第四章 遥感图像专题分类
遥感图像的分类
第1页，本讲稿共24页
一、概述
图像分类：将图像中每个像元根据其光谱信息、空间结构 信息和（或）其它专题信息，按照一定的规则或算法划分 为不同的类别。
可在由计算机自动完成。 最常用于分类的信息是光谱信息，即各波段的亮度值。另外还可
以将空间结构信息，如图像纹理密度、方向等，及其它专题信息 用于分类。这些信息的加入常可使分类的精度得到显著提高。 除考虑目标象元的特征外，还可以考虑周围象元的特征。
第7页，本讲稿共24页
训练样本分类能力的考查
地物亮度分布一般属于正态分布或对数正态分布
某类单波段亮度直方图应为单峰，方差越小分类效果越好。如出现 多峰说明有多个总体，视情况需修改训练区
不同类在单波段直方图上均值相距越大，方差越小，分类效果越好。 两类直方图有重叠，则重叠区样本难以区分
特征空间二维图中各类样本越集中，距离越远，分类效果越好
类间距一般采用相似距离：
Ds
N (Xi Yi )2 i1 SxiSyi
X i ,Yi 为两个集群的中心； Sxi , S yi 为两个集群的标准差
第21页，本讲稿共24页
取消：当某个集群的像元数少于参数“一类最小像元数”，
则这一点群被取消，其像元分散到相邻的群中。
4 、输出分类结果：两个循环间各类均值向量平均移动距离小
要分裂为两个新的集群中心（类别）：
(1,...i ,Si,...n), 及 (1,...i ,S i,...n),
第20页，本讲稿共24页
合并：把两个集群（类）合并在一起，重新计算其中心（均 值）。两种情况下进行： 两个集群之间的距离小于规定的阈值“最小群间距” 集群数超过了规定的“最大分类数”
第10页，本讲稿共24页
实验四遥感图像的监督分类和非监督分类
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
遥感图像的分类课件
理等空间信息。
区域生长法
从种子点开始，根据像素之间的 相似性（如灰度值、纹理等）进 行区域扩展，直到无法再扩展为 止。然后对每个区域进行特征提
取和分类。
随机森林
随机森林是一种集成学习算法， 通过构建多个决策树并结合它们 的预测结果来进行分类。这种方 法能够处理高维特征，并在一定
支持向量机（SVM） SVM是一种二分类模型，通过寻找最优超平面来对像素进 行分类。对于多类别分类问题，可以通过构建多个二分类 器来解决。
K最近邻（KNN） KNN算法根据像素周围K个最近邻的类别来决定该像素的 类别。这种方法考虑了空间上下文信息，通常能够取得较 好的分类效果。
基于对象的分类算法
分水岭算法
遥感图像分类的基本流程
• 流程概述：遥感图像分类的基本流程包括数据预处理、特征提取、分类器设计和分类结果评价四个主要步骤。其中，数据 预处理是对原始遥感图像进行预处理操作，如去噪、增强等，以改善图像质量和提高分类精度；特征提取是从预处理后的 图像中提取出有效的光谱、空间、纹理等特征，为后续分类器设计提供输入；分类器设计是根据提取的特征，选择合适的 算法设计分类器，实现对图像的自动分类；分类结果评价是对分类结果进行评估和分析，以验证分类方法的有效性和可行性。
城市用地分 类
遥感图像分类可用于城市用地类型的 识别与划分，为城市规划提供基础数 据。
城市扩展与变化监测
利用遥感图像分类技术对城市扩展和 变化进行监测，为城市规划和管理提 供科学依据。
遥感图像分类的研究前沿与挑战
深度学习技术应用
将深度学习技术应用于遥感图像分类， 提高分类精度和自动化程度。
遥感影像分类
八、图像分类图像分类就是基于图像像元的数据文件值，将像元归并成有限的几种类型、等级或数据集的过程。
常规图像分类主要有两种方法：非监督分类与监督分类，专家分类法是近年来发展起来的新兴遥感图像分类方法。
实习时主要学习两种常规分类法，因为专家分类法还需要学习专家系统这门课程。
（其中英文的首字母我没有大写）（一）．非监督分类完全按照象元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。
使用该方法时，原始图像的所有波段都参与分类运算，分类结果往往是各类象元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
