气成分的吸收与散射建模 精细光谱吸收曲线对地物光谱反演的影响较大Correcting Atmospheric Effects in Narrow
7、Waveband Systems1. 转换DN值到辐射值2. 补偿太阳光谱曲线的影响3. 补偿大气透过率，分子与气溶胶的散射；转换表观反射系数到归一化的地表反射率4. 考虑地表结构的影响，转换归一化的地表反射率到实际的地表反射率转换DN值到辐射值 暗电流 传输特性斜率 光谱响应补偿太阳光谱曲线的影响补偿大气透过率，分子与气溶胶的散射水汽吸收的精确估计窄带系统的大气校正（例）大气影响的粗校正 有些情况下，精确校正是不需要的。 假设给定场景的每个波段数据都存在等于或接近零亮度的值，并且大气影响，尤其是路径辐射，对带内每个像素都附加了一个常量。 大气散射总体提升了每个波段图像的亮度。蓝色绿色红色近红
8、外大气影响大气散射路径辐射各通道直方图路径辐射-米氏散射(04)大气影响的粗校正 基于图像特征方法适用的假设： 地表为朗伯体 大气水平均一 不同时间、不同波段的图像间存在线性相关 如暗目标法，未考虑如下因素，不适于宽视场 透过率影响 气溶胶厚度的空间异质性 未考虑观测角度 未考虑暗目标地表的方向反射率大气影响的粗校正 地面线性回归经验模型（The Empirical Line Method） 地物反射率或温度不变 高温、高反射率沙地 中温、中反射率草地 低温、低反射率水体 目标均匀、平坦、面积大 总云量小于2 风速小于3m/s 能见度大于5km仪器误差校正 条带的校正 假设波段内各探测器所产生
9、的信号统计特性相同 方法： 匹配均值、标准差 直方图匹配 频域滤波dddiiiyxmm仪器误差校正 定标应对传感器老化（绝对定标） 实验室定标 星上定标 可见光、近红外，采用太阳或标定的钨丝灯 热红外，采用黑体定标 地面定标 美国White Sands、法国La Crau 中国：敦煌、青海湖、纳木错湖、禹城太阳高度和地形校正Spring / FallSatelliteSummerWinterZenithEquatorTangent planeSolar Elevation Angles太阳高度和地形校正 获得瞬时入射角信息太阳高度和地形校正 双向反射分布函数（Bidirectional ref
10、lectance distribution function，BRDF） 意义是在 r 方向的反射光线的辐射率和同一点上 从 i 方向射入的光线的辐射率的比值。 每一个方向可以被参数化为方位角和天顶角 ，因此BRDF是一个四维函数。 BSDF的单位是 sr1。太阳高度和地形校正太阳高度和地形校正太阳高度和地形校正 利用DEM信息进行校正 Digital Elevation Models (DEM)几何失真 几何失真源 几何失真校正 图像配准3几何失真源1. 图像获取时的地球转动2. 平台高度、姿态、速度的变化3. 地球曲率4. 与图像几何相关的全景效应5. 部分传感器的有限扫描频率6. 部分传
11、感器的宽视场7. 传感器的非理想特性3地球转动影响卫星运动地球运动传感器输出（有错误）校正后1. 地球转动影响2. 平台高度、姿态、速度的变化星历+三轴稳定平台+POS（GPS+IMU）3. 地球曲率1 cossec seccephr4. 全景失真4. 全景失真22sec= secppLandsat 7 = 7.5p = 1.02p机载扫描仪 = 80p = 1.70p图像的边缘压缩边缘像素重叠4. 全景失真固定IFOV和角扫描率传感器沿扫描线压缩（S-弯曲失真）5. 扫描频率受限 引起扫描带两侧数据缺失Universal Transverse Mercator (UTM) 几何失真的校正 模
12、型校正 建立失真源特性和大小模型，生成校正公式 利用像素、坐标对应关系校正 利用地图、地面控制点等建立对应关系 不依赖于获取图像的平台 地图-图像校正 图像-图像校正基于模型的几何校正 纵横比校正 地球旋转扭曲校正基于模型的几何校正 图像北-南指向基于模型的几何校正 全景效应校正基于模型的几何校正 组合校正地图图像校正图像图像校正基于控制点的几何校正 坐标的空间变换（空间插值） 灰度级内插（亮度插值，重采样）前向映射后向映射012012xaa xa yybb xb y012012xaa xa yybb xb y后向映射012012xaa xa yybb xb y382.23660.034187
13、( 0.005481)130162( 0.005576)( 0.0349150)xxyyxy 空间变换方法 投影变换 模型简单 多项式变换 直观，控制点数量与多项式阶数相关 三角网格变换 可以在不同的局部区域，应用不同的多项式仿射变换 几何变换的类型： 刚性变换（Rigid）：包括平移和旋转。 仿射变换（Affine）：将平行线变换为平行线。 投影变换（Projection）：将直线映射为直线。 曲线变换（curve）：将直线映射为曲线。 111221223132011101ttxyxyxyttttT几何失真的校正 利用映射函数进行图像校正 地图 图像, x y, u v,uf x y,vg
