RSDIP3-遥感图像的统计特征

合集下载

遥感基本概念、基础及遥感图像特征

遥感基本概念、基础及遥感图像特征
传统摄影是依靠光学镜头及放置在焦平面的感光胶片来记 录物体影像。数字摄影则通过放置的焦平面的光敏元件, 经光/电转换,以数字信号来记录物体的影像。依据探测波 长的不同,又可分近紫外摄影、可见光摄影、红外摄影、 多光谱摄影等。
扫描成像:依靠探测元件和扫描镜对目标物体以瞬时
视场为单位进行的逐点、逐行取样,以得到目标物的电磁 辐射特性信息,形成一定谱段的图像。其探测波段可包括 紫外、红外、可见光和微波波段等。成像方式有光/机扫描 成像、固体自扫描成遥像感的和基本高概光念、谱基础成和遥像感光图像谱扫描三种。
新雪和陈雪的反射特性曲线 遥感的基本概念、基础和遥感图像 特征
1、遥感(Remote Sensing) ——遥感的基本概念和基础
白橡树在不同遥感生的基长本概念期、基础的和遥反感图像射特性曲线 特征
1、遥感(Remote Sensing) ——遥感的基本概念和基础
在一分钟间隔 内两次测定同 一麦田的反射 率曲线
特征
1、遥感(Remote Sensing)
——遥感的基本概念和基础
四 种 地 物 的 反 射 光 谱 特 性 曲 线
遥感的基本概念、基础和遥感图像 特征
1、遥感(Remote Sensing)
——遥感的基本概念和基础












遥感的基本概念、基础和遥感图像
线
特征
1、遥感(Remote Sensing)
Landsat系列卫星的运行特点是近圆形、近极地、与太阳
同步、可重复轨道等。目前,只有Landsat-5和Landsat-7仍
在运转工作。
遥感的基本概念、基础和遥感图像 特征

[理学]2第二章 遥感数字图像的信息特征

[理学]2第二章 遥感数字图像的信息特征

34
1、协方差与协方差矩阵
1)协方差
S 21 S
2 2 12
( X
i 1
n
i
X )(Yi Y ) n
其中S2是图像X,Y的协方差,n是每个图像的像元数;
X ,Y
是图像X,Y的平均值
2019/1/29
35
2)协方差矩阵
将N个波段图像相互之间的协方差排列在一起所组成的 数字矩阵就是协方差阵。
S
2 2 ( X X ) i i 1 n
n
S2、S是图像的方差和标准差;
X
是图像的均值。
•方差S2和标准差S描述了像元值与图像平均值的离散程度; •影像越复杂,灰度值离散程度越大; •方差和标准差是表示图像信息量大小的重要参数。
2019/1/29
29
5、反差
X c1 X max , X min

遥感图像是瞬时记录的,而地物是变化的,要选有利时机 进行观测。
2019/1/29
4
三、遥感信息地学评价的指标

1、空间分辨率 2、波谱分辨率

指传感器选择采用的波段数和波段宽度。

3、辐射分辨率:

即探测器的敏感度,指传感器对光谱信号强弱的敏感程度、
区分能力;即在接收光谱信号时能分辩的最小辐射度差; 指对2个不同辐射源的辐射量的分辨能力。
2 Sij
rij
Sii .S jj
rij-图像i与图像j的相关系数;
2 Sij -图像i与图像j的协方差;
Sii ,S jj-图像i与图像j的标准差
2019/1/29
37
2)相关矩阵

将N个波段图像相互之间的相关系数排列组成的数 字矩阵称为相关矩阵R。

遥感图像处理3_图像特征及表达

遥感图像处理3_图像特征及表达

模拟图像
模数(A/D)转换 数模(D/A)转换
数字图像

数字化方式
z
z
数字化方式可分为均匀采样、量化和非均匀采样、量 化。所谓“均匀”,指的是采样、量化为等间隔。图像 数字化一般采用均匀采样和均匀量化方式。 一般来说,采样间隔越大,所得图像像素数越少,空 间分辨率低,质量差,严重时出现像素呈块状的国际 棋盘效应;采样间隔越小,所得图像像素数越多,空 间分辨率高,图像质量好,但数据量大。
¾

数字图像处理的应用
z
数字处理图像在生物医学 、遥感 、工业 、军 事、通信、公安等领域有着广泛的应用。

生物医学:利用电磁波谱成像分析系统诊断病情。如显
微镜图像分析,DNA成像分析等;

红外光
780nm
单波段、多波段和超波段图像

黑白图像 是指图像的每个像素只能是黑或白,没有中间的过 渡,故又称为二值图像。二值图像的像素值为0或1。 例如
⎡1 0 0 ⎤ ⎥ I =⎢ 0 0 1 ⎢ ⎥ ⎢ ⎣1 1 0 ⎥ ⎦
2002-10-25 5
灰度图像 灰度图像是指每个像素由一个量化的灰度值来描述 的图像。它不包含彩色信息。