一般要经过以下几个步骤：初始分类专题判别T分类合并T色彩确定T分类后处理T色彩重定义T 栅格矢量转换T统计分析1．初始分类获取（1）启动非监督分类点击Classifier 宀unsupervised classification 宀打开对话框（2）进行非监督分类在unsupervised classification 对话框中，进行设置：® in put raster file: germtm.img （被分类图像）® output cluster layer file name: 女口germtm_1.img （产生的分类图像，自己定义）® output sig nature set: germtm_1.sig （生成分类模板文件，自己定义）® number of classes: 10（初始分类数，即分出多少个类别）® maximum iterations : 24 （最大循环次数）® con verge nee threshold: 0.95 （循环收敛阈值）® ok （开始执行非监督初始分类）2．分类方案调整（1）叠加显示原图像与分类图像先打开germtm.img ,注意打开之前要把这畐U图的raster options 宀layers to colors设置为: red （4）, green （5）, blue （3）.然后打开germtm_1.img, 注意此时不要选择clear display 。
遥感图像处理遥感图像分类
遥感图像的分类
遥感图像的分类
一．遥感图像分类概述 二．遥感图像分类原理 三．遥感图像分类基本过程 四．遥感图像分类方法 五．遥感图像分类后处理 六．遥感图像分类精度检查 七．遥感图像分类中存在的问题
一、遥感图像分类概述
1. 分类的定义 2. 分类的意义 3. 分类的难点
四、遥感图像分类方法
利用遥感图像进行分类（classification） 是以区别图像中所含的多个目标物为目的的， 对每个像元或比较匀质的像元组给出对应其特 征的名称。在分类中注重的是各像元的灰度及 纹理等特征。分类方法主要包括以下三大类：
1. 监督分类法 2. 非监督分类法 3. 新的探索：模糊分类法、面向对象分类法等；
分类原理—特征提取
➢ 统计特征变量可以构成特征空间，多波段遥感 图像特征变量可以构成高维特征空间。
➢ 一般说来，高维特征空间数据量大，但这些信 息中仅包含少量的样本分类信息。
➢ 为了抽取这些最有效的信息，可以通过变换把 高维特征空间所表达的信息内容集中在一到几 个变量图像上。
➢ 主成分变换可以把互相存在相关性的原始多波 段遥感图像转换为相互独立的多波段新图像， 而且使原始遥感图像的绝大部分信息集中在变 换后的前几个组分构成的图像上，实现特征空 间降维和压缩的目的。
（一）监督分类
➢监督分类法：选择具有代表已知地面覆盖类型 的训练样本区，用训练样本区中已知地面各类 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（如均值、方 差、判别域等），并以此对未知地区的像元进 行分类处理，分别归入到已知具有最大相似度 的类别中。
➢监督分类主要包括：最小距离分类法、最近邻 分类法、多级切割分类法、最大似然比分类法 等；
《遥感图像分类》课件
将原始特征进行变换，生成新的特征，以更好地 反映地物类别之间的差异。
分类器设计
监督分类
利用已知样本的训练集设计分类器，对未知样本进行分类。
非监督分类
对未知样本进行聚类分析，将相似的样本归为同一类。
混合分类
结合监督分类和非监督分类的优势，提高分类精度和稳定性。
分类结果评价
精度评价
通过比较分类结果与实际地物类别， 计算分类精度、混淆矩阵等指标。
THANKS
感谢观看
分类器。
多源遥感数据融合问题
多源遥感数据融合可以提高分类精度和可靠性，但同时也带 来了数据匹配、融合算法选择等问题。
解决多源遥感数据融合问题的策略包括使用先进的融合算法 ，如基于深度学习的融合方法，以及优化数据匹配方法。
遥感图像分类技术的发展趋势
01
遥感图像分类技术正朝着高精度、高效率和自动化的方向发展 。
可靠性评价
评估分类结果的稳定性、可靠性以及 抗干扰能力。
应用价值评价
根据分类结果在实际应用中的价值， 如土地利用、资源调查、环境监测等
，对分类方法进行综合评价。
04
CATALOGUE
遥感图像分类的挑战与展望
数据质量问题
遥感图像常常受到噪声、失真和 模糊等影响，导致数据质量下降
。
数据质量问题还表现在不同传感 器获取的图像之间的差异，以及 不同时间获取的图像之间的变化
遥感图像分类的应用
遥感图像分类在多个领域有广泛应用，如环境保护、城市规划、资源调查、军事 侦察等。
通过遥感图像分类，可以快速获取大范围的地物信息，为相关领域的决策提供科 学依据。
02
CATALOGUE
遥感图像分类的方法
遥感图像分类
类别=5；光谱 混淆？
类别=10
பைடு நூலகம்
遥感图象分类
基本原理 同类地物在相同条件下（光照、地形等）应该 具有相同或相似的光谱信息和空间特征信息。不同 类地物之间具有差异。根据这种差异，将图像中的 所有像素按其性质分为若干个类别（class）的过程， 称为图像的分类.
