基于最小距离法的遥感图像分类
试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。
遥感原理与应用1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。
答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。
主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
通常使用马氏距离、欧氏距离、计程距离这三种判别函数。
主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。
主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。
非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。
可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。
主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
遥感图像分类
影像对象构建方法与参数优化
对象合并准则
在初始分割基础上，通过将 初始影像对象逐步合并为较 大的对象来实现多尺度对象 的构建，对象合并的停止条 件是由其尺度准则决定的
fw vah lv uael uw esh h aspheape
h va luw e c ( n 1 (m c1 c ) n 2 (m c2 c ))
1）分类前影像平滑 2）分类后小区合并—将小于一定面积的像元合并到邻近区
域
遥感影像分类后处理—误差分析
目的：检验分类效果 方法：抽样检验 抽样方法： 1）监督分类的样本区 2）试验场抽样 3）随机抽样 评价方式：混淆矩阵
辅助数据改进遥感分类的方法
地理分层 分类器操作 分类后处理
遥感信息与非遥感信息的复合
c
hsh a p w c emh p c m c t pw cstmh oso mth o o th
h cm pn c 1(t ln m mln 11)n 2(ln m mln 22)
hsmo on t1 h(b lm mb l1 1)n2(b lm mb l2 2)
37
影像对象构建方法
尺度为： 16 平均 面积： 867.6
• 基于统计的方法和基于规则的方法 • 监督分类和非监督分类 • 硬分类和软分类 • 逐像元分类和面向对象分类
分类标准
• 按照逻辑准则组织的信息类别正确的分类
学定义
• 参考标准: • 规划协会的土地分类标准(LBCS) • 国家植被分类系统
基于统计的分类方法
遥感影像光谱特征分布特点
遥感影像分类原理
μc4
人工神经网络分类
生物神经网络(biological neural network, BNN)， 特别是人脑
遥感图像分类方法及应用示例
遥感图像分类方法及应用示例遥感技术是通过卫星、飞机等远距离传感器获取地表信息的一种技术手段。
遥感图像分类是遥感技术中的一项重要任务，它可以将遥感图像中的像素按照其特征进行分类，并生成分类结果。
本文将介绍遥感图像分类的方法，并给出一些应用示例。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点看作一个样本进行分类，通过像素点的光谱特征来确定其所属类别。
