4-遥感图像信息提取

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。
- 集合临近像元为对象用来识别感兴趣的光谱要素
- 充分利用高分辨率的全色和多光谱数据，利用空间，
纹理，和光谱信息来分割和分类的特点 - 以高精度的分类结果或者矢量输出
4.2 与基于像元分类的区别
类型 基本原理 影像的最小单元 适用数据源 缺 陷
传 统 基 于 地 物 的 光 谱 信 息 单个的影像像元 中低分辨率多光 丰 富 的 空 间 信 息 光 谱 的 分 特征 类方法 基 于 专 家 根 据 光 谱 特 征 、 单个的影像像元 多源数据 知识获取比较复 谱和高光谱影像 利用率几乎为零
• 如下是对水的一个描述：
- 面积大于500像素 - 延长线小于0.5 - NDVI小于0.25
面向对象分类练习——输出结果
• 特征提取结果输出
- 矢量 - 图像（分类图像、规则图像) - 结果统计报表
5、地物识别与定量反演
5.1 地物识别与定量反演基础
• 从高光谱图像的每个像元均可以获取一条连续的波谱曲线
，可以考虑用已知的波谱曲线和图上每个像元获取的波谱 曲线进行对比，理想情况下两条波谱曲线一样，就能说明 这个像元是哪种物质
• 遥感定量反演就是根据观测信息和模型求解或推算描述地
面实况的应用参数
• 遥感反演的基础是描述遥感信号或遥感数据与地表应用之
间的关系模型
• ENVI的Bandmath工具可将模型应用于影像，实现定量反演
遥感图像信息提取
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
1、遥感信息提取方法概述
1.1 影像信息提取技术基础
• 遥感影像通过亮度值或像元值的高低差异（反映
度影像分割将会分割出更多的图斑
面向对象分类练习——合并分块
• 影像分割时，由于阈值过低，一些特征会被错分，一个特
征也有可能被分成很多部分。我们可以通过合并来解决这 些问题。
• FX利用了
Full Lambda-Schedule算法，该方法在结合光 谱和空间信息的基础上迭代合并邻近的小斑块。
• 这一步是可选项，如果不需要可以直接跳过。
5.2 Bandmath基础
• ENVI波段运算工具能够调用用户编写的程序进行
定制的处理
• 波段运算工具用来定义输入的波段或文件，并调
用用户编写的函数，最后将结果输出到文件或是 内存中
5.2 Bandmath条件
• 必须符合IDL语言书写波段运算表达式 • 所有输入波段必须具有相同的空间大小 • 表达式中的所有变量都必须用Bn（或bn）命名
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
ቤተ መጻሕፍቲ ባይዱ
人工解译
地形信息提取
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
决策树分类-练习
• 构建执行决策树
4、面向对象分类
4.1 面向对象的图像分析
• 同物异谱，同谱异物”会对影像分类产生的影响，
加上高分辨率影像的光谱信息不是很丰富，还有 经常伴有光谱相互影响的现象，这对基于像素的 分类方法提出了一种挑战，面向对象的影像分类 技术可以一定程度减少上述影响
• 面向对象的技术
影像分割 合并分块 精炼分块 计算属性
输出对象 为矢量文件？
是
是
特征提取
定义要素
规则分类
监督分类
导出要素
查看报告和统计
完成
面向对象分类练习
• 准备工作
- 空间分辨率的调整 - 光谱分辨率的调整 - 多源数据组合 - 空间滤波
• 数据 - “..\练习数据\11-面向对象图像分类\qb_colorado.dat”
NDVI小于或等于0.3，波段4值小于20
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
• 结果波段必须与输入波段的空间大小相同
地表温度反演——练习
• 数据 - “\练习数据\12-定量反演\TM-NDVI-60m.img” • 地表比辐射率计算
- 植被覆盖度
-
(b1 gt 0.7)*1+(b1 lt 0.)*0+(b1 ge 0 and b1 le 0.7)*((b1-0.0)/(0.7-0.0))
知 识 决 策 空间关系和其他
树 上下文关系归类 像元
杂
面 向 对 象 几 何 信 息 、 结 构 一个个影像对象 中高分辨率多光 速度比较慢
的分类方 信息以及光谱信 法 息 谱和全色影像
注：一种方法不能完全取代另一种，每种方法都有其适用范围
4.3 面向对象分类操作流程
• 发现对象 • 特征提取
发现对象
面向对象分类练习——准备工作
• 空间分辨率的调整 • 光谱分辨率的调整 • 多源数据组合 • 空间滤波
面向对象分类练习——分割影像
• EX根据临近像素亮度、纹理、颜色等对影像进行分割，它
使用了一种基于边缘的分割算法，这种算法计算很快，并 且只需一个输入参数，就能产生多尺度分割结果。
• 选择高尺度影像分割将会分出很少的图斑，选择一个低尺
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
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
集的信息确定分类系统；
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 地形信息提取
2、监督分类
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
• 计算4个类别的属性：光谱、空间、纹理、自定义
（颜色空间和波段比）。其中“颜色空间”选择 三个RGB波段转换为HSI颜色空间，“波段比”选 择两个波段用于计算波段比（常用红色和近红外 波段）。
面向对象分类练习——特征提取方法
• 监督分类、规则分类和直接矢量输出
面向对象分类练习——特征提取
• 直接输出矢量
+
高山植被
公园用地
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
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：
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
监督分类练习
• 数据源 - “..\练习数据\9-监督分类\sub-TM-Spot-GS.img” • 分类
- 类别定义 - 样本选择 - 分类器选择
关系/逻辑
LT、LE、EQ„. and、or、not„. 最大值、最小值
其他
如：{ndvi} LT 0.3
„„
决策树分类-练习
• 数据源 - “..\练习数据\10-决策树分类\bouldr_tm.dat” • 规则获取（经验总结和样本总结） - 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： NDVI小于或等于0.3，波段4值小于20
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
面向对象分类练习——分块精炼
• FX提供了一种阈值法（Thresholding）进一步精炼分块的
方法。它是基于亮度值的栅格操作，根据分割后结果中的 一个波段的亮度值聚合分块。对于具有高对比度背景的特 征非常有效（例如，明亮的飞机对黑暗的停机坪）。
• 这一步是可选项，如果不需要可以直接跳过。
面向对象分类练习——计算对象属性
• 分类后处理
- 分类处理 - 精度分析
• 精度验证 • 栅矢转换
3、基于专家知识的决策树分类
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
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
- 地表比辐射率
- (b1
le 0)*0.995+(b1 gt 0 and b1 lt 0.7)*(0.9589 + 0.086*b2 - 0.0671*b2^2)+(b1 ge 0.7)*(0.9625 + 0.0614*b2 - 0.0461*b2^2)
地表温度反演基本流程图
地表温度反演
• 黑体辐射亮度值 - (b2-3.39-0.6*(1-b1)*5.12)/(0.6*b1) • LST反演
- 输出Shapefile矢量文件 - 属性
面向对象分类练习——特征提取
• 监督分类
-
根据一定样本数量以及其对应的属性信息，利用K邻近法和支 持向量机监督分类法进行特征提取
面向对象分类练习——特征提取
• 规则分类
-
每一个分类有若干个规则（Rule）组成，每一个规则有若干 个属性表达式来描述。规则与规则直接是与的关系，属性表 达式之间是并的关系
• 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。
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
- (1282.71)/alog(666.09/b1
+1)-273
• 结果浏览与输出