14、x y利用映射多项式进行图像校正 精确形式难以获得 用多项式替代 如二阶：,uf x y,vg x y2201234522012345uaa xa ya xya xa yvbb xb yb xyb xb y如何估计多项式的系数？地面控制点(GCPs)局部三角网格变换 在图像变化较大、失真扭曲复杂、特征点多的区域，三角网密集，能很好地校正失真细节变化； 而在图像内容简单、失真扭曲小的区域，特征点少，三角网稀疏，不会造成大量的冗余数据，也不会无谓地增加计算量。 三角网格变换 Delaunay三角剖分（Delaunay triangulation） 对平面有限点集P的三角剖分DT，P中的点不在任意一
15、个DT三角形外接圆里。 它满足两个重要准则三角网格变换 Delaunay三角剖分准则1 空圆特性。Delaunay 三角网是唯一的（任意四点不能共圆），在 Delaunay 三角形网中任一三角形的外接圆范围内不会有其它点存在。三角网格变换 Delaunay三角剖分准则2 最大化最小角特性。在散点集可能形成的三角剖分中，Delaunay三角剖分所形成的三角形的最小角最大。ABCDABCD三角网格变换 Delaunay三角剖分优异的性质：1. 最接近的点形成三角形2. 唯 一 性 ， 无 论 何 种 算 法 ， 最 后 得 到 的 Delaunay 三角剖分是唯一的3. 最规则，由最大化最小角特性
16、可以推出，Delaunay三角网是“最接近于规则化的”的三角网4. 所有三角形并集为点集的凸包（这个所有剖分都是）三角网格变换 Delaunay边 假设E中的一条边e（其端点为a,b），若e满足条件：存在一个圆经过a,b两点，圆内不含点集中任何其他的点，这一特性又称空圆特性，则称之为Delaunay边。 Delaunay三角剖分 如果点集的一个三角剖分只包含Delaunay边，那么该三角剖分称为Delaunay三角剖分。控制点的选择 手工选择GCPs (the same as Image to Map) 自动算法 直接从像素值中提取 从频域提取（基于FFT） 利用如边缘、角点等低级特征 利用高
17、级特征，如识别出的物体、特征间的关系等控制点的自动提取 常见的特征点提取算法有：Harris算 子（改进后的Shi-Tomasi算法）、Moravec算子、Forstner算子、小波变换算子等。 简单介绍一下最常用的Harris角点检测算法。 角点附近的区域相比于其他区域有一个显著的特点：无论沿着哪一个方向，灰度变化率始终是很大。 假设我们有一个矩形窗口罩在角点附近，将这个窗口沿任意方向移动一小段距离得到一个新的区域，新、旧区域对应点的灰度差值始终很大。 相比之下，平滑区域的变化就很小，而边缘区域沿着某些方向变化率大、某些方向变化率小。控制点的自动提取 Harris算法 首先定义了一个窗口函数
18、 w(x, y)表示选择的窗口区域， w(x, y) 表示这个坐标所占的权值。 有时用0-1赋值，有时候用高斯滤波减少噪声影响； 定义 E(u, v)表示窗口沿着 (u, v) 方向移动后的梯度变化情况： 为了简化计算，泰勒展开 其中 Ix, Iy 分别为灰度沿 x, y 方向的导数。控制点的自动提取 Harris算法 转化为矩阵形式： 最后定义一个评价函数R： 其中 k是一个控制参数，1, 2 为M的特征值。当R较小时，图像是平坦的；当R时，图像是一个边缘；当R很大时，图像是一个角点。因此通常会对R设置一个阈值，大于这个阈值的点可以看做是角点。控制点的自动提取 Harris算法HARRIS
19、C, STEPHENS M. “A Combined Corner and Edge Detector” Proceedings of Fourth Alvey Vision Conference. 1988, 147-151.points = detectHarrisFeatures(I,Name,Value)控制点的选择 数量 位置 分布在图像边缘 覆盖整个图像曲线拟合类比高阶外推的不良影响从图主图GCP分散GCP集中三阶多项式双三次插值一阶多项式双三次插值地图原图校正图Landsat MSS图像悉尼11个控制点二阶映射多项式双三次插值GCPImagepixelImagelineMapea
20、stingactualMapeastingestimateMapeastingresidualMapnorthingactualMapnorthingestimateMapnorthingresidualI19091473 432279 432230.149.4 836471 836410.160.7219501625 431288 431418.0-130.1 822844 822901.4-56.9319511747 428981 428867.9112.6 812515 812418.296.8419591851 427164 427196.9-33.2 803313 803359.4-
21、46.7517971847 417151 417170.3-18.9 805816 805759.357.1614961862 397860 397871.6-11.2 808128 808187.2-59.6715551705 404964 404925.838.6 821084 820962.6121.6815991548 411149 411138.510.5 833796 833857.3-61.1916751584 415057 415129.0-72.4 829871 829851.119.81018291713 422019 421986.632.7 816836 816884.
