五讲遥感影像分类
遥感影像分类方法及其比较分析
遥感影像分类方法及其比较分析遥感影像分类是一种将遥感影像中的像素划分为不同类别的过程。
它是遥感技术中最重要的应用之一，可以提供大量详细的地表信息，对于农业、林业、城市规划等领域具有广泛的应用价值。
本文将探讨几种常用的遥感影像分类方法，并对它们进行比较分析。
一、基于像素的分类方法基于像素的分类方法是最常用的遥感影像分类方法之一。
它通过对遥感影像中的每个像素进行分类，将其划分为不同的类别。
这种方法的优点是简单易懂，适用于各种类型的遥感数据。
但是，由于忽略了像素周围的空间信息，容易在复杂地物的分类中出现错误。
同时，像素的分类结果不具备连续性，不适用于一些需要连续空间分布信息的应用。
二、基于对象的分类方法相比于基于像素的分类方法，基于对象的分类方法考虑到了空间信息。
它将相邻的像素组成的对象作为分类的基本单元，通过对对象进行分类来实现遥感影像分类。
这种方法能够更好地反映地物的形状和空间分布特征，提高分类的准确性。
但是，这种方法需要进行图像分割，对图像处理的要求较高，处理速度较慢。
三、基于特征的分类方法基于特征的分类方法是一种常见的遥感影像分类方法。
它通过提取遥感影像中的各种特征，如颜色、纹理、形状等，然后将这些特征作为分类的依据进行分类。
这种方法适用于各种类型的遥感数据，具有较高的分类准确性。
然而，在特征提取过程中，如何选择合适的特征以及如何克服特征间的冗余和相关性仍然是一个挑战。
四、基于深度学习的分类方法近年来，深度学习技术在遥感影像分类中的应用越来越广泛。
深度学习通过构建多层网络，能够自动学习特征，提高分类的准确性。
它能够处理大量的数据，适用于各种类型的遥感影像分类。
然而，深度学习技术需要大量标记好的训练样本，并且对计算资源的要求较高。
综上所述，不同的遥感影像分类方法各有优缺点。
在实际应用中，应根据具体的需求和问题选择适合的方法。
如果需要考虑地物的空间信息，可以选择基于对象的分类方法；如果需要提高分类准确性，可以选择基于特征的分类方法；如果拥有足够的标记好的训练样本和计算资源，可以选择基于深度学习的分类方法。
遥感影像分类方法
遥感影像分类方法1. 引言遥感影像分类是遥感技术的重要应用之一，它通过对遥感影像中的地物进行自动识别和分类，为地理信息系统、城市规划、农业等领域提供了重要数据支持。
本文将介绍遥感影像分类的基本概念和方法，并对常用的分类算法进行详细讨论。
2. 遥感影像分类概述遥感影像分类是指将遥感图像中的每个像素点或图像区域分配到预先定义的类别中。
这些类别通常代表不同的地物类型，如建筑物、水体、森林等。
遥感影像分类可以根据不同的目标进行不同尺度和精度的划分，从而满足不同应用需求。
3. 遥感影像分类方法3.1 监督学习方法监督学习是一种常用的遥感影像分类方法，它需要使用已标记好类别的样本数据作为训练集，并通过机器学习算法来构建分类模型。
常见的监督学习算法包括支持向量机（SVM）、随机森林（Random Forest）和深度学习等。
3.1.1 支持向量机（SVM）支持向量机是一种二分类模型，它基于统计学习理论和结构风险最小化原则进行模型训练。
在遥感影像分类中，支持向量机可以通过寻找最优的超平面来实现不同类别的分离。
3.1.2 随机森林（Random Forest）随机森林是一种集成学习方法，它通过构建多个决策树并进行投票来进行分类。
在遥感影像分类中，随机森林可以通过对决策树进行训练和组合来实现高精度的分类结果。
3.1.3 深度学习深度学习是一种基于神经网络的机器学习方法，它通过多层次的神经元网络结构来提取遥感影像中的特征，并进行分类。
深度学习在遥感影像分类中具有较好的性能，并且能够自动提取特征，无需手动设计特征。
3.2 无监督学习方法无监督学习是另一种常用的遥感影像分类方法，它不需要使用已标记好类别的样本数据进行训练。
无监督学习算法通常通过对图像进行聚类来实现分类，常见的算法包括K均值聚类和谱聚类等。
3.2.1 K均值聚类K均值聚类是一种简单且高效的无监督学习算法，它将遥感影像中的像素点划分为K个不同的类别。
K均值聚类通过迭代计算每个像素点与各个类别的距离，并将其划分到距离最近的类别中。
遥感图像的种类与特性
02.