常见的方法有最大似然法、支持向量机等。
最大似然法是一种基于统计学原理的分类方法，它通过求解样本的概率密度函数来确定像素点的类别。
支持向量机是一种基于样本间距离的分类方法，它通过构建超平面将不同类别的样本分开。
2. 基于对象的分类方法基于对象的分类方法是将遥感图像中的像素组成的对象进行分类，通过对象的形状、纹理等特征来确定其所属类别。
常见的方法有基于区域的分割和基于对象的分类。
基于区域的分割将遥感图像中的像素按照相似性进行分组，形成具有相同特征的区域。
基于对象的分类是在分割得到的区域基础上，通过提取区域的特征来确定其所属类别。
3. 基于深度学习的分类方法随着深度学习技术的发展，基于深度学习的分类方法在遥感图像分类中得到了广泛应用。
深度学习通过构建深层神经网络模型，可以自动学习遥感图像中的特征表示。
常见的方法有卷积神经网络（CNN）、循环神经网络（RNN）等。
卷积神经网络可以有效地提取图像的空间特征，循环神经网络可以捕捉图像序列的时序特征。
二、遥感图像分类的应用示例1. 农作物类型分类农作物类型分类是农业生产中的重要任务，可以帮助农民了解农田的分布情况和种植结构，指导农作物管理和精细化农业。
通过遥感图像分类方法，可以将农田遥感图像中的不同农作物进行分类，比如小麦、玉米、水稻等。
这样可以帮助农民进行农作物识别和农田监测，提高农业效益。
2. 土地利用分类土地利用分类是城市规划和土地资源管理中的重要任务，可以帮助决策者了解土地利用的分布情况和变化趋势，指导城市规划和土地资源开发。
无人机遥感图像分类技术的研究
无人机遥感图像分类技术的研究1.前言随着科技的不断发展，无人机技术越来越成熟，无人机遥感技术也得到了广泛的应用。
无人机遥感图像分类技术是对无人机获取的遥感图像进行处理和分析，实现对地物进行分类的过程。
无人机遥感图像分类技术不仅可以用于农业、林业、地质勘探等方面，还可以广泛应用于国土、测绘、城市规划等领域。
本文将对无人机遥感图像分类技术的研究做出详细的论述。
2.无人机遥感技术的发展无人机遥感技术起源于20世纪80年代末期，当时主要应用于军事领域。
随着无人机技术的日益成熟，无人机遥感技术的应用范围逐渐扩大。
无人机遥感技术可分为微波雷达遥感技术和光学遥感技术。
无人机光学遥感技术包括多光谱、高光谱、红外和激光雷达等。
相比微波雷达遥感技术，无人机光学遥感技术具有分辨率高、空间分辨率大和反射率高等优点。
3.无人机遥感图像分类技术无人机遥感图像分类技术是指对采集到的无人机遥感图像进行处理和分析，将图像识别为不同的地物类型。
无人机遥感图像分类技术是无人机遥感技术的一个重要组成部分，其强大的识别能力可以大大提高地质、能源、林业和环境研究等应用的效率。
无人机遥感图像分类技术方法主要包括传统的监督分类和无监督分类两种。
(1)监督分类监督分类是一种基于统计学的分类方法。
先利用光谱角提取出各地物的主要波段，再构建多元正态分布模型来确定各类地物的光谱反射特征。
在模型中，对于每一类地物，都有一个包含该类地物全部样本的协方差矩阵。
通过最小距离分类法将输入样本与协方差矩阵进行比较，将其划分为不同地物类别。
监督分类方法更加准确，但需要大量的样本进行训练，在处理大型或复杂图像时更为困难。
(2)无监督分类无监督分类方法可以不依赖于样本控制。