遥感数字图像的像元
像素(像元)是遥感数字图像最基本的单位,是 成像过程的采样点,也是计算机图像处理的最小 单元。像素具有空间特征和属性特征。 由于传感器从空间观测地球表面,因此每个像素 含有特定的地理位置的信息,并表征一定的面 积。对于多光谱扫描仪提供的数字图像来说,一 个像素对应的地表面积是由传感器上瞬间视场角 所决定的,瞬间视场角在地表的投影面称地面分 辨率(或空间分辨率),由于传感器种类不同, 它的瞬间视场角也不同,因此,对应的地面分辨 率是不同的。

[理学]2第二章 遥感数字图像的信息特征

[理学]2第二章 遥感数字图像的信息特征

(三)关于图像函数的说明:
因传感器所接收的电磁波在传输中要受到大气的影响,因此,最终得 到的地物辐射特性和实际的地物辐射特性还有差别,它们之间存在着 一个对应的变换关系:
g ( x, y ) T f ( x, y)
g(x,y)——图像函数(图像处理中要用到,其函数值常被称为灰度、
亮度等);
x, y —图像的空间位置坐标
—传感器电磁波工作波段的波长
t —图像的成像时间 p —电磁波的极化性质 L-( x, y )点的波谱辐射量
上式表明: 地物 的波谱辐射量 = 地物反射辐射量 + 地物发射辐射 量
注:电磁波极化是指电磁波电场强度 的取向和幅值随时间而变化的性质, 在光学中称为偏振。
2019/1/29 26
3、众数


众数是图像中出现最多的灰度值。
它是一幅图像中最大地物类型反射能量的反映,当图像中某 一地物占绝对优势时,灰度直方图往往是单峰,只有一个众 数,地物的平均反射能量主要取决于该地类的反射强度,图
像直方图呈多峰时,主要地物类型有多个。
2019/1/29
27
4、方差和标准差
2 Sij
rij
Sii .S jj
rij-图像i与图像j的相关系数;
2 Sij -图像i与图像j的协方差;
Sii ,S jj-图像i与图像j的标准差
2019/1/29
37
2)相关矩阵

将N个波段图像相互之间的相关系数排列组成的数 字矩阵称为相关矩阵R。
1 r21 R= ... rN 1
第二章 遥感数字图像的信息特征
第一节 遥感地学评价
第二节 遥感图像中的信息内容及测度 第三节 遥感图像信息特征的概貌分析

