遥感图像信息提取分析
遥感图像分析的基本原理与方法
遥感图像分析的基本原理与方法遥感图像分析是一种通过获取和解释地球表面的图像数据来研究地理现象和环境变化的方法。
它利用遥感技术获取的图像数据进行数据处理和分析，以揭示地球的表面特征、变化和趋势。
本文将介绍遥感图像分析的基本原理和方法，并探讨其在地质、环境和农业等领域的应用。
一、遥感图像分析的基本原理遥感图像分析依赖于传感器获取的电磁辐射数据。
电磁辐射是能量在电磁波形式下传播的过程，其波长范围从长波到短波，包括可见光、红外线和微波等。
传感器可以通过不同波段的响应来获取不同的辐射数据，从而得到不同频谱范围内的图像数据。
在遥感图像中，每个像素代表一块地表区域的平均辐射量。
图像数据可以由数字矩阵表示，其中每个像素的灰度值或颜色值表示该区域的辐射强度或反射率。
通过对这些数据进行处理和分析，可以获得地表特征的信息。
二、遥感图像分析的方法1. 预处理遥感图像预处理是为了去除图像中的噪声、增强特征和调整图像的对比度等。
常见的预处理步骤包括去噪、辐射校正、大气校正和几何校正等。
这些步骤可以提高图像质量并准确反映地表特征。
2. 特征提取特征提取是指从遥感图像中提取有用的地物信息。
可以根据图像的灰度、色彩、纹理和形状等特征来区分不同的地物类型。
常用的特征提取方法包括直方图均衡化、主成分分析、变化检测和物体识别等。
3. 分类与识别遥感图像分类是将图像中的像素按照其地物类型划分为不同的类别。
分类可以基于监督或无监督方法进行。
其中，监督分类依赖于训练样本和分类器，而无监督分类则是通过数据的统计分布和聚类分析进行分类。
4. 变化检测变化检测是利用多期遥感图像比较分析同一地区在不同时间的变化情况。
通过对像素之间的差异进行检测和分析，可以揭示地表的变化趋势和时空模式。
变化检测在环境监测、城市规划和资源管理等领域具有重要应用价值。
三、遥感图像分析的应用1. 地质勘探遥感图像分析可以帮助地质学家在不同尺度上研究地球表面的地质结构和岩矿成分。
遥感图像处理中的特征提取技术使用教程
遥感图像处理中的特征提取技术使用教程遥感图像处理是一种利用航天器或飞机上的传感器通过接收地球表面反射或辐射的能量进行地球观测与地球表面信息获取的科学技术。
遥感技术广泛应用于农业、林业、地质勘探、环境监测等领域，为了更准确地获取地表信息，特征提取技术成为遥感图像处理中的重要环节。
本文将介绍遥感图像处理中常用的特征提取技术，并提供相应的使用教程。
一、像素级特征提取技术像素级特征提取技术是指从遥感图像中提取单个像素的特征信息。
常用的像素级特征提取技术有灰度级特征提取和颜色特征提取。
1. 灰度级特征提取灰度级特征提取是根据像素的灰度值来判断其特征属性。
常用的灰度级特征包括像素的亮度、纹理、形状等。
其中，像素的亮度可以通过计算灰度直方图或灰度矩来进行提取；纹理特征可以通过灰度共生矩阵、小波变换等方法来提取；形状特征可以通过边缘检测、形态学操作等技术来提取。
2. 颜色特征提取颜色特征提取是根据像素的颜色信息来判断其特征属性。
常用的颜色特征包括色调、饱和度、亮度等。
可以通过计算像素的颜色直方图、颜色矩来提取颜色特征。
二、对象级特征提取技术对象级特征提取技术是指从遥感图像中提取出具有独特形态和位置特征的地物对象。
常用的对象级特征提取技术有基于边缘提取的特征、基于区域分割的特征和基于形状提取的特征等。
1. 基于边缘提取的特征边缘是地物对象与背景之间的边界，通过提取边缘可以获得地物对象的形态信息。
常用的边缘提取算法包括Canny边缘检测算法、Sobel算子、Prewitt算子等。
通过对遥感图像进行边缘提取，可以得到地物对象的轮廓信息。
2. 基于区域分割的特征区域分割是将遥感图像划分为具有相似特征的连续区域的过程。
常用的区域分割算法有基于阈值的分割算法、基于区域增长的分割算法、基于边缘的分割算法等。
通过对遥感图像进行区域分割，可以得到地物对象的集合，并提取出地物对象的各种特征属性。
3. 基于形状提取的特征地物对象具有独特的形状信息，通过提取形状特征可以获得地物对象的几何性质。
遥感图像处理与分析算法综述
遥感图像处理与分析算法综述随着遥感技术的发展，遥感图像处理与分析算法在各个领域中得到了广泛的应用。
遥感图像处理与分析算法是指通过对遥感图像进行数字处理和分析，来提取和解释图像中的信息。
本文将综述一些常见的遥感图像处理与分析算法，包括图像增强、分类与分割等。
一、图像增强图像增强是指通过一系列的操作，提高图像的质量和可视化效果。
常见的图像增强算法包括直方图均衡化、滤波和增强函数等。
直方图均衡化是一种常用的图像增强方法，它通过对图像的直方图进行变换，来增加图像的对比度。
该方法通过将图像的像素值映射到一个新的分布上，从而改变图像的亮度分布。
滤波是另一种常见的图像增强方法，通过在图像的空域或频域中对像素进行处理，来减少噪声和增强图像细节。
常见的滤波算法包括高通滤波和低通滤波等。
高通滤波可以增强图像的边缘和细节，而低通滤波则能够平滑图像并去除噪声。
增强函数是一种通过对图像的像素值进行非线性映射，来增强图像的方法。
常见的增强函数包括对数变换、幂次变换和伽马变换等。
对数变换可以扩展暗部像素的动态范围，而幂次变换则能够增强图像的对比度。
二、分类与分割分类与分割是遥感图像处理与分析的重要内容，它们能够将图像中的不同对象进行区分和提取。
常见的分类与分割算法包括聚类分析、最大似然分类和支持向量机等。
聚类分析是一种通过将像素划分到不同的类别中，来实现图像分类和分割的方法。
常见的聚类分析算法包括K均值聚类和自适应聚类等。
K均值聚类将图像像素划分为K个簇，每个簇代表一个类别，而自适应聚类则能够根据像素的分布进行不同权重的划分。
最大似然分类是一种基于概率统计的图像分类方法，它通过计算像素在每个类别中的概率，并选择概率最大的类别作为最终的分类结果。