首先对地图进行分割，将其划分为多个小区域，然后对每个小区域的光谱属性进行统计和分析，从而提取出相似曲线、相同模型、相近特征等干扰因素，最终将地图划分成少数的统一地物类型。
无监督分类方法具有较高的独立性和灵活性，易于使用，但是分类的准确度较低。
《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
遥感影像的特征选择与分类方法
遥感影像的特征选择与分类方法在当今的科技时代，遥感技术已经成为获取地球表面信息的重要手段之一。
遥感影像中包含着丰富的地物信息，如何从这些海量的数据中准确地选择出有价值的特征，并进行有效的分类，是遥感领域中一个关键的问题。
遥感影像的特征选择是整个分类过程的基础。
简单来说，特征就是能够描述影像中地物的属性或特点。
这些特征可以是光谱特征、纹理特征、形状特征、空间特征等。
光谱特征是最常见也是最基础的特征。
不同的地物在不同的波段上会有不同的反射或辐射特性。
例如，植被在近红外波段的反射率较高，而水体在可见光波段的反射较弱。
通过对不同波段的组合和分析，可以初步区分出一些典型的地物类型。
纹理特征则反映了地物内部的灰度分布规律。
比如，森林的纹理通常比较粗糙，而农田的纹理相对较为均匀。
形状特征是根据地物的轮廓和外形来进行描述的，比如房屋的形状一般较为规则。
空间特征则考虑了地物之间的相对位置和空间关系。
在进行特征选择时，需要综合考虑多个因素。
首先，要考虑特征的可区分性，即所选的特征能够有效地将不同的地物类别区分开来。
其次，特征的稳定性也很重要，如果特征在不同的时间和条件下变化较大，那么在分类时就可能会出现误差。
此外，计算复杂度也是一个需要考虑的因素，过于复杂的特征计算可能会导致处理时间过长，影响工作效率。
接下来，我们谈谈遥感影像的分类方法。
目前常见的分类方法主要有监督分类和非监督分类两大类。
监督分类是指在分类之前，已经知道了一部分地物的类别信息，并以此为依据对整个影像进行分类。
常用的监督分类方法包括最小距离法、最大似然法和支持向量机等。
最小距离法的原理比较简单直观，它计算每个像元到已知类别中心的距离，然后将像元划分到距离最近的类别中。
这种方法的优点是计算速度快，但对于复杂的地物分布可能效果不佳。
最大似然法则基于概率统计的原理，假设地物的光谱特征服从正态分布，然后计算像元属于各个类别的概率，将像元划分到概率最大的类别中。
遥感原理与应用
一、 最小距离分类法最小距离分类法（Mininum Distance Classifier ）是以特征空间中的距离作为像素分类的依据。
首先由训练组数据得出每一类别的均值向量和协方差矩阵，然后以各类的均值向量作为该类在多维空间中的中心位置。
计算输入图像中的每个像元到各类中心的距离，到哪一类中心的距离最小，则该像元就归入哪一类。
因而，在这类方法中距离就是一个判别函数。
最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。
最小距离分类法中通常使用以下三种距离判决函数。
（1）欧几里德（Euclidean ）距离 欧几里德（欧氏）距离判决函数为：),,2,1()(21m i M xD nj ij ji =-=∑= （6-2）式中 n ——波段数；j x ——像元x 在j 波段的像元值； ij M ——第i 类在第j 波段的均值。