22、5-48.11118231625 423530 423507.822.0 824422 824504.8-83.2Standard error in easting = 55.92 mStandard error in northing = 63.06 m4214211kkkwtkkZDBVD162116211kkkwtkkZDBVD5 4 2 34 2 1 56 3 5 21 2 4 1最近邻点插值5 4 2 34 2 1 56 3 5 21 2 4 1双线性插值5 4 2 34 2 1 56 3 5 21 2 4 1双三次插值图像配准Image Registration图像拼接Image
23、Mosaic遥感卫星数据产品的分级 遥感卫星数据产品的类别：一般按照数据产品获取方式，包含光学数据产品、雷达数据产品、被动微波数据产品、激光数据产品、重力卫星数据产品等。 遥感卫星数据产品的分级：为了便于数据产品的生产、应用和销售等，根据数据间的相互关系划分等级。数据产品的分级一般针对同一类型、同一卫星平台或同一传感器的数据产品进行。典型光学卫星数据产品的分级 MODIS LANDSET SPOT CBERS02B HY-1A/1BMODIS数据产品分级 0级：数据是对卫星下传的数据报解除CADU外壳后，所生成的CCSDS格式的未经任何处理的原始数据集合，其中包含按照顺序存放的扫描数据帧、时间
24、码、方位信息和遥测数据等。 1级：对没有经过处理的、完全分辨率的仪器数据进行重建，数据时间配准，使用辅助数据注解，计算和增补到0级数据之后为1级数据。 1A：是对Level 0数据中的CCSDS包进行解包所还原出来的扫描数据及其他相关数据的集合。 1B：对L1A数据进行定位和定标处理之后所生成，其中包含以SI(Scaled Integer)形式存放的反射率和辐射率的数据集。MODIS数据产品分级 2级：在Level 1级数据基础上开发出的、具有相同空间分辨率和覆盖相同地理区域的数据。 3级：以统一的时间-空间栅格表达的变量，通常具有一定的完整性和一致性。在3级水平上，将可以集中进行科学研究，如
25、：定点时间序列，来自单一技术的观测方程和通用模型等。 4级：通过分析模型和综合分析3级以下数据得出的结果数据为4级数据。LANDSAT数据产品分级 0级：原始数据产品，地面站接受的原始数据，经格式化、同步、分帧等处理后生成的数据集 。 1级：辐射校正产品，经过辐射校正处理。 2级：系统几何校正产品，经过辐射校正处理和系统几何校正处理。 3级：几何精校正产品，采用地面控制点进行几何精校正的数据产品。 4级：高程校正产品，采用地面控制点和数字高程模型进行校正的数据产品。SPOT数据产品分级 0级：未经任何辐射校正和几何校正处理的原始图像数据产品，包括进行后续的辐射和几何校正处理的辅助数据，主要用于
26、地面站与法国SPOTIMAGE公司之间的数据交换 1级：经过辐射校正和系统几何校正处理。 1A级：经辐射校正处理后的产品。 1B级：经过了level 1A级辐射校正和系统级几何校正的产品。SPOT数据产品分级 Level-1A级产品 SPOT数据经辐射校正处理后的产品，包含了用以进行后续的几何校正处理的辅助数据。 Level-1A产品是针对那些仅要求进行最小数据处理的用户而定义的，特别是进行辐射特征和立体解析研究的用户SPOT数据产品分级 Level-1B级产品 SPOT数据经过了Level-1A级辐射校正和系统级几何校正的产品。 在处理中，由于卫星轨道、姿态及地球自转等因素造成的数据几何畸变
27、得到了纠正，数据经重采样得到的图像像元尺寸分别为10m（全色模式）和20m（多光谱模式）SPOT数据产品分级 2级：进行几何精校正的数据产品。 2A级：将图像数据投影到给定的地图投影坐标系下，地面控制点参数不予引入。 2B级：引入地面控制点GCP，生产高几何精度的图像产品，高程取相同的值。 3级：正射校正产品。CBERS02B数据产品分级 0级：原始数据原始数据产品,分景后的卫星下传遥感数据。 1级：辐射校正产品辐射校正产品，经辐射校正，没有经过几何校正的产品数据。 2级：系统几何校正产品系统几何校正产品，经辐射校正和系统几何校正，并将校正后的图像映射到指定的地图投影坐标下的产品数据。 3级：
28、几何精校正产品，经过辐射校正和几何校正，同时采用地面控制点改进产品几何精度的产品数据。CBERS02B数据产品分级 4级：高程校正产品高程校正产品，经过辐射校正、几何校正和几何精校正，同时采用数字高程模型（DEM）纠正了地势起伏造成的视差的产品数据。 5级：镶嵌图像产品标准镶嵌图像产品，无缝镶嵌图像产品。4. 光谱图像分类4Landsat MSS Landsat TM TerraSAR-X4. 光谱图像分类44. 光谱图像分类44. 光谱图像分类44. 光谱图像分类 什么是分类？ 如何分类？ 确定类别，建立规则 如何让计算机学会分类？ 分类过程数学问题（模式识别） 模式类1, 2, M 模式特
