1、遥感图像信息提取 主要内容 遥感信息提取技术概述 目视解译 监督分类 基于专家知识的决策树分类 面向对象分类 地物识别和定量反演 动态监测 立体像对 DEM提取 1. 遥感信息 提取方法概述 遥感影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 ） 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 。
2、 1.1 影像信息提取技术基础 1.2 遥感信息提取方法概述 人工解译 基于 光谱的计算机 自动分类 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 变化检测 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 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 基于光谱的计算机分类 对于中低分辨率的多光谱影像效果明显（小于 10米） 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 随着高分辨率影像的出现而发展起来的 地物识别与地表反演 定量信息提取，需要模型的支持 ，数据源有一定要求 变化监测 多时相影像支持 地形信息提取 需要立
3、体像对的支持 2. 目视解译 人们对地表物体的有关领域 ， 如土地利用存在一种先验知识 ，在遥感图像寻找对应关系 。 然后 ， 根据遥感图像的影像特征推论地表物体的属性 。 这一过程就称之为遥感图像的解译 ， 也叫遥感图像的判读 。 解译的任务就是从图像上认识 ， 辨别影像与地物的对应关系 、判断 、 归类 、 地物目标 ， 并用轮廓线圈定它们和赋予属性代码 ，或用符号 、 颜色表示属性 。 进行图像解译时 ， 把图像中目标物的大小 、 形状 、 阴影 、 颜色 、纹理 、 图案 ， 位置及周围的系统称之为解译的八要素 。 2.1 遥感图像解译的基本概念 预处理主要包括：几何校正 、 融合 、
4、 裁剪 、 镶嵌 。 除了这些传统的预处理外 ， 为了方便目视解译 ， 图像解译中比较重要的处理还包括了波段组合 、 图像增强 、 图像变换等 。 2.2 遥感图像解译预处理 遥感图像判读包括识别 、 区分 、 辨别 、 分类 、 评定 、 评价及对某些特殊重要现象的探测与鉴别 。 其轮廓的勾绘及其属性的赋予是要有依据 。 依据就是判读标志 。 在遥感图像上研究地表地物的种种特征的总和 ， 就叫判读遥感图像标志 。 2.3 解译标志的建立 地物名称 特征 实例 林地 1、 指生长乔木 ， 树木郁闭度 20 的各种天然 、 人工等树木的土地； 2、 有林地通常依地形地貌呈面状分布 ，通常树冠连片
5、 ， 周边规则 ， 色差明显 ，可见树冠阴影 。 但有林地不包括居民点绿地 ， 以及铁路 、 公路 、 河流 、 沟渠的护路 、 护岸林； 3、 图像纹理结构粗糙； 4、 图像色调阔叶林为鲜红为主 ， 针叶林为暗红为主； 5、 在坝上高原农牧交错带 ， 有林地通常分布在地形起伏的山地中 ， 阴坡比阳坡生长较好 。 A为人工种植的有林地； B为天然 草地 水浇地中的林网 数据源的选择 ： 数据源的选择需要考虑的因素非常多 ， 包括价格 、空间分辨率 、 成像时间 、 波谱分辨率等因素 。 解译平台 ： 一个好的解译平台对于工程完成的效率影响非常大 ，涉及到操作的便捷 、 数据格式的互操作 、 结
6、果的储存和管理等 。对于高分辨率影像的解译 ， 很多软件都具有半自动跟踪功能 。 如在 ENVI中的 Vector-Intelligent Digitizer（ 智能化矢量工具 ） ，具有半自动跟踪功能 ， 能自动圆滑线性地物拐弯处 、 圆滑不规则地物边界等 。 经验的积累 ： 图像解译以相关的专业知识和经验为主导 ， 图像处理为辅助 ， 经验是在实践中逐步总结 。 2.4 解译的关键问题 3. 监督分类 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
7、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 3.1 监督分类定义 3.2 监督分类基本流程 类别定义 /特征判别 影像分类 分类器选择 样本选择 分类后处理 结果验证 平行六面体 最小距离 马氏距离 最大 似然 波谱角 光谱信息散度 二进制编码 神经网络 支持向量机分类 模糊分类 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
8、统 ； 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 。 3.3 监督分类流程说明 类别定义 /特征判断 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 Divergen
9、ce参数表示 ，这两个参数的值在 02.0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 3.3 监督分类流程说明 样本选择 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 3.3 监督分类流程说明 分类器选择 平行六面体 最小距离 马氏距离 最大
10、似然 波谱角 光谱信息散度 二进制编码 神经网络 支持向量机分类 模糊分类 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 3.3 监督分类流程说明 分类后处理 数据源 练习数据 1-监督分类 1-监督分类（ Classic） 分类 类别定义 样本选择 分类器选择 分类 后处理 小斑 快处理 栅矢转换 精度验证 监督分类练习 (一 ) 数据源 练习 数据 1-监督分类 2-火烧迹地提取 BurnALI_subset.dat” 分类 类别定义 样本选择 分类器选择 分类 后处理 小斑 快处理 栅矢转换
11、 精度验证 监督分类练习 (二 ) 4. 基于专家知识的决策树分类 4.1 专家 知识的决策树 分类基本原理 + DEM + + + Road Map Zoning Coverage Landcover Classification 陡坡上的植被 缓坡上的植被 高山植被 公园用地 根据光谱特征、空间关系和其他上下文关系归类像 元 4.2 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 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： N
12、DVI大于 0.3， 坡度大于 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 4.3 规则定义 表达式 部分可用函数 基本运算符 +、 -、 *、 / 三角函数 Sin、 cos、 tan asin、 acos、 atan Sinh、 cosh、tanh. 关系 /逻辑 LT、 LE、 EQ. and、 or、 not. 最大值、最小值 其他符号 指数（ ）、 exp 对数 alog 平方根（ sqrt）、绝对值（ adb） 4.4 规则描述 表达式与变量 变量 作用 slope 计算坡度 a
13、spect 计算坡向 ndvi 计算归一化植被指数 Tascap 穗帽变换 pc 主成分分析 mnf 最小噪声变换 lpc 局部主成分分析 Stdev 标准差 Mean 平均值 Min、 max 最大、最小值 其他 如： ndvi LT 0.3 数据源 “练习 数据 2-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， 坡度大于 20度 ， 阳坡 类 4： NDVI小于或等于 0.3， 波段 4值大于或等于 2
14、0 类 5： NDVI小于或等于 0.3， 波段 4值小于 20 决策树 分类 -练习 构建执行决策树 决策树 分类 -练习 5. 面向对象分类 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 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 5.1 面向对象的图像分析 5.2 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 传统基于光谱的分类方法 地物的光谱信息特征 单个的影像像元 中低分辨率多光谱和高光谱影像 丰富的空间信息利用率几乎为零 基于专家知识决策树 根据光谱特征 、空间关系和其他上下文关系归类像元 单个的影像像元 多源数据 知识获取比较复杂 面向对象的分类方法 几何信息 、 结构信息以及光谱信息 一个个影像对象 中高分辨率多光谱和全色影像 速度比较慢 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