二.全景式摄影像片特性
㈠.全景像片的空间特性
投影性质与影像畸变 投影性质：全景影像沿缝隙方向的一维中心投影 影像畸变：全景畸变＋扫描位置畸变＋像移补偿畸变 全景摄影机
摄影畸变—尺度（上下比例，左）与角度（右）
比例尺
地面的连续覆盖 ⊥航迹方向--由缝隙扫描完成 ∥航迹方向--由平台运行完成
旁向重叠
航向重叠
（三）帧幅式航片的空间特性
投影性质及比例尺
投影性质——地面的中心投影
比例尺：各处影像会出现不一致。
中心投影与垂直投影的比较
两种投影方式比较，当投影面倾斜时，像片各部分的比例尺变化不同，像片各部分的位移量（径向距离）不等（倾斜误差）
二者等比例与不等比例之缩小
两种投影方式比较，当地形起伏时，物体的像点位移称为“投影误差”
航片立体观察
㈣.航空像片的波谱特性
航片以色调或色彩以及由它们组合的形态特征反映地物对可摄影波段(0.3-1.3μm）电磁波的反射特征 影像色调或色彩是地物反射波谱特性的表征，是从波谱学角度识别地物的重要解译标志。 黑白全色航片 黑白红外航片 天然彩色片 彩色红外片 多波段航片
指影像上某一线段的长度与地面上相应地物的水平距离的比值。
理想条件下：由遥感光学系统的焦距和遥感平台的航高之比确定，即f/H。 注意：受中心投影性质所限，不同于垂直投影，受地形起伏及在像幅的位置影响，图像各处比例尺可能不一致。
遥感影像均经光学系统聚焦成像，透镜的成像规律和遥感器成像方式决定了遥感图像的投影性质，不同投影性质会产生不同性质的影像几何畸变。
波谱特性（波谱分辨率辐射分辨率）
时间特性
空间特性
3.2.2 遥感图像的基本属性
㈠.波谱特性（波谱分辨率、辐射分辨率）
遥感实习五之遥感影像分类
遥感影像的分类0707070023 焦志锋实习目的和内容：初步了解非监督分类和监督分类，并能够熟练操作非监督分类和监督分类的各个步骤。
非监督分类包括：1、初始分类2、专题判断3、分类后处理4、色彩重定义5、栅格矢量转换监督分类包括：1、定义分类模板2、评价分类模板3、进行监督分类4、评价分类结果实习原理：1、利用ERDAS编辑类别颜色和名称和对比显示的操作，进行专题判断；2、利用聚类统计，过滤分析，去除分析，分类重编码等操作，进行分类后处理；3、应用AOI绘图工具和AOI扩展绘图工具获取分类模板信息的操作，进行定义分类模板；4、利用分类预警，可能性矩阵，特征对象，特征空间到图像掩膜，直方图方法，分离性分析，分类统计分析等工具进行评价分类模板的操作。
实习步骤：非监督分类：1、初始分类：打开ERDAS 软件，按照Main> Classification>Unsupervised classification步骤，打开如下对话框，且修改如下：单击ok，稍作等待。
2、专题判断：1、同时显示germtm.img和germtm_isodata.img提示:germtm.img显示方式用RGB（4,5,3）；打开第2幅图时关闭clear display2、打开属性表调整字段显示顺序提示：raster>attributes…打开上图，Edit>Column Properties…打开下图3、编辑类别颜色和名称对比显示提示：对比Utility>flicker/ Blend/ Swipe区别3、分类后处理：聚类统计提示：main>image interpreter>gis analysis>clump单击ok，稍等片刻。
过滤分析提示：main>image interpreter>gis analysis>Sieve去除分析提示：main>image interpreter>gis analysis>Eliminate分类重编码（主要针对非监督分类）提示：main>image interpreter>gis analysis>Recode4、色彩重定义：5、栅格矢量转换：提示：main>vector>raster to vector…监督分类：1、定义分类模板：2、评价分类模板：3、进行监督分类：4、评价分类结果：实习小结：1、背景状况(范围，气候，地形地貌，行政等）2. 基本数据格式（传感器，轨道，分辨率，时间，图像质量等）3. 图像处理(校正，拼接，裁剪，重采，误差)4. 分类体系（体系与标准，地形地物解译）5. 分类方法(分类模板，精度评价，分类规则)6. 分类后处理(滤波，类型改变)7. 精度评价(分类精度与误差分析)。