遥感影像特征的综合分析与评价

遥感影像特征的综合分析与评价

遥感影像特征的综合分析与评价一、概述遥感影像特征的综合分析与评价是遥感技术应用领域中的关键环节,它涉及到对遥感影像数据的深入解读和有效利用。

随着遥感技术的快速发展,遥感影像数据的获取和处理能力得到了显著提升,使得我们能够获取到更为丰富、细致的地球表面信息。

如何准确、高效地提取遥感影像中的特征信息,并对其进行综合分析和评价,以服务于实际应用需求,仍是当前遥感领域亟待解决的问题。

遥感影像特征的综合分析旨在通过对影像数据的定性和定量分析,揭示地球表面的空间分布规律、变化趋势以及与其他地理要素之间的关系。

这需要对遥感影像进行预处理、特征提取、分类识别等一系列操作,以获得准确、可靠的特征信息。

还需要结合地理信息系统、空间统计学等方法,对提取出的特征信息进行进一步的整合和分析,以形成对地球表面现象的全面认识。

评价遥感影像特征的准确性和有效性是确保遥感应用效果的关键。

评价过程中需要考虑多个方面,包括特征的代表性、稳定性、可解释性等。

通过对特征信息的定量评价,可以评估遥感影像在特定应用中的适用性和可靠性,为实际应用提供科学依据。

遥感影像特征的综合分析与评价是一个复杂而重要的过程,它涉及到遥感影像数据的处理、分析、评价等多个环节。

通过深入研究和探索,我们可以不断提高遥感影像特征提取和分析的准确性和效率,为地球科学研究和实际应用提供更为精准、可靠的数据支持。

1. 遥感技术的概述及其应用领域作为一种无接触的远距离探测技术,通过搭载在飞机、飞船、卫星等飞行物上的遥感器,收集地面数据资料,进而识别地面上的各类物体。

它依赖于不同物体对波谱产生不同响应的原理,获取并解析电磁波、可见光、红外线等特性,实现对目标的探测和识别。

遥感技术自20世纪60年代初以航空摄影技术为基础发展而来,随着人造地球卫星的成功发射,其应用领域得到了极大的拓展。

遥感技术的核心组成部分是遥感器,其种类繁多,包括照相机、电视摄像机、多光谱扫描仪、成像光谱仪、微波辐射计、合成孔径雷达等。

遥感数字图像的性质和特点

遥感数字图像的性质和特点
遥感数字图像的性质和特点
遥感数字图像 遥感数字图像的表示方法 航空像片的数字化
1.遥感数字图像
遥感数字图像是以数字形式表述的遥感影像。遥 感数字图像的基本单位是像素。像素是成像过程的采
样点,也是计算机图像处理的最小单元。像素具有空
间特征和属性特征。
像素的空间特征用离散的X值和Y值表示。
像素的属性特征用亮度值来表达,不同波段上相
同地点的亮度值可能是不同的,因为地物在不同波段
上辐射电磁波的特征不同。
2.遥感数字图像的特点
便于计算机处理与分析
图像的信息损失法
遥感数字图像用二维数组表示。在数组中,每一 个元素代表一个像素,像素的坐标位置隐含,由这个 元素在数组中的行列号决定。元素的值表示传感器探 测到像素对应地面面积上目标地物的电磁辐射强度。 采用这种方法 ,一幅(单波段)遥感数字图像可 表示成 F=f(xi,yj),i=1,2,3,…,m,j=1,2,3,…,n. 其中,i代表行号; j代表列号; f(xi,yj)值代表像素在(xi,yj)上目标的物的 电磁辐射值.
4.遥感数字图像的分类
遥感数字图像按灰度值可分为二维数字图像 和多维数字图像两个类型。 遥感数字图像按波段量可分为单波段、彩色 或多波段数字图像。 单波段数字图像:在某一波段范围内工作 的传感器获得图像。 彩色数字图像:由红绿蓝三个数字层构成 的图像。 多波段数字图像:利用多波段传感器对同 一地区,同一时间获得的不同波段范围的图 像。

遥感数字图像处理教程遥感数字图像的表示和统计描述

遥感数字图像处理教程遥感数字图像的表示和统计描述
–统计方法 –结构方法
可描述纹理的主要性质
–粗细度 –方向性 –对比度
纹理特征描述
• 统计方法
–傅里叶变换的功率谱 –正交变换谱 –自相关函数 –灰度级同构矩阵 –灰度级差分 –纹理模板
• 结构方法
力图通过找到纹理基元,以基元的特征和其排列规则作为纹理描述的特征 进行纹理分割,只适用于规则性较强的人工纹理,遥感图像处理中受限。
2. 反映像素值变化信息的统计参数 方差----像素值与平均值差异的平方和,
反映像素值的离散程度。
2 M 1NiM 0 1jN 0 1fi,jf2
方差是衡量图像信息量大小的重要度量。
变差----像素最大值与最小值的差。反映图 像灰度值的变化程度
反差----又称为对比度,反映图像的显示效 果和可分辨率,表示方法多种。
在空间域,滤波即为卷积运算
3.6 纹理
通常被定义为图像的某种局部性质,或是 对局部区域中像素之间关系的一种度量。 纹理是由纹理基元按某种确定性的规律或 只是按某种统计规律重复排列组成的。
纹理作为自然或人工地物表面的一种基本特征,是人们描 述和区分不同地形形态的重要依据之一。
人们常用纹理特征区分不同的地形形态: “低丘大多平滑而不破碎、表面呈凸形,高丘纹理则高度破碎” “人工地物中的道路、居民地等具有较为规则的纹理,而自然地物则
最 小 值
直 方 图 的 绘 制
最 大 值
数字影像 直方图
对于数字图像而言,实际就是图像灰 度值概率密度函数的离散化图形。
灰度图像的直方图
彩色图像的分波段直方图
2. 性质
只能反映图像的灰度分布规律,而不能反映 图像像素的位置,即丢失了像素的位置信息
任何一幅特定的图像都有唯一的直方图与之 对应,但不同图像可以有相同的直方图。

第二章遥感图像模型及图像特征

第二章遥感图像模型及图像特征

空间分辨率
• 影像分辨率 • 地面分辨率
Geometric Resolution (Spatial)
4 meter ground sample distance
1 meter ground sample distance
Spatial Resolution
Generalቤተ መጻሕፍቲ ባይዱrule of thumb: the spatial resolution should be less than half of the size of the smallest object of interest.
2003年10月
多极化影像
遥感图像模型的特点
• 图像函数的连续性 • 函数定义域的限定性 • 图像函数值的的限定性 • 图像函数值物理意义的明确性
遥感图像的数字化
• 采样:按照一定的空间网格对连续图像进
行空间坐标的数字化 • 量化:对采样点的辐射值进行数字化
• 均匀数字化 • 非均匀数字化
遥感图像的采样
多光谱应用
通过明显特征来定位、区分和识别表面特征; 探测植被、农作物或树木的压力; 描绘和测量自然生活环境和生态系统的变化; 通过它们的成分和合成来区别表面岩石和土壤;
合成孔径雷达应用
获得经常被云雾覆盖或因持续黑暗引起模糊的区域的图像; 定位冰山和海冰以及绘制其他海洋表面环境图; 绘制非常精确的地形特征如断层和褶皱。
数据源的选择
存档影像: • 您正在用刚获得的新图像做变化检测分析, • 最近植被覆盖或城市发展的变化对您的项目不重要, • 您的项目重点在研究地质结构或其他不随时间有一丝变化的物理 特征, • 您急切地需要一幅图像,不能为预定的卫星经过您的工程区域而 等几天, • 过去一个月发生的土地覆盖变化不影响您的项目。 新的影像: • 绘制任何类型的城市地图,在道路位置、高速公路、城市发展和 土地利用变化的方面需要最新信息, • 更新扫描的或数字化的地图, • 在变化分析中和演变趋势项目中,和存档图像比较, • 监控农作物或森林的健康状况。