29、征向量 决策函数4模式类与模式特征向量举例 模式识别 希望识别出大客车、小轿车、还是卡车 从而有模式类（ 大, 小, 卡） 用什么来判断呢？ 汽车的长、宽、高（L,W,H）模式特征向量 大客车： （L,W,H）大 小轿车： （L,W,H）小 卡 车： （L,W,H）卡 如何对光谱图像进行分类 模式类（地物） 水体？城郊？农作物？牧场？机场？港口？ 模式特征矢量 像素的光谱分量NIRSWIRTIRxx1, x2, x3, x4, x5, x6Band Combinations3,2,14,3,25,4,3图像分类方法概述 监督分类 选取有代表性的训练样本 选取特征参数（如亮度均值、方差等），建立
30、判别函数，训练得到函数的参数。 依据训练结果判别函数，识别非样本像元的归属类别 非监督分类 在没有先验类别作为样本的条件下，即事先不知道类别特征，主要依据像元间相似度的大小进行归类合并。Unsupervised classificationSupervised classificationComputational intensive, adequate for quick snapshot: which classes are spectrally well discriminable?Computational less intensivePrevious knowledge not re
31、quired (but desirable!)Knowledge on study area should exist(ground truth, GPS)Definition of number of classes is critical:If too high classes not discriminable, if too low unnecessary merging of classesSelection of training areas critical:risk of being not representative, not enough, extreme overlap
32、 of classes in the feature spaceResults are objective (class assignment subjective!)Results depend on selected training areasselected by the userApplicable to arbitrary data sets; however, class assignment individually for each data set!For each new EO-data: possibly new training sites necessary (il
33、lumination- and atmospheric conditions, land cover dynamics)New, unknown classes in the study area can be identifiedOnly already defined classes (based ontraining sites) can be identifiedAccuracy often insufficientApproved method非监督分类监督分类运算密集型， 适合进行快速预览：哪些光谱类别容易分辨?运算量相对稍小不需要先验知识（有了更好!）需要先验知识（地面真实值，G
34、PS）预先定义分类数量是关键：太多 分类可分辨性差太少 产生非必要的类别合并选择训练区域是关键：代表性差、像素点不足、分类特征空间重叠都会带来出错的风险结果是客观的（后续的类别指定是主观的!） 结果依赖于用户选择的训练区域可用于任意数据集；但对每个数据集的类别指定都是独立的，不可直接套用!对于新的成像数据：可能需要新的训练数据（考虑到：光照、大气状态、地物的动态变化等因素）可以识别出“新的”未知的类别只能识别出预先定义的类别（基于训练数据）准确度通常不足可靠性更高Hybrid Classification数字图像分类新技术 纹理分析 人工神经网络 小波分析 分形技术 模糊分类监督分类 最小距离
35、法 最小距离判别法均值 最近邻域分类法多统计量 原理简单，分类精度不高，计算速度快，可用于快速浏览分类概况。监督分类 多级切割法 将多维特征空间划分成对应不同类别的互不重叠的子空间。 通过训练，设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。 要求分割面与各特征轴正交。如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。 先进行主成分分析，对各轴进行正交变换。监督分类 多级切割法 主成分分析（Principal components analysis，PCA）是一种分析、简化数据集的技术。 PCA常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。 这是通过保留低阶
