遥感图像分类后处理
遥感图像分类后处理
一、实验目的与要求监视分类和决策树分类等分类方法得到的普通是初步结果，难于到达最终的应用目的。
因此，需要对初步的分类结果发展一些处理，才干得到满足需求的分类结果，这些处理过程就通常称为分类后处理。
常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理〔类后处理〕、栅矢转换等操作。
本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。
二、实验内容与方法1. 小斑块去除Majority 和 Minority 分析聚类处理〔Clump〕过滤处理〔Sieve〕2. 分类统计3. 分类叠加4. 分类结果转矢量5. ENVI Classic 分类后处理浏览结果局部修改更改类别颜色6. 精度评价在中，分类后处理的工具主要位于 Toolbo*/Classification/Post Classification/；三、实验设备与材料装有的计算机以 ENVI 自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。
数据位于"...\13数据\"。
其他数据描述：•can_tmr.img ——原始数据•can_tmr_验证.roi ——精度评价时用到的验证 ROI四、实验步骤应用监视分类或者非监视分类以及决策树分类，分类结果中不可防止地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑发展剔除或者重新分类，目前常用的方法有 Majority/Minority 分析、聚类处理〔clump〕和过滤处理〔Sieve〕。
Majority/Minority 分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析〔Majority Analysis〕用变换核中占主要地位〔像元数最多〕的像元类别代替中心像元的类别。
如果使用次要分析〔Minority Analysis〕，将用变换核中占次要地位的像元的类别代替中心像元的类别。
遥感图像的分类与解译技术
遥感图像的分类与解译技术随着科技的发展，遥感技术已经被广泛应用于农业、城市规划、环境保护等领域。
利用遥感技术获取的图像数据不仅有助于对地球物理现象的探测和研究，而且为许多应用提供有力的支持。
遥感图像的分类与解译技术就是其中的重要组成部分。
本文将重点介绍遥感图像的分类与解译技术。
一、图像分类的基本过程图像分类是一种将多光谱遥感图像分割成具有特定类别的区域的过程。
图像分类的基本过程可以分为以下几个阶段：1. 预处理阶段：对遥感图像进行去噪、几何校正和辐射校正等预处理工作。
2. 特征向量提取：将预处理后的图像转换为可供分类器使用的特征向量。
3. 分类器设计：选择适合该任务的分类器。
4. 图像分类：利用分类器对图像进行分类。
5. 后处理：对分类结果进行后处理，包括空间滤波、形态学操作等。
二、遥感图像的解译技术遥感图像的解译技术是指根据地物的形状、大小、纹理和空间分布等信息，对遥感图像中的地物进行语义识别和解译的过程。
遥感图像的解译技术可以分为以下几种类型：1. 监督分类法：监督分类法是指使用已知类别的训练样本对遥感图像进行分类。
常用的监督分类器包括最小距离分类、支持向量机、决策树、随机森林等。
2. 无监督分类法：无监督分类法是指不使用已知类别信息对遥感图像进行分类。
常用的无监督分类器包括K-means算法、ISODATA算法、自组织神经网络等。
3. 物体识别技术：物体识别技术是指利用遥感图像的几何和光谱信息对地物进行识别。
常用的物体识别技术包括形状分析、纹理分析、物体对比度分析等。
三、遥感图像分类的应用遥感图像分类技术在许多领域都有广泛的应用，以下是一些典型的应用：1. 农业领域：遥感图像分类技术可以用于农作物种植面积和类型的识别、土地质量分级、作物生长监测等。
2. 环境保护领域：遥感图像分类技术可以用于污染区域和水质等环境指标的监测和识别。
3. 城市规划领域：遥感图像分类技术可以用于城市土地利用类型的识别、城市扩张的监测等。
遥感影像解译-分类后处理及精度评价、分类新方法
三、分类新方法
• 随着模式识别与机器学习技术的不断发展，将先进的机器
学习技术应用到遥感影像分类中，并充分考虑影像本身的光
谱信息、空间信息、时间序列信息以及各类地理辅助信息可
以大大提高遥感影像分类的精度。
• 分类新方法
- 半监督分类；
- 面向对象分类；
- 分类器集成
- ……
26
1 半监督分类
• 机器学习 (Machine Learning)模式： - 监督学习：仅仅利用已标注类别的样本进行训练以确定 分类器； - 非监督学习：只利用未标注类别的数据进行聚类分析； - 半监督学习：利用已标注类别的样本+未标注样本来确 定分类器。
3×3窗口分析结果
(4) 分类后处理-平滑处理
• 针对问题 分类结果斑点噪声严重
• 解决方法： a. MRF随机场建模 b. Majority Voting 方法
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
(2) 地表真实值
25446 Aprod 52987 48.02% 1 Eo
(e) 用户精度(User’s Accuracy)
• 用户精度(User’s Accuracy)： - 影像类中，某类像元被正确分类为该类的概率，利用 混淆矩阵的行来计算。如水的用户精度：
Auser
9180 56104
16.36%
a. SVM vs 高斯混合模型+MRF
(3) SVM 水体提取结果
a. SVM vs 高斯混合模型+MRF
(3) SVM 水体提取结果
(4) 高斯混合模型+MRF方法
遥感图像分类与测绘应用的技术要点和操作流程
遥感图像分类与测绘应用的技术要点和操作流程遥感技术的发展使得遥感图像分类和测绘应用成为现代测绘领域的重要技术手段。