最大似然分类算法能够准确地对图像中的不同对象进行分类，并且具有较强的鲁棒性。
支持向量机是一种通过构建一个最优决策边界，来实现图像分类和分割的方法。
支持向量机利用训练样本，通过最大化分类边界与样本之间的距离，来找到一个最优的分类超平面。
遥感影像处理中的特征提取方法和应用
遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务，旨在从遥感影像中提取出地物的特定特征，以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括：（1）颜色特征提取：利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数（NDVI）等。
（2）纹理特征提取：利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵（GLCM）、灰度值标准差、平均灰度值等。
（3）形状特征提取：利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下，根据地物目标的特定特征进行特征提取。
常用的方法包括：（1）形状特征提取：利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
（2）纹理特征提取：利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
（3）上下文特征提取：利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征，可以将遥感影像中的地物进行分类，如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征，可以实现对土地的类型和变化进行监测，如农田的扩张、森林的退化等，为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征，可以分析城市的发展趋势和扩张方向，为城市规划和交通规划提供数据支持。
遥感图像的特征提取与空间分析方法
遥感图像的特征提取与空间分析方法遥感图像是一种通过卫星、飞机等远距离方式获取地球表面信息的技术。
随着遥感技术的不断进步和应用领域的拓展，遥感图像的特征提取和空间分析方法也成为研究的热点之一。
本文将探讨遥感图像特征提取与空间分析方法的相关内容，包括常用的特征提取方法、特征的分类和应用以及空间分析方法的原理和应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是最基础的一种方法，它通过分析每个像素点的亮度、颜色等属性来提取图像特征。
常见的方法有灰度共生矩阵、颜色直方图和纹理特征等。
其中，灰度共生矩阵通过计算像素之间的灰度分布概率来描述图像的纹理特征，颜色直方图通过统计图像中像素的颜色分布情况来提取图像的颜色特征。
2. 基于区域的特征提取方法基于区域的特征提取方法是将图像分割成若干个区域，然后提取每个区域的特征。
常用的方法有边缘检测、聚类分析和形态学处理等。
边缘检测可以提取图像中的边界信息，聚类分析可以将相似的像素点分到同一个区域中，形态学处理可以提取图像中的纹理和形状信息。
二、特征的分类和应用根据特征的性质和应用场景的不同，特征可以分为几何特征、频谱特征和纹理特征等。
几何特征包括面积、周长、形状等，频谱特征包括反射率、辐射度等，纹理特征包括纹理均匀度、纹理方向等。
这些特征在不同领域的应用也有所不同。
1. 土地利用与覆盖变化研究土地利用与覆盖变化研究是遥感图像应用的一个重要领域，它可以通过提取图像的频谱特征和纹理特征来监测和分析土地的利用情况和覆盖变化。
例如，利用遥感图像的反射率特征可以判断农田的健康状况，利用纹理特征可以分析城市建设的扩张情况。
2. 灾害监测与评估灾害监测与评估是遥感图像应用的另一个重要领域，它可以通过提取图像的几何特征和纹理特征来识别和分析灾害的类型和程度。
例如，在地震灾害监测中，可以利用遥感图像的几何特征和纹理特征来评估建筑物的倒塌程度和人员伤亡情况。
三、空间分析方法空间分析方法是对遥感图像进行空间变化和空间关系分析的一种方法。
如何使用遥感图像进行测绘分析
如何使用遥感图像进行测绘分析遥感图像是通过航空器、卫星等远距离传感器获取的地球表面信息图像，具有广泛的应用领域，如气候研究、资源勘探和环境保护等。
其中，遥感图像在测绘分析方面起到了重要的作用。
本文将探讨如何使用遥感图像进行测绘分析，包括数据获取、图像处理和特征提取等方面。
一、数据获取在进行遥感测绘分析之前，首先需要获取相关的遥感图像数据。
常见的数据来源包括地面测绘、卫星遥感和航拍测绘等。
地面测绘是通过专业测绘仪器进行实地测量，获取地理坐标等数据。
卫星遥感则是利用遥感卫星获取的卫星图像，可覆盖大范围地理区域。
航拍测绘则是通过飞机等航空器拍摄图像，适用于较小范围的地区。
二、图像处理获取到遥感图像数据后，需要进行图像处理，以提取有用的信息进行测绘分析。
常用的图像处理技术包括影像融合、噪声滤波和几何校正等。
影像融合是将多个不同传感器获取的遥感图像融合在一起，增强图像的空间分辨率和光谱信息。
噪声滤波则用于去除图像中的噪声，提高图像的质量和可用性。
几何校正是将图像与地理坐标系统进行配准，确保图像的几何精度符合要求。
三、特征提取在图像处理的基础上，需要进行特征提取，以获取地物、地貌等目标物体的信息。
常用的特征提取方法包括目标识别和地物分类等。
目标识别是根据事先设定的目标特征，自动识别和提取图像中的目标物体。
地物分类则是根据地物的特征向量，将图像中的像素点分到不同的地物类别中。
这些特征提取方法可以帮助我们了解地表的特征分布，进行土地利用、土地覆盖等测绘分析。