分类的原则就是把x 归入ei D 最小的那一类。
（2）绝对值距离绝对值距离（或称等混合距离）是欧氏距离的进一步简化。
其目的是为了避免平方（或开方）计算，从而用x 到类均值j M 在多维空间中距离的绝对值之总和来表示，即：),,2,1(1m i M x D nj ijj i =-=∑= （6-3）直接应用以上两种距离进行分类是有明显缺陷的。
首先，不同类别的亮度值（或其他特性）的变化范围，其方差的大小是不同的，不能简单地用到类中心的距离来划分像元的归属。
其次，自然地物类别的点群分布不一定是圆形或球形，即不同方向上半径是不等的，因而距离的量度在不同方向上也应有所差异。
考虑到这些因素，在距离的算法上做一些改进，如),,2,1()(221m i M xD ijnj ij ji =-=∑=σ（6-4）或 ),,2,1(1m i M xD ijnj ijji =-=∑=σ （6-5）式中ij σ——第i 类在第j 波段的标准差。
（3）马氏（Mahalanobis ）距离马氏距离既考虑离散度，也考虑到训练组数据的均值向量和协方差矩阵，是一种加权的欧氏距离：()()),,2,1(12m i M X M X D iii i =--=∑-T（6-6）式中∑i——协方差矩阵；[];,,,21n x x x X =T []in i i i M M M M ,,,21 =T 。
遥感图像分类基本方法
基本方法1.非监督分类也称为聚类分析或点群分析，即在图像中搜寻、定义其自然相似光谱集群组的过程。
其完全按照像元的光谱特征进行统计分类，常常用于对分类区没有太多了解情况下。
这种方法人为干预较少，自动化程度较高。
该种分类方法的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。
E n v i中非监督分类的两种算法：a．K-均值算法：通过迭代，逐次移动各类的中心，直到最好的聚类结果为止。
该法使用了聚类分析方法，它需要分析员在数据中选定所需的分类个数，随机地查找聚类簇的中心位置，然后迭代地重新配置它们，直到达到最优化的波谱分类。
b．I S O D A T A算法(Iterative Self-Organizing Data Analysis T echniques Algorithm)亦称迭代自组织数据分析算法，基于最小光谱距离公式，完全按照像元的光谱特性进行统计分类。
迭代：不断重复分类过程,并且重新计算统计值。
自组织：最少的用户输入即可进行类型的确定。
聚类过程始于任意聚类平均值或一个已有分类模板的平均值；用最小光谱距离把每一候选象元赋予一个类别；聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。
这样不断重复运算，直到最大的循环次数已达到设定阈值或者两次聚类结果相比达到了最大类别的像元百分比已经不再发生变化。
一般ISODAT A需要分析者定义例如最大的集群组数量，最小的集群均值间距离等参数。
在实际应用中，经过此算法所得到的图.分析者还要开展进一步的分类合并以及分类后处理等工作分析者还要开展进一步的分类合并以及分类后处理等工作(分类的后续工作,不管采用哪种方法都应该进行)。
特点：不需要更多的先验知识；方法简单，具有一定的精度；当光谱特征类能够和唯一的地物类型相对应时分类精度较好。