遥感影像知识点总结
遥感影像知识点总结遥感影像是指使用遥感技术获取的地球表面的图像，可以通过卫星、航空飞机或其他传感器设备来获取。
遥感影像广泛应用于农业、地质、城市规划、环境保护、林业等领域。
以下是关于遥感影像的知识点总结：一、遥感影像的获取方式1.卫星遥感：利用卫星搭载的遥感传感器来获取地球表面的图像，具有全球覆盖能力，能够实现大范围的观测和监测。
2.航空遥感：利用飞机搭载的遥感设备来获取地球表面的图像，通常用于对区域性地表特征的高分辨率观测和监测。
3.地面遥感：利用各种遥感仪器和设备放置在地面上进行观测和监测，通常用于小范围地表特征的获取和检测。
二、遥感影像的分类1.根据波段分为：可见光遥感影像、红外遥感影像、多光谱遥感影像、高光谱遥感影像、合成孔径雷达影像等。
2.根据分辨率分为：低分辨率遥感影像、中分辨率遥感影像、高分辨率遥感影像。
3.根据时间分为：静态遥感影像和动态遥感影像。
三、遥感影像的处理与分析1.遥感影像预处理：包括辐射校正、几何校正、大气校正等，以提高影像的质量和准确性。
2.遥感影像解译：利用专业软件对遥感影像进行目标识别和分类，从而获取地表特征相关的信息。
3.遥感影像分析：通过对影像数据进行处理和分析，揭示地表特征的时空变化规律，为相关应用提供支持。
四、遥感影像的应用领域1.农业：利用遥感影像监测农作物生长情况、土壤水分状况、病虫害等，为农业生产提供数据支持。
2.地质：利用遥感影像发现地质构造、矿产资源、地质灾害等，为地质勘查和灾害防治提供信息。
3.城市规划：利用遥感影像获取城市地貌、土地利用、城市扩张等信息，为城市规划和管理提供数据支持。
4.环境保护：利用遥感影像监测环境污染、植被覆盖、水体质量等，为环境保护和管理提供数据支持。
5.林业：利用遥感影像监测森林覆盖、植被生长情况、森林火灾等，为森林资源管理提供数据支持。
结语：遥感影像作为一种重要的地球观测手段，在多个领域都发挥了重要作用。
随着遥感技术的不断发展和应用，遥感影像也将会在更多领域发挥作用，为人类社会的可持续发展提供更多的数据支持和决策参考。
遥感影像分类与测绘制图技术介绍
遥感影像分类与测绘制图技术介绍遥感影像分类是一种将采集到的遥感影像数据按照一定的规则和方法进行分类划分的技术。
通过对遥感影像的空间信息和光谱信息进行分析和处理，可以将地表特征区分出来，达到对地物类型进行自动识别和分类的目的。
遥感影像分类不仅可以提供大规模的、广泛的地表信息，还可以为测绘制图提供重要的数据支持。
遥感影像分类的基本原理是利用遥感影像的光谱信息，对地物进行分层分类。
光谱信息是遥感影像所特有的信息，通过对遥感影像中不同波段的反射或辐射能量的分析，可以判断不同地物的光谱特征，从而实现目标的分类工作。
常见的遥感影像分类方法包括像元分类、物体分类和混合像元分类等。
像元分类是最常见的遥感影像分类方法之一，它是将每个像元按照光谱特征进行分类。
每个像元代表着一个地面上的最小单位，通过对每个像元的光谱信息进行分析和对比，可以将地表上的不同地物类型划分出来。
像元分类通常会使用一些常见的分类算法，如最大似然法、支持向量机等，以提高分类精度和准确性。
物体分类是一种更高级的遥感影像分类方法，它不仅考虑光谱信息，还结合了地物的空间信息。
物体分类是将遥感影像中的像素分组成具有空间连续性的物体，并对这些物体进行分类。
通过分析地物的形状、大小、纹理和空间分布等特征，可以更准确地进行分类划分。
物体分类通常使用一些基于目标特征和形状的算法，如分水岭算法、区域生长算法等。
混合像元分类是将像元的分类结果以及对应像元的分类概率进行综合考虑，从而得到更准确的分类结果。
混合像元分类方法通常使用贝叶斯决策理论，结合不同像元的空间信息和光谱信息进行分类。
通过选择合适的权重和分类参数，可以将遥感影像的分类结果更加精细地划分出来。
测绘制图技术是一种利用遥感影像数据进行地图制作和绘图的技术。
通过对遥感影像进行处理和分析，可以获取地物的准确位置和形状信息，进而实现地图制图的目的。
