遥感图像认识与解译ppt课件.ppt

遥感图像认识与判读,张超信息与电气工程学院地理信息工程系中国农业大学,2022年11月25日星期五,一 目视判读原理 （一）遥感成像与目视判读 （二）目视判读标志二 目视判读的方法与步骤 （一）遥感图像目视判读的认知过程 （二）目视判读的方法 （三）目视判读的步骤三 土地利用目视判读实例 （一）土地/土地利用分类 （二）土地利用目视判读实例,本次课程主要内容,目视判读，又称目视解译，或目视判译，即凭着光谱规律、地学规律和解译者的经验从图像的亮度、色调、位置、时间、纹理、阴影、结构等各种特征推出地面的景物类型。计算机自动分类，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图像恃征(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。,遥感图像解译(Imagery Interpretation),是从遥感图像上获取目标地物信息的过程。方法有两种:,一 目视判读原理,（一）遥感成像与目视判读,目视判读是遥感成像的逆过程。,概念：遥感图像上那些能够作为分析、判断景观地物的图像特征为判读标志或解译标志。直接解译标志是判读目标自身特点在图像上的直接表现形式，包括色调、形状、阴影、大小、纹理、位置、布局、图案。 间接解译标志图像上能看出的和直接标志密切联系的地物，不同的专业判读不同。,（二）目视判读标志,色调：也称颜色，是最重要、最直观的解译标志，与地物的光谱特性直接相关，其余与地物的空间特征相关。,（1）直接解译标志,红树林在绿、红、近红外波段图像,注意同物异谱与异物同谱,同物异谱：different spectrum with same object，同一种物体因其所处在的状态与位置不同，如自身湿度不同，处于坡向不同等，而具有不同反射光谱的物理现象。异物同谱：same spectrum with different object，不同物体具有基本相同反射光谱的物理现象。比如，大多数植被就具有基本相同的反射光谱。这里的“同谱”是一个相对概念。,形状：地物的轮廓在图像平面的投影。需要根据影象比例尺和分辨率具体分析，注意畸变（雷达、航片边缘）。根据地物空间的平面形态，地面对象可分为点状体、线状体、面状体。,在高空间分辨率遥感影像中，形状特征是重要的特征，特别是人工地物,大 小,布 局,大小：地物在图像上的尺寸，取决于实际地物的大小和图像的空间分辨率。通过地物光谱特性/数据的变化，即目标与周围地物间的光谱差异来体现。布局：物体间的空间配置。物体间一定的位置关系和排列方式，形成了很多天然和人工目标特点。,阴影：遥感图像上光束被地物遮挡而产生的地物的影子；有时需去除地形起伏引起的部分阴影。,纹理：遥感图像中目标地物内部色调有规则变化造成的图像结构。即地物图像轮廓内的色调变化的空间布局和频率。,15,图型：目标地物有规律的排列而成的图形结构。,16,机场,稻田,河滩,Race track：赛马场跑道 River：河流 Roads：道路 Bridges：桥 Residential area：居民区Dam：堤坝,Shape,Tone，Shape,shape, tone, and association,tone, shape, association,(二)间接解译标志,由于遥感技术的局限性，许多问题不能直接从目视判读直接获得答案，都需从其它相关事物间之间的联系，通过逻辑推理获得判断，这一过程叫间接解译，所采用的依据称间接解译标志。例如石油天然气勘探、环境质量评价、城市人口等的遥感分析 间接标志灵活、变化、难有规律可循。建立间接标志需要丰富的知识背景和严密的逻辑推理，有时需要建立模型，是一种综合分析、相关分析的方法。 不同专业判读有不同的间接标志。 进行地质构造分析，可以把水系形态、地貌类型作为间接标志； 城市人口判读，将建筑物密度、楼层数、商业网点作为间接标志；,木头堆,20,水系可作为地质地貌解译的间接标志,辐射型水系(火山附近),向心型水系(盆地),长方格子状水系(断层),2022/11/25,21,（一）遥感图像目视判读的认知过程,二 目视判读的方法与步骤,遥感图像知觉形成的条件存在颜色或色调的差异，并且这种差异能为判读者视觉所感受，才有可能将目标地物与背景区别开。