2.监督分类基本思想：根据类别的先验知识确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本（称为训练样本）的观测值确定判别函数中待定参数的过程称之为学习(Learning)或（T ranining），然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。
- 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)。
最小 距离 法利 用训 练样 本数 据计 算 出每一 类 的 均值 向量和标准差 向量 ， 然后 以均值 向量作为该类
基金项 目： 河北 省 自然科学基金项 目（ ２ １４ ９ ０ ）河北省 教 Ｆ ０ １０ ０ ８ ， 育厅青 年基金项 目（０ ０ ０ ）北华航 天工业学 院博 士基金项 目 ２ １２ ８ ，
第 ２ 卷第 ３ ２ 期 ２１ ０ ２年 ６月
北华航 天工业学 院学 报
Ｊ ｕ ｎ ｌｏ ｒ ｈ Ｃｈ ｎ ｎ ｔｔ ｔ ｆＡｅ ｏ ｏ ｃ ￣ ｎ ｅ ｉ ｏ ｒ ａ ｆＮｏ ｔ ｉ ａ Ｉ ｓｉ ｅｏ ｒ ｓ ａ ｅ Ｅｎ ｉ ｅ ｒ ｕ ｎ
Ｖｏ ． ２ Ｎ Ｏ． １２ ３
［］邓书斌 ． ＮＶ 遥感 图像 处理方 法 ［ ． ５ Ｅ Ｉ Ｍ］ 北京 ： 科学 出版
社 。０ ０ ４ ２ １ ：６—６ ． ８
Ｅｅｔ ｎｃＭｅｓｒｍ ｎ ｎ ｎｔ ｍ ｎｓＣ ．Ｅ Ｅ Ｐ ｅ ， ｌ ｒ ｉ ａｕｅ ｅ ｔ ｄＩｓ ｅ ｔ［ ］ Ｉ Ｅ ｒｓ ｃ ｏ ａ ｕ ｒ ｓ
４ 结
语
４ ８ — １— １． ｔ ． ０３ ４ ｈ ｍ１
本 文介 绍 了 ｗｎ ｏ ｓ 作 系统 和 Ｌｎ ｘ操作 系 ｉｄ ｗ 操 ｉｕ
统 下如 何实 现对 ＮＡ Ｓ的访 问。 由于 ＮＡ Ｓ具 有可 以
［ ］鸟哥 ， 伟 ， 彩 娥 ． 哥 的 Ｌｎ ｘ私房 菜基 础学 习 篇 ２ 许 林 鸟 ｉｕ ［ ． ２版 ． 京 ： 民邮 电出版社 ，０ ７ Ｍ］第 北 人 ２０ ．
（ ＫＹ一２ ０ ０ ８～０ ２一Ｂ ）
收 稿 日期 ：２ １ ０ ２—０ ３—２ １
＝
作者简介 ： 冯登超 （９ ７一）男 ， １７ ， 讲师 ， 士 ， 博 硕导 ， 四川西充人 ， 研究方 向： 能信息处理 、 智 机器视觉 。
— —
Ⅳ Ｐ 一∑（ × ∑ ｐ Ｐ） Ⅳ 一 （ × “ ∑ ｐ Ｐ）
１ １ 最小距 离法 ．
分 类 的原则 就是把 归人 Ｄ 最 小 的那一类 。
折线距离 ， 也叫街道距离或者等混合距离 ， 是像 元值 在 各个 波段 中与类 均 值 的距 离 （ 差值 ）的总 和 。 距离取绝对值 ， 即
Ⅳ
Ｄ ＝＞ ｌ — ， ： ｌ
１． 分 类 结 果 评 估 原 理 ２
０ 引 言
随 着空 间技 术 的发 展 ， 感 已经成 为 人 类 从 多 遥 维 和宏 观角 度认 识 宇宙 世 界 的新 方 法 和新 手 段 … 。
目 ， 前 遥感 图像 日渐成为一种非常可靠、 不可替代的 空 间数据 资源 。遥感 图像 分类 是遥感 技 术领 域研 ｊ
究 的 重要课 题 之一 ， 年来 一 直 受 到 遥 感 研 究 人员 多 的普 遍重 视 。 鉴 于 目前 遥 感 图像 分 类 法 多 而杂 的现状 ， 本文 采用 最 小 距 离法 对 遥 感 图像 进 行 分 类 ｊ并 对 分类 ，