四、应用案例遥感图像在测绘分析中有着广泛的应用。
以城市规划与建设为例，遥感图像可以提供城市用地分布、道路网络和建筑物分布等信息。
通过对遥感图像进行特征提取和分析，可以评估城市用地的利用率，优化交通规划和道路网络布局，为城市建设提供科学的决策依据。
此外，在环境保护方面，遥感图像可用于植被覆盖的监测、湿地的保护等。
通过对遥感图像的分析，可以及时发现并监测极地冰川的变化，进而预测气候变化并采取相应措施。
遥感解译基本步骤
遥感解译基本步骤遥感解译是从遥感图像中提取信息、进行分析和识别的过程。
以下是遥感解译的基本步骤：1. 图像获取和准备：获取高质量的遥感图像是解译的第一步。
选择合适的传感器、波段和分辨率以满足研究需求。
确保图像在获取时没有大气、云层或其他干扰。
2. 图像校正：对图像进行几何和辐射校正，以纠正由于传感器和大气扰动引起的形变和亮度差异。
校正后的图像有助于准确的定量分析和解译。
3. 选择合适的波段：根据研究目的选择图像中的合适波段。
不同波段可以提供不同的信息，例如红外波段用于植被健康状况的评估。
4. 增强图像：对图像进行增强，以提高特定信息的可视化效果。
常见的增强方法包括直方图均衡、对比度拉伸和色彩增强。
5. 制定解译目标：确定解译的目标和研究问题，例如土地覆盖类型、植被健康状况、水体分布等。
这有助于有针对性地选择解译方法和工具。
6. 进行初步解译：对图像进行初步的目视解译，标识可能的地物、特征和变化。
使用专业软件工具，如遥感图像解译系统，辅助进行初步解译。
7. 执行监督或非监督分类：利用监督或非监督分类方法，将图像像元分配到不同的类别中。
监督分类需要事先准备训练样本，而非监督分类则是根据图像自身的统计特征进行分类。
8. 验证和精度评估：对解译结果进行验证，比较实地调查或其他高分辨率数据，评估解译的准确性和可靠性。
这有助于确定解译结果的可信度。
9. 后处理和整合：对分类结果进行后处理，填充空洞、平滑边界等，以提高分类的一致性。
将解译结果与其他地理信息数据整合，生成完整的信息产品。
10. 结果分析和报告：分析解译结果，生成地图或报告，以满足特定的研究目标。
结果的解读需要结合地理背景和专业知识。
这些步骤的具体执行可能会因研究目的、地域特点和数据类型而有所不同，但这些基本步骤提供了一个通用的遥感解译流程。
如何进行遥感图像的影像处理与信息提取
如何进行遥感图像的影像处理与信息提取遥感技术在许多领域中发挥着重要作用，包括农业、环境研究、资源管理等。
遥感图像的影像处理和信息提取是实现遥感应用的关键步骤之一。
本文将探讨如何进行遥感图像的影像处理与信息提取，帮助读者更好地理解和应用这一技术。
一、遥感图像的基本概念和分类在深入讨论遥感图像的影像处理和信息提取之前，我们先来了解一下遥感图像的基本概念和分类。
遥感图像是通过卫星、飞机等遥感平台获取的地球表面的图像，它包含了丰富的地物信息。
根据不同传感器的工作原理和波段范围，遥感图像可以分为光学图像、雷达图像等不同类型。
二、遥感图像的预处理遥感图像在获取后需要进行一系列的预处理，以消除噪声、增强图像质量，为后续的影像处理和信息提取做准备。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正用于消除图像中的辐射噪声，保证图像的准确性和一致性。
大气校正则是为了消除大气对图像的影响，使得图像能够真实地反映地表特征。
几何校正则是校正图像的几何形状和位置，使其与现实地物保持一致。
三、遥感图像的影像处理影像处理是指对遥感图像进行一系列的处理操作，以增强图像的特征、提取信息或获得更高层次的图像产品。
常见的遥感图像影像处理方法包括图像增强、图像分类和图像融合等。
图像增强主要是通过增加图像的对比度、调整亮度等方式，使地物特征更加明显。
图像分类则是将遥感图像中的像素划分为不同的类别，用于分析地物类型和覆盖状况。
图像融合则是将多个遥感图像进行融合，以获取更全面和准确的地物信息。
四、遥感图像的信息提取信息提取是指从遥感图像中提取具有特定含义和应用价值的信息。
常见的信息提取任务包括地表覆盖分类、目标检测、变化检测等。
地表覆盖分类是将遥感图像中的地物按照不同的类别进行分类，如森林、湖泊、城市等。
目标检测则是在遥感图像中寻找特定目标，并进行识别和定位。
变化检测是对不同时间获取的遥感图像进行比较，找出地物变化的区域和变化趋势。
遥感图像分析中的特征提取方法研究
遥感图像分析中的特征提取方法研究遥感图像是使用遥感技术获取的地球表面的图像数据，具有广泛的应用领域，如农业、环境监测、城市规划等。
在遥感图像分析中，特征提取是一项关键的任务，它可以帮助我们理解和解释图像中的信息，从而支持后续的分类、目标检测和变化检测等任务。
本文将介绍遥感图像分析中常用的特征提取方法，并对其进行研究和探讨。
一、基于像素的特征提取方法1. 光谱特征提取光谱特征提取是遥感图像分析中最常用的方法之一。
它利用不同波段的反射率或辐射率来描述地物的光谱特征。
常用的光谱特征包括光谱指数（如归一化差异植被指数、土壤调节植被指数）、光谱编码特征和光谱形状特征等。
这些特征可以用来反映地物的生理状态、土壤类型以及地表覆盖情况。
2. 纹理特征提取纹理特征描述图像中的纹理结构，它可以用来区分不同地物之间的差异。
常用的纹理特征提取方法包括协方差矩阵、格雷共生矩阵和小波变换等。
这些方法可以用来量化图像中的纹理信息，并提取与地物类别相关的纹理特征。
3. 形状特征提取形状特征描述地物在空间中的形状和几何属性。
常用的形状特征包括面积、周长、形状指数和紧凑度等。
这些特征可以用来区分不同类别的地物，如水体、建筑物和森林等。
二、基于目标的特征提取方法1. 目标边界特征提取目标边界特征是指提取目标轮廓或边界的特征。