本文将从技术要点和操作流程两个方面介绍遥感图像分类与测绘应用的关键内容。
一、技术要点1. 遥感图像的预处理遥感图像的预处理是进行图像分类和测绘应用的前提。
预处理包括图像去噪、辐射校正、大气校正以及几何校正等步骤。
其中，辐射校正和大气校正是必不可少的，以确保图像的准确性和一致性。
大气校正可以将图像中的大气干扰进行校正，辐射校正可以提高图像的灰度级，减少图像的噪声。
2. 特征提取与选择特征提取是遥感图像分类和测绘应用的重要步骤。
特征提取的目的是将原始图像转化为可以进行分类和测绘的特征向量。
常用的特征包括光谱特征、纹理特征和形状特征等。
特征选择是在特征提取的基础上，通过选择最具代表性的特征，减少数据维度，提高分类和测绘的效果。
3. 分类算法与模型分类算法是遥感图像分类和测绘应用中的核心技术内容。
常见的分类算法包括最大似然分类、支持向量机、随机森林和深度学习等。
对于不同的遥感图像任务，可以选择适当的分类算法进行应用。
模型的选择和训练是分类算法的关键步骤，通过合理选择和训练模型，可以提高分类和测绘的准确性和效率。
4. 精度评价与结果验证精度评价和结果验证是遥感图像分类和测绘应用的重要环节。
通过对分类和测绘结果的精度进行评价和验证，可以判断分类和测绘的准确性和可靠性。
常用的精度评价指标包括准确度、召回率、精确度和F1值等。
结果验证可以通过野外调查和实地验证等手段进行。
二、操作流程1. 数据搜集与选择在进行遥感图像分类和测绘应用之前，首先需要搜集和选择需要的数据。
数据可以从遥感卫星、无人机、航空摄影等渠道获得。
同时，需要考虑数据的时空分辨率、波段和质量等因素，以满足具体的应用需求。
2. 遥感图像的预处理获得数据后，需要进行图像的预处理。
首先进行辐射校正和大气校正，然后进行几何校正和图像去噪等处理，以保证图像的质量和可用性。
遥感图像分类后处理
遥感图像分类后处理一、实验目的与要求监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。
因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。
常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。
二、实验内容与方法1.实验内容1.小斑块去除●Majority和Minority分析●聚类处理（Clump）●过滤处理（Sieve）2.分类统计3.分类叠加4.分类结果转矢量5.ENVI Classic分类后处理●浏览结果●局部修改●更改类别颜色6.精度评价1.实验方法在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；三、实验设备与材料1.实验设备装有ENVI 5.1的计算机2.实验材料以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。
数据位于"...\13数据\"。
其他数据描述：•can_tmr.img ——原始数据•can_tmr_验证.roi ——精度评价时用到的验证ROI四、实验步骤1.小斑块去除应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。
1)Majority和Minority分析Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。
图像处理技术在卫星遥感图像分类中的应用效果
图像处理技术在卫星遥感图像分类中的应用效果随着卫星技术和遥感技术的不断发展，获取和处理卫星遥感图像成为了现代地球科学领域中重要的研究手段之一。
而图像分类是遥感图像处理中一个核心的任务，它的目的是将卫星遥感图像中的不同地物或环境元素进行划分和分类。
为了实现准确且高效的遥感图像分类，图像处理技术被广泛应用并取得了显著的效果。
一、图像预处理图像预处理是卫星遥感图像分类的第一步，它的主要目的是减少噪声、改善图像质量以及增强图像特征。
常见的图像预处理方法包括图像去噪、边缘增强、图像增强和图像分割等。
图像去噪是为了减少图像中的噪声干扰，在卫星遥感图像分类中，由于图像拍摄环境的复杂性和传输过程中的干扰，图像中常存在不同类型的噪声。
通过使用低通滤波器如均值滤波器或高斯滤波器，可以有效去除高频噪声，提高图像的质量。
边缘增强是为了突出图像中物体的轮廓和边界，在卫星遥感图像分类中，物体的形状和边界信息对于分类非常重要。
常用的边缘增强算法包括索贝尔、拉普拉斯和Canny等算法。
图像增强是为了改善图像的视觉效果和增强目标物体的特征。
通过灰度调整、直方图均衡化、对比度增强等方法，可以使目标物体在图像中更加明显和突出。
图像分割是将图像划分为不同的区域，以便更好地进行分类和分析。
在卫星遥感图像分类中，图像分割是一个非常重要的步骤，它可以将不同地物或环境元素从图像中提取出来，为后续的分类任务提供更准确的输入。
常见的图像分割方法包括阈值分割、区域生长、边缘检测和聚类分析等。
二、特征提取特征提取是将图像的内容转换为数值特征向量的过程，通过提取图像中的特征信息，可以将图像内容表示为计算机可处理的形式。
在卫星遥感图像分类中，有效的特征提取对于分类结果的准确性和稳定性起着重要的作用。
常见的特征提取方法包括颜色特征、纹理特征和形状特征等。
颜色特征可以通过提取图像的颜色直方图、颜色矩和颜色统计信息来表示，它可以反映图像中不同地物的颜色分布情况。
遥感图像的分类实验报告