Ｊ ｎ． ０ ２ ｕ ２ １
基于最小距离法 的遥感 图像分类
冯 登 超 陈 刚 肖楷 乐 杜 文雅 吴新 颖
（ ．北华航天 工业学院 电子工程系 ，河北 廊坊 ０ ５ ０ ；２ １ ６ ０ ０ ．太原 科技 大学 电子信息学院 ，山西 太原 ０ ０ ２ ） ３ ０ ４ 摘 要 ：本文在 Ｅ ＶＩ Ｎ 遥感图像分析软件环 境下 ，利 用最小距 离法对 遥感 图像进行 了有监 督分类 。仿 真实验 通
ｓｒｍｅｔ ｎｏｍａｉ ｘｒ ｔ ｎａｄＲ ｏｓ ｕｔ ｎ［ ． ｕｅ ｎ ｆｒ ｔ ｎＥ ｔ ｉ ｎ ｅ ｎｔ ｃｉ Ａ］ Ｉ ｏ ｃ ａ ｏ ｃ ｒ ｏ
Ｐ ｏ ｅ ｄ ｎ ｓ ｏ Ｔｈ Ｔｅ ｔ Ｉ ｔ ｒ ａ ｉ ｎ Ｃｏ ｆ ｒ ｎ ｅ ｎ ｒｃ ｅｉ ｇ ｆ ｅ ｎ ｈ ｎ ｅ ｎ ｔｏ ａ ｌ ｎ ｅ ｅ ｃ ｏ
ｆｏｏ
访问 ， 有效地映射为网络驱动器 ， 可以像操作本地硬 盘 一样 方便 、 快捷 、 时地 实 现 数 据 备份 ， 而保 证 即 从
数 据 的完整 性 。
ｆ
…
～ ｓｏ ｏ
～ ｆ－ －
ｘｒ：帅ｔ ７ ¨１ ｖ ｒ ｔ Ｉ
Ｉ ｒ ｌ
ｒ ｏ０
４６２一 ｆ ｌＩｄ ¨ｂ 聃 如２…１ ０． ｉ ● Ｉ】８２ ０３ １ｏ ２ １Ｏ ＃ ｔ ０ ０９ Ｏ ２２ ｓ 一
（） ２
分类 完成 后 要对 分类 结果 进 行评 估 ，最常使 用
的评估参量是 总分类精度和 Ｋ ｐａ ａｐ 系数 ［ ］ 总分 ６， 类精度采用公式
Ｐ ＝∑ ｐ ／ 胁Ｏ
＝ｌ
（） ３
式 中 ： — 总分 类 精度 ； Ｐ— ｍ— — 分类 类 别数 ； Ⅳ—— 抽 样样 本 总数 ； ｐ — — 第 ｋ类 的正确 判别 的样本 数 。 触 Ｋｐａ ａｐ 系数采 用 下式
Ａｃ ｅ ｓｔ ｃ ｓ ｏ ＮＡＳ Ｂ ｓ ｄ ｏ ｉ ｄ ｗｓａ ｄ Ｌｉ ｕ ｅ ａ ｉ ｇ Ｓ ｓｅ ａ ｅ ｎ Ｗ ｎ ｏ ｎ ｎ ｘ Ｏｐ ｒ ｔｎ ｙ ｔｍ
ＧＥＮＧ Ｊ ａ ． ｉｇ ｕ ｎ ｐｎ Ｌ Ｕ ｅ—ｅ Ｉ Ｐｉ ｉ ｐ
（ ．Ｈ ｂ ｉ ｎｖ ｒ ｔ ｏ ｃ ｎ ｅ＆ Ｔ ｃ ｎ ｌ ｙ Ｔ ａ Ｊ ０ １ ０ １ ｅｅ Ｕ ｉ ｓ ｙ ｆ ｉ ｃ ｅ ｉ Ｓ ｅ ｅｈ ｏ ｇ ， ｉ ｉ ３０ ３ ； ｏ ｎｎ
过对遥感 图像 中地物 目标 的光谱信 息和空间信息进 行分 析及特征 提取 ，利 用判别 函数计算 到 中心的距离 ，解 读 遥感 图像 ，并对分类结果进行定量评估 。实验结果表 明用最小距离法来分析遥感 图像 可以获得较 高精确 度。
关键词 ：遥感 ；Ｅ ＮＶＩ ；有监督 分类 ；最小距离法 中图分类号 ：Ｐ ３ ２７ 文献标识码 ：Ａ 文 章编 号 ：１７ —７ ３ （０ ２ ０ ６ ３ ９ ８ ２ １ ）３—０ ０ —０ ０１ ２
ｇｅｓｏ ｎｅｉｅｔＣ ｎｒｌａｄ Ａ ｔｍ ｔ ｎ［ ． Ｅ Ｅ ｒｓ ｎ Ｉｔｌｇｎ ｏ ｔ ｎ ｕｏ ａｉ ＣＪ Ｉ Ｅ ｌ ｏ ｏ
Ｐ ｅｓ ２ ０ ： ０ ８—２ ５ ｒｓ ，０ ８ ２ ４ ０ ０．
［ ］Ｆ ｎ ｅｇｈｏ ｅ ． ｔｄ ｎＥ ｐｏａｏｙＡ ａ ｓ ａ ２ ｅ ｇＤ ｎｃａ ，ｔ Ｓｕ ｙｏ ｘ ｌ ｔｒ ｎ ｙｉｉ Ｍｅ— ｃ ｒ ｌ ｓｎ
厂 —— ———— 一
Ｄ＝ √∑（ ） —
式中 ： Ⅳ—— 波段 数 ；
（ １ ）