通常采用一些图像增强技术来扩大地物之间的对比度差异。,22,（1）自下向上过程 （2）自上向下过程,图像信息获取,特征提取,识别证据选取,图像辨识,提出假设,特征匹配,（一）遥感图像目视判读的认知过程,2022/11/25,23,（二）遥感图像目视判读的方法,判读原则：多种信息综合分析，多手段、多方法相结合、内外结合保证精度；2. 判读方法：直接判读法、对比分析法、逻辑推理法、信息复合法、地理相关分析法。,3. 目视判读的方法,直接判读法：依据判读标志，直接识别地物属性。对比分析法：与该地区已知的资料对比，或与实地对比而识别地物属性；或通过对遥感图像不同波段、不同时相的对比分析，识别地物的性质和发展变化规律。逻辑推理法：根据地学规律，分析地物之间的内在必然分布规律，由某种地物推断出另一种地物的存在及属性。如由植被类型可推断出土壤的类型，根据建筑密度可判断人口规模等。信息复合法:利用透明专题图或透明地形图与遥感图像复合，根据专题图或者地形图提供的多种辅助信息，识别遥感图像上目标地物的方法。地理相关分析法:根据地理环境中各种地理要素之间的相互依存，相互制约的关系，借助专业知识，分析推断某种地理要素性质、类型、状况与分布的方法。,2022/11/25,27,(三) 目视判读的步骤,目视解译一般遵从从已知到未知，先整体后局部，从宏观到微观，先易后难的原则，可以概略地分为以下主要步骤： 准备工作： 主要是收集资料，除遥感图像外，通常还需要工作区的地形图和相关的自然、经济等情况，以及报告、必要的参考文献等各种资料。,2022/11/25,28,(三) 目视判读的步骤,图像预判和编制专题图略图： 遥感图像的初步解译主要是经过资料分析建立直接和间接解译标志，包括形状、大小、色调、阴影、纹理等。然后在分类系统的指导下设计图例系统，进行初步解译，并把解译结果转绘成专题图略图。,2022/11/25,29,(三) 目视判读的步骤,野外实况调查和地学验证： 根据初步解译结果，确定野外调查路线和调查样本，进行野外调查，验证判读标志，并应用地学分析方法解决图像与地物间的机理关系，从而修正预判中的错判或漏判，使得解译结果更加客观可靠。室内解译编绘成图： 根据预判结果和野外调查资料，对全部工作区进行重新解译，然后清绘成图，在此基础上进行面积量测以及其他数字统计特征分析。,2022/11/25,30,(一) 土地与土地利用土地是一个综合的概念，它是包括气候、地貌、土壤、水文、植被等自然因素在内的自然综合体，同时也包括人类活动的作用和影响。土地覆盖是指地球表面当前所具有的自然和人为影响所形成的覆盖物，如地表植被、土壤、冰川、湖泊、沼泽湿地及道路等。土地利用是土地资源自然属性和经济特性的全面反映。土地利用划分具有如下特点：在自然、经济和技术条件的综合影响下，经过人类的劳动所形成的产物；在一定的空间分布上服从社会经济条件，在地域分布上不一定连成片。,三 目视判读实例,（二）目视判读实例1. 航片目视判读,航空（机载）遥感图像（2002.3.25）,2022/11/25,33,2. 卫片土地利用判读-北京,云层,山体（香山）,城区,1彩色合成方式？分别是哪个波段分别赋给RGB？,2022/11/25,34,2. 卫片土地利用判读-北京,北京城区（五环线）,2022/11/25,35,2. 卫片土地利用判读-北京,故宫及天安门广场,居民点,大棚菜地,水域,林地,裸耕地,4月1日,5月22日,标准假彩色合成,遥感图像的目视解译,直接解译标志,居民点,农田,What?,颐和园,Water Body,林地？,道路,树木,四环,五环,桥梁,顺义区,遥感图像计算机分类,1 遥感图像分类的概述2 非监督分类3 监督分类4 分类后处理5 精度评价,模式识别Pattern Recognition将具有相似特征的“东西”识别归类的过程。 基于统计方法模式识别; 基于句法（或结构）模式识别.遥感图像分类属于模式识别,1 遥感图像分类的概念,遥感图像分类是计算机或人目视按着影像中像素灰度值（反射率等）的大小分布、邻近像素灰度值差异大小、分布状况以及几何形态等特征规律对图像的各像素做出归类，归类结果直接作为图像解译结果，或者作为辅助人们解译的参照。,遥感图像分类,1.1 遥感图像分类,遥感图像分类的方法主要有人工目视解译和计算机自动分类。目视解译是计算机自动分类的基础；计算机自动分类总是尽可能地模拟目视解译的过程。