这些特征可以用来分析目标的形状、大小和结构等属性。
常用的目标边界特征提取方法包括边缘检测、边界跟踪和边界描述等。
2. 目标纹理特征提取目标纹理特征提取是指提取目标表面的纹理特征。
它可以用来分析目标的表面纹理结构和纹理特征。
常用的目标纹理特征提取方法包括灰度共生矩阵、小波变换和纹理过滤器等。
三、基于空间信息的特征提取方法1. 空间相对关系特征提取空间相对关系特征描述地物之间的位置关系。
常用的空间相对关系特征包括距离、角度和邻域关系等。
这些特征可以用来分析地物之间的空间布局和空间关系。
2. 空间结构特征提取空间结构特征描述地物在空间上的结构和组织。
如何进行遥感图像的特征提取与目标检测
如何进行遥感图像的特征提取与目标检测遥感图像是一种通过航天技术获取的地球或其他天体上的图像，它能提供大量的地理信息和环境数据。
然而，由于遥感图像具有高维复杂性和丰富的信息量，解读和利用这些图像是一项具有挑战性的任务。
在本文中，我将介绍如何进行遥感图像的特征提取与目标检测，以便更好地理解和利用遥感图像的信息。
一、遥感图像的特征提取特征提取是从原始数据中选择和提取出与特定任务相关的信息的过程。
对于遥感图像，我们可以通过以下几种方法进行特征提取。
1. 颜色特征提取遥感图像中的颜色信息具有重要的地理、环境和地物属性。
通过使用颜色直方图、颜色矩和颜色空间变换等方法，可以从遥感图像中提取出丰富的颜色特征。
这些颜色特征可以用于分类、目标检测和地物识别等应用。
2. 纹理特征提取纹理是遥感图像中地物表面的经典特征之一。
通过灰度共生矩阵、局部二值模式和小波变换等方法，可以提取出遥感图像中地物的纹理信息。
这些纹理特征可以用于地物分类、目标检测和地貌分析等任务。
3. 形状特征提取遥感图像中的地物形状信息也具有重要的地理和环境属性。
通过使用边缘检测、形态学操作和轮廓描述等方法，可以提取出遥感图像中地物的形状特征。
这些形状特征可以用于地物识别、目标检测和地貌分析等应用。
二、遥感图像的目标检测目标检测是通过分析遥感图像，自动或半自动地识别和定位其中的目标。
遥感图像的目标检测是遥感技术的重要应用之一，它可以用于农业监测、城市规划和环境监测等领域。
1. 基于区域的目标检测方法基于区域的目标检测方法是一种常用的遥感图像目标检测方法。
该方法先通过图像分割将图像分成多个区域，然后通过计算每个区域的特征向量，利用机器学习算法进行分类和目标检测。
常用的图像分割算法包括基于阈值、基于区域增长和基于图割等方法。
2. 基于卷积神经网络的目标检测方法随着深度学习的兴起，卷积神经网络在遥感图像的目标检测中得到了广泛应用。
通过训练深度卷积神经网络，可以实现对遥感图像中的目标进行准确识别和定位。
如何进行遥感图像的特征提取与目标识别
如何进行遥感图像的特征提取与目标识别遥感图像是一种通过遥感技术获取的地球表面的图像数据，具有广泛的应用价值。
然而，由于遥感图像的数据量庞大且复杂，直接使用原始图像进行分析和处理会面临诸多挑战。
因此，对遥感图像进行特征提取和目标识别成为了遥感图像处理的核心问题。
本文将探讨如何进行遥感图像的特征提取与目标识别，并通过实例进行说明。
一、理解遥感图像的特征提取特征提取是将图像中的信息转化为可供计算机进一步处理的数值或符号特征的过程。
在遥感图像中，特征提取是通过对图像的处理和分析，提取出具有代表性和区分度的图像特征，以便进行后续的目标识别和分类。
在遥感图像中的特征可以包括空间特征、频谱特征、纹理特征等。
其中，空间特征指的是图像中目标的几何形状、大小和分布等信息；频谱特征则是指图像中目标在不同波段上的反射或辐射强度的分布信息；而纹理特征则是指图像中目标的纹理信息，如纹理的粗糙度、方向等。
二、常用的遥感图像特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是将图像中的每一个像素点作为一个单独的特征，并将其通过某种算法转化为能够反映目标信息的数值特征。
这种方法简单直观，适用于需要考虑目标每个像素点的信息的任务，如边缘检测、目标分割等。
2. 基于区域的特征提取方法基于区域的特征提取方法将图像中的像素点组织成一个一个的区域，并对每个区域提取特征。
这种方法考虑了目标的上下文信息，能够更好地反映目标的几何形状和分布情况。
常用的基于区域的特征提取方法包括基于区域的纹理特征、形状特征等。
3. 基于深度学习的特征提取方法随着深度学习的发展，基于深度学习的特征提取方法也逐渐应用于遥感图像处理中。
深度学习通过构建多个隐藏层的神经网络模型，能够自动学习和提取图像中的特征。
这种方法不需要手工设计特征提取算法，具有非常强的表达能力和适应性。
三、遥感图像目标识别的方法在进行了特征提取之后，接下来的任务就是对图像中的目标进行识别。
如何利用遥感图像进行局部地形的提取与分析
如何利用遥感图像进行局部地形的提取与分析遥感图像是通过遥感技术获取的地球表面的图像数据，它能提供丰富的地形信息，为局部地形的提取和分析提供了重要的数据来源。
本文将探讨如何利用遥感图像进行局部地形的提取与分析。
一、遥感图像的基本原理1. 电磁波谱的特性：遥感图像是通过接收地面反射或散射的电磁波来获取地表信息的。
电磁波谱的不同波段在地表的互动过程有所不同，因此可以利用不同波段的遥感图像提取地形信息。
2. 分辨率的影响：遥感图像的分辨率决定了它能够提供的地形细节。
较高分辨率的图像可以提供更加精细的地形信息，而较低分辨率的图像则提供的信息相对较少。
二、局部地形提取与分析方法1. 高程模型提取：根据遥感图像的灰度值或颜色信息，可以通过数字高程模型（Digital Elevation Model，简称DEM）来提取地形的高程信息。
DEM可以将地表按照高程分层，从而提供了地形的三维信息。
2. 地形特征提取：利用遥感图像，可以提取出地形的一些特征，如河流、湖泊、山脉等。