测绘制图技术通常包括影像预处理、地物提取、几何校正和地物分类等步骤。
遥感影像分类ppt课件
解译标志又称判读标志，指能够反映和表 现目标地物信息的遥感影像各种特征，这 些特征能够帮助判读者识别遥感图像上目 标地物或现象。
编辑课件
39
• 直接判读标志
• 形状：人造地物具有规则的几何外形和清晰的边界，自然地物具有不 规则的外形和规则的边界。
• 大小：不知道比例尺时，可以比较两个物体的相对大小；已知比例尺， 可直接算出地物的实际大小和分布规模。
✓ 阴影:目标地物与背景之间的辐射差异造成
阴影
编辑课件
42
编辑课件
43
2.遥感扫描影像的判读
• 1、常见遥感扫描影像的主要特点及其应用
✓ MSS影象：
✓ 不同卫星上的波段对比; ✓ MSS各波段应用范围(重点)。
✓ TM影象：
✓ TM影象与MSS影象的对比 ✓ 波段设置 ✓ 主要应用
✓ SPOT影象：
植物含水量的影响，吸收
率大增，反射率大大下降，
绿叶的反射率
特别是在水的吸收带形成
低谷。
编辑课件
11
• 植物波谱具有上述的基本特征，但仍有细 部差别，这种差别与植物种类、季节、病 虫害影响、含水量多少等有关系。为了区 分植被种类，需要对植被波谱进行研究。
编辑课件
12
9月20日玉米、大豆
• 5月20日小麦、油菜
• 本质的区别 ：电磁波在真空中也能传播 ； 机械波必须在弹性媒质中才能传播
• 两者在运动形式上都是波动。
• 基本的波动形式有两种：
横波：质点的振动方向与波的传播方向垂直。 如水波、电磁波。
纵波：质点的振动方向与波的传播方向相同。 如声波。
• 电磁波一定是横波，机械波却可以是横波
遥感影像有关知识点总结
遥感影像有关知识点总结一、遥感影像的基础知识1. 遥感影像的定义遥感影像是指通过无人载具（如卫星、飞机、无人机等）对地面进行观测和测量，获取地面信息的影像数据。
遥感影像可以分为光学遥感影像、雷达遥感影像等。
2. 遥感影像的波段遥感影像的波段是指影像中所使用的波段范围。
在光学遥感中，常见的波段包括可见光、红外线、近红外线等。
而在雷达遥感中，波段主要包括X波段、C波段、S波段等。
3. 遥感影像的分辨率遥感影像的分辨率是指影像中能够分辨的最小物体的大小。
分辨率可以分为空间分辨率、光谱分辨率和时间分辨率，其中空间分辨率最为重要，它决定了遥感影像能够显示的地面细节。
4. 遥感影像的分类根据遥感影像所使用的波段和传感器类型，遥感影像可以分为多种类型，如全色影像、多光谱影像、高光谱影像、雷达影像等。
二、遥感影像的采集和处理1. 遥感影像的获取遥感影像的获取主要通过卫星、飞机、无人机等载具进行观测和测量，然后将采集的数据进行处理，得到遥感影像。
2. 遥感影像的预处理遥感影像在获得后，需要进行预处理来提高影像质量。
预处理包括辐射校正、几何校正、大气校正等环节，以确保影像能够准确地反映地面信息。
3. 遥感影像的特征提取特征提取是指利用计算机算法从遥感影像中提取地物信息的过程。
常用的特征提取方法包括阈值分割、区域生长、边缘检测等。
4. 遥感影像的分类遥感影像的分类是指将影像中的像元根据其光谱特征和空间信息分为不同的类别。
常用的分类方法包括最大似然分类、支持向量机分类、人工神经网络分类等。
5. 遥感影像的地物识别地物识别是指对遥感影像进行解译，识别影像中的地物类型。
常见的地物识别包括植被识别、水体识别、建筑物识别等。
6. 遥感影像的信息提取信息提取是指利用遥感影像获取地面信息，如地表覆盖类型、地面高程等。
信息提取可以借助数字高程模型、地物识别技术等手段。
三、遥感影像的应用1. 环境监测遥感影像可以用来监测大气污染、土壤侵蚀、植被覆盖等环境变化，为环境保护和治理提供数据支持。
遥感数字图像处理遥感数字影像分类
M kg
1 mg
lg
xkl
为g类k变量的均值
g类的像元数
• 相关系数
是指像素间的关联程度。采用相关系数
衡量相似度时，相关程度越大，相似度
越大。两 定义为：
个像素之间的
相关系数
均值
rij可以
n
( xki xi )( xkj x j )
rij
k 1 n
n
( xki xi )2