,1.1 计算机图像分类（续2）,目视解译和计算机图像分类的对比,影像分类的一般原理,遥感影像的计算机分类，根据光谱特征,存在问题：同物异谱异物同谱,1.1 遥感图像分类,遥感图像分类特征选择基于光谱分类：相同地物具有相似的光谱特征，不同地物具有不同光谱特征。基于光谱特征的统计分类方法是遥感图像分类过程中最常用的方法。基于空间结构分类：基于图像上地物景观的结构、形状、纹理特征差异进行分类 。一般结合光谱特征，对遥感图像进行分类，特别是高空间分辨率遥感图像光谱与空间结构结合分类，如面向对象分类,构建分类系统,根据具体任务研究区特点遥感影像特点,光谱特征空间,遥感图像的光谱特征通常是以地物在多光谱图像上的亮度值（反射率值）体现出来的。地物点在不同波段图像中的亮度值构成一个多维的向量X，称为光谱特征向量。 X=x1,x2,xnTn为图像的波段数；xi为地物图像点在第i波段图像的亮度值为了度量图像中地物的光谱特征，建立一个以各波段图像的亮度分布为子空间的多维特征空间。,地物与光谱特征空间的关系,地类名称一般称类别，例如土地利用/覆盖中的 居民地、水域、园地、林地、耕地等。参与分类的多个特征量（向量）所定义的空间，称为特征空间，例如2个波段定义的2维特征空间，3个波段定义的3维特征空间等。,特征变换,特征变换的作用：减少特征之间的相关性，尽可能少的特征来最大限度的包含原始的信息；使待分类别之间的差异在变换后的特征中更加明显，从而改善分类效果。特征变换主要方法有：比值变换、主成分变换、缨帽变换、植被指数等,特征选择,在特征空间中，选择一组最佳的特征波段来进行分类。特征选择与所希望区分的类别以及图像本身的特征有关。如提取植被，选植被指数，缨帽变换的第二分量等；山地植被提取，选用比值变换后的影像，可以消除地形对图像的影响；针对岩石、建构筑物，选用短波红外波段（TM5或TM7）,监督分类与非监督分类,非监督分类：事先没有类别的先验知识，纯粹根据图像数据自身的统计特征和点群分布情况，根据相似性程度自动进行归类，最后再确定每一类的类别。监督分类：有类别的先验知识，根据先验知识选择训练样本，由训练样本得到分类判别准则。将未知类别的样本代入判别规则，依据判别准则对各样本的所属类别做出判断。,2 非监督分类,分类标准的确定不需要人的参与，由计算机自动按照某一标准（例如距离最短）自动进行。需要确定要分几类，或者类别数量范围。类似的概念：聚类分析、点群分析、空间集群等。常用的非监督分类方法：1) K-MEANS; ISODATA非监督分类的结果是光谱类（反映光谱差异）需要对光谱类进行综合与调整才能得到信息类,2.1 K-MEANS（ K-均值算法）,1、 任意选择K个聚类中心，一般选前K个样本；2、 迭代，将未知样本 X 分到距离最近的类中；3、根据第2步的结果，重新计算聚类中心；4、 每一类的像元数目变化达到要求或迭代次数达到要求，算法结束。,在特征空间内计算各类的均值，使用最小距离法，将未知像元划分到某一类中，再调整均值，直到迭代次数满足，或者距离阈值满足条件。具体步骤：,影响K均值法的因素有：聚类中心数目，初始类中心的选择，样本输入的次序等。,ENVI的K-MEANS参数设定,Number of class: 要分成几类Change threshold%(0-100): 如果每一类的像元数目变化小于此数值，则迭代停止。,2.2 ISODATA,ISODATA（Iterative Self-Organizing Data Analysis Technology Algorithm,迭代自组织数据分析算法） 在K均值算法的基础上，加入了试探性的步骤，能够吸取中间结果的经验，在迭代的过程中可以进行类别的分离和合并，具有“自组织”性，是目前非监督分类中使用最为广泛的算法。该算法中影响分类结果的参数有：迭代次数、类别数（最大、最小）、参加分类的波段。