光谱特征
空间特征
遥感图象光谱特征 1. 不同地物在同一波段上的亮度互不相同； 2. 不同地物在不同波段上的亮度规律不同； 3. 同物异谱； 4. 异物同谱；
光谱特征向量
X [ x1, x2,, xn ]
T
地物与光谱特征空间的关系
感图像分类算法的核心是确定判别函数fAB(x)和 相应的判别准则。
K_均值算法(K-Mean)算法
原理: 通过迭代,移动各个基准类别的中心,直至得到最 好的聚类结果为止。
K均 值 法 分 类 过 程
具体算法步骤如下：
遥感影像分类
4.目视判读的方法
• 目视判读的方法：
直接判读法：依据判读标志，直接识别地物属性。
对比分析法：与该地区已知的资料对比，或与实 地对比而识别地物属性；或通过对遥感图像不同 波段、不同时相的对比分析，识别地物的性质和 发展变化规律。
逻辑推理法：根据地学规律，分析地物之间的内 在必然分布规律，由某种地物推断出另一种地物 的存在及属性。如由植被类型可推断出土壤的类 型，根据建筑密度可判断人口规模等。
纹理：通过色调或颜色变化表现的细纹或细小的图案。这种细纹或细 小的图案在某一确定的图像区域中以一定的规律重复出现。可揭示地 物的细部结构或内部细小的物体。
图型：是目标地物以一定规律排列而成的图型结构。揭示了不同地物 间的内在联系。
位置：指目标地物在空间分布的地点。
间接解译标志
指能够间接反映和表现地物信息的遥感图像 的各种特征，借助它可推断与某地物属性 相关的其他现象。
2）先整体后局部：先整体观察，综合分析目标地物 阴影:目标地物与背景之间的辐射差异造成阴影
色：指目标地物在遥感影像上的颜色，包括色调、颜色和阴影。
与周围环境的关系。 目视解译：指专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息的过程
微波影像中的分辨率是由成像雷达的斜距分辨率和方位向分辨率决定的，它们分别由脉冲的延迟时间和波束宽度来控制的。 （2）微波影像的判读方
✓ 其他遥感影象:
•
2、遥感扫描影像特征与解译方法
遥感扫描影像特征
1）宏观综合概括性强：空间分辨率越低，对地 面景观概括性越强，对景物细节的表现力越差。
2）信息量丰富：遥感扫描影像采用多波段记 录地物的电磁波信息，每个波段都提供了丰富的 信息。
3）动态观测：资源卫星进入太空，就一刻不 停地绕地球运转，以一定周期重复扫描地球表面， 并及时向地面发送最新所获扫描影像
遥感图像分类
这种分类法在盒子重叠区域 有错分现象，错分与比较盒 子的先后次序有关
最大似然分类法
最大似然分类法
地物类数据在特征空间中构成特定的点群 每一类的每一维数据都在自己的数轴上为正态分
布，该类的多维数据就构成了一个多维正态分布 各类的多维正态分布模型各有其分布特征 利用各类的已知数据（训练区），求出均值、方
聚类过程
一般的聚类算法是先选择若干个点作为聚 类的中心
每一中心代表一个类别，按照某种相似性 度量方法（如最小距离方法）将各点归于 各聚类中心所代表的类别，形成初始分类
然后由聚类准则判断初始分类是否合理， 如果不合理就修改分类，如此反复迭代运 算，直到合理为止
聚类过程
A. 按照某个原则选择一些初始聚类中心 B. 计算像元与初始类别中心的距离，把像素分配
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（将相似度大的像元归为一类） 的方法
根据图像数据本身的统计特征及点群 的分布情况，从纯统计学的角度对图 像数据进行类别划分
聚类
利用事先定义的参数确定特征空间中类别的 位置，然后确定单个像元是否属于某个类别
植被 老城区 耕地 水 新城区
将样本数据在特征空间进行聚类
建立类别的判别函数
绿
255
植
新城区
老城区
被
• •
水
•
耕地
•
0
•
255 红
255 蓝
主要的监督分类方法
距离判别函数和距离判别规则
◦ 最小距离分类法 ◦ 最近邻分类算法 ◦ 平行六面体分类法
遥感图像分类
实验四遥感图像分类一、背景知识图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。