通过提取这些地形特征，可以分析地形的形状、分布和变化趋势。
3. 地形剖面分析：利用遥感图像，可以在一定的距离上提取地形剖面信息。
通过分析地形剖面的坡度、高度变化等指标，可以了解地形的起伏情况，并进一步分析其对水文、水资源等方面的影响。
4. 洼地提取：遥感图像中的色彩变化可以用于提取地表的凹地，如低洼区域、水坑等。
通过提取洼地信息，可以研究地表水文过程、水资源等问题。
5. 土地利用/覆盖分析：通过遥感图像，可以提取出不同地表类型（如水体、建筑物、森林、农田等）的信息，进而进行土地利用和覆盖的分析。
这对于城市规划、资源管理等有重要意义。
三、遥感图像处理软件工具为了进行局部地形的提取与分析，需要借助一些遥感图像处理软件工具。
目前市面上有许多专业的遥感图像处理软件，如ENVI、ERDAS IMAGINE等。
这些软件提供了各种功能，包括影像校正、地形矫正、地物提取、空间分析等，方便用户进行遥感图像的处理与分析。
如何进行遥感图像的分类和特征提取
如何进行遥感图像的分类和特征提取遥感图像是指通过遥感技术获取到的地球表面的图像，这些图像具有广阔的覆盖范围和高空间分辨率的特点。
遥感图像的分类和特征提取是遥感技术中的重要任务，对于地理信息系统、环境监测、农业、城市规划等领域具有重要的应用价值。
一、遥感图像的分类遥感图像的分类是指将遥感图像中的目标或地物按照一定的规则和标准进行分类和分割的过程。
分类的目的是将图像中的像素或物体划分到不同的类别中，以便进行后续的分析和应用。
遥感图像的分类主要分为无监督分类和监督分类两种方法。
无监督分类是一种基于统计学原理的分类方法，它通过对图像中的像素进行聚类分析，将相似的像素划分到同一类别中。
无监督分类不需要事先提供训练样本，但需要人工对分类结果进行验证和调整，以保证分类的准确性。
监督分类是一种基于训练样本的分类方法，它需要提供事先标注好的样本集合，然后通过对样本的特征进行分析和学习，构建分类器模型，最后将模型应用到整个图像的分类中。
监督分类的准确性和鲁棒性较高，但需要大量标注样本和专业的专业知识支持。
二、遥感图像的特征提取遥感图像的特征提取是指从遥感图像中提取出有区别于其他类别的特征信息的过程。
特征提取的目的是为了能够准确地描述和区分地物或目标的特征，以便进行后续的分类、识别和分析。
遥感图像的特征提取可以基于人工设计的特征，也可以通过机器学习的方法自动学习特征。
常用的特征包括光谱特征、纹理特征、形状特征、结构特征等。
光谱特征是根据不同波段的反射率或辐射亮度来描述目标或地物的光谱响应。
通过分析目标在不同波段上的反射率差异，可以获取到目标的光谱特征，从而进行分类和分析。
纹理特征是用来描述目标或地物纹理的特征，纹理通常包括纹理方向、纹理密度、纹理粗糙度和纹理对比度等。
通过对图像进行纹理分析和特征提取，可以获取到目标的纹理特征，从而进行分类和分析。
形状特征是用来描述目标或地物的形状的特征。
形状特征可以通过目标的边界进行提取，常用的形状特征包括面积、周长、斜率、紧凑度等。
利用遥感影像进行测绘数据提取的方法
利用遥感影像进行测绘数据提取的方法近年来，随着遥感技术的不断发展，越来越多的测绘工作开始依赖遥感影像进行数据提取。
遥感影像具有高分辨率、广覆盖等优势，能够为测绘工作提供丰富的数据来源。
本文将介绍利用遥感影像进行测绘数据提取的一些常见方法，包括图像分类、目标检测和高程提取。
一、图像分类图像分类是利用计算机对遥感影像进行自动分类的方法。
通过对图像进行光谱分析和空间特征提取，可以将图像中的各类地物分割出来，并进行分类操作。
图像分类的步骤包括预处理、特征提取、分类器训练和分类结果验证等。
在图像分类中，特征提取是一个关键的环节。
常见的特征包括光谱特征、纹理特征和形状特征等。
光谱特征是指地物在不同波段上的反射率或亮度值，通过对光谱曲线进行分析，可以获得地物的光谱特征。
纹理特征是指地物的细节和纹理特点，通过对图像进行纹理分析，可以提取出地物的纹理特征。
形状特征是指地物的形状特点，通过对地物的边界进行分析，可以提取出地物的形状特征。
二、目标检测目标检测是利用遥感影像进行目标识别和定位的方法。
目标检测可以用于自然资源调查、城市规划和环境监测等领域。
目标检测的关键是找到目标在图像中的位置，并进行标注和分类。
常见的目标检测方法包括目标区域提取、特征描述和目标分类等。
在目标检测中，目标区域提取是一个重要的步骤。
目标区域提取可以通过阈值分割、边缘检测和区域生长等方法实现。
阈值分割是指利用像素的灰度值进行分割，将灰度值大于阈值的像素设置为目标像素，灰度值小于阈值的像素设置为背景像素。
边缘检测是指通过计算像素间的差值来检测目标的边缘。
区域生长是指从某个种子点开始，根据像素的灰度值相似性来扩展目标区域。
三、高程提取高程提取是利用遥感影像来获取地表的高程信息。
高程提取可以用于地形测量、地形分析和地貌研究等方面。
高程提取的方法主要包括影像匹配和立体视觉等。
影像匹配是利用影像对中的像点对进行配对，从而获取地点的三维坐标。
常见的影像匹配方法包括基于特征点的匹配和基于区域的匹配。
基于多尺度分析的遥感图像特征提取研究
基于多尺度分析的遥感图像特征提取研究随着科技的发展和遥感技术的成熟，遥感图像成为获取地理信息最为重要的手段之一。
然而，由于遥感图像数据的多样性、复杂性、高维性和大规模化特点，如何从中提取有效特征是遥感图像处理中的研究热点之一。
多尺度分析作为一种有效的特征提取方法，已经在遥感图像处理中得到广泛应用。
一、多尺度分析的概念多尺度分析是指从不同的空间尺度或者时间尺度对数据进行分析处理的一种方法。
在遥感图像中，多尺度分析一般包括三个方面：空间多尺度、频率多尺度和纹理多尺度。
空间多尺度主要是从空间尺度的角度来对遥感图像进行分析处理，例如采用多种尺度的高斯滤波器对图像进行平滑处理，从而得到图像的不同尺度的信息。