,ENVI的ISODATA参数设定,输入参数说明：最大和最小类别数目，因为算法进行自动的类别分裂和合并，所以不能确定类别的具体数目;最大迭代次数和各类间像元变化阈值，其中一项满足，则分类结束;如果某一类别中的像元数目小于 Minimum # pixel in class，则删除该类别，像元归并到最近的一类中;如果某一类的标准差大于Minimum class stdv，则该类别需要分裂成两个类别;如果两个类别的距离小于Maximum class distance，则该两个类别合并成一类;Maximum # merge pairs class 定义最多合并多少类别;Maximum stdev from mean;Maximum distance error.,3监督分类,监督分类，首先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其中利用一定数量的已知类别的样本的观测值求解待定参数的过程称为学习或者训练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,3 监督分类,3.1 盒式分类(平行六面体分类) 3.2 最小距离分类 3.3 最大似然分类,3.1 盒式(平行六面体)分类,使用简单的分类规则进行多光谱遥感图像的分类。决策线在n维光谱空间中是一个“盒子”。盒子的边长根据距离平均值的标准差确定。如果某个像元落在某一类的盒子的阈值范围内，则划分到该类别中。落不到任何盒子中，则标识为未分类像元。输入参数 Max stdev from the mean, 是距离平均值多少个标准差。,平行六面体分类Parallelepiped Classifier,3 SDs,3 SDs,3 SDs,3 SDs,使用3倍标准差的例子：,平均值Mean,Band 1,Band 2,3.1 盒式(平行六面体)分类(续),3.2 最小距离分类,计算未知像元距离各个类别均值向量的距离，将该像元划分到距离最小的类别中。,则，样本x属于第i类，距离的计算公式：,=I，则为欧式距离，否则为马氏距离,最小距离法,输入参数：Max stdev from the mean, 是距离平均值n个标准差。Max distance error , 距离的最大阈值如果两个参数都输入了，使用其中小的作为最终的判别标准。如果计算的距离大于上面的参数设置，则样本分到未分类,3.2 最小距离分类(续1),3.3 最大似然分类,假设条件：数据符合某种分布（多维正态分布）。如果不符合，分类的精度将下降。计算每个像元属于各个类别的似然度（后验概率）（likelihood）,该像元归到似然度最大的类别中。似然度是像元数据X 属于类别i的后验概率。 如果类别i中X的条件概率为P(x/i), 则似然度 的计算公式为：,3.3 最大似然分类（续1）,对于样本点的统计分布属于正态分布，其概率密度函数为：,判别函数：,3.3 最大似然分类(续2),最大似然与最小距离分类,判别函数：,如果各类的P(i) 相等，则为最小马氏距离监督分类如果 各类的P(i) 和都相等，则为最小欧式距离的监督分类,监督分类过程,1、确定分类类别2、特征变换、特征选择3、选择训练区4、确定判别函数和判别规则，根据训练区数据，计算判别函数参数（类别均值标准差）5、根据判别函数和判别规则对非训练样区图像进行判别和归类,神经网络方法,输入层,隐藏层,输出层,其他分类算法,遥感分层决策树分类,根据图像覆盖区的地表覆盖类型总体结构和分层结构，进行逐级分类。对目视解译分类而言，就是在分类树的每个节点上，建立类别间的解译标志来区分；而对计算机自动分类而言，则是按一定的分类规则（如最小距离、最大似然法等）分别设计各种分类器，对图像中的各像元进行逐层的识别、归类，通过若干次中间判别最终得到判别分类的结果。,分层决策分类树示例,30米分辨率TM图像,融合后2.5米分辨率SPOT5图像,适合高分辨率的面向对象分类,面向对象的分类法,对象为具有相似特征像素的集合体，将它看成高空间分辨率遥感图像的构成基元，对应于中低空间分辨率图像的像素单元。 通过对对象的操作，不仅可以获得地物光谱信息，更能获得包括纹理、形状、大小、上下文等丰富的空间信息。,与传统分类方法的本质区别：是对影像对象而不是像素进行分类,对象属性： 像素属性:- 颜色 - 颜色（波谱信息）- 形状 - 大小 - 纹理- 上下文,面向对象分类过程,1、图像分割形成对象 根据某些特征把图像分割成一些在空间上相邻、互不交叠的区域，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同2、影像对象分类 根据对象的光谱、纹理、形状、层次关系、拓扑关系等，进行分类 分类方法：最邻近法，模糊分类法,面向对象分类方法,最邻近分类法影像对象作为分类的基本单元，优选对象的特征，构建对象的特征空间在特征空间中计算待分类影像对象与各地类训练样本之间的距离，寻找与待分类影像对象距离最近的样本对象，将该对象归属到最近样本对象所在的类别,面向对象分类方法,模糊分类法模糊化即利用隶属度函数将对象特征值转换为隶属度（属于某一类别的可能性）。