常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。
非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。
使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。
监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。
在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。
对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。
监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。
由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。
二、实验目的理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。
能够针对不同情况，区别使用监督分类、非监督分类。
理解计算机分类的常用算法实现过程。
熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。
遥感数字图像处理：遥感图像的分类
四、分类基本过程
7.结果输出：
对于达到精度要求的分类图像，根据需要和用途，设置投影、比例 尺、图例等制作专题图。
五、遥感图像分类方法
利用遥感图像进行分类（classification） 是以区别图像中所含的多个目标物为目的的， 对每个像元或比较匀质的像元组给出对应其特 征的名称。在分类中注重的是各像元的灰度及 纹理等特征。分类方法主要包括以下三大类：
差异 2. 可靠性：同类对象其特征值比较相近。 3. 独立性：所用的各特征之间应彼此互不
相关。 4. 数量少：分类的复杂程度随特征个数的
增加迅速增长。
三、分类方法
• 根据是否需要已知类别及其训练样本，对 分类器进行训练和监督，可分为：监督分 类和非监督分类。
• 根据所使用的方法分为：随机统计方法和 模糊数学方法。
➢ 距离: 特征空间中象元数据和分类类别特征的相似程
度。距离最小即相似程度最大。 ➢ 度量特征空间中的距离经常采用以下几种算法:
绝对值距离
欧氏距离
绝对距离和欧氏距离中，各特征参数等权出现，也称为等混和距离
分类原理—相似度判断
➢马➢ 马氏氏距距离离（M（ahMaalhaanloabniosb，is既，考既虑考离虑散离度散，度也，考也虑 各轴考间虑的各总轴体间分的布总相体关分) 布相关)
1. 监督分类法 2. 非监督分类法 3. 新的探索：模糊分类法、面向对象分类法等；
（一）监督分类
➢监督分类法：选择具有代表已知地面覆盖类型 的训练样本区，用训练样本区中已知地面各类 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（如均值、方 差、判别域等），并以此对未知地区的像元进 行分类处理，分别归入到已知具有最大相似度 的类别中。
遥感图像分类
遥感图像分类遥感图像的分类就是通过对遥感图像中地物的光谱信息和空间信息进行分析，选择特征，将图像中每个象元按照某种规则或算法划分为不同的类别，然后获得遥感图像与实际地物的对应信息，从而实现遥感图像的分类。
一般的分类方法可分为两类：监督分类和非监督分类。
将多源数据应用于图像分类中，发展成基于专家知识的决策树分类。
一、监督分类监督分类（supervised）,又称训练分类法，即用被确认的样本象元去识别其他未知象元的过程。
已经被确认类别的样本象元是指那些位于训练区的象元。
在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个象元和训练样本作比较，按照不同规则将其划分到其最相似的样本类。
监督分类的算法主要有：平行算法、最小距离法、最大似然法等。
这里采用最大似然法作为监督分类的算法。