（2）遥感影像信息量丰富，与一般的影像相比， 其包容的内容远比普通的影像多，因而内容非常 “拥挤”。不同地物间信息的相互影响与干扰使 得要提取出感兴趣的目标变得非常困难。
（3）遥感影像的地域性、季节性和不同成像方式 更增加了计算机对遥感数字影像进行解译的难度。
1.3 遥感影像计算机分类发展前景
由于利用遥感影像可以客观、真实和快速 地获取地球表层信息，这些现势性很强的遥 感数据在自然资源调查与评价、环境监测、 自然灾害评估与军事侦察上具有广泛应用前 景。因此，利用计算机进行遥感影像智能化 解译，快速获取地表不同专题信息，并利用 这些专题信息迅速地更新地理数据库，这是 实现遥感影像自动理解的基础研究之一，也 是地理信息系统中数据采集自动化研究的一 个方向，因此具有重要的理论意义和应用前 景。
（3）对影像分类方法进行比较研究，掌握各种分类方法 的优缺点，然后根据分类要求和影像数据的特征，选 择合适的影像分类方法和算法。根据应用目的及影像 数据的特征制定分类系统，确定分类类别，也可通过 监督分类方法，从训练数据中提取影像数据特征，在 分类过程中确定分类类别。
（4）找出代表这些类别的统计特征。
用 多 级 切 割 法 分 割 三 维 特 征 空 间
五讲遥感影像分类
遥感数字图像的分类方法
分类执行方式：监督分类、非监督分类 分类模型或分类器：统计分类、模糊分类、 邻域分类、神经网络分类等、混合像元分解。
空间结构纹理分类 ：
单纯的光谱分类器只考虑图像的光谱特征，但在实际景 观中，由于地物是具有一定空间结构特征的，如城市的居 住区多是由树木、草地、道路、房屋顶、停车地等组成的。 因此在分类中，利用其空间特征纹理的差异可以比较容易 地区分不同类型，而单纯的亮度信息则不一定能很好地区 分不同类型。
2)分层采样 当图像中某些类别占的数量很小时，随机采样往往会丢掉这些类别。为 了保证每个类别都能在采样中出现，可以用分层采样．即分别对每个类别 进行随机采样。分层采样往往是为保证在采样空间或类型选取上的均匀性 及代表性所采用的方法。如没有特殊需要，随机采样可取得较好的样本。 但在野外调查或采样时有可能遇到一些困难，如是否能到达采样地点等； 如在层内采用系统采样往往也可获得区域中具代表性的样本，且较容易进 行野外作。
1 采样方法
1)简单随机采样 即在分类图上随机地选择一定数量的像元，然后比较这些像元的类别 和其标准(或实际)类别之间的一致性。应用此设计，所有样本空间中的单元 被选中的概率都是相同的。在此基础上所计算出的有关总体的参数估计也 是无偏的。如果所研究区域内各种类型分布均匀，且面积差异不大，则简 单随机采样应予以优先考虑。相反，如果地域内类型的空间分布不均匀， 或出现空间上稀少并群集的类型，采用简单随机采样就有可能遗漏这些类 型，或抽取不到足够数量的样本。
1 采样方法 采样设计应当采用概率采样．以确保样本的代表性和有效
性，使利用样本估计总体参数建立在可靠的基础之上。 精度评价中有不同的采样方法，常用的概率采样方法包括
遥感影像分类的方法和技巧
遥感影像分类的方法和技巧引言：遥感影像分类是遥感技术中的重要应用之一，能够通过分析影像数据的特征，将遥感影像中的地物或景象进行分类和识别。
本文将探讨遥感影像分类的方法和技巧，介绍常用的分类算法以及处理影像数据的注意事项。
一、遥感影像分类的基本概念遥感影像分类是指将遥感影像中的地物或景象根据它们所代表的信息类型进行划分和标记的过程。
遥感影像分类能够提取出地物的分布和空间分布特征，为后续的地理信息系统分析和决策提供重要支持。
在遥感影像分类中，地物通常被分为几个类别，如水体、植被、建筑等。
二、遥感影像分类的方法1. 基于像元的分类方法基于像元的分类方法是最常用的遥感影像分类方法之一。
该方法将遥感影像划分为许多小的像元单元，并将每个像元单元分配到合适的类别中。
常用的基于像元的分类算法包括最大似然分类、支持向量机和人工神经网络等。
2. 基于对象的分类方法基于对象的分类方法将相邻像元按照一定的规则和准则进行合并，形成具有独立特征的地物对象。
该方法在考虑像元的空间关系的基础上，提高了分类的准确性和稳定性。
常见的基于对象的分类算法有分水岭算法、连通域分析等。