频率多尺度则是从频率分析的角度来对图像进行分析处理，例如使用小波变换对图像进行频率分析，从而获得图像的不同频率成分。
纹理多尺度则是从纹理特征的角度来对图像进行分析处理，例如采用基于灰度共生矩阵的方法对图像进行纹理特征提取。
二、多尺度分析在遥感图像特征提取中的应用1. 基于空间多尺度的特征提取由于遥感图像具有多尺度特点，因此从空间多尺度角度对遥感图像进行分析处理可以提取出图像的不同特征。
其中，基于高斯金字塔的空间多尺度分析是一种常用的方法。
通过将原始图像采用高斯核卷积，获得不同尺度下的图像，从而提取出不同尺度结构特征和纹理特征等。
此外，基于小波变换的方法也可以从空间多尺度的角度来提取图像特征。
2. 基于频率多尺度的特征提取频率多尺度分析是对图像频率信息的分析，可以分离出图像的高频和低频等频率信息，不同频率段内的信息则蕴含了图像不同的结构信息和纹理信息。
在遥感图像特征提取中，基于小波变换的方法是一种常用的频率多尺度分析方法。
3. 基于纹理多尺度的特征提取在遥感图像处理中，基于纹理多尺度的特征提取方法，可以认为是从图像外观的角度出发，提取出不同尺度和方向的纹理特征，以揭示遥感图像中的纹理特征。
常用的纹理特征包括灰度共生矩阵、纹理方向直方图等。
遥感数据处理中的特征提取方法与应用技巧
遥感数据处理中的特征提取方法与应用技巧遥感技术是指通过高空或高速传感器获取地球表面信息的一种手段。
它通过光电传感器、雷达传感器等设备获取的数据，经过一系列的处理和分析，可以提取出地球表面的特征信息。
特征提取是遥感数据处理的重要环节，本文将介绍几种常用的特征提取方法和应用技巧。
一、图像预处理在进行特征提取之前，首先需要对遥感图像进行预处理。
预处理的目的是去除图像中的噪声和干扰，使图像更加清晰，提高特征提取的精度和准确性。
常见的预处理方法有去噪、边缘增强和图像增强等。
去噪是指去除图像中的噪声信号，常用的方法有平滑滤波、中值滤波和小波滤波等。
平滑滤波是通过邻域平均值或加权平均值来替代噪声像素值，中值滤波则是通过邻域像素的中值来替代噪声像素值，小波滤波则是通过小波变换的方法来滤除噪声。
边缘增强是用于增强图像中的边缘信息，以提高特征提取的效果。
常用的边缘增强方法有Sobel算子、Canny算子和Laplacian算子等。
这些算子可以从图像中提取出边缘信息，使得特征提取更加准确。
图像增强是通过增加图像的对比度和亮度来使图像更加清晰。
常用的方法有直方图均衡化和伽马校正等。
直方图均衡化是通过对图像的直方图进行变换，使得图像的灰度级在整个灰度范围内均匀分布，从而增加图像的对比度。
伽马校正是通过对图像的像素值进行幂次变换，从而调整图像的亮度。
二、特征提取方法特征提取是指从图像中提取出具有代表性的特征信息，以反映地物或目标的性质和特征。
常用的特征提取方法有灰度共生矩阵法、纹理特征提取法和形状特征提取法等。
灰度共生矩阵法是一种常用的纹理特征提取方法，它通过计算图像中像素之间的灰度值差异来反映图像的纹理信息。
该方法通过构建灰度共生矩阵，计算出不同方向上的纹理特征，如对比度、相关性和能量等。
这些特征可以用于地物分类、目标检测和图像匹配等应用。
纹理特征提取法是一种常用的特征提取方法，它通过提取图像中的纹理信息来表征地物或目标的特征。
卫星遥感图像解译基本方法
卫星遥感图像解译基本方法卫星遥感技术是一种通过卫星获取地表信息的方法，利用遥感图像可以得到各种地物、地貌和地理信息。
然而，遥感图像的解译对于准确地理分析和资源管理至关重要。
本文将介绍几种常见的卫星遥感图像解译基本方法。
一、目视解译法目视解译法是最基本的遥感图像解译方法，主要通过人眼观察和识别图像上的地物。
这种方法可以快速获取信息，但准确性有限。
目视解译法常用于初步查看遥感图像，进行初步的地物分类。
二、特征识别法特征识别法是通过对图像上的特征进行分析和识别来进行解译。
这些特征可以是地物的形状、大小、颜色等。
特征识别法可以用于地物的分类和提取，但对于复杂地物和噪声的处理能力较差。
三、数字图像处理法数字图像处理法是利用计算机对遥感图像进行处理和分析的方法。
这种方法可以通过图像增强、过滤、变换等操作来改善图像质量，并提取图像上的信息。
数字图像处理法能够处理大量的遥感数据，提高解译的准确性和效率。
四、机器学习方法机器学习方法是利用机器学习算法对遥感图像进行分类和解译的方法。
这些算法可以通过训练模型来自动识别和分类图像上的地物。
常见的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）和神经网络（Neural Network）等。
机器学习方法能够处理复杂的地物和噪声，并具有较高的准确性。
五、交叉验证方法交叉验证方法是一种通过对多个遥感图像进行对比和验证的方法。
通过对比不同图像上的相同地物或地貌，可以提高解译的准确性。
交叉验证方法常用于验证数字图像处理和机器学习方法的结果，并查找解译过程中的错误和不确定性。
综上所述，卫星遥感图像解译有多种基本方法，包括目视解译法、特征识别法、数字图像处理法、机器学习方法和交叉验证方法等。
这些方法可以根据不同的需求和数据情况进行选用和组合，以提高解译的准确性和效率。
在实际应用中，解译人员可以根据具体情况选择适合的方法，并结合地理知识和专业经验进行解译分析。
如何进行遥感图像的特征提取与分类
如何进行遥感图像的特征提取与分类遥感图像是通过航空或卫星等远距离感知装置获取的地表信息图像。
利用遥感技术可以获取大范围的地理信息，广泛应用于农业、城市规划、环境监测等领域。
而遥感图像的特征提取与分类则是处理遥感图像的重要环节，它能够帮助我们更好地理解和利用遥感图像。
一、遥感图像的特征提取特征提取是将原始遥感图像转化为能够描述地物类别的数学特征的过程。