一、实验名称遥感图像的监督分类与非监督分类二、实验目的理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法,初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项;三、实验原理监督分类：又称训练分类法,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;它是在分类之前通过目视判读和野外调查,对遥感图像上某些样区中影像地物的类别属性有了先验知识,对每一种类别选取一定数量的训练样本,计算机计算每种训练样区的统计或其他信息,同时用这些种子类别对判决函数进行训练,使其符合于对各种子类别分类的要求,随后用训练好的判决函数去对其他待分数据进行分类;非监督分类：也称为聚类分析或点群分类;在多光谱图像中搜寻、定义其自然相似光谱集群的过程;它不必对影像地物获取先验知识,仅依靠影像上不同类地物光谱或纹理信息进行特征提取,再统计特征的差别来达到分类的目的,最后对已分出的各个类别的实际属性进行确认;目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等;四、数据来源本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM 第三波段影像,投影为WGS-84,影像主要为山西省大同市恒山地区,中心纬度：中心经度：;鉴于实验内容及图像大小等问题,故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像;五、实验过程1.监督分类打开并显示影像文件,选择合适的波段组合加载影像打开并显示TM影像文件,从ENVI 主菜单中,选择File →Open Image File选择影像,为了更好地区分不同地物以及方便训练样本的选取,选择5、4、3波段进行相关操作,点击Load Band 在主窗口加载影像;使用感兴趣区ROI工具来选择训练样区1主影像窗口菜单栏中,选择 Overlay >Region of Interest;出现ROI Tool对话框,2根据不同的地物光谱特征,在图像上画出包含该类地物的若干多边形区域,建立相应的感兴趣区域,输入对应的地物名称,更改感兴趣区对应的显示色彩;由于该地区为山西省北部,地物相对单一,故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层,阴影;选择分类方法进行分类1主菜单中,选择Classification>Supervised,在对应的选项菜单中选择分类方法,对影像进行分类;以最小距离法Minimum Distance为例进行说明;选择Minimum Distance选项,出现Classification Input File对话框,在该对话框中选择待分类图像;2在出现的Minimum Distance Parameters对话框中,select Ttems选择训练样本,定义相关参数,选择输出路径;点击ok完成分类,结果如图：2.非监督分类非监督分类方法有K-均值分类法及ISOData 重复自组织数据分析技术,本次实验报告以K-均值分类方法为例进行说明;1主菜单中 , 选择 Classincation>Unsupervised>K-Means;在Classification Input File对话框中选择待分类影像文件;2在K-Means Parameters对话框中定义相关参数,其中,可定义参数有：分类类别数,像元变化阈值,用于分类的最多迭代次数以及可选的距离阈值;选择结果输出位置,点击OK完成分类;3.分类后处理我们需要对分类后的影像进行后处理,评价其分类的精度,这里以监督分类结果为例进行说明;更改类别名称及颜色主图像窗口,Overlay->classification,出现Select Input file对话框,选择分类结果,点击OK;在Interactive Class TOOL对话框的option下拉菜单中选择Edit colors/names选项,在弹出的对话框中选择类别更改其名称颜色;分类结果微调包括删除或者合并小斑点;1将要修改的类别置于激活状态,点击Edit下拉菜单,选择Mode :polygon Add to class 将分类错误的点与周围区域点合并;选择Mode :polygon delete from class将错误点剔除;2主菜单classification->Post classification->sieve classes打开sieve parameters对话框,选择训练样本,及最小剔除像素,选择输出位置,完成操作;图为采用八联通域将像素小于5的点删除;混淆矩阵精度验证1选取验证样本,与监督分类操作类似,选择不同的感兴趣区域,保存ROI,作为选择训练样本;2进行精度验证,主菜单classification->Post classification->Using Ground Truth ROI,选择分类图像;对应分类结果和验证样本点击ok得到精度验证结果;分类统计主菜单classification->Post classification->class statistics,在弹出的对话框中输入分类结果,点ok下一个对话框输入原图像ok;在弹出的select classes对话框中选择训练样本;选择输出显示类型,点击ok得到统计结果;分类结果转换为矢量主菜单classification->Post classification-> classification to vector,弹出对话框中选择分类结果影像;选择训练样本及矢量文件输出位置,点击ok完成矢量化;矢量化结果如下：六、实验结果与分析1、监督分类结果分析将分类结果与原图像进行对比可发现分类结果基本符合要求,农田与建筑的分布具有较强的统一性,符合相关常识;2、非监督分类结果分析3、图为经过主次要分析的分类结果与原图对比,可发现去除了一些噪声点,分类结果相对较好;4、分类结果精度评价分析由于监督分类,训练样本及验证样本的选择失误,图像的分类精度为83%基本符合要求,但不是太高,从精度报表中可看出,误差来源主要为灌木林与草地之间的差异,其他地物的分类结果基本上比较精确;七、实验心得与体会本次实为遥感影像的监督分类与非监督分类以及分类后处理,通过本次实验,初步掌握了影像的分类过程,在影像的监督分类中,训练样本的选择是本实验的关键点,如何较为准确的选择感兴趣区域确定正确的训练样本需要在以后的学习中积累相关经验;实验中相近地物信息的不同地物该如何分类需要思考;。