原理：最大似然法假设遥感图像的每个波段数据都是正态分布。
其基本思想是：地物类数据在空间中构成特定的点群；每一类的每一维数据都在自己的数轴上成正态分布，该类的多维数据就构成了一个多维正态分布；各类多维正态分布模型各有其分布特征。
根据各类已有的数据，可以构造出各类的多维正态分布模型，在此基础上，对于任何一个像素，可反过来求出它属于各类的概率，取最大概率对应的类为分类结果。
步奏：第一步：分析图像①打开图像，将图像以5、4、3波段合成RGB显示在#1中。
②通过目视分析，可以定义6类样本：水体、建筑、耕地、草地、荒地、其他。
第二步：选择训练样本①在主图像窗口选择Overlay-----Region of Interest，打开ROI Tool对话框。
②在ROI Tool对话框中设置相关样本的名称、颜色等。
③选择ROI_Type—Polygon，在window中选择image，在图像上绘制训练区。
④重复②、③步奏，最终完成以下结果：第三步：评价训练样本①在ROI Tool对话框中，选择Options——Compute ROI Separability，打开目标图像。
遥感图像类型与特
成像遥感器的时间分辨率
多源遥感图像的时相分辨率
成像的季节、时间
§4.2 光学摄影像片特性
光学摄影像片是指通过航空/航天摄影所获取的影像像片。
根据摄影方式遥感器的结构和成像方式，可将光学摄影像片分为三种主要类型：
帧幅式
条幅式
全景式
帧幅式
航空像片的类型
学习重点与难点 遥感图像的类型 遥感图像的基本属性 各种类型遥感图像的特性 △ 各种遥感图像的空间特性、波谱特性
1.影像
影像——地物的电磁辐射信息经成像系统处理后产生的与原物相似的形象。 影像的特点：点对点地表示地物目标。
4.1 遥感图像类型及基本属性
基本概念
遥感影像 遥感影像——遥感器对地表（目标物）通过摄影或扫描而获取的影像。 遥感图像 遥感图像——遥感影像经过处理或再编码后产生的与原物相似的形象。 遥感影像根据成像方式划分： 光学摄影成像—— 像片（连续） 数字扫描成像—— 图像（离散）
黑白红外像片（近红外）
彩色红外像片（部分可见光、近红外）
紫外像片 （紫外）
多波段像片 （紫外—近红外）
全景像片 （可见光—近红外）
红外扫描图像 （中、热、远红外）
多波段扫描图像 （紫外—远红外）
超多波段扫描图像（可见光—远红外）
固体自扫描图像 （可见光—近红外）
中心投影
像点位移的规律：
δ
δh ∝r
h
δh ∝±△h
r
单击此处添加正文。
/
单击此处添加正文。
光机扫描图像是由采用分立式多元探测器阵列的光机扫描遥感器，用光学机械扫描的方式进行对地覆盖，在运动状态下获取的多波段遥感图像。
4.3 光机扫描图像特性
遥感图像专题分类(ppt 46页)
x A1 B1 C1 D
图像类别
y
z
A2
A3
B2
B3
C2
C3
E
F
行和 A B C N
图像 类别
x y z 列和
x A1 B1 C1 D
检验数据
y
z
A2
A3
B2
B3
C2
C3
E
F
行和 A B C N
第五章 遥感分类中的不确定性和 尺度问题
1. 分类精度评价—混淆矩阵
2. 后处理实测结果
分 类 结 果
第二节 非监督分类
2. Isodata 法
⑦ 计算每个类别中标准差，如果某个类别标准差大于指定参 数S，则将该类别拆分为两类，产生两个类别中心。
⑧ 计算类别中心两两之间的距离，将距离小于指定参数D的 两个类别合并，直到满足指定的允许合并的类别的对数L;
⑨ 如果迭代次数大于I，计算结束，否则转到第3步，即将每 一个像元归类到距离最近的类别中。
pc pkk / p k 1
第五章 遥感分类中的不确定性 和尺度问题
生产者精度：
p jj / p j
又称制图精度，表示实际的任意一个随机样本与分类图上
同一地点的分类结果相一致的条件概率。
第五章 遥感分类中的不确定性 和尺度问题
漏分误差： (p 2 1 + p 3 1 ++ p n 1 )/p j (pj pjj)/pj
是实际的某一类地物被错误的分到其他类别的百分比。
第五章 遥感分类中的不确定性 和尺度问题
用户精度：
pii / pi