三、常用的遥感影像分类算法1. 最大似然分类法最大似然分类法是一种概率统计方法，通过分析遥感影像中不同类别地物的统计特征，给出了地物类别的条件概率密度函数，并根据贝叶斯决策原则进行分类。
该方法适用于多光谱遥感影像的分类，具有简单、快速和高效的特点。
2. 支持向量机支持向量机是一种基于统计学习理论的分类方法，通过将样本空间映射到高维特征空间，找到一个最优的超平面将不同类别地物分开。
支持向量机具有处理高维数据和非线性数据的能力，对分类边界的划分有较好的鲁棒性。
3. 人工神经网络人工神经网络是一种模拟人脑神经网络工作原理的计算模型，通过输入数据和训练样本进行学习和调整权值，实现对未知数据的分类和识别。
人工神经网络在遥感影像分类中具有较强的智能化表现，能够处理复杂的遥感影像，但训练和调参过程相对较为繁琐。
遥感影像分类
一定的范围，类别中心间的距离在阈值以上，类别内的方差的最
大值为阈值以下时，可以看做动态聚类的结束。当不满足动态聚 类的结束条件时，就要通过类别的合并及分离，调整类别的数目
和中心间的距离等，然后返回到上一步，重复进行组合的过程。
42
ISODATA分类计算框图
43
动态聚类法中有类别的合并或分裂，这说明迭代过程中类别总数
Band 1 Var1 Cov12 Cov13
Band 2 Cov21 Var2 Cov23
Band 3 Cov31 Cov32 Var3
26
1. 最短距离分类器(Classifier)
基本思想：计算待分像元的光谱 特征向量X到每一类别集群之间 的谱距离(spectral distance)，哪 类离它最近，该未知矢量就属于 哪类。 判别函数——谱距离
最小值=65 最大值=255 平均值=155.4 标准偏差=31.9
1500
最小值=53 最大值=246 平均值=160.1 标准偏差=36.4
1000
1000
Blue
500 0
0 50 100 150 200 250
Green 600
400 200 0
0 50 100 150 200 250
800
V=[v1, v2, …, vn]
n＝图像波段总数； vj=地物图像点在第i波段图像中的亮 度值。如TM图像上任一个点有[TM1, TM2, TM3, TM4, TM5, TM6, TM7]。
14
2. 光谱特征空间及地物聚类
光谱特征空间(Spectral Feature Space)：所有波段的亮度 轴构成的直角坐标空间，同类地物具有聚类(Clustering)的 效应。
遥感影像数据的分类与应用
遥感影像数据的分类与应用随着遥感技术的发展，遥感影像数据已经成为实现地球资源管理、环境监测与应急响应等方面的重要手段之一。
如何高效地对遥感影像数据进行分类与应用，成为遥感技术应用的重要研究领域之一。
一、遥感影像数据分类1.基本概念遥感影像数据分类是将遥感影像数据中的像素按照行政区划、地物类型等标准进行分类的过程。
2.基本方法遥感影像数据分类的方法一般分为以下几种：（1）.经验分类法：利用图像特征和颜色分布进行分类。
（2）.监督分类法：利用已知地物类型的样本数据进行分类，并进行训练。
（3）.非监督分类法：自动识别出现有地物类型，不需要人为干预。
3.分类准确度评价分类准确度评价是对遥感影像数据分类结果进行评价，反映分类结果的准确性。
常用的方法有：（1）.混淆矩阵法：将分类结果与实际情况进行比对，得出正确分类的数据。
（2）.Kappa系数法：分类准确度评价方法的一种，能够比较直观地反映分类的准确性。
二、遥感影像数据应用1.土地利用监测土地资源是人类赖以生存的基本资源之一，利用遥感影像数据进行土地利用监测，可以及时掌握土地资源的变化情况，提高土地资源管理的效果。
2.矿产资源勘探遥感技术在矿产资源勘探中有着不可替代的作用。
利用遥感影像数据的红外光谱信息，可以快速找到潜在的矿产资源矿体位置。
3.城市规划设计城市规划设计是城市发展的重要环节。
利用遥感影像数据，可以较为直观地了解城市基础设施建设情况、绿化程度、建筑物分布等，为城市规划、设计提供必要的参考。
4.自然灾害监测和预警自然环境的变化难以预测，自然灾害的突发常常导致巨大的损失。
利用遥感技术，可以及时监测自然环境的变化情况，提前预警自然灾害，减少灾害对人们生命和财产的损失。