遥感图像分类
原始遥感图像
对应的专题图像
用光谱信息 对影像逐个 像元地分类， 在结果的分 类地图上会 出现“噪声”
产生噪声的原因有原始影像本身的噪声，在地类 交界处的像元中包括有多种类别，其混合的幅射 量造成错分类，以及其它原因等
另外还有一种现象，分类是正确的，但某种类别 零星分布于地面，占的面积很小，我们对大面积 的类型感兴趣，因此希望用综合的方法使它从图 面上消失
简单集群分类方法
K-均值法（K-means Algorithm） Cluster分类法 迭代自组织数据分析技术方法（Iterative
Self-Organization Data Analysis Techniques， ISODATA）
通过自然的聚类，把它分成8类
K-均值算法的聚类准则是使每一聚类中，像元到 该类别中心的距离的平方和最小
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
到最近的类别中
C. 计算并改正重新组合的类别中心 D. 过程重复直到满足迭代结束的条件
仅凭遥感影像地物的光谱特征的分布 规律，即自然聚类的特性，进行“盲 目”的分类
其分类的结果只是对不同类别达到了 区分，但并不能确定类别的属性；其 类别的属性是通过分类结束后目视判 读或实地调查确定的
遥感图像计算机分类
色调、颜色、阴影、形状、纹理、大小、位置、图型、相关布局
基于光谱的
基于空间关系的
遥感图像特征集
遥感图像 遥感图像计算机分类流程框图
将影像数据的连续变化转化为地图模式， 以提供给用户有意义的信息
获得关于地面覆盖和地表特征数据的更深 刻的认识
较目视解译客观，在分析大数据集时比较 经济
基本思想：通过迭代，逐次移动各类的中心，直 至得到最好的聚类结果为止
PIE-Basic监督分类和分类后处理
PIE-Basic监督分类和分类后处理1.功能概述1.1 图像分类功能概述在遥感技术的应⽤中，对资源分布、⾃然灾害、区域环境等的监测和分析依附于遥感图像分类。
⽽遥感图像分类是进⾏图像信息提取的有效⼿段。
随着遥感技术的的不断改进，各领域对遥感图像分类⽅法的要求越来越⾼，主要表现在以下⼏个⽅⾯：分类结果的精确性：各领域对分类结果的精度要求越来越⾼。
分类速度的时效性：随着近年来遥感数据的快速增长，项⽬中往往需要进⾏海量遥感数据的快速处理。
遥感图像分类属于⼤规模机器学习，数据量⼤导致运算量很⼤。
另外，⼈们在追求⾼精度的同时，计算复杂度也随之增加，这对遥感应⽤的时效性提出了很⾼的要求。
分类⽅法使⽤的便捷性：解译⼈员对分类算法的分类⾏为难以理解，⽆法准确了解参数设置与分类结果之间的关联性，需要将分类器的⾏为转化为易于理解的符号规则，把遥感影像的内在特征和规律显⽰出来。
1.2 监督分类功能特点遥感图像分类实现的主要⽅法包括监督分类和⾮监督分类。
其中监督分类作为⼀种先学习后分类的机器学习策略，利⽤像元光谱特征的相似性进⾏分类，具有较⾼的分类精度，是对遥感图像进⾏信息提取的主要⼿段。
监督分类功能特点包括：充分利⽤分类地区的先验知识，有⽬的的选择分类类别；通过对样本的反复检验和训练，提⾼分类成果的可靠性，出现严重错误的⼏率较低；分类速度相对较快，分类精度较⾼；⼈为主观性⽐较强，获取合格的样本⽐较费时费⼒。
分类⽅法优点缺点适⽤范围监督分类精确度⾼,准确性好,与实际类别吻合较好⼯作量⼤有先验知识时使⽤该⽅法⾮监督分类⼯作量⼩易于实现分类结果与实际类别相差较⼤,准确性差在没有类别先验知识时使⽤该⽅法在实际应⽤中监督分类精度要⾼于⾮监督分类，更适⽤于遥感图像的精细化分类，⾮监督分类可应⽤于分类精细化程度不⾼的快速分类的场景中。
1.3 监督分类应⽤在⽬前的遥感图像分类的应⽤中，传统模式识别的监督分类⽅法，诸如最⼩距离、最⼤似然法等，能够满⾜应⽤⼈员对⼤区域遥感影像的快速分类处理需求。
子情景4遥感图像分类——遥感影像监督分类和非监督分类.
6）产生随机点; Edit > create/add random points
7）显示随机点类别; view> show all ; Edit > show class values 8）输入参考点类别; Reference 输入 9）输出分类评价报告； Report> accuracy report
分类后处理
4) 分类重编码（主要针对非监督分类）
提示：main>image interpreter>gis analysis>Recode
分类后处理
4) 分类重编码（主要针对非监督分类）
提示：main>image interpreter>gis analysis>Recode
类别合并需要考虑实际意义
2）应用AOI扩展绘图工具获取分类模板信息
Region growing properties 进行Neighborhood 属性设置。
利用Region grow AOI选择种子点。
提示：AOI> seed properties>region growing Properties
约束条件：Area确定最多的像元数； Distance确定包 含像元距离种子点像元的最大距离。
2.评价分类模板（Evaluating Signatures） 类别的分离性：
用于计算任意类别间的统计距离，这个距离可以确定两 个类别间的差异程度，也可以确定在分类中效果最好的 数据层。
类别间统计距离计算公式： 1）欧氏光谱距离；2）Jeffries-matusta距离； 3)Divergence 分离度；4）Transformed divergence 转换 分离度
提示：对比Utility>flicker/ Blend/ Swipe区别