在遥感图像中，不同地物或者地物类别往往具有不同的光谱、纹理、形状等特征。
因此，通过提取这些特征，我们可以对地物进行分类与分析。
1.光谱特征提取光谱特征是指反映地物物理性质的光谱波段数据。
通过选择不同的波段组合，我们可以提取出反映植被、水体、建筑物等地物特性的光谱特征。
常用的方法有主成分分析（PCA）、最大似然分类（MLC）等。
2.纹理特征提取纹理特征描述了图像中像素间的空间关系。
在遥感图像中，纹理特征可以用于区分不同地物的纹理复杂程度。
例如，植被具有较为均匀的纹理，而建筑物则较为具有几何纹理。
常用的纹理特征提取方法有灰度共生矩阵法（GLCM）、局部二值模式法（LBP）等。
3.形状特征提取形状特征是指地物在图像中的几何形状信息。
通过提取地物的形状特征，可以识别出地物的边界和形状。
例如，对于建筑物来说，我们可以通过提取其形状特征来判断其是直角形、圆形还是其他形状。
常用的形状特征提取方法有边缘检测算子、Hough变换等。
二、遥感图像的分类分类是将遥感图像中的像素划分到不同地物类别中的过程。
通过分类，我们可以获取遥感图像中不同地物的分布情况，进而进行地物的监测与分析。
1.监督分类监督分类是指使用人工定义的训练样本对遥感图像进行分类。
首先，我们需要准备一些具有代表性的训练样本，这些样本包含不同地物类别的图像区域。
然后，通过计算遥感图像与这些训练样本之间的差异，可以得到分类决策函数，进而对整幅遥感图像进行分类。
2.非监督分类非监督分类是指根据遥感图像中像素值的统计特征，自动将其划分到不同的类别中。
遥感影像处理与测绘数据提取技术详解
遥感影像处理与测绘数据提取技术详解引言：自工业化时代开始以来，人类对于地球的了解与探索不断加深，在这一过程中，遥感影像处理和测绘数据提取技术起着重要的作用。
遥感影像处理技术通过获取和分析地球表面上的图像数据，为我们提供全球范围内的地理信息。
而测绘数据提取技术则从地面上获取的各种数据中提取有关地理特征的信息。
本文将详细介绍遥感影像处理和测绘数据提取技术的原理和应用。
一、遥感影像处理技术1. 遥感影像获取技术遥感影像是通过卫星、飞机等远离地球表面的平台获取的地球表面图像。
这些图像可以提供宽广的视野，从而获得地球不同部位的图像数据。
遥感影像获取技术包括多光谱影像、高光谱影像、合成孔径雷达影像等。
其中，多光谱影像通过记录地表不同波段的电磁波信息，可以提供更为详细的地表信息。
而高光谱影像则通过记录地表众多的光谱波段，可以提供更加精细的地表信息。
合成孔径雷达影像则基于雷达信号，可以在夜晚或天气恶劣的情况下获取地表图像。
2. 遥感影像处理技术的原理遥感影像处理技术主要包括预处理、特征提取和信息提取三个步骤。
预处理步骤包括辐射校正、大气校正、几何校正等，主要是为了将原始数据转换为可用的标准化数据。
特征提取步骤则针对不同的地物特征进行分析，以提取出地表的不同要素，如水体、道路、建筑等。
信息提取步骤则是将特征提取的结果整合并分析，以获得一定规模的遥感影像数据集。
3. 遥感影像处理技术的应用遥感影像处理技术在许多领域都有广泛的应用。
例如，在农业领域，可以通过遥感影像处理技术监测作物的生长状况和土壤湿度等重要指标，以便农民及时采取相应的措施。
在城市规划与管理方面，遥感影像处理技术可以用于快速提取城市建筑物、道路和绿化带等信息，在城市规划与管理中起到重要的作用。
此外，遥感影像处理技术还可用于环境保护、自然资源调查与管理等诸多领域。
二、测绘数据提取技术1. 测绘数据获取技术测绘数据的获取通常通过测量和观测来实现。
地面测量是最常见的方式之一，通过使用测量仪器，如全站仪、测距仪等，可以测量地面上各种特征的位置和形状等信息。
遥感信息提取
这种方法可以在一定程度上减少人工 设置特征和分类参数的繁琐过程，提
高分类精度
2
3
但是，它需要大量的训练数据和计算 资源，且对硬件要求较高
变化检测技术
1
变化检测技术是一种通过比较不同时间拍摄的 遥感影像，从而检测出地物变化的过程
2
它广泛应用于土地利用变化、城市规划、环境
保护等领域
3
变化检测技术可以通过不同的算法实现，例如 图像差分法、像素分类法、支持向量机等
遥感信息提取的方法和技术很多，下面 介绍几种常用的方法
目视解译
1 目视解译是指通过人工观察和分析遥感 影像，直接从影像中获取信息的过程
2 它是遥感信息提取最基本、最常用的方 法之一
3 目视解译的优点是简单、直观、灵活， 可以快速获取大量的信息
4 但是，它存在着主观性较强、精度较 低等缺点
计算机辅助分类
地物光谱数据库
➢ 地物光谱数据库是一种利 用地物光谱信息进行遥感 信息提取的方法。它通过 建立地物光谱数据库，为 遥感信息提取提供参考和 依据。这种方法可以提供 更准确的地物识别和分类 结果，但是需要大量的光 谱数据和计算资源
➢ 总之，遥感信息提取是遥 感技术应用的核心环节之 一，其方法和技术多种多 样。不同的方法和技术适 用于不同的应用场景和需 求，需要根据实际情况选 择合适的方法和技术。同 时，随着遥感技术的发展 ，新的方法和技术也不断 涌现，为遥感信息提取提 供了更多的选择和可能性
以上是几种常用的遥感信息提取 方法和技术。它们各有优缺点， 需要根据具体的应用场景和需求 选择合适的方法和技术。同时， 随着遥感技术的发展，新的方法 和技术也不断涌现，为遥感信息 提取提供了更多的选择和可能性
- 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)。
3、基于专家知识的决策树分类
ENVI/IDL
3.1 专家知识的决策树分类基本原理
根据光谱特征、空间关系和其他上下文关系归类像元
陡坡上的植被 缓坡上的植被
+
+ +
DEM
Road Map Zoning Coverage Landcover Classification
