1、遥感数字图像处理概论图像的数据格式及统计描述 BSQBIPBIL三种数据格式 统计特征参数ENVI基础遥感图像分类 监督分类 分类后处理图像分类目视判读计算机分类（解译）基于像素基于分割单元（面向对象）监督分类监督分类非监督分类非监督分类决策树分类决策树分类.(模糊集、神经网络、分层聚类、空间逐步优化)计算机分类计算机分类是对遥感图像上的地物进行属性的识别和分类，是模拟识别技术在遥感技术领域中的具体运用非监督分类：是在没有先验类别（训练场地）作为样本是在没有先验类别（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
2、归类合并（即相似度的像元归为一类）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。的方法。监督分类法：选择具有代表性的选择具有代表性的典型训练区典型训练区，用训练区，用训练区中已知地面各类地物样本的中已知地面各类地物样本的光谱特性来光谱特性来“训练训练”计算机，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。区的像元进行分类处理，分别归入到已知的类别中。1、监督分类与非监督分类方法定义2、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区训练区来获取先验的类别知识。 监督分类的关
3、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。图象预处理选择分类方法特征选择和提取选择合适的分类参数进行分类分类后处理成果输出遥感数字图像计算机分类基本过程遥感数字图像计算机分类基本过程selecting training areas, also known as selecting training areas, also known as regions of interest (regions of interest
4、 (ROIROI). ).ParallelepipedParallelepiped,(平行六边行法)Minimum DistanceMinimum Distance,(最小距离)Mahalanobis DistanceMahalanobis Distance,Maximum Likelihood, (Maximum Likelihood, (最大似然法最大似然法) )Spectral Angle MapperSpectral Angle Mapper, BinaryBinary 1、监督分类 （1）、最小距离分类法Step 2 for eachStep 2 for eachunclassifi
5、ed pixel,unclassified pixel,calculate the distance tocalculate the distance toaverage for each trainingaverage for each trainingareaarea最大似然比分类法(Maximum Likelihood) 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。监督分类 前提：已知遥感图像上样本区内地物的类别，该样本区又称为训练区训练区。 过程：（1）确定判别准则，计算判别函数训
6、练（2）将未知类别的样本值代入判别函数，判定类别。 利用已知类别样本的特征值求解判别函数的过程称为学习或训练。训练区（ROI &AOI）：抽样调查ROI类型点线面ROI选择具有代表性和光谱特征比较均一的地段，实地调查 计算机分类得到的是初步结果，一般难于达到最终目的，因此，对获取的分类结果需要再进行一些处理，才能达到最终理想的分类结果，这些过程通常称为分类后处理。ENVI 有许多 post 分类选项，包括一个规则图像分类器，计算分类统计，和混淆矩阵，clumping、筛选和合成分类，在一幅图像上将类叠置，输出类到矢量层。分类后处理的内容并无严格限定，视专业需要而定。滤波处理制图学中的“综合”（
7、概括）去掉分类图中过于孤立的类的像素，或者归并到周围相邻的较连续分布的那些类。最小连片像素数，服从“多数”原则细小图斑块，需要剔除或重新分类 Majority/minority分析 聚类处理 过滤处理Majority: 类似于卷积计算，定义一个变换核，将变化核中占主要地位（像元素最多）的像元类别代替中心像元的类别。Minority: 将变化核中占次要地位的像元类别代替中心像元的类别。聚类处理（Clumping）运用形态学算子将临近的类似区域聚类并合并，分类区域中斑点或洞的存在，缺少空间连续性。扩大操作，制定变换核进行侵蚀操作过滤处理（Sieve）分类中的孤岛问题斑点分组，判断是否同组，删除的归
8、为未分类l遥感图像分类精度分析通常把遥感图像分类精度分析通常把分类图与标准数据分类图与标准数据（true image,true image,图件或地面实测调查）进行比较，然后图件或地面实测调查）进行比较，然后用用正确分类的百分比正确分类的百分比来表示分类精度。来表示分类精度。l实际工作中，多采用实际工作中，多采用抽样方式抽样方式以部分像素或部分类以部分像素或部分类别代替整幅图像进行精度分析。别代替整幅图像进行精度分析。l分类精度分为分类精度分为“非位置精度非位置精度”和和“位置精度位置精度”。l非位置精度以一个简单的数值表示，由于未考虑位非位置精度以一个简单的数值表示，由于未考虑位置因素，类别
9、之间错分结果彼此平衡，在一定程度置因素，类别之间错分结果彼此平衡，在一定程度上抵消分类误差，分类精度偏高，早期分类的精度上抵消分类误差，分类精度偏高，早期分类的精度评价多是非位置精度评价。评价多是非位置精度评价。l位置精度分析将位置精度分析将分类的类别与其所在的空间位置进分类的类别与其所在的空间位置进行统一检查行统一检查，目前普遍采用，目前普遍采用混淆矩阵混淆矩阵的方法，即以的方法，即以kappakappa系数系数评价整个分类图的精度，逐渐发展成主评价整个分类图的精度，逐渐发展成主要的精度评价方法。要的精度评价方法。混淆矩阵（混淆矩阵（Confusion Matrix Confusion Ma
10、trix ）矩阵建立: : 由由n n行行n n列组成列组成的矩阵，的矩阵，n n代表类别数。混淆矩阵列方向（左右）表示实际代表类别数。混淆矩阵列方向（左右）表示实际类别（类别（truetrue）的第）的第1 1类到第类到第n n类，行方向（上下）代表分类类，行方向（上下）代表分类结果的第结果的第1 1类到第类到第n n类。矩阵中的元素是像素值或百分比。类。矩阵中的元素是像素值或百分比。图像类别xyz行和xAEFGyBzC列和D评价指标l运行误差（运行误差（CommissionCommission） : :又称错分误差又称错分误差，是图像上某一类地物被错分到其它地物的百分比。 (E+F)/Gl
