1、1 数学地质遥感地质研究所(e-mail:)2遥感图像解译 遥感图像解译是从遥感图像上获取目标地物信息的过程。遥感图像解译分为两种：一种是，又称目视判读，或目视判译，它指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。另一种是遥感图像，又称遥感图像理解，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。3计算机解译遥感图像的计算机分类依据象素的多光谱特征,用,进行分类.而不考虑相邻象素
2、间的关系遥感图像的特征提取除利用地物的光谱特征外,还利用地物的形状特征和空间关系特征,进行-又叫句法模式识别4遥感图象分类q监督分类q非监督分类n方法n过程：包括精度分析5图象分类n计算机分类计算机分类：是通过模式识别理论，利用计算机将遥感图象遥感图象自动分成若干地物类别地物类别的方法。如土地覆盖/土地利用分类、森林类型分类、植被 类型分类、岩性分类、数据数据-信息信息 （遥感数据（遥感数据-地物信息）地物信息）6图像分类n基本原理：基本原理：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 图象分类：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7图象分类图象分
3、类图象分类过程的总目标是，将图象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。8图象分类问题（光谱分类）：同物异谱：同类地物具有不同的光谱特征 同谱异物：不同的地物可能具有相似的光谱特征。如：同一作物，生长状态不同，光谱特征有差异；不同的植被类型可能有相似的光谱特征9长满藻类并含有不同浓度悬浮物的水体水体（0-500 mg/l）的光谱曲线清水和长满藻类的水体水体的实测光谱曲线叶绿素a在 400 与500 nm间和675 nm处的强烈吸收水体光谱特征的变化：水体光谱特征的变化：同物异谱同物异谱10图像分类问题：问题：光谱类和信息类不对应n光谱类光谱类（spectral class）：基
4、于光谱特征形成的类别 如房屋的阳面和阴面光谱特征不同，不同的光谱类n信息类信息类(information class)：根据实际需要待分的类别 人为的划分.如城市类由道路、建筑物、水体、绿地等不同地物组成，不同地物光谱特征不同 砖场：烟囱（窑）、取土坑、堆砖处、房屋等11图象分类模式模式（pattern）:在多波段图象中，每个象元都具有一组对应 取值，称为象元模式特征特征（feature）：在多波段图象中，每个波段都可看作一个变量，称为特征变量波段波段：光谱波段光谱波段 其它派生波段（纹理、上下文关系、波段比等其它派生波段（纹理、上下文关系、波段比等）辅助数据辅助数据(ancillary da
5、ta)(非遥感数据，如非遥感数据，如DEM、土壤类型土壤类型)特征提取特征提取(feature extraction)：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特征选择(feature selection)：直接从原始波段数据中选择几个基本概念：几个基本概念：12图象分类分类方法：分类方法：监督分类（supervised classification）：通过选择代表各类别的已知样本（训练区）的象元光谱特征，事先取得个类别的参数，确定判别函数，从而进行分类。在监督分类中，先定义信息类，然后检验它们的光谱可分性13非监督分类(unsupervised classificat
6、ion)：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图象分类144-3-2假彩色合成图像非监督分类(聚类)结果:15个光谱类非监督分类非监督分类15 非监督分类非监督分类1.4-3-2假彩色合成图象(香港九龙);2.聚类结果(10类)16 非监督分类非监督分类3.聚类结果合并(5类);4.最终结果(类别颜色改变)17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监督分类监督分类18训练区的选择19分类结果20分类过程n分类预
7、处理：大气校正、几何校正与配准n特征选择(提取)n分类（监督分类训练区的选择）n分类后处理，包括精度评价n专题图制作21原始图象22 分类图象23最终结果：专题制图24常用的距离和有关统计量欧氏距离欧氏距离:N)xx(dN1k2jkikijN,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;绝对距离绝对距离:N1kjkikij|xx|dq/1N1kqjkikij|xx|d明斯基距离明斯基距离:欧氏距离和绝对距离可统一表示为:25常用的距离和有关统计量马氏距离马氏距离(Mahalanobis):2/1ji1Tjiij)xx()xx(d相似系数相似系
8、数:相关系数相关系数:N1k2jkN1k2ikN1kjkikijxxxxcoscn1k2jjkn1k2iikn1kjikij)xx()xx()xx(其中,为两个矢量间的夹角26非监督分类:方法最常用的方法:迭代自组织数据分析技术迭代自组织数据分析技术（ISODATA，Iteractive Self-Organizing Data Analysis Technique）在初始设定基础上，在分类过程中根据一定原则不断重新计算类别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条件,分类完毕.1.确定最初类别数和类别中心;2.计算每个像元所对应的特征矢量与各聚类中心的距离;3.选与其中心距离最近