+
高山植被
公园用地
ENVI/IDL
NDVI小于或等于0.3，波段4值小于20
ENVI/IDL
3.4 规则描述——表达式与变量
表达式 基本运算符 三角函数 部分可用函数 +、-、*、/ Sin、cos、tan asin、acos、 atan Sinh、cosh、 tanh…. slope aspect ndvi Tascap pc mnf lpc 其他符号 指数（^）、exp 对数alog 平方根（sqrt）、 绝对值（adb） …… Stdev Mean Min、max 变量 作用 计算坡度 计算坡向 计算归一化植被 指数 穗帽变换 主成分分析 最小噪声变换 局部主成分分析 标准差 平均值 最大、最小值
• 遥感影像通过亮度值或像元值的高低差异（反映
地物的光谱信息）及空间变化（反映地物的空间 信息）来表示不同地物的差异，这是区分不同影 像地物的物理基础。
• 遥感影像分类就是利用计算机通过对遥感影像中
各类地物的光谱信息和空间信息进行分析，选择 特征，将图像中每个像元按照某种规则或算法划 分为不同的类别，然后获得遥感影像中与实际地 物的对应信息，从而实现遥感影像的分类，即信 息提取。
ENVI/IDL
2.3 监督分类流程说明——分类后处理
• 分类后处理包括很多过程，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（分 类后处理）、栅矢转换等操作
ENVI/IDL
监督分类练习(一)
• 数据源 - 练习数据\1-监督分类\1-监督分类（Classic） • 分类
- 类别定义 - 样本选择 - 分类器选择
ENVI/IDL
2.2 监督分类基本流程
类别定义/特征判别 样本选择
分类器选择 影像分类 分类后处理
平行六面体 最小距离 马氏距离 最大似然 波谱角 二进制编码 光谱信息散度 神经网络 支持向量机分类 模糊分类
结果验证
ENVI/IDL
2.3 监督分类流程说明——类别定义/特征判断
• 根据分类目的、影像数据自身的特征和分类区收
3.2 专家知识的决策树分类基本步骤
知识（规则）定义
规则输入
决策树运行
分类后处理
ENVI/IDL
3.3 规则定义
• 规则获取：经验总结和样本总结 • 规则描述
- 类1：NDVI大于0.3，坡度大于或者等于20度 - 类2：NDVI大于0.3，坡度小于20度，阴坡 - 类3：NDVI大于0.3，坡度小于20度，阳坡 - 类4：NDVI小于或等于0.3，波段4值大于或等于20 - 类5：
ENVI/IDL
1.2 遥感信息提取方法概述
基于专家知识 的决策树分类
面向对象特征 自动提取
地物识别与 地表反演
基于光谱计算 机自动分类
变化检测
人工解译
地形信息提取
ENVI/IDL
1.3 遥感信息提取方法——适用范围
方法 说明
人工解译
基于光谱的计算机分类
适用定性信息的提取，也就是在图像上通过肉 眼能分辨的信息
对于中低分辨率的多光谱影像效果明显（小于 10米） 随着高分辨率影像的出现而发展起来的 定量信息提取，需要模型的支持，数据源有一 定要求 多时相影像支持 需要立体像对的支持
ENVI/IDL
基于专家知识的决策树分类 需要多源数据支持 面向对象分类方法 地物识别与地表反演 变化监测VI/IDL
2.1 监督分类定义
• 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。
- 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 - 用训练好的判决函数去对其他待分数据进行分类。 使每个像元和训练样本作比较，按不同的规则将其 划分到和其最相似的样本类，以此完成对整个图像 的分类
ENVI/IDL
2.3 监督分类流程说明——分类器选择
• 据分类的复杂度、精度需求等确定哪一种分类器 • 目前ENVI的监督分类可分为基于传统统计分析学
的，包括平行六面体、最小距离、马氏距离、最 大似然，基于神经网络的，基于模式识别，包括 支持向量机、模糊分类等，针对高光谱有波谱角 （SAM），光谱信息散度，二进制编码
• 分类后处理
- 小斑快处理 - 栅矢转换
• 精度验证
ENVI/IDL
监督分类练习(二)
• 数据源 - 练习数据\1-监督分类\2-火烧迹地提\BurnALI_subset.dat” • 分类
- 类别定义 - 样本选择 - 分类器选择
• 分类后处理
- 小斑快处理 - 栅矢转换
• 精度验证
ENVI/IDL
遥感图像信息提取
ENVI/IDL
主要内容
• 1、遥感信息提取技术概述 • 2、监督分类 • 3、基于专家知识的决策树分类
• 4、面向对象分类
• 5、地物识别和定量反演 • 6、动态监测 • 7、立体像对DEM提取
ENVI/IDL
1、遥感信息提取方法概述
ENVI/IDL
1.1 影像信息提取技术基础
集的信息确定分类系统；
• 对影像进行特征判断，评价图像质量，决定是否
需要进行影像增强等预处理。
• 这个过程主要是一个目视查看的过程，为后面样
本的选择打下基础。
ENVI/IDL
2.3 监督分类流程说明——样本选择
• 样本选择是非常重要的过程，直接影响分类精度
• 在样本选择过程中，有很多辅助方法
- 可以显示不同的假彩色合成窗口，也可以进行主成
分分析后进行假彩色合成，由于去除了波段间的相 关性，不同地物区分的更加明显；还可以借助 Google Earth辅助解译
• 各个样本类型之间的可分离性要好
- 用Jeffries-Matusita,
Transformed Divergence 参数表示，这两个参数的值在0~2.0之间，大于1.9 说明样本之间可分离性好，属于合格样本；小于 1.8，需要重新选择样本；小于1，考虑将两类样本 合成一类样本