第三章-遥感成像原理与遥感图像特征

第三章-遥感成像原理与遥感图像特征

扫描原理:以MSS为例
扫描原理:以MSS为例
0.5~0.6μm 0.6~0.7μm 扫描方 向 0.7~0.8μm 0.8~1.1μm
1 2 3 4 5 6
卫 星 10.4~12.6μm 前 进 方 向
成像 板
光/机扫描图像的几何特征
取决于光/机扫描的瞬时视场角和总视场角。

瞬时视场角(2θ):扫描镜在旋转的一瞬间, 接收到的目标物电磁辐射限制在一个很小的角 度之内,这个角度就称为瞬时视场角。 总视场角/总扫描角(2Φ):从遥感平台到地 面扫描带外侧所构成的夹角。 总视场L:扫描带的地面宽度。L=2HtgΦ
第三章 遥感传感器及其成像原理
一、遥感图像特征 二、遥感传感器 三、遥感数据的选购(视时间)
一、遥感图像特征
1
2
3
几何特征 物理特征 时间特征
这三方面特征的表现参数为: 空间分辨率
光谱分辨率
辐射分辨率 时间分辨率
一、遥感图像特征
1)空间分辨率(地面分辨率)


空间分辨率,也称地面分辨率,它们均反映对两个非常靠 近的目标物的识别、区分能力。 空间分辨率:是针对遥感器或图像而言的,指图像上能够 详细区分的最小单元的尺寸或大小,或指遥感器区分两个 目标的最小角度或线性距离的度量。 地面分辨率:是针对地面而言,是指可以识别的最小地面 距离或最小目标物的大小。
一、遥感图像特征
例3:Landsat-MSS多光谱扫描仪,每个探测器的瞬时视场为86μrad, 卫星高度为915km,因此每个像元的地面分辨率为79m×79m,每个波 段由6个相同大小的探测单元与飞行方向平等排列,这样在瞬间看到的 地面大小为474m×79m,又由于扫描总视场为11.56°,对应地面宽度 为185km,因此扫描一次每个波段获取6条扫描线图像,其地面范围为 474m× 185km,又因扫描周期为73.42ms,卫星速度(地速)为 6.5km/s,在扫描一次的时间里卫星正好向前移动474m,因此扫描线正 0.5~0.6μm 好衔接。

第2章 遥感图像的信息特征详述

第2章 遥感图像的信息特征详述

组来描述
i0,0
I
I[m, n]
i1,0
iM 1,0
i0,1 i1,1
iM 1,1
i0,N 1
i1,N 1
iM 1,N 1
平面图像可以用二维亮度函数来表示,光 照位置和光照强度均为连续变化的
Image f (x, y, z, ,t)
✓其中,I是光密度,x,y,z是空间坐标,λ是波长,t是时 间
将空间上连续的图像变换成离散点的操作称为采样 采样间隔和采样孔径的大小是两个很重要的参数 经采样,图像被分割成空间上离散的像元,但其灰
度是连续的
有缝、无缝和重迭
不同形状的采样孔径
采样间隔越大,所得 图像像元数越少,空 间分辨率低,质量差, 严重时出现像元呈块 状的国际棋盘效应
采样间隔越小,所得 图像像元数越多,空 间分辨率高,图像质 量好,但数据量大
模数变换是将连续变化的模拟量转换为离散数字点 集的过程
自然景观
模拟图像
数字图像
具体来说,就是把一幅将模拟图像经过采样和量化, 以二维的数字阵列记录其能量分布,即为数字图像
图像分割成一个个小区域(像元或像素),并将各 小区域灰度用整数来表示,形成一幅点阵式的数字 图像
模拟图像
数字图像 正方形点阵
✓线阵CCD多波段成像的SPOT/HRV数据 ✓线阵或面阵CCD多波段成像的多种成像光谱仪数据等
➢ 数字图像也可以是各种模拟图像经数字化过程变 换而成的数字图像
数字图像最基本的单位是像元,像元的属性特征常用 灰度值来表示,即该像元位置上亮暗程度的整数值
像素或像元的属性:空间位置和灰度。可用矩阵或数
数字化器必须能够将图像划分为若干像元并分 别给它们地址,能够度量每一像元的灰度并量 化为整数,能够将这些整数写入存储设备

