1、第六章 遥感数字图像计算机解译,计算机图像分类的概念； 计算机图像分类的方法：非监督分类，监督分类.，分类的后处理；,1.1计算机图像分类的概念概述,1.计算机判读：以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据目标地物的影像特征（颜色、形状、纹理、空间位置），结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理,实现对遥感图象的理解,完成对遥感图象的解译. 2.模式：即某种实物的标准形式或使人可以照着做的标准样式。举例：某地物的光谱特征曲线反映了该地物的反射特性，所以，该光谱特征曲线就是该地物的一个模式。,1.1计算机图像分类的概念概述,3.模式识别：即对需识
2、别或分类的对象，进行一系列测量（例对未知类别的地物，测量它在等波长处的反射特性。）然后将这一系列测量所构成的模式与已知类别的地物模式作比较，看它与那一个相同或相似，即判认它是属于哪一个类别的地物。 4. 计算机判读与目视判读目的一样，但在判读和识别地物的模式方面，有着明显的不同:目视判读：主要以图像的空间特征（地物的几何特征和光谱特征的空间反映）为判读依据。计算机判读：主要以图像像元的灰度（地物光谱特征的直接反映）为判读依据。,1.1计算机图像分类的概念概述,5.计算机判读实现的思想基础 同类地物具有相同（似）的光谱特征，不同地物的光谱特征具有明显的差别。由于影响地物光谱特征的因素很多，所以影
3、像的判读分类都是建立在统计分析的基础上的。 同类地物的图像灰度概率在单波段（一维空间）符合正态分布规律。 多维图像（即多波段）中的一个像元值（灰度）向量。在几何上相当于多维空间中的一个点，而同类地物的像元值，即不集中于一点，也绝非是杂乱无章的分布，而是相对地密集在一起，形成一个点群（一个点群就是地物的一种类别）。一般情况下，点群的边界不是截然的，有少部分重叠和交错的情况。,1.1计算机图像分类的概念概述,特征点集群在特征空间的分布情况。 理想情况不同类别地物的集群至少在一个特征子空间（即某一波段图像）中是完全可以区分开的。此时，可在相应的子空间图像中采用简单的“图像密度分割的方式”实现分类。
4、典型情况不同类别地物的集群在任一子空间中都有相互重叠的现象存在。但在总的特征空间中却是可以完全区分的。（即利用单波段图像不能实现完善分类，而利用多波段图像在多维空间中才可能实现精确的分类。） 一般情况无论在任一子空间，还是在总的特征空间，不同类别地物的集群之间总是存在有重叠现象。则重叠部分的特征点所相应的地物，在分类时会出现不同程度的分类误差。,1.1计算机图像分类的概念概述,利用计算机根据地物光谱特征进行自动判读分类，只要能确定地物类别在特征空间的位置、范围和边界就完成了判读分类的任务。 位置一个点群的中心，计算图像灰度的均值向量（即数学期望） 范围计算图像灰度的标准差向量（即点群的离散程度） 边界应用所谓鉴别函数（边界函数），鉴别图像像元的类别归属。,1.2 计算机图像分类的方法, 监督分类法（训练场地法/先学习后分类法）：即先选择有代表性的实验区（训练区），用已知地面的各种地物光谱特征来训练计算机，取得识别分类判别规则，并以此做标准对未知地区的遥感数据进行自动分类识别。 非监督分类法（空间积群，点群分析，聚类分析，边学习边分类法）：即按照灰度值向量或波谱样式在特征空间聚集的情况划分点群或类别。其类属是通过对各类光谱响应曲线进行分析以及与实地调查数据相比较后确定的。,1.2 计算机图像分类的方法,