36、主成分，忽略高阶主成分做到的。低阶成分往往能够保留住数据的最重要方面。 其方法主要是通过对协方差矩阵进行特征分解，以得出数据的主成分（即特征向量）与它们的权值（即特征值）。 其结果可以理解为对原数据中的方差做出解释：哪一个方向上的数据值对方差的影响最大监督分类 特征曲线窗口法 以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口范围内的地物即被认为是一类。监督分类 最大似然法 求出每个像元对于各类别的归属概率，把该像元分到归属概率最大的类别中。Supervised Classification非监督分类 最大似然分类的成功应用依赖对图像中光谱类别的正确描述，一般都是利用正态概率分布模型的。
37、 如果某个类别是多模式的，而采用正态分布，是不会有效的。非监督分类 聚类需要一个准则，使得聚类的结果唯一。非监督分类 相似度度量非监督分类 常用的聚类准则：平方误差和（SSE） 对于每个类单独计算每个模式到类中心的累加距离，然后对所有类求和。 如果每个模式到相应聚类中心的距离都很小，那么这种聚类方式可以认为是合理的。How many clusters?4 Clusters 2 Clusters 6 Clusters Cluster can be Ambiguous非监督分类非监督分类 分级集群法（Hierarchical clustering） 采用“距离”评价各样本（像元）在空间分布的相似程
38、度，把它们的分布分割和合并成不同的集群。 每个集群的地理意义需要根据地面调查或者已知类型的数据比较后确定。非监督分类 分级集群法（Hierarchical clustering） p4 p1 p3 p2 p4p1p2p3Traditional Hierarchical ClusteringTraditional Dendrogram非监督分类 迭代优化（均值平移）聚类算法 初始化，选择K个点作为候选聚类中心C。 计算每个像素到C的距离，根据最小距离原则分配到候选类中。 重新计算均值，作为候选类中心。 直到均值位置不变非监督分类 SSE准则具有理论上的零最小值。 如果利用迭代方法搜索数据集中的自
39、然光谱聚类，肯定会有一个收敛点。 但是，将P个模式样本放入K个类别中，将有KP/K!种方式，计算量巨大。 空间近邻也是重要的分类参考因素。非监督分类 动态聚类法 在初始状态给出图像粗糙的分类，然后基于一定的原则在类别间重新组合，直到分类较为合理为止。 以距离作为分类判别标准 一般以类别数范围、类别中心间距、类内方差最大值 作为阈值判断结束条件。非监督分类 K 是事先给定的，这个 K 值的选定是非常难以估计的。很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适。 （ISODATA算法通过类的自动合并和分裂，得到较为合理的类型数目 K） K-Means算法需要用初始随机种子点。随机种子点
40、的选取对结果影响很大，不同的随机种子点会有得到完全不同的结果。 （K-Means+算法可以用来解决这个问题，其可以有效地选择初始点）非监督分类 迭代自组织数据分析算法（ISODATA 聚类算法） 在K-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。ISODATAI - iterativeS - selfO - organizingD - dataA analysisT - techniqueA - Algorithm非监督分类 ISODATA聚类算法 “合并”操作： 当聚类结果某一类中样本数太少，或两个类间的距离太近时，进行合并。 “分裂”
41、操作： 当聚类结果某一类中样本某个特征类内方差太大，将该类进行分裂。非监督分类 ISODATA聚类算法 通过设定初始参数而引入人机对话环节，并使用归并与分裂的机制 当某两类聚类中心距离小于某一阈值时，将它们合并为一类； 当某类标准差大于某一阈值或其样本数目超过某一阈值时，将其分为两类； 在某类样本数目少于某阈值时，需将其取消。K-MeansISODATA非监督分类 K-Means+算法1.从输入的数据点集合中随机选择一个点作为第一个聚类中心2.对于数据集中的每一个点x，计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)3.选择一个新的数据点作为新的聚类中心，选择的原则是：D(x)较大的点
42、，被选取作为聚类中心的概率较大4.重复2和3直到K个聚类中心被选出来5.利用这K个初始的聚类中心来运行标准的K-means算法非监督分类 K-Means+算法具体实现1.首先随机挑个点当“种子点”2.对于每个点，都计算它和最近的一个“种子点”的距离D(x)并保存在一个数组里，然后把这些距离加起来得到Sum(D(x)。3.然后，再取一个随机值，用权重的方式来取计算下一个“种子点”。这个算法的实现是，先取一个能落在Sum(D(x)中的随机值Random，然后用Random -= D(x)，直到其=0，此时的点就是下一个“种子点”。4.重复2和3直到K个聚类中心被选出来5.利用这k个初始的聚类中心来
43、运行标准的k-means算法非监督分类 Clustering by fast search and find of density peaks Science上发表的超赞聚类算法非监督分类 Clustering by fast search and find of density peaks 这一算法，是对所有坐标点，基于相互距离，提出了两个新的属性，一是局部密度i，即与该点距离在一定范围内的点的总数，二是到更高密度点的最短距离 i 。 作者提出，类簇的中心是这样的一类点：它们被很多点围绕（导致局部密度大），且与局部密度比自己大的点之间的距离也很远。ijijcdd 100if xxotherw