遥感成像原理和遥感成像特征

遥感成像原理和遥感成像特征
主要产品:CCT磁带、胶带、像片
02.
中巴资源卫星CBERS
发射的高精度卫星,是世界上第一颗商用1m分辨率遥感卫星。
4m分辨率 多光谱 波长范围同landsatTM
1m分辨率 全色 波长范围
IKONOS
主要用于云移,云顶高度,云分布,海洋表面温度,对流层上部水蒸气分布以及辐射平衡方面的测定和研究。
S
A
B
C
a
b
c
S
A
B
C
a
b
c
S
A
B
C
a
b
c

直线
曲线

1、中心投影(成像特征)
投影距离的影响
投影面倾斜的影响
地形起伏的影响
1、中心投影(与垂直投影的区别)
1
定义:像片上两点之间的距离与地面上相应两点实际距离之比。1/m = ab/AB
2
类型:主比例尺:表示像片大概的比例尺,一般用于平坦地区的水平像片,由航测部门提供。(1/m = F/H)
缝隙摄影机
S
H
V
又称扫描摄影机或摇头摄影机。
01
02
03
在物镜焦平面上平行于飞行方向设置一狭缝,并随物镜作垂直于航线方向扫描,得到一幅扫描成的图像。
在摄影瞬间得到的是地面上平行于航线的一条很窄的影像。
全景摄影机
对同一地区,在同一瞬间摄取多个波段影像的摄影机,是充分利用地物在不同光谱区有不同的反射来增多获取目标的信息量,以便提高影像的判读和识别能力。
1
2
2、影像的形成过程
航空摄影的成像过程与一般照相是相同的,地物原型的反射光谱强度是不同的,使得感光材料的感光程度不同,形成了不同密度、不同颜色的航片模型。

常见的遥感扫描影像类型与主要特点

常见的遥感扫描影像类型与主要特点

常见的遥感扫描影像类型与主要特点MSS影像MSS影像为多光谱扫描仪(MultiSpectral Scanner)获取的影像,它具有四个波段,两个波段为可见光波段,两个波段为近红外波段,第一颗至第三颗地球卫星(Landset)上,反束光导管(RBV)摄像机获取的三个波段摄影像片分别称为第1、2、3波段,多光谱扫描仪获取的扫描影像按顺序分别被命名为4、5、6、7波段,此外,第三颗地球卫星(Landset)上还提供热红外波段影像,这个波段被称为第8波段,热红外波段使用不久,就因仪器操作上的问题而关闭了,因此,Landset提供的热红外波段影像并不多。

第4、5颗地球卫星上多光谱扫描仪获取的四个波段扫描影像重新被分别命名为1、2、3、4波段。

在MSS影像中,灰度又按照一定的区间归并为16级灰阶,同时每幅遥感影像下部也曝光产生一个灰阶尺,灰阶尺由白-灰白-淡灰...浅灰-灰-暗灰...浅黑-黑等多个灰阶组成。

像元的亮度值为0时,影像上像元的灰阶为黑色,像元的亮度值为63时,影像上像元灰阶为白色,像元值从0向63增加时,其灰阶也按照一定分级规则由黑转白。

由于影像复制时像元灰阶与灰度尺受到同样因素的影响,这样解译者可以利用灰度尺来衡量像元的灰阶。

MSS各个波段的应用范围MSS第4波段为绿色波段,对水体有一定透射能力,在清洁的水体中透射深度可达10-20米,可以判读浅水地形和近海海水泥沙。

由于植被波谱在绿色波段有一个次反射峰,可以探测健康植被在绿色波段的反射率。

第5波段为红色波段,该波段可反映河口区海水团涌入淡水的情况,对海水中的泥沙流、河流中的悬浮物质与河水浑浊度有明显反映,可区分沼泽地和沙地,可以利用植物绿色素吸收率进行植物分类。

此外该波段可用于城市研究,对道路、大型建筑工地、砂砾场和采矿区反映明显,在红色波段各类岩石反射更容易穿过大气层为传感器接收,也可用于地质研究。

第6波段为近红外波段,植被在此波段有强烈反射峰,可区分健康与病虫害植被,水体在此波段上具有强烈吸收作用,水体呈暗黑色,含水量大的土壤为深色调,含水量少的土壤色调较浅,水体与湿地反映明显。