5.军事侦察和防务建设遥感影像数据具有隐蔽性和全局性，因此可以用于军事侦察和防务建设。
利用遥感影像数据，可以快速获取军事目标的位置、分布情况和建筑信息，对军事行动实施提供必要的情报支持。
遥感影像分类方法
遥感影像分类方法一、引言随着遥感技术的发展和应用范围的扩大，遥感影像分类成为了遥感图像处理的重要任务之一。
遥感影像分类是指根据遥感图像中各个像元的光谱信息和空间分布特征，将图像中的像元分配到不同的类别中。
准确的遥感影像分类可以为资源调查、环境监测、农业生产等领域提供重要的信息支持。
二、传统分类方法1. 基于统计的分类方法基于统计的分类方法是一种常用的遥感影像分类方法，它通过对遥感图像中的像元进行统计分析，从而确定像元所属的类别。
常用的统计方法包括最大似然法、最小距离法、贝叶斯分类法等。
这些方法能够利用图像中的统计特征，对不同类别进行判别分析，但对于复杂的地物类型、光谱混合和空间分布不均匀的情况，效果有限。
2. 基于规则的分类方法基于规则的分类方法是一种根据已知的规则和知识来进行分类的方法。
该方法通过将遥感图像中的像元与已知规则进行匹配，从而确定像元所属的类别。
常用的规则包括专家规则、决策树规则等。
这些规则能够利用专家知识和经验，对不同类别进行判断，但对于复杂的地物类型和大规模的遥感图像，需要大量的规则和专家知识，且易受限于规则的准确性和完备性。
三、基于机器学习的分类方法随着机器学习算法的发展和应用，基于机器学习的遥感影像分类方法成为了研究热点。
机器学习可以通过训练样本来学习遥感图像中不同类别的特征，并通过对新样本的分类，实现遥感影像的自动分类。
常用的机器学习算法包括支持向量机、随机森林、深度学习等。
1. 支持向量机（Support Vector Machine，SVM）支持向量机是一种常用的分类算法，它通过将样本映射到高维空间中，构建最优的分类超平面，从而实现对遥感影像的分类。
支持向量机可以处理高维数据和非线性问题，并具有较好的泛化能力。
2. 随机森林（Random Forest）随机森林是一种基于决策树的集成学习算法，它通过构建多个决策树，并对其结果进行集成，从而实现对遥感影像的分类。
随机森林能够处理大规模数据和高维特征，并具有较好的鲁棒性和准确性。
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)。
分类精度评价方法
精度评价最好是比较两幅图像中每个像元之间的一致性。 但在多数情况下，我们很难取得一整幅精确的参考图，因此大 多数精度评价都是对图像采样的一部分像元进行评价，其参考 类别可以通过野外考察、更详细的航空像片，或者其他来源的 分类图上得到。通常把训练样本分为两部分，一部分用于分类， 另一部分用于精用于帮助因像分析和分类的非图像信息， 包括航空像片、地图、备类专题图、野外考察、报告等。 在数字化图像分析中，辅助数据通常是被转化成数字化的 格式，如GIs中的各种地形图、土壤图、植被图等。
数字化的辅助数据一般有两种使用方式，一是将辅助层 简单地加到图像现有的光谱数据中、将辅助层看成是另一 个单一的图像波段，并将这种复合的图像进行监督或非监 督分类；二是使用分层分类策略，将光谱图像先进行分类， 然后利用辅助数据将其分成几个层．将每个层按照一定的 规则重新分类或者精确化初始的分类结果。这种方法可以 根据辅助数据将所研究的重点类别或者难以分类的类别孤 立出来，允许复杂的分类算法有效地运用于这些类别中， 从而提高分类精度。
1 采样方法 采样设计应当采用概率采样．以确保样本的代表性和有效
性，使利用样本估计总体参数建立在可靠的基础之上。 精度评价中有不同的采样方法，常用的概率采样方法包括
简单随机采样、分层采样、聚点式集群采样以及系统采样等。 不同的采样方法所采用的参数估计的具体形式和计算公式不同， 它们各具有一定的优缺点。具体采用哪种方法，应考虑分类系 统相应用目的的影响，依据精度评价的目的而定。
1 采样方法
