遥感图像分类 PPT

大家应该也有点累了，稍作休息
大家有疑问的，可以询问和交流
基于光谱特征的分类原理
✓ 遥感图像计算机分类的依据是遥感图像像素的相似度。
常使用距离和相关系数来衡量相似度。
➢采用距离衡量相似度时，距离越小相似度越大。 ➢采用相关系数衡量相似度时，相关程度越大，相似
度越大。
➢ 监督分类法：选择具有代表性的典型实验区或训练区， 用训练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，并以此 对未知地区的像元进行分类处理，分别归入到已知的类 别中。
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 lvuael uw esh h aspheape
h va luw e c ( n 1 (m c1 c ) n 2 (m c2 c ))
c
收集现场信息 在屏训练数据多边形选择 在屏训练数据的种子选择
获取每个感兴趣类在各波段上的训练统计量后，必 须确定能最有效区分各种类的波段
方法： 统计分析方法 图形分析方法
距离作为判别准则，根据像点到各类中心的距离来判别分类
距离式
p
Dj (xi Mij)2 i1
p
Dj | xi Mij | i1
输入影像
设置分割参数 (尺度阈值、光谱形状特征权值)
第 1 次分割 (基于影像像元层的分割)
否 f≤s
是 第 n(n≥2) 次分割 (基于影像对象层的分割)
对象多边形的生成 分割结果
尺度空间内影像对象构建
• 考虑遥感、高程、专题矢量图层等多源信息的构建模型 • 多种约束的基元构建方法保证基元的准确性 • 阈值控制基元所在尺度层次
专题图栅格化 空间配准 构建信息表达模型及提取方法
遥感信息与地球物理、化学数据复合
基于面向对象影像分割的分类方法
遥感信息认知中的对象
对象
对象
面向基元的遥感信息提取方案
数据层
高空间分辨率影像
SAR数据
Lidar数据
GIS矢量数据
分析层 光谱、形状 、纹理
基元层
多尺度分析 认知基元
特征库
模糊规则库
基元特征的定量化表达
决策层
模糊逻辑推理
决策知识库
地物知识库
结果层
信息提取结果
遥感信息认知中的尺度问题
地表信息—多层次结构 尺度依赖 认知过程--不同的地物 实体有不同的最佳提取 尺度
选择适当的尺度，才 能有效、完整地提取 信息
…父对象 …邻对象 …子对象
多尺度影像分割首先通过初始分 割将影像像元合并成较小的初始 影像对象,然后通过多次循环将 较小的影像对象合并成较大的多 边形对象
K-最近邻分类器
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
遥感影像与地图的复合 地图影像化 影像地图化
DTM与遥感数据的复合 遥感与地球物理、地球化学数据的复合
遥感信息与地球物理、化学数据复合
遥感信息--地表空间特征 地球物理、地球化学特征--不同深度地物的物理性质， 如内部结构、物理组成、基层表面起伏
p
Dj (xi Mij)2/i2j i1
p
Dj | xi Mij |/i2j i1
不同类别的灰度值的变化范围即其方差的大小是不同的，不能 简单地用像元到类中心的距离来划分像元的归属；
自然地物类别的点群分布不一定是圆形或球形的，即在不同方 向上半径是不同的，因而距离的量度在不同方向上应有所差异。
hsh w h w h apc emp cm ctpcstmoso m th ooth
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)
影像对象构建方法
尺度为： 16 平均 面积： 867.6
尺度为： 128 平 均面积： 8274.8
遥感图像分类
遥感影像计算机自动解译
• 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，选择特 征，并用一定的 手段将特征空间 划分为互不重叠 的子空间，然后 将图像中的各个 像元划归到各个 子空间去。
• 特征—能够反映
地物光谱信息和 空间信息并可用 于图像分类处理 的变量
基于统计的分类方法
算法。制定分类系统，确定分类类别。 4. 找出代表这些类别的统计特征 5. 测定总体特征，在监督分类中可选择具有代表性的训练场
地进行采样。在非监督分类中，可用聚类等方法对特征相 似的像素进行归类，测定其特征。 6. 对遥感图像中各像素进行分类。 7. 分类精度检查。 8. 对判别分析的结果进行统计检验。
非监督分类—系统聚类
1）将图像中每个像元看作一类， 作为分类的初始值
2）计算各类均值间的相关系数矩 阵R
3）从已分类别中选取最邻近的两 类进行合并
4）重复步骤2-3，直到合并的新 类之间符合分类的要求为止(各 类间的相关系数小于阀值或是距 离大于阀值）
非监督分类—动态聚类
动态聚类就是在开始 时先建立一批初始 中心，而让待分类 的各个像元依据某 些判决准则向初始 中心凝聚，然后再 逐步修改调整中心， 重新分类；并根据 各类离散性统计量 和两类间可分离性 的统计量再进行合 并和分裂。此后再 修改调整中心，这 样不断继续下去， 直到分类比较合理 为止。
遥感影像光谱特征分布特点
遥感影像分类原理
• 同类地物在相同的条
件下（纹理、地形 等），应具有相同或 相似的光谱信息特征 和空间信息特征，从 而表现出同类地物的 某种内在的相似性， 即同类地物像元的特 征向量将集群在同一 特征空间区域；而不 同的地物其光谱信息 特征或空间信息特征 将不同，集群在不同 的特征空间区域。
➢ 非监督分类：是在没有先验类别（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（即相似度的像元归为一类） 的方法。
遥感分类基本过程
1. 根据图像分类目的选取特定区域的遥感影像，考虑空间分 辨率、光谱分辨率、成像时间、图像质量等。
2. 根据研究区域，收集与分析地面参考信息与有关数据。 3. 根据分类要求和影像的特征，选择合适的图像分类方法和