第三章 遥感平台与图像特征

第三章 遥感平台与图像特征
3、 红外滤光片
吸收全部的可见光,透过红外波段,用于红外黑白摄影。
(四)航空摄影种类
1、按航摄仪主光轴与铅垂线的关系分类
垂直摄影
摄影时,二者夹角<3 ,所获得的象片为水平航空象片。 象片中影像与地物保持一定的几何关系,一般情况下不会出 现地物间的遮蔽现象,有利于各种地理要素(方位、距离、面 积等)的量测和成图。
4、太阳同步
太阳同步轨道是能使卫星以同一地方时飞过成像地区上空,成像地 区在每次成像时都处于相同的太阳光照条件,便于监测地物的变化情况。 如:Landsat 每次经过北京上空时为上午10点左右。
轨道倾角
定义: 卫星轨道平面与赤道面之间的夹角。
度量:
卫星经过升交点 方 向的轨道面,顺时 针转到赤道面的夹 角。
升交点:北上
降交点:南下
太阳同步
光照角β : 卫星 轨道面至太阳至 地心连线间的夹 角。
太阳同步:光照 角不随地球绕太 阳公转而改变。
光照角变化对遥感其观测 地面时的太阳光照角度有 关,必须进行……
在航摄仪内部,利用分光镜与反射镜,使进入单镜头的 光束通过分光镜分出四个波段的色光。每个波段对应一个摄 影箱。摄像时,在感光片上成像并曝光,最后得到同一地物 四组不同波段的影像。
由于光束在分离过程中有一部分能量被损失,而且在不 同波段的损耗量不等,所以这种摄影仪取得的多光谱像片的 影像质量会受到不同程度的影响。
(二)感光片
感光片俗称胶片或胶卷。摄影用的胶片根据其感光特性可分 为黑白胶片、彩色胶片和彩色红外胶片。
1、黑白胶片
全色胶片:感光范围0.4~0.7μm 地物在黑白胶片上影像的密度与
全色红外胶片:
0.4~0.8μm 其反射太阳的能力大小成正比