遥感图像处理考试重点整理
名词解释:1.图像：是对客观对象一种相似性的描述或写真，它包含了被描述物体或写真对象的信息，是人们最主要的信息源。
2.数字图像：指用计算机存储和处理的图像，是一种空间坐标和灰度均不连续、以离散数学原理表达的图像。
3.遥感系统：是一个从地面到空中乃至整个空间，从信息收集、存储、传输、处理到分析、判读、应用的技术体系，主要包括遥感试验、信息获取（传感器、遥感平台）、信息传输、信息处理、信息应用等5个部分。
4.传感器：又称为遥感器（remote sensor），是收集和记录电磁辐射能量信息的装置，是信息获取的核心部件，如航空摄影机、多光谱扫描仪、成像仪等。
传感器搭载在遥感平台上，通过传感器获取遥感数字图像数据。
5.元数据（meta data）:是关于图像数据特征的表达，是关于数据的数据。
6.直方图规范化：又称为直方图匹配，这种方法经常作为图像镶嵌或应用遥感图像进行动态变化研究的预处理工作。
通过直方图匹配可以部分消除由于太阳高度角或大气影像造成的相邻图像的色调差异，从而可以降低目视解译的错误。
7.辐射校正：消除图像数据中依附在辐亮度中的各种失真的过程成为辐射量校正（radiometric calibration），简称辐射校正。
8.辐射通亮：单位时间内通过某一表面的辐射能量称为辐射通量（radiant flux），单位为W。
9.辐照度：指单位时间内单位面积上接受的辐射通量，单位为W/m^2。
10.辐亮度：和辐射度两个概念的含义相同，指的是沿辐射方向、单位面积、单位立体角上的辐射通量，单位为W/（m2.sr）。
11.反射率：是反射能量与入射能量的比值。
12.吸收率：是吸收能量与入射能量的比值。
13.透射率：是透射能量与入射能量的比值。
在介质内部，反射率吸收率和透射率的和为1。
14.反照率：不同于反射率，指的是界面反射的辐照度与内部的反射的辐照度之和与入射的辐照度的比值。
15.几何精纠正：又称为几何配准（registration），是把不同传感器具有几何精度的图像、地图或数据集中的相同地物元素精确地彼此匹配、叠加在一起的过程。
遥感图像的监督分类实验报告
实验报告实验名称：遥感图像的几何校正课程名称：《遥感导论》教师：院系：矿业工程学院班级：姓名：遥感图像的监督分类实验报告一、实验目的理解遥感图像计算机分类的原理和方法；掌握监督分类的步骤和方法。
二、实验环境操作系统：windows 8.1软件：ENVI 4.3三、实验内容ERDAS软件中遥感图像监督分类实验步骤：1.训练样本的提取（ROI区的选择）ENVI: Basic Tools >> Region Of Interest>> ROI tool调出感兴趣区工具窗口进行样本选择（注意：必须事先打开一幅图像），可以进行样本编辑（名称，颜色，填充方式等），样本选择越精确，分类结果越好。
各类地物的解译标志，即地物明显的影像特征---色调、纹理等，通过目视解译方法用鼠标在工作区影像图上选择其训练区，并使训练区的分布尽量均匀。
在实际的工作中，由于存在“同物异谱”的情况，因此对于同一种类型可能有多种不同的特征。
为此，我们可以对同一地物选择多个训练区，分类后再合并。
2.影像分类选择maximum likelihood 分类方法。
主菜单下选择Classification > Supervised > Smaximum likelihood 。
按照默认设置参数输出分类结果。
3.分类后处理分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
（1)更改类别颜色可以在Interactive Class Tool 面板中，选择Option->Edit class colors/names 更改，也可以在Display->Color Mapping->Class Color Mapping。
如下图所示，直接可以在对应的类别中修改颜色。
分类统计分析主菜单->Classification->Post Classification->Class Statistics。
遥感图像分析与处理.pptx
（1）按感光胶片和所用的波段分类： 普通黑白摄影：用全色黑白感光片，感受可见光范围内各种色光，用途广。 黑白红外摄影：用黑白红外感光片和近红外滤光片组合起来摄影，记录近 红外短波段（0.76μm～1.4μm）和可见光范围的信息。 对水体和植被反映明显，具有较大的反差和地面分辨率。 天然彩色摄影：用彩色感光片，记录可见光波段的信息。 信息量比黑白象片丰富得多。 彩色红外摄影：用彩红外感光片，记录绿、红、近红外（0.5～0.9μm） 信息。一般在摄影机物镜上套一个黄色滤光片，以消除蓝、 紫光。在彩红外摄影中： 绿光感光蓝色 红光感光绿色 近红外感光红色 红外线对大气层的穿透力强，彩红外象片一般比天然彩色象片鲜艳得多。 多光谱摄影：用摄影机镜头、滤光片、感光片的几种不同组合，同时对一 个地区进行几个不同波段的摄影，得到多个波段的航片，从 而得到合成象片。
第10页/共29页
航空象片的特性
航空象片的主要点和线
第11页/共29页
航空象片的特性
3. 象片比例尺计算和象片纠正：（1）象片比例尺： 求小区域和点的比例尺： h为地形起伏，H0为平均高程面。 右图中以T0为起始面，其航高为H0， 则有： 航测部门提供的航高为象主点的航高， 称为“主比例尺”。 求平均比例尺： d1，d2，……dn通过象片中心。
物面扫描成像仪
第21页/共29页
1）线阵列推扫式扫描仪Spot HRV(High ResolutionVisible range instrument )平面反射镜将地面辐射信号反射到反射镜组，聚焦在CCD线阵列元件，不需要摆动扫描镜，可以推扫方式获取沿轨道的连续图像带。
像面扫描成像仪
第22页/共29页
第14页/共29页
第三章 航空遥感
RSDIP26遥感分类后处理
2012-1-30
邱永红
18