表示从分类结果中任取一个随机样本，其所具有的类型与
地面实际类型相同的条件概率。
遥感影像分类
GPU加速算法研究
从加速原理角度，大致可分为下面三种方法 (1) 基于数据分块的多线程并行技术 该技术的主要特点是对图像数据进行分块 和线程任务分配，让每个线程负责处理其中 一个数据块，通过多线程并行工作的方式共 同完成整个遥感图像数据处理。
(2) 基于CUDA库的并行加速技术 通过调用CUDA函数库中并行处理算法 来实现遥感图像的并行处理。
12/26
ISODATA分类
ISODATA算法是在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。 基本思想：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。
20/26
机群系统
计算机机群是通过高性能的互联网络连接的一组相互独立计算 机(节点)的集合体。各节点除了可以作为单一的计算资源供用户使 用外，还可以协同工作并表现为一个集中的计算资源供并行计算任 务使用。
典型的集群系统体系结构
21/26
机群系统的优点
系统开发周期短：计算机系统大多采用商用工作站和通用LAN 网络，使主控节点管理系统相对容易上手，可靠性高。 系统总价低：构成集群的工作站或PC机都是批量生产的，价格 低廉。 节约系统资源：由于集群系统的结构比较灵活，它可以将不同 体系结构，不同性能的工作站或PC机连在一起，用户可以充分利 用现有设备，节约系统资源，提高工作效率。 系统扩展性好：机群系统大多使用通用网络，系统扩展性很强， 而且对大小不同的颗粒度并行应用都具有很好的效率。 易于升级：机群计算机在结点性能上可以同处理器发展保持同 步，降低系统升级的费用。
- 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、"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、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)。
神经网络分类技术
►神经网络用于遥感数据分类的最大优势在于它平等 神经网络用于遥感数据分类的最大优势在于它平等 地对待多源输入数据， 地对待多源输入数据，即使这些输入数据具有完全 不同的统计分布， 不同的统计分布，但由于神经网络内部各层大量的 神经元之间连接的权重是不透明的， 神经元之间连接的权重是不透明的，因此用户难以 控制。 控制。 ►影响神经网络分类的因素：神经网络结构、遥感数 影响神经网络分类的因素：神经网络结构、 影响神经网络分类的因素 据的维数、 据的维数、训练数据的多少 ►可利用Matlab等进行神经网络分类 可利用Matlab等进行神经网络分类 可利用Matlab
4.3 计算机监督分类
监督分类法：首先定义研究区的地物类别， 监督分类法：首先定义研究区的地物类别，然后从研究 区域选取代表各类别的已知样本作为训练 场地（训练区）。根据已知训练区提供的 场地（训练区）。根据已知训练区提供的 ）。 样本，在样本上选择提取特征参数（如像 样本，在样本上选择提取特征参数（ 素亮度均值、方差等），建立判别函数， 素亮度均值、方差等），建立判别函数， ），建立判别函数 据此对样本像元进行分类， 据此对样本像元进行分类，依据样本类别 的特征来识别非样本像元的归属类别。 的特征来识别非样本像元的归属类别。
3. 室内详细判读
统筹规划、分区判读， 统筹规划、分区判读， 由表及里、循序渐进， 由表及里、循序渐进， 去伪存真、静心解译。 去伪存真、静心解译。
Hale Waihona Puke 4. 野外验证与补判野外验证包括： 野外验证包括：检验专题解译中图斑的内容是否 正确;检验解译标志. 正确;检验解译标志. 疑难问题的补判： 疑难问题的补判：对室内判读中遗留的疑难问题 的再次解译。 的再次解译。
质或高度。 质或高度。
形状：目标地物在 遥感图像上呈现的外部轮廓。 遥感图像上呈现的外部轮廓。 形状： 纹理：也叫内部结构， 纹理：也叫内部结构，指遥感图像中目标地物内部色调有规则变化造成的