模糊逻辑运算是对对象的多个特征形成的多个模糊集合进行逻辑运算处理。反模糊化指通过模糊集合综合评判的方法确定对象类别，是一个从隶属度度到确定类别的过程。,基于像元的植被提取,基于影像对象的植被提取,面向对象与基于像素分类效果比较,4 分类后处理,4.1 类别的合并4.2 筛滤 4.3 临近类别的归并 4.4 多数/少数分析 4.5 类别的叠加显示,4.1 类别的合并,同一类别中，光谱特征相差太大，需要再分类的时候作为几类进行分类，分类完成后再进行类别的合并。,4.2 筛滤（sieve）,去除离散的像元点。与用户给定的窗口大小有关。去除后的像元标记为“未分类”。四邻域八邻域,四邻域,八邻域,4.3 临近类别的归并(clump),离散点归并到周围大的类别中。先膨胀，再侵蚀。数学形态学知识简介：膨胀（Dilate ）：填充、扩展、增长等。填充小于结构元素（核）的像元。灰度图像或者黑白图像。侵蚀(Erode ): 收缩。去除小于给定结构的孤岛。开运算（Opening）：先侵蚀再膨胀。突刺滤掉，切断细长搭接而起到分离作用。闭运算（Closing）：先膨胀再侵蚀。可以填补小的缺口和孔，搭接短的间断而起到连通作用。Clump采用闭运算,CLUMP处理后,4.4 多数/少数分析Majority/Minority Analysis,多数或者少数分析中心像元将被给定的窗口内的多数像元或者少数像元值所取代。举例,多数分析,4.5 类别叠加显示,将分类的图像叠加在一个彩色合成遥感图像上。对于分类图像可以选择要叠加的类别。用途：动态变化的监测，分类结果的检验与交互式修改。,5. 精度评价,5.1 精度评价流程 5.2 检验数据 5.3 采样方法 5.4 混淆矩阵 5.5 Kappa统计,5.1 精度评价流程,分类精度直接关系到更新GIS数据库的能力，说明分类结果的可信度。,5.2 检验数据,检验数据和遥感分类结果对比，形成混淆矩阵，评价遥感图像分类结果。1）检验数据 检验数据主要来自于地面实况的调查或更高空间分辨率的航空图像的目视解译结果。 ENVI软件中通过定义ROI来实现。,5.3 采样方法,来自监督分类的训练样区专门选定的试验场随机取样检验样本的采样方法是影响精度评价结果的重要因素。,5.4 混淆矩阵,采用某种采样方法得到检验数据，对比遥感分类结果图得到混淆矩阵。混淆矩阵的形式如表。,运行误差（Commit Error）=(E+F)/G 用户精度（Users Accuracy）：=A/G =100%-运行误差结果误差（Omission Error）= (B+C)/D生产者精度（Producers Accuracy）= A/D =100%-结果误差 总体精度(Overall Accuracy) = 正确分类/总样本数,5.5 Kappa统计,总体精度并不能排除偶然一致性，Cohen（1960）提出的kappa统计评价方法。kappa统计也是根据混淆矩阵来计算。,其中m为类别数， 为对角线样本的数目， ， 分别是i行i列上样本数目的总和，N为样本数目。,5.5 Kappa统计(续1),Kappa统计用到了混淆矩阵中每一个元素，用来度量实际吻合（Actual Agreement）和变化吻合（Change Agreement），比只计算总体精度要合理些。总体精度只考虑混淆矩阵对角线上元素，kappa系数考虑了非对角线上的元素Kappa统计的意义是：如果Kappa统计为0.7，则表示所用的分类方法比随机赋予各点某一类别的方法优越70%。目前kappa统计也成为评价分类结果的一个标准参数。,5.6 分类精度评价,1、分类前的遥感图像预处理遥感图像的预处理，几何校正，辐射校正图像特征变换，主成分变换，NDVI空间信息的提取与利用2、分类树，分层分类当一次性分类出现类间混淆又难以解决时，可以采用逐次分类的方法3、不同的分类方法结合监督分类与非监督分类结合：混合分类4、多种信息复合遥感信息非遥感信息：其它地理辅助信息；比如DEM，坡度，土壤类型图等,提高分类精度的策略,本章课程结束！,