遥感数字图像处理
辐射增强
• 生产者精度(Producer Accuracy)：地面真 实类中，某类象元被正确分类为该类的 概率，利用混淆矩阵的列来计算。如植 被的生产者精度：
Aprod 25446 = = 48.02% = 1 − Eo 52987
2012-1-30
邱永红
19
遥感数字图像处理
辐射增强
• 用户精度(User Accuracy)：影像类中，某 类象元被正确分类为该类的概率，利用 混淆矩阵的行来计算。如水的用户精度：
9180 = = 16.36% = 1 − Ec 56104
Auser
201ห้องสมุดไป่ตู้-1-30
邱永红
20
遥感数字图像处理
思考题
辐射增强
•
– – – – – –
遥感数字图像处理
类过滤 (Sieving Classes)
辐射增强
• 类过滤
– 用于消除类别图中孤立象元 – 通过查找象元8邻域或4邻域中是否存在同一 类别的象元来进行，如有则保留，没有则去 除
3×3窗口分析结果
2012-1-30 邱永红 8
遥感数字图像处理
类合并(Combining Classes)
遥感数字图像处理
辐射增强
遥感数字图像处理
第26讲
===分类后处理===
遥感数字图像处理
本讲的目的和主要内容
辐射增强
• 目的
• 重点 • 难点
– 结合ENVI，介绍一些常用的分类后处理 技术,如消除类别噪声、类别统计、精度 评价等 – 分类精度评价 – 分类精度评价
2012-1-30
测绘技术中的遥感影像处理方法详解
测绘技术中的遥感影像处理方法详解遥感技术是当今测绘领域中不可或缺的一项重要技术，通过利用卫星、飞机等遥感平台获取的地球表面影像，可以为地质勘探、环境监测、城市规划等领域提供丰富、准确的地理信息数据。
遥感影像处理是遥感技术中的一种核心技术，本文将对其中的几种常用的处理方法进行详解。
1. 影像预处理遥感影像预处理是指在进行后续处理之前，对原始影像进行一系列的校正、增强等操作，以提高影像的质量和可用性。
其中包括几何纠正、辐射校正和大气校正等步骤。
几何纠正主要是针对影像中的几何畸变问题进行校正，通常包括影像配准、去除地形效应以及去除大地畸变等处理。
影像配准是指将不同卫星或不同时间拍摄的影像进行精确对准，使得它们能够在同一坐标系下进行比较和分析。
去除地形效应是为了消除由于地表起伏引起的影像变形，以确保影像中对地物的位置和形状描述准确。
去除大地畸变是为了消除地球曲面引起的影像形变，通常采用像点的投影转换和校正等方法。
辐射校正是为了将影像中的数字计数值转换为大气无影响的地表辐射亮度值，从而能够实现不同时间、不同地域之间的比较研究。
常用的辐射校正方法有分级灰度线性变换法、大气校正法和无标定性辐射校正法等。
大气校正是为了消除大气介质对遥感影像的影响，以准确获取地表反射率信息。
常用的大气校正方法有大气能见度法、基于粒子传输函数的大气校正法以及辐射传输模型法等。
2. 影像分类遥感影像分类是将影像中的像素分为不同的类别，以实现对地物类型的识别和区分。
常用的影像分类方法包括无监督分类和监督分类两种。
无监督分类是指在不需要先验知识的情况下，根据像素的相似性进行聚类分组，从而得到影像中各个类别的统计信息。
常用的无监督分类方法有K均值聚类法、高斯混合模型法以及自组织映射法等。
监督分类是在事先提供类别标记的训练样本的基础上，通过对样本进行特征提取和模式识别，从而对整个影像进行分类。
常用的监督分类方法有最大似然法、支持向量机法、人工神经网络法以及决策树法等。
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。
遥感图像应用处理与分析
遥感图像应用处理与分析概述遥感图像是通过航空或卫星技术获取地球表面信息的一种重要数据源。
遥感图像应用处理与分析是利用遥感图像进行地理信息系统（GIS）分析、土地利用监测、环境变化检测等方面的工作。
本文将介绍遥感图像的基本概念和常见的应用处理与分析方法。
遥感图像的基本概念遥感图像是通过遥感器采集的离地面较远的图像，可以包括可见光、红外、微波等不同波段的图像。
这些图像可以提供地表特征的信息，如土地覆盖、植被生长、水体分布等。
遥感图像通常分为卫星图像和航空摄影图像两种类型。
遥感图像的应用处理与分析方法图像预处理图像预处理是遥感图像分析的第一步，旨在消除噪声、提高图像质量和准确性。
常见的图像预处理方法包括几何校正、辐射校正、大气校正等。
几何校正几何校正是将图像根据地面实际位置进行校正，使图像上的每个像元与实际地理位置相对应。
常用的几何校正方法包括地面控制点法、刚性变换法和多项式变换法等。
辐射校正辐射校正是通过解析遥感图像中的辐射度量值，将其转换为辐射能量或反射率。
常用的辐射校正方法包括直方图匹配法、模型反演法和比较地面反射率法等。
大气校正大气校正是去除大气对遥感图像的影响，以更准确地反映地表特征。
常用的大气校正方法包括大气校正模型、大气晴空遥感法和大气模型建模法等。
图像分类与识别图像分类与识别是将遥感图像的像元或对象划分到不同的类别，并识别地物类型。
常用的图像分类与识别方法包括基于像元的分类、基于对象的分类和基于深度学习的分类。
基于像元的分类基于像元的分类是将遥感图像中的每个像元划分到不同的类别，常用的像元分类方法包括最大似然分类、支持向量机和随机森林等。
基于对象的分类基于对象的分类是根据一定的规则将相邻的像元组成对象，将对象划分到不同的类别。
常用的对象分类方法包括分层对象分析和目标导向分类等。
基于深度学习的分类基于深度学习的分类是利用深度神经网络对遥感图像进行分类和识别。
常用的深度学习模型包括卷积神经网络（CNN）和循环神经网络（RNN）等。
遥感图像分类后处理3种实现方法比较
收稿日期: 2007- 08- 03 修回日期: 2007- 09- 17 作者简介: 罗开华 ( 1977- ) , 男, 云南镇雄人, 助理工程师, 从事营造林规划设计工作.