44、ise:minjiijijd非监督分类 Clustering by fast search and find of density peaks 有着较大的局部密度 i和很大的 i的点，被认为是类簇的中心。 局部密度较小，但是 i较大的点，是异常点。 在确定了类簇中心之后，所有其他点属于距离其最近的类簇中心所代表的类簇。非监督分类 Clustering by fast search and find of density peaks1d classifierSpectral Dimensions3 band spaceClustersSpectral Distance* a number tha
45、t allows two measurement vectors to be compared21 band (dimension) value of pixel d in band i value of pixel e in band iniiiDiiiadedeClassification Approaches Unsupervised: self organizing Supervised: training Hybrid: self organization by categories Spectral Mixture Analysis: sub-pixel variations.Cl
46、usteringMinimum Spectral Distance - unsupervisedISODATAI - iterativeS - selfO - organizingD - dataA analysisT - techniqueA - (application)?Band ABand BBand ABand B1st iteration cluster mean2nd iteration cluster mean最大似然分类贝叶斯分类器 设图像中一个光谱类别表示为： 利用后验概率 判定某一像素 x 属于哪一类别。 分类准则：最大似然分类贝叶斯分类器 贝叶斯公式 其中 分类准则：最
47、大似然分类贝叶斯分类器 分类准则： 为了计算方便，取自然对数图像配准 意义 地理坐标寻址（地理编码） 多源数据融合 方案 图像地图图像 图像图像控制点的精确对准 Sequential Similarity Detection Algorithms (SSDA) 相关定位 附近搜索 简化相关计算 计算窗口内绝对值差之和 改进：平均亮度差异很大时，计算窗内相对各自均值的差的绝对值。 错误定位时：改变搜索区域大小与窗口尺寸控制点的精确对准EO imageComposite before AlignmentIR imageComposite after AlignmentImage seamless
48、mosaic Histogram Matching正射影像（Orthophoto）正射影像（Orthophoto） 正射影像是一种经过几何纠正（比如使之拥有统一的比例尺）的航摄像片，与没有纠正过的航摄像片不同的是，人们可以使用正射影像量测实际距离，因为它是通过像片纠正后得到的地球表面的真实描述。 同传统的地形图相比，正射影像或正射影像图（DOM）具有信息量大、形象直观、易于判读等诸多优点，因而常被应用到地理信息系统(GIS)中。 Google 地球就是使用的正射影像。正射影像（Orthophoto）Gap Mask Legend Values:green = primary sceneblue
49、 = fill scene 1yellow = fill scene 2pink = fill scene 3red = no data (not filled) 456测试文字菲特123开始吧测试文字1 雷达高度计211雷达高度计 Radar altimeter is a short pulse radar used for accurate height measurements. Ocean topography Glacial ice topography Sea ice characteristics Classification and ice edge Vegetation Do
50、ppler Orbitography and Radiopositioning Integrated by SatelliteDORISGeoid（大地水准面大地水准面） The equipotential surface of the Earths gravity field which best fits, in a least squares sense, global mean sea level. 它是重力等位面，即物体沿该面运动时，它是重力等位面，即物体沿该面运动时，重力不做功（如水在这个面上是不会流动重力不做功（如水在这个面上是不会流动的）的） 是描述地球形状的一个重要物理参考面