遥感图像的格式和分类

遥感图像的格式和分类

遥感图像的分类和格式目录一遥感图像的分类 (1)1.监督分类的主要方法 (1)2.非监督分类的主要方法 (2)二遥感图像的格式 (3)1 TIFF图像格式 (3)2 GeoTIFF图像格式 (3)三结语 (4)一遥感图像的分类遥感图像分类是图像分析的一个重要内容,它是利用计算机通过对图像中不同地物的空间信息和光谱信息进行分析,选择特征,并将特征空间划分为互不重叠的子空间,然后将图像中各个像元划归到子空间去.目前国内国际上对图像分类的研究主要集中在应用具体的物理的、数学的方法等对图像进行的分类研究方面[1 - 8 ] ,对于图像分类方法的研究,从不同的方面可以划分为不同的类型. 按照利用图像要素的不同,图像分类大体可以分为三种:一是基于图像灰度值的分类,二是基于图像纹理的分类,三是基于多源信息融合的分类[9 ] . 用计算机对图像进行分类应用的主要是模式识别技术,根据具体应用的数学方法不同又可分为:统计法(决策分类法) 、语言结构法(句法方法) 、模糊法以及神经网络法. 在图像分类过程中,根据是否已知训练样本的分类数据,图像分类方法又可以分为监督分类和非监督分类. 本文主要从分类原理、分类过程、分类方法等方面来探讨这两种分类方法的区别与联系.1.监督分类的主要方法最大似然判别法. 也称为贝叶斯(Bayes) 分类,是基于图像统计的监督分类法,也是典型的和应用最广的监督分类方法. 它建立在Bayes 准则的基础上,偏重于集群分布的统计特性,分类原理是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的,做出样本的概率密度等值线,确定分类,然后通过计算标本(像元) 属于各组(类) 的概率,将标本归属于概率最大的一组. 用最大似然法分类,具体分为三步:首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描图像各像元,将像元特征向量代入判别函数,求出其属于各类的概率,将待判断像元归属于最大判别函数值的一组. Bayes 判别分类是建立在Bayes 决策规则基础上的模式识别,它的分类错误最小精度最高,是一种最好的分类方法.但是传统的人工采样方法由于工作量大,效率低,加上人为误差的干扰,使得分类结果的精度较差. 利用GIS数据来辅助Bayes 分类,可以提高分类精度,再通过建立知识库,以知识来指导分类的进行,可以减少分类错误的发生[1 ] ,这正是Bayes 分类的发展趋势和提高其分类精度的有效途径.神经元网络分类法. 是最近发展起来的一种具有人工智能的分类方法,包括BP 神经网络、Kohonen 神经网络、径向基神经网络、模糊神经网络、小波神经网络等各种神经网络分类法.BP 神经网络模型(前馈网络模型) 是神经网络的重要模型之一,也是目前应用最广的神经网络模型,它由输入层、隐含层、输出层三部分组成,所采取的学习过程由正向传播过程和反向传播过程组成. 传统的BP 网络模型把一组样本的输入/ 输出问题作为一个非线性优化问题,它虽然比一般统计方法要好,但是却存在学习速度慢,不易收敛,效率不高等缺点. 采用动量法和学习率自适应调整的策略,可以提高学习效率并增加算法的可靠性[3 ] .模糊分类法. 由于现实世界中众多的自然或半自然现象很难明确划分种类,反映在遥感图像上,也存在一些混合像素问题,并有大量的同谱异物或者同物异谱现象发生,使得像元的类别难以明确确定. 模糊分类方法忽略了监督分类的训练过程所存在的模糊性,沿用传统的方法,假定训练样本由一组可明确定义、归类,并且具有代表性的目标(像素) 构成. 监督分类中的模糊分类可以利用神经元网络所具有的良好学习归纳机制、抗差能力和易于扩展成为动态系统等特点,设计一个基于神经元网络技术的模糊分类法来实现. 模糊神经网络模型由ART 发展到ARTMAP 再到FasART、简化的FasART 模型[4 ] ,使得模糊神经网络的监督分类功能不断完善、分类精确度不断增加.最小距离分类法和Fisher 判别分类法. 它们都是基于图像统计的常用的监督分类法,偏重于几何位置.最小距离分类法的原则是各像元点划归到距离它最近距离的类别中心所在的类, Fisher 判别分类采用Fisher 准则即“组间最大距离”的原则,要求组间距离最大而组内的离散性最小,也就是组间均值差异最大而组内离差平方和最小. 用这两种分类法进行分类,其分类精度取决于对已知地物类别的了解和训练统计的精度,也与训练样本数量有关. 针对最小距离分类法受模式散布影响、分类精度不高的缺点,人们提出了一种自适应的最小距离分类法,在训练过程中,将各类样本集合自适应地分解为子集树,定义待分类点到子集树的距离作为分类依据[2 ] ,这种方法有效地提高了最小距离法的分类正确率和分类速度,效率较高. Fisher 判别分类也可以通过增加样本数量进行严密的统计分类来增加分类精度.2.非监督分类的主要方法动态聚类. 它是按某些原则选择一些代表点作为聚类的核心,然后将其余待分点按某种方法(判据准则)分到各类中去,完成初始分类,之后再重新计算各聚类中心,把各点按初始分类判据重新分到各类,完成第一次迭代. 然后修改聚类中心进行下一次迭代,对上次分类结果进行修改,如此反复直到满意为止. 动态聚类的方法是目前非监督分类中比较先进、也较为常用的方法. 典型的聚类过程包括以下几步:选定初始集群中心;用一判据准则进行分类;循环式的检查和修改;输出分类结果. 聚类的方法主要有基于最邻近规则的试探法、K- means 均值算法、迭代自组织的数据分析法( ISODATA) 等. 其中比较成熟的是K - means 和ISODATA算法,它们较之其他分类方法的优点是把分析判别的统计聚类算法和简单多光谱分类融合在一起,使聚类更准确、客观. 但这些传统的建立在统计方法之上的分类法存在着一定的缺点:很难确定初始化条件;很难确定全局最优分类中心和类别个数;很难融合地学专家知识. 基于尺度空间的分层聚类方法(SSHC) 是一种以热力学非线性动力机制为理论基础的新型聚类算法[10 ] ,它与传统聚类算法相比最大的优点是其样本空间可服从自由分布,可获取最优聚类中心点及类别,可在聚类过程中融合后验知识,有更多的灵活性和实用性.模糊聚类法. 模糊分类根据是否需要先验知识也可以分为监督分类和非监督分类. 事实上,由于遥感图像的复杂性和不精确性等特点,预先很难获得所有有代表性样本的各类别的精确含量,因此很多情况下用纯粹的监督方法作模糊分类并不现实. 模糊聚类属于非监督分类的一种,它根据样本间的统计量的相似程度作为模糊隶属度,在无预知类别的前提下对数据集中各点作含量划分. 模糊聚类算法有多种,如基于模糊等价关系的模糊聚类分析法、基于最大模糊支撑树的模糊聚类分析法等[11 ] ,最典型的模糊聚类法是模糊迭代自组织的数据分析法———Fussy - ISODATA. 但纯粹的非监督分类对图像一无所知的情况下进行所得到的结果往往与实际特征存在一定的差异,因此聚类结果的精度并不一定能够满足实际应用的要求,还需要地学知识的辅助,也就是部分监督的Fussy - ISODATA 聚类.系统聚类. 这种方法是将图像中每个像元各自看作一类,计算各类间均值的相关系数矩阵,从中选择最相关的两类进行合并形成新类,并重新计算各新类间的相关系数矩阵,再将最相关的两类合并,这样继续下去,按照逐步结合的方法进行类与类之间的合并. 直到各个新类间的相关系数小于某个给定的阈值为止.分裂法. 又称等混合距离分类法,它与系统聚类的方法相反,在开始时将所有像元看成一类,求出各变量的均值和均方差,按照一定公式计算分裂后两类的中心,再算出各像元到这两类中心的聚类,将像元归并到距离最近的那一类去,形成两个新类. 然后再对各个新类进行分类,只要有一个波段的均方差大于规定的阈值,新类就要分裂.二遥感图像的格式随着地理信息系统被广泛应用和遥感技术的日渐成熟。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