影像结构。 影像结构。
大小：指遥感图像上目标物的形状、面积与体积的度量。 大小：指遥感图像上目标物的形状、面积与体积的度量。 图型：目标地物有规律的排列而成的图形结构。 图型：目标地物有规律的排列而成的图形结构。 位置：指目标地物分布的地点。 位置：指目标地物分布的地点。 相关布局：多个目标地物之间的空间配置关系。 相关布局：多个目标地物之间的空间配置关系。
影像对象的分类，目前常用的方法是“监督分类” 影像对象的分类，目前常用的方法是“监督分类” 和“基于知识分类”。这里的监督分类和我们常说的监 基于知识分类” 督分类是有区别的，它分类时和样本的对比参数更多， 督分类是有区别的，它分类时和样本的对比参数更多， 不仅仅是光谱信息，还包括空间、纹理等信息。 不仅仅是光谱信息，还包括空间、纹理等信息。基于知 识分类也是根据影像对象的熟悉来设定规则进行分类。 识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都可完成面向对象的分类， 目前很多遥感软件都可完成面向对象的分类， 如ENVI的FX扩展模块、易康（Definiens）、 ENVI的FX扩展模块、易康（Definiens）、 扩展模块 ERDAS的Objective模块、PCI的 ObjeX等 ERDAS的Objective模块、PCI的Feature ObjeX等。 模块
——心理特点对遥感图像解译的影响 注意事项——心理特点对遥感图像解译的影响
♫ 同一时刻，只有一种地物是目标地物,图像 的其余部分以目标地物的背景出现,此时判 读者的注意力往往集中在目标地物上. ♫ 判读者的知识和经验对目标地物的确认有一 定的导向作用,因此,不同的解译者可能得出 不同的结论. ♫ 心理惯性对目标地物的识别有一定的影响. ♫ 观察的时效性.正确辨认目标地物,需要一个 最低限度的时间才能完成.
原 始 图 像
分 类 图 像
专 题 制 图
分类精度评价
混淆矩阵
4.4 新兴遥感分类技术 神经网络分类技术 专家系统分类技术 面向对象的分类技术
神经网络分类技术
►神经网络分类是基于人工神经网络（ANN）技术的 神经网络分类是基于人工神经网络（ANN） 遥感影像分类技术。 遥感影像分类技术。 ►神经网络是由一些简单的处理单元和节点组成的一 个内部相互关联的统一体， 个内部相互关联的统一体，该系统的功能是模仿动 物神经网络的功能。 物神经网络的功能。 ►神经网络的处理能力存在于系统内部起连接作用的 权重之间，并通过学习一系列给定的训练模式过程 权重之间， 而获得。 而获得。 ►根据环境的变化，对权值进行调整，改善系统的行 根据环境的变化，对权值进行调整， 为。
专家系统分类技术
►专家系统是利用符号知识来模拟人类专家行为的计 专家系统是利用符号知识来模拟人类专家行为的计 算机程序。 算机程序。 ►专家系统包括：用户界面，推理机、特定领域的知 专家系统包括：用户界面，推理机、 专家系统包括 识库 ►可利用Erdas、ENVI、Matlab等实现 可利用Erdas、ENVI、Matlab等实现 可利用Erdas
► 最大似然分类 ► 最小距离分类 ► 马氏距离分类 ► 平行管道分类 ► 神经网络分类方法 ► 光谱角分类 ► 二值编码分类
监督分类对训练区选择的要求
►训练区是图像上已知覆盖类型的代表样区，具有描述 训练区是图像上已知覆盖类型的代表样区， 训练区是图像上已知覆盖类型的代表样区 主要特征类型的光谱属性； 主要特征类型的光谱属性； ►训练区所包含的样本在种类上要与待分区域的类别一 训练区所包含的样本在种类上要与待分区域的类别一 致或者大于待分区域的类别。 致或者大于待分区域的类别。训练样本应在各类目标 地物面积较大的中心选取，这样才能体现代表性。 地物面积较大的中心选取，这样才能体现代表性。 ►训练样本的选取应能够提供各类足够的信息和克服各 训练样本的选取应能够提供各类足够的信息和克服各 种偶然因素的影响。 种偶然因素的影响。训练区的数目最少要满足建立判 别函数的要求。 别函数的要求。 ►样本选择要具有完整性、代表型，选择多个样区，分 样本选择要具有完整性、代表型，选择多个样区， 样本选择要具有完整性 布均匀。 布均匀。 训练区选择的精度直接影像分类结果。 ►训练区选择的精度直接影像分类结果。 训练区选择的精度直接影像分类结果