11、用户精度（ User Accuracy ）:用户精度是指假定分类器将像元归到A类，则相应的地表真实类别是 A 的可能性。 A/Gl结果误差:又称漏分误差，是指实际的某一类被错误分到其他类的百分比。 (B+C)/Dl生产者精度（制图精度）生产者精度（制图精度）: 表示实际任意一个随机样本与分类图上同一点的分类结果相一致的条件概率。 A/D=100%-结果误差l总体精度： 正确分类样本数/总检验样本数 对角线的各元素总和是正确分类样本数lKappa系数： Kappa系数是一个测定两副图之间精度（吻合度）的指标。 分类总体精度与Kappa 的区别在于总体精度只用到了位于对角线上的像素数量， Kapp
12、a则考虑了对角线上被正确分类的像素，又考虑了不在对角线上的各种漏分和错分错误。 k分类质量0.3 type = Decision location = 1,1 expression = ndvi gt 0.3end node变量变量(Variables )(Variables )及常用表达及常用表达The variables in ENVIs decision tree classifier refer to a band of data or to a special functiona band of data or to a special function that acts on t
13、he data. variable name bx 常用变量常用变量slope - slope calculated from a DEM file aspect - aspect calculated from a DEM file ndvi - NDVI calculated from file, if the sensor type is set in the header, the bands used to calculate the NDVI are automatically found, if ENVI does not know which bands to use, it
14、will prompt you to enter the band numbers tascapn - tasseled cap transform - the subscript, n, points to which tasseled cap result to use in the expression, for example, for TM data, tascap2 will use the greenness band pcn - principal components - the subscript, n, points to which PC band to use in
15、the expression mnfn - minimum noise fraction - the subscript, n, points to which MNF band to use in the expression lpcn - local principal components - uses only the surviving pixels in the calculations lmnfn- local minimum noise fraction - uses only the surviving pixels in the calculations meann - m
16、ean for band n stdevn - standard deviation for band n minn - minimum of band n maxn - maximum of band n lmeann - local mean - mean of only the surviving pixels lstdevn - local standard deviation - standard deviation of only the surviving pixels lminn - local minimum - minimum of only the surviving p
17、ixels lmaxn - local maximum - maximum of only the surviving pixels examples of expressionsexamples of expressions(b1 gt 20) and (b2 le 45) ndvi gt 0.3 b1 gt (mean2 + 2*stdev2) (slope gt 15) and (aspect lt 90) or (aspect gt 270) 建立决策树建立决策树执行分类执行分类编辑决策树（添加、使用波段索引、编辑决策树（添加、使用波段索引、删除）删除）保存决策树（保存决策树（*.tx
18、t）基本操作实验数据一实验数据一Envidata/decisionBoulder_tm Boulder_dem数据描述L5 TMDEM准则描述准则描述类1: ndvi值大于0.3,坡度大于或等于20度类2: ndvi值大于0.3,坡度小于20度,阴坡类3: ndvi值大于0.3,坡度小于20度,阳坡类4: ndvi值小于或等于0.3,波段4的值大于等于20 类5: ndvi值小于或等于0.3,波段4的值小于20(不等于0)类6 :波段4的值等于0类7: ndvi值小于或等于0.3,波段4的值大于等于20 中波段1的值小于波段1的均值b1 lt mean1实验数据二实验数据二 北京地区数据(TM)分类原理分类原理图像分类目视判读计算机分类基于像素基于分割单元（面向对象）监督分类监督分类非监督分类非监督分类决策树分类决策树分类.(模糊集、神经网络、分层聚类、空间逐步优化)图象预处理选择分类方法特征选择和提取选择合适的分类参数进行分类分类后处理成果输出遥感数字图像计算机分类基本过程遥感数字图像计算机分类基本过程 几何校正，裁剪， 监督、非监督、决策、其他训练样区的选择分类数目，迭代次数，阈值范围提高分类精度，转换为矢量面向对象的分类方法介绍面向对象的分类方法介绍主要流程主要流程图像分割合并分块精炼分块计算属性定义要素规则分类 监督分类导出要素查看报告和统计完成