第 2期
罗开华: 遥 感图像分类后处理 3种实现方法比较
25
感图像分为桉树、水 体、森林 ( 其他 ) 、甘蔗、居民地 ( 含建筑用地 )、裸地、农地、云、云影 ( 因图像中含较 多云影 ) . 按照最大似然法对遥感图像进行分类. 对 初次分类结果进行制图综合, 去除类别噪音, 合并邻 近破碎图斑使图面简洁. 技术路线如图 1.
5 讨论
( 1) 在 3种方法中, 方法 1是针对栅格图像进
第 33卷 第 2期 2008年 4月
林业 调 查 规 划 Forest Inventory and P lanning
Vo.l 33 No 2 Apr. 2008
基于 M apOb jects的县级森林资源地理信息系统的二次开发
卫俊生, 杨为民
(西南林学院资源学院, 云南 昆明 650224)
摘要: 针对部分县级森林资源管理的需要, 结合实际运用 M apO bjects(M O )与面向对象 的可视化编 程语言 V isualBas ic( V B), 进行 县级森林资源地理信息系统二次开发. 对系统要求、系统功能设计、系统结构设 计及系统 功能的实现 作了详细论述. 关键词: M apO bjects; 森林资源地理信息系统; 二 次开发; 软件系统开发 中图分类号: P 208 文献标识码: A 文章编号: 1671- 3168( 2008) 02- 0026- 04
由于分类的结果存在许多细小的图斑, 从制图 的角度和实际应用的角度都有必要将这些小图斑合 并. 选用了 3种方法进行该后处理, 发现效果并不一 致. 这 3种方法分别是:
遥感图像分类后处理3种实现方法比较
遥感图像分类后处理3种实现方法比较
罗开华
【期刊名称】《林业调查规划》
【年(卷),期】2008(033)002
【摘要】图像分类后处理是图像分类制图过程中十分重要的一个步骤.利用ERDAS IMAGE软件进行图像分类,在此基础上比较分别基于ERDAS、ArcGIS 9.0和Arcinfo Workstation的3种图像分类后处理方法的处理效率与效果.结果认为,基于ArcInfo的workstation的分类后处理效率最高、效果最好.
【总页数】3页(P24-26)
【作者】罗开华
【作者单位】云南省林业调查规划院营林分院,云南,昆明,650021
【正文语种】中文
【中图分类】TP75
【相关文献】
1.遥感图像分类方法在土地利用分析中的比较 [J], 张晓霞;王垚
2.基于滤波后处理的主动学习高光谱遥感图像分类 [J], 孙宁;邓承志;汪胜前
3.基于ENVI的遥感图像分类方法研究比较 [J], 许丽杰;田峰;刘建军
4.遥感图像分类与后处理综合技术研究--基于约束满足神经网络方法 [J], 李强;王正志
5.地形复杂地区遥感图像分类方法应用研究——以黄土丘陵沟壑地区坡耕地遥感调查为例 [J], 刘咏梅;杨勤科;温仲明
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
遥感图像分类后处理一、实验目的与要求监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。
因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。
常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。
二、实验内容与方法1.实验内容1.小斑块去除●Majority和Minority分析●聚类处理（Clump）●过滤处理（Sieve）2.分类统计3.分类叠加4.分类结果转矢量5.ENVI Classic分类后处理●浏览结果●局部修改●更改类别颜色6.精度评价1.实验方法在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；三、实验设备与材料1.实验设备装有ENVI 5.1的计算机2.实验材料以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。
数据位于" (13)据\"。
其他数据描述：•can_tmr.img ——原始数据•can_tmr_验证.roi ——精度评价时用到的验证ROI四、实验步骤1.小斑块去除应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。
1)Majority和Minority分析Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。
如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。
下面介绍详细操作流程：（1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"；（2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK；（3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。
然后点击Choose按钮设置输出路径，点击OK执行操作。
图1 Majority/Minority Parameters面板参数设置（4）查看结果如图所示，可以看到原始分类结果的碎斑归为了背景类别中，更加平滑。
注：参数说明如下•Select Classes时，用户可根据需要选择其中几个类别；•如果选择Analysis Methods为Minority，则执行次要分析；•Kernel Size为核的大小，必须为奇数×奇数，核越大，则处理后结果越平滑；•中心像元权重（Center Pixel Weight）。
在判定在变换核中哪个类别占主体地位时，中心像元权重用于设定中心像元类别将被计算多少次。
例如：如果输入的权重为1，系统仅计算1次中心像元类别；如果输入5，系统将计算5次中心像元类别。
权重设置越大，中心像元分为其他类别的概率越小。
图2 原始分类结果（左），Majority分析结果（右）2)聚类处理（Clump）聚类处理（clump）是运用数学形态学算子（腐蚀和膨胀），将临近的类似分类区域聚类并进行合并。
分类图像经常缺少空间连续性（分类区域中斑点或洞的存在）。
