1、第六章 遥感图像计算机解译,计算机解译，又称遥感图像理解(Remote Sensing Imgery Understanding):它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，根据遥感图像中目标地物的各种影像特征(颜色、形状、纹理与空间位置)，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，实现对遥感图像的理解，完成对遥感图像的解译。,模式与模式识别,“模式”通俗的含义是某种事物的标准形式；模式识别系统对被识别的物体作一系列的测量，然后将测量结果与“模式字典”中一组“典型的”测量值相比较进而做出归类。,遥感影像分类,分类：将图像中的像元归并为不同的类型，例
2、如，分为不同土地覆盖类型。 分类原理：依据被分类地物的光谱特征，进行特征选择，建立分类识别模式，进行分类。,遥感图像地物的光谱特征，即数字图像中同类地物的光谱相似性和异类地物的光谱差异性进行分类。,遥感图像计算机分类依据,分类方法,监督分类法：在研究区域中选择具有代表性的 训练区作为地物的标准样本，根据训练区的样本的光谱特征计算其特征参数（如样本的均值、方差等），建立识别各类地物的判别函数，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。 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（即相似度大的像元归为一类
3、）的方法。,（一）监督分类,监督分类的思想 ：,根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，利用一定数量的已知类别求解函数中待定参数，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 。,判决函数和判决规则,判决函数判断某个特征矢量属于哪个类别的 - 函数 判决规则对判决函数值进行判断归类的依据,光谱特征向量：同名地物点在不同波段图像中亮度的观测量将构成一个多维的随机向量（X）。X=x1,x2 xn n为图像波段总数 ； xi地物点在第i波段的亮度值。,1、最小距离分类法,基于距离判决函数和判决规则原理进行分类的方法。,基本思想：设法计算
4、未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类。,判决规则：若di（X） dj（X）,则X属于i类。,2,Step 2 for each unclassified pixel, calculate the distance to average for each training area,2、最大似然分类法（Maximum Likelihood,地物点可以在特征空间找到相应的特征点，并且同类地物在特征空间中形成一个从属于某种概率分布的集群。由此，我们可以把某特征矢量（X）落入某类集群的条件概率当成分类判决函数（概率判决函数），把X落入某集群的条件概率最大的类为X的类
5、别，这种判决规则就是贝叶斯判决规则。,根据概率判决函数和贝叶斯判决规则进行分类的方法。,概率判决函数：,贝叶斯判决规则：,根据贝叶斯判决规则：若Pi（X） Pj（X）,则X属于wi类。,Pi（X）=P（X/wi）P（ wi ）,3、多级切割分类法,又称为平行算法或（盒式决策规则） 通过设定在各轴上的一系列分割点，将多维特征空间划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。 对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征字空间中。,监督分类基本过程,（1）确定感兴趣的类别数。 （2）特征变换和特征选择 （3）选择训练样区 （4）选择监督分类方法（判决函数和判决规则)
6、（5）根据判决函数和判决规则对非训练样区的图像区域进行分类。,特征变换与特征选择,特征变换,减少特征之间的相关性 使得待分类别之间的差异在变换后的特征中更明显。,将原始图像通过一定的数字变换生成一组新的特征图像，这一组新图像信息集中在少数几个特征图像上。,特征变换的作用：,主成分变换（ KL变换）,主成分变换：是一种除去波段之间的多余信息，将多波段的图像信息压缩到比原波段更有效的少数几个转换波段的方法。 在遥感图像分类中，常常利用主成分变换来消除特征向量中各特征之间的相关性，并进行特征选择。,x2,2、 K-T变换,这种变换既可以实现信息压缩，又可以帮助解译分析农业特征，因此这种变换着眼点在于
7、农作物生长过程而区别于其他植被覆盖。,3、比值变换和生物量指标变换,比值变换图像可以增强土壤，植被，水之间的辐射差别，压抑地形坡度和方向引起的辐射量变化，在分类中具有较为明显的优点，而且计算相对较简单。 另一种特殊的比值变换是生物量指标变换即归一化植被指数 ：,NDVI=（TM4-TM3）/（TM4+TM3）,特征选择,从原有的n个特征值集合中，按某一准则选择出k个特征（k n）。,遥感影像的波段选择可分为定性的和定量的方法。,相关系数矩阵,（二）非监督分类,非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类；其分
8、类的结果只是对象元进行归类，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读或实地调查确定的。,非监督分类的基本思路,非监督分类也称聚类分析，采用的是聚类算法，一般是先选择若干个模式点作为聚类的中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各个像元划归各个类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止。,1、K-均值聚类法,K均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。其基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。,2、动态聚类法,动态聚类
9、算法也称为迭代自组织数据分析算法。在k-均值算法的基础上，设定控制参数，对聚类结果进行“合并”和“分裂”。 （1）“合并”操作：当聚类结果某一类中样本数太少，或两个类间的距离太近时，进行合并。 （2）“分裂”操作：当聚类结果某一类中样本某个特征如类内方差太大，将该类进行分裂。,设定控制参数：k：预期的类数；Nk：初始聚类中心个数；TN：每一类中允许的最少样本数目（若少于此数，就不能单独成为一类）；TE：类内各特征分量分布的相对标准差上限（大于此数就分裂）；TC：两类中心间的最小距离下限（若小于此数，这两类应合并）；NT：在每次迭代中最多可以进行“合并”操作的次数；NS：允许的最多迭代次数。选定初始聚类中心,监督分类和非监督分类方法比较,根本区别在于是否利用训练场地来获取先验的类别知识。 监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求，此为监督分类的不足之处。 非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。,