解译方法
直接判读法:使用的直接判读标志有色调、 色彩 、 大小 、 形状 、 使用的直接判读标志有色调、色彩、大小、形状、 使用的直接判读标志有色调 阴影、纹理、图案等。 阴影、纹理、图案等。 对比分析法:同类地物对比分析、 空间对比分析 、 时相动态对比 同类地物对比分析、空间对比分析、 同类地物对比分析 法。 信息复合法:利用透明专题图或透明地形图与遥感图像复合， 根 利用透明专题图或透明地形图与遥感图像复合， 利用透明专题图或透明地形图与遥感图像复合 据专题图或者地形图提供的多种辅助信息，识别遥感图像上 据专题图或者地形图提供的多种辅助信息， 目标地物的方法。 目标地物的方法。 综合推理法:综合考虑遥感图像多种解译特征， 结合生活常识 ， 综合考虑遥感图像多种解译特征，结合生活常识， 综合考虑遥感图像多种解译特征 分析、推断某种目标地物的方法。 分析、推断某种目标地物的方法。 地理相关分析法:根据地理环境中各种地理要素之间的相互依存， 根据地理环境中各种地理要素之间的相互依存， 根据地理环境中各种地理要素之间的相互依存 相互制约的关系，借助专业知识， 相互制约的关系，借助专业知识，分析推断某种地理要素性 类型、状况与分布的方法。 质、类型、状况与分布的方法。
面向对象的分类技术
面向对象分类技术集合临近像元为对象用来识别 感兴趣的光谱要素， 感兴趣的光谱要素，充分利用高分辨率的全色和多光 谱数据的空间，纹理， 谱数据的空间，纹理，和光谱信息来分割和分类的特 以高精度的分类结果或者矢量输出。 点，以高精度的分类结果或者矢量输出。 面向对象分类技术由影像对象构建和 面向对象分类技术由影像对象构建和对象 影像对象构建 的分类两部分组成。 的分类两部分组成。 两部分组成
监督分类的过程
► 分类预处理：大气校正、几何校正与配准 分类预处理：大气校正、 ► 特征选择（提取）：波段比较多的时候，可以 特征选择（提取）：波段比较多的时候， ）：波段比较多的时候 通过图像处理来提取特征 ►分类（监督分类训练区的选择） 分类（监督分类训练区的选择） 分类 ►分类后处理，包括精度评价 分类后处理， 分类后处理 ►专题图的制作 专题图的制作
解译步骤
1. 目视解译准备工作阶段
明确解译任务与要求； 明确解译任务与要求； 收集与分析有关资料； 收集与分析有关资料； 选择合适波段与恰当时相的遥感影像。 选择合适波段与恰当时相的遥感影像。
2. 初步解译与判读区的野外考察
初步解译的主要任务是掌握解译区域特点， 初步解译的主要任务是掌握解译区域特点，确立典型解 译样区，建立目视解译标志，探索解译方法， 译样区，建立目视解译标志，探索解译方法，为全面解 译奠定基础。 译奠定基础。 野外考察：填写各种地物的判读标志登记表，以作为建 野外考察：填写各种地物的判读标志登记表， 立地区性的判读标志的依据。在此基础上， 立地区性的判读标志的依据。在此基础上，制定出影像 判读的专题分类系统，建立遥感影像解译标志。 判读的专题分类系统，建立遥感影像解译标志。
影像对象构建主要使用影像分割技术， 影像对象构建主要使用影像分割技术，常用分割方 主要使用影像分割技术 法包括基于多尺度的、基于灰度的、纹理的、 法包括基于多尺度的、基于灰度的、纹理的、基于知识 的及基于分水岭的等分割算法。 的及基于分水岭的等分割算法。比较常用的就是多尺度 分割算法， 分割算法，这种方法综合遥感图像的光谱特征和形状特 征，计算图像中每个波段的光谱异质性与形状异质性的 综合特征值，然后根据各个波段所占的权重，计算图像 综合特征值，然后根据各个波段所占的权重， 所有波段的加权值， 所有波段的加权值，当分割出对象或基元的光谱和形状 综合加权值小于某个指定的阈值时，进行重复迭代运算， 综合加权值小于某个指定的阈值时，进行重复迭代运算， 直到所有分割对象的综合加权值大于指定阈值即完成图 像的多尺度分割操作。 像的多尺度分割操作。