1)简单随机采样 即在分类图上随机地选择一定数量的像元，然后比较这些像元的类别 和其标准(或实际)类别之间的一致性。应用此设计，所有样本空间中的单元 被选中的概率都是相同的。在此基础上所计算出的有关总体的参数估计也 是无偏的。如果所研究区域内各种类型分布均匀，且面积差异不大，则简 单随机采样应予以优先考虑。相反，如果地域内类型的空间分布不均匀， 或出现空间上稀少并群集的类型，采用简单随机采样就有可能遗漏这些类 型，或抽取不到足够数量的样本。
用于分类的辅助数据 ：
利用辅助数据的一个主要障碍是辅助数据和遥感数据 之间的不匹配。由于多数辅助数据并不是用来为遥感数据 应用服务的，因此其数字化辅助数据对应的比例尺、分辨 率、时间、精度以及记录格式很少和遥感图像相匹配。当 其应用于遥感图像分类时，有时必须对其进行预处理，以 保证其和图像之间的物理匹配。
空间结构分类器主要是利用一些测量空间纹理结构的函 数得到新的层。一般这些函数都是利用一定的窗口测量像 元和其周边像元之间的关系，比如说在5x 5窗口内像元之间 的方差、空间相关系数等，将这些层加到原始图像的光谱 层中．从而对混合图像进行分类。
纹理特征：中值(Mean), 协方差(Variance), 同质性（或称为逆差 距）(Homogeneity), 反差(Contrast), 差异性(Dissimilarity), 熵 (Entropy), 二阶距(Angular Second Moment), 自相关 (Correlation)。
算法包括两个主要步骤:对来自模糊训练数据的模糊参 数的估计;对光谱空间的模糊划分。这可以鉴别混合象元中 各组分覆盖类型的不完全隶属性以及产生更精确的统计参 数,从而达到更高的分类精度。
空间结构纹理分类 ：
单纯的光谱分类器只考虑图像的光谱特征，但在实际景 观中，由于地物是具有一定空间结构特征的，如城市的居 住区多是由树木、草地、道路、房屋顶、停车地等组成的。 因此在分类中，利用其空间特征纹理的差异可以比较容易 地区分不同类型，而单纯的亮度信息则不一定能很好地区 分不同类型。
另外，哪种辅助数据也成为一个重要的决策问题。比如 对于山区的植物分类，其地形高度、坡度和坡向是一些有 用的辅助信息，帮助确定植被的类型。但在其他分类中， 地形也许就不是一个关键的因素。虽然有人提倡尽可能多 的利用所有相关辅助数据，但考虑到其中的时间和其他代 价，这种提议显然并不是最好的。仔细地选择和决定重要 的辅助数据应该是必需的。
2)分层采样 当图像中某些类别占的数量很小时，随机采样往往会丢掉这些类别。为 了保证每个类别都能在采样中出现，可以用分层采样．即分别对每个类别 进行随机采样。分层采样往往是为保证在采样空间或类型选取上的均匀性 及代表性所采用的方法。如没有特殊需要，随机采样可取得较好的样本。 但在野外调查或采样时有可能遇到一些困难，如是否能到达采样地点等； 如在层内采用系统采样往往也可获得区域中具代表性的样本，且较容易进 行野外作。
非监督分类，也称为聚类分析或点群分析。即在多光谱
图像中搜寻、定义其自然相似光谱集群组的过程。非监督 分类不需要人工选择训练样本，仅需极少的人工输入．计 算机按一定规则自动地根据像无光谱或空间等特征组成集 群组，然后分析者将每个组和参考数据比较，将其划分到 某一类别中去。
模糊分类 ：
前面讲到的各种分类方法都是假设每个像元只能被归入
一个类型中．像元和类型之间只能是一对一的关系。但在 事实上，由于遥感图像分辨率及其他因素的影响，图像中 的像元所对应的地面实体并不只是一个类别，面是二个或 二个以上类别的混合体。
模糊分类就是允许根据其混合类型的百分比将一个像元 归到几个类型。如果一个像元50％是草地、20％是房屋、 30％是道路．则在模糊分类中，这个像元属于这三种类型 的成分分别为0.5、0.2和0.3。
遥感数字图像的计算机分类
遥感数字图像的分类方法
分类执行方式：监督分类、非监督分类 分类模型或分类器：统计分类、模糊分类、 邻域分类、神经网络分类等、混合像元分解。
监督分类，又称训练分类法，即用被确认类别的样本像元
去识别其他未知类别像元的过程。已被确认类别的样本像 元是指那些位于训练区的像元。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．每个像元和训练样本作 比较，按照不同规则将其划分到和其最相似的样本类。