低通滤波虽然可以用来平滑这些图像，但是类别信息常常会被临近类别的编码干扰，聚类处理解决了这个问题。
首先将被选的分类用一个膨胀操作合并到一块，然后用变换核对分类图像进行腐蚀操作。
下面介绍详细操作流程：（1）打开分类结果——"\分类后处理\数据\can_tmr_class.dat"；（2）打开聚类处理工具，路径为Toolbox /Classification/Post Classification/Clump Classes，在弹出对话框中选择"can_tmr_class.dat"，点击OK；（3）在Clump Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。
然后点击Choose按钮设置输出路径，点击OK执行操作。
图3 Clump Parameters面板参数设置结果（4）查看结果如下图所示，可以看到原始分类结果的碎斑归为了背景类别中，更加平滑。
注：参数说明如下•Select Classes时，用户可根据需要选择其中几个类别；•Operator Size Rows和Cols为数学形态学算子的核大小，必须为奇数，设置的值越大，效果越明显。
图4 原始分类结果（左），聚类处理结果（右）3)过滤处理（Sieve）过滤处理（Sieve）解决分类图像中出现的孤岛问题。
过滤处理使用斑点分组方法来消除这些被隔离的分类像元。
类别筛选方法通过分析周围的4个或8个像元，判定一个像元是否与周围的像元同组。
如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该类中删除，删除的像元归为未分类的像元（Unclassified）。
下面介绍详细操作流程：（1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"；（2）打开过滤处理工具，路径为Toolbox /Classification/Post Classification/Sieve Classes，在弹出对话框中选择"can_tmr_class.dat"，点击OK；（3）在Sieve Parameters面板中，点击Select All Items选中所有的类别，Group Min Threshold设置为5，其他参数按照默认即可，如下图所示。
然后点击Choose按钮设置输出路径，点击OK执行操作；图5 Sieve Parameters面板参数设置（4）查看结果如下图所示，可以看到原始分类结果的碎斑归为了背景类别中，更加平滑。
注：参数说明如下•Select Classes时，用户可根据需要选择其中几个类别；•过滤阈值（Group Min Threshold），一组中小于该数值的像元将从相应类别中删除，归为未分类（Unclassified）；•聚类领域大小（Number of Neighbors），可选四连通域或八连通域。
分别表示使用中心像元周围4个或8个像元进行统计。
图6 原始分类结果（左），过滤处理结果（右）2.分类统计分类统计(Class statistics)可以基于分类结果计算源分类图像的统计信息。
基本统计包括：类别中的像元数、最小值、最大值、平均值以及类中每个波段的标准差等。
可以绘制每一类对应源分类图像像元值的最小值、最大值、平均值以及标准差，还可以记录每类的直方图，以及计算协方差矩阵、相关矩阵、特征值和特征向量，并显示所有分类的总结记录。
下面介绍详细操作流程：（1）打开分类结果和原始影像——"\12.分类后处理\数据\can_tmr_class.dat"和"can_tmr.img"；（2）打开分类统计工具，路径为Toolbox/Classification/Post Classification/Class Statistics，在弹出对话框中选择"can_tmr_class.dat"，点击OK；（3）在Statistics Input File面板中，选择原始影像"can_tmr.img"，点击OK；（4）在弹出的Class Selection面板中，点击Select All Items，统计所有分类的信息，点击OK；注：可根据需要只选择分类列表中的一个或多个类别进行统计。
（5）在Compute Statistics Parameters面板可以设置统计信息（如下图所示），按照图中参数进行设置，点击Report Precision…按钮可以设置输入精度，按默认即可。
点击OK；图7 统计结果参数设置面板注1：统计功能包含三种统计类型，分别为：•基本统计（Basic Stats）：基本统计信息包括所有波段的最小值、最大值、均值和标准差，若该文件是多波段的，还包括特征值。
•直方图统计（Histograms）：生成一个关于频率分布的统计直方图，列出图像直方图（如果直方图的灰度小于或等于256）中每个DN值的Npts（点的数量）、Total （累积点的数量）、Pct（每个灰度值的百分比）、和Acc Pct（累积百分比）。
•协方差统计（Covariance）：协方差统计信息包括协方差矩阵和相关系数矩阵以及特征值和特征向量，当选择这一项时，还可以将协方差结果输出为图像（Covariance Image）。
注2：输出结果的方式有三种：输出到屏幕显示（Output to the Screen）、生成一个统计文件（.sta）和生成一个文本文件。
其中生成的统计文件可以通过以下工具打开：•ENVI 5.x：Toolbox/Statistics/View Statistics File•ENVI Classic：Classification > Post Classification > View Statistics File（6）如下图所示为显示统计结果的窗口，统计结果以图形和列表形式表示。
从Select Plot下拉命令中选择图形绘制的对象，如基本统计信息、直方图等。
从Stats for标签中选择分类结果中类别，在列表中显示类别对应输入图像文件DN值统计信息，如协方差、相关系数、特征向量等信息。
在列表中的第一段显示的为分类结果中各个类别的像元数、占百分比等统计信息。
图7 显示统计结果的窗口3.分类叠加分类叠加（Overlay Classes）功能，可以将分类结果的各种类别叠加在一幅RGB彩色合成图或者灰度图像上，从而生成一幅RGB 图像。
如果要想得到较好的效果，在叠加之前，背景图像经过拉伸并保存为字节型（8bit）图像，下面是具体操作过程。