9、的类别作为这一矢量(像元)的所属类别;4.计算新的类别均值向量;5.比较新的类别均值与原中心位置的变化,形成新的聚类中心;重复2,反 复迭代;6.如聚类中心不再变化,停止计算.27初始聚类中心开始计算距离像元归类计算类别均值均值与中心数一致？新均值代替旧中心ISODATA算法框图停止是否28原始的聚类中心第1次迭代后的类别分布聚类过程聚类过程:类别中心的变化类别中心的变化29第2次迭代后的类别分布第n次迭代后的类别分布聚类过程聚类过程:类别中心的变化类别中心的变化30监督分类n最小距离法n平行管道法n最大似然法nn人工神经网络法（ANN）31平行管道分类使用简单的分类规则进行多光谱遥感图像的分
10、类。决策线在n维光谱空间中是一个平行的管道。管道的直径根据距离平均值的标准差确定。如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。如果落在多个类中，则将这个像元划分到最后匹配的类别。落不到任何管道中，则标识为未分类像元。输入参数 Max stdev from the mean,是距离平均值多少个标准差。32 平行管道分类33最小距离法n一种相对简化了的分类方法。前提是假设图象中各类地物光谱信息呈多元正态分布。n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n通过训练样本事先确定类别数、类别中心，然后进行分类。分类的精度取决与训练样本的准确与否34 最小距离分类35
11、最大似然法n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n判别函数：gi(x)=p(wi/x)p(wi/x):后验概率 根据贝叶斯公式：gi(x)=p(wi/x)=p(x/wi)p(wi)/p(x)p(x/wi)为在p(x/wi)观测到 wi的条件概率，p(wi)为wi的先验概率，p(x)为变量x与类别无关情况下的出现概率。假设：训练区光谱特征服从正态分布 计算每个像元属于每一类的概率gi(x),找出gi(x)最大者,将该像元归为概率最大的这一类36类的概率分布计算类的概率分布计算:)MX()MX(21exp|21)/X(Pi1i
12、Ti2/1i2/Ni）（其中:P(X/i):X属于i类的概率;N为参加分类的特征数(波段数);Mi为均值向量,i为类别i的协方差矩阵in1jjiiXn1Min1jTijijii)MX)(MX(1n1ni是类i的像元数目;j为像元标号;T矩阵的转置37最大似然分类38训练区的选择q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q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。q代表性、完整性q分布：多个样区39训练区与检验区40分类精度的评价图象分类精度评价是分类过程不可或缺的组成部分分类精度的评价通常是用（图件或地面实测值）进行比较，
13、以正确的百分比来表示精度方法方法：非位置精度非位置精度：以一个简单的数值，如面积、象元数目等表示分类精度，未考虑位置因素，所获得的精度偏高位置精度位置精度：将分类的类别与其所在的空间位置进行统一检查。目前普遍采用混淆矩阵方法41分类精度的评价n混淆矩阵:用图件或某些实测值n混淆矩阵中，对角线上元素为被正确分类的样本数目，非对角线上的元素为被混分的样本数。实际类型只地表实测值或标准数据或图件上对应的抽样样本，列总数代表分类数据各类的抽样样本数目总和，行总数代表实际类型的各类抽样样本数目总和n精度:n总体精度（总体精度（overall accuracy）n用户精度用户精度(users accura
14、cy)n生产者精度生产者精度(producers accuracy)nomission errorncommission error42分类精度n混淆矩阵43分类精度n生产者精度 某类中正确分类的象元数除以参考数据中所有该类的象元数（列方向）n用户精度 某类中正确分类的象元数除以所有的被分为该类的象元数（行方向）44分类精度nKappa系数miiimimiiiiippNpppN1211)*()*(N：样本总数m:混淆矩阵中的行数pii:位于第i行和第i列的样本数量pi+:第i行的样本总数量p+i:第i列的样本总数量 45分类方法学（提高精度的策略）制约分类精度的原因n遥感数据制约n光谱：相似性
15、、时相与环境n空间分辨率n分类方法制约n单点分类（基于象元的分类）n空间、结构信息未充分利用46提高精度的策略1 1、分类前处理：、分类前处理：校正（大气、几何）变换（特征选择与提取）（PCA、NDVI）空间信息的提取（纹理）47提高精度的策略2 2、分类树与分层分类、分类树与分层分类当一次性分类出现类间混淆又难以解决时，可采取逐次分类的方法48提高精度的策略3 3、使用不同的分类方法、使用不同的分类方法监督分类与非监督分类结合：混合分类49提高精度的策略4、多种信息复合遥感信息：非遥感信息：辅助数据50提高精度的策略5、GIS技术支持下的分类改进技术支持下的分类改进q GIS与遥感数据复合分类 利用GIS将非遥感数据生成数字地学图象，并与遥感数据进行复合，然后对复合后的图象进行分类q 间接支持分类利用GIS数据对遥感图象进行分层和对分类结果作逻辑操作，可以提高分类精度q GIS数据用于图象纠正、辅助训练区和检验样本的选择51遥感图象分类遥感图象分类遥感图象分类是图象信息提取图象信息提取的一种方法