11 ρ 21
12 1 0.09 22 0.09 1
a相关系数为0、b相关系数为0.761
思考题
遥感图像的统计特征量的意义
x2 k
11 x 21
12 6.22 0.11 22 0.11 0.22
多光谱图像空间的统计特征
相关系数 Correlation coefficiency
描述影像波段间的相关程度的统计量 反映了两个波段图像所包含信息的重叠度
bi为第i波段所有象元 值组成的亮度矩阵
多光谱图像空间的统计特征
10 15 5 10 10 9 12 9 8 8 8 8 8 8 7 8
协方差 Covariance
描述影像波段间的相关性
9 10
x1 10 15 10 9 5 9 10 10 12
1 T 12 x1 m1I x2 m2 I N x i xi1 xi 2 xik
累计直方图
描述方式


图像空间的统计量
最大值、最小值、均值
指各波段中亮度值的最大值、最小值、均值
1 K mean (b) E{(b)} x k K k 1
均值35
均值23
Vmax
b1 max(b1) b 2 max(b 2) max bn max(bn)
多光谱图像空间的统计特征
协方差矩阵 Covariance Matrix
N个波段相互间的协方差排列在一起所组成的矩阵 描述象元矢量x在均值向量m附近的分布情况 描述影像波段间的相关性
Σ x E{( x m)(x m)T } 1 K (x k m)(x k m)T K k 1
图像空间的统计量
方差
指各波段亮度值的方差 反映图像信息量的大小
Vvar b1 var(b1) b 2 var(b 2) var bn var(bn)
Σ x E{( x m)(x m)T }
10 9 10 15 5 10 10 9 12
1 K (x k m)(x k m)T K k 1
x x1
9 8 8 8 8 8 8 7 8
m m1 m 2 10 8
T
x k x1k
x2
T T T
遥感数字图像 处理
第二讲
遥感图像的统 计特征
遥感图像的统计特征
图像空间
波段数、行数、列数
象元数、数据量 统计直方图
最大值、最小值、均值、方差(标准差)
多光谱空间
协方差、协方差矩阵 相关性、相关矩阵 特征值、特征矩阵
遥感图像的统计特征
图像空间的统计量
图像空m2 I N x i xi1 xi 2 xik
10 9 10 15 5 10 10 9 12 9 8 8 8 8 8 8 7 8
12
1 x1 m1I x 2 m2I T N
T
x1 10 15 10 9 5 9 10 10 12 x 2 9 8 8 8 8 7 8 8 8 N 9 m1 10 m2 8
x1 m1I 10 15 10 9 5 9 10 10 12 101 1 0 5 0 1 5 1 0 0 2
x2 m2I 1 0 0 0 0 1 0 0 0
0 1 5 0 0 0 1 0 1 5 0 9 1 1 0 0 0 0 2 0 0.11
行数m,列数n,波段数b 象元数 N = m×n
m=50
N= m×n =50×50=2500
n=50
图像空间的统计量
行数m,列数n,波段数b
数据量:亮度值个数
H=m×n×b
m=50
H= m×n×b =50×50×6=15000
n=50
图像空间的统计量
统计直方图
用来描述图像中每一灰度级与其出现频率 间的关系的图表 类型 直方图
ρij
vij vii v jj
ρ12 v12
v11v22
vij为 x中的元素
0.11 6.22 0.22 0.11/ 1.17 0.09
多光谱图像空间的统计特征
相关矩阵 Correlation Matrix
N个波段相互间的相关系数排列在一起所组成的矩阵 反映了波段间包含信息的重叠度
Var(b) E b E b

2

1 K (bk m) 2 K k 1
方差100
方差64
Stdevb Varb
遥感图像的统计特征
多光谱图像空间的 统计特征
多光谱图像空间的统计特征
均值向量m
描述象元矢量x在多光谱空间 中的平均(中心)位置
b1 E b1 m E{(b)} E b 2 E b 2 b E b 3 3
Vmin
b1 min(b1) b 2 min(b 2) min bn min(bn)
Vmean
b1 m ean (b1) (b 2) b 2 m ean m ean bn m ean ( b n )
x 2 9 8 8 8 8 7 8 8 8 N 9 m1 10 m2 8
x1 m1I 10 15 10 9 5 9 10 10 12 101 1 0 5 0 1 5 1 0 0 2
x2 m2I 1 0 0 0 0 1 0 0 0
相关文档
最新文档