像元在第 ｉ 个波段的像元值 ； Ｍ —— 第 类在 第 ｉ 个波段 的均值 。
— —
遥感图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 ） 表示 不 同 地 物 的差 异 。 这是 区分 不 同 图像地 来 物 的物理 基础 。遥 感 图像分 类就 是利 用计 算 机通过 对遥 感 图像 中各类 地物 的光谱信 息 和空 间信 息进行 分析 Ｈ ， 择特 征 ， 图像 中每个像 元按 照 某种 规则 ］选 将 或算 法划分 为 不 同 的类 别 ， 然后 获 得 遥 感 图像 中与 实际 地物 的对 应信 息 ， 而实现 遥感 图像 的分 类 。 从 Ｅ ＮＶＩ 由遥感 领域 的科 学 家 采用 交 互 式 数据 是 语言 Ｉ ＤＬ开 发 的一 套 功 能 强 大 的遥 感 图像 处 理 软 件 。本 文 以 Ｅ ＮＶＩ 软件 为 平 台 ， 对遥 感 图像 分类 方 法 进 行分 析 。
（） ： 基于 Ｗｉｄｗ 和 Ｌｎ ｘ 作系统对 Ｎ Ｓ的访问 ｎｏ ｓ ｉ 操 ｕ Ａ
２１ ０ ２年 ６月
８ 卸载 Ｎ ） ＡＳ资源 。见 图 ７ 。
ｆ ：： ： ｒ： Ｕ 上 Ｉ ： ： ： ■一 礼Ｊ … 呻ｌ ． 釜： ｒ ：挂芒 ｕ！ ｌ ： ｔ ｌ ： 置 ｑ ｘ ： 总Ⅲ辙 ８
（ 上接 第 ２页） 参考 文献 ：
［］ １ 梁顺林 ． 定量 遥感 ［ ． Ｍ］ 北京 ： 科学 出版 社 ，０ ９ ３ ３— ２ ０ ：４
３ ４６．
北京 ： 学出版社 ，０ ０ ３—１ ． 科 ２ １： ０ ［ ］Ｆｎ ｅ ｇｈｏｅｃＲ ｓａｃ ｎＭｉ ｉｇＶ ｕ ｓｍａ ｏ ４ ｅｇＤ ｎ ｃａ ，ｔ． ｅｅｒ ｏ ｓｎ ａ ｅＥ ｔ ｔ ｎ ｈ ｓ ｌ ｉ ｉ ｉ Ｄ ｔ Ｍｉｉｇ Ａ］ Ｐｏｅｄｎｓｏ ｈ ｔ ｒ ｏ — ｎ ａ ｎ ［ ． ｒｃｅｉｇ ｆＴ ｅ７ｈ Ｗｏｌ Ｃ ｎ ａ ｎ ｄ
２ Ｎ ｒ ｈｎ ｎｔｕｅｏ ｅｏｐｃ ｎ ｉｅｒ ｇ Ｌ ｎ ｈｎ ６ ０ ０ Ｃ ｉａ ． ｏｔ Ｃ ｉａＩｓｉ ｔ ｆ ｒｓａｅＥ ｇ ｅｉ ， ａｇ ｇ ５ ０ ， ｈｎ ） ｈ ｔ Ａ ｎ ｎ ０
Ａｂ ｔａ ｔ Ｔｈ ａ ｔｏ ｕ ｅ ｈ ａ ａｓ ｏ ｅ ｓｅ ｏ ｒ ｈ Ｃ ｉ ａＩ ｓｉｕ ｅｏ ｒ ａ ｅＥｎ ｉ ｅ ｒ ｇ ａ ｅ ｎ ｔ ｅ ＮＡＳ ｄ ｔ ，ｔ ｅ ｓ ｒ ｃ ： ｅ ｐ ｐ ｒｉ ｒ ｄ ｃ ｄ ｔ ｅ ｄ ｔ ｔ ｒ ｙ ｔ ｍ ｆＮｏ ｔ ｈ ｎ ｎ ｔ ｔ ｆＡｅ ｏ ｐ ｃ ｇ ｎ ｅ ｉ ，Ｂ ｓ ｄ ｏ ｈ ｎ ｔ ｎ ａａ ｈ ｓ ｏ ａ ｅｄ ｖｃ ｎ ｈ ｅ ｖ ｒ ｒ ｅ ａ ａ ｅ ｏ ｌｔｌ ，ａ ｄ ｓ ｅ ｉ ｃ ｍｅ ｓ ｒ ｓ ｗｅ ｅ ｇ ｖ ｎ ｔ ｃ ｅ ｓ ｎ ｔ ｒ ａ ａ ｂ ｃ ｕ ｈ ｏ ｇ ｔ ｒ ｇ ｅ ｉ ａ ｄ ｔ ｅ ｓ ｒ ｅ ｓ ｗｅ ｅ ｓ ｐ ｒ ｔｄ ｃ ｍｐｅ ｅｙ ｎ ｐ ｆ ａｕ ｅ ｒ ｉ ｅ ｏ ａ ｃ ｓ ｅ ｗｏ ｋ ｄ ｔ ａ ｋ ｐ ｔ ｒ ｕ ｈ ｅ ｃ ｉ ＮＡＳ ｆ ｒＬ ｎ ｘ ａ ｄ Ｗ ｉ ｄ ｗｓｕ ｅ ｓ ｏ ｉ ｕ ｎ ｎ ｏ ｓ ｒ ． Ｋｅ ｏ ｄ ： ｙ ｗ ｒ ｓ ＮＡＳ ＮＦＳ Ｌ ｎ ｘ Ｖｉｔ ａ ｃ ｉ ｅ ； ； ｉ ｕ ； ｒ ｕ ｌｍａ ｈｎ