遥感数字图像计算机解译整理.ppt

1,第六章 遥感数字图像的计算机解译,本章主要内容6.1遥感数字图像的自动分类6.2遥感图像多种特征的抽取6.3遥感图像解译专家系统,2,6.1 遥感图像的计算机分类,3,6.1 遥感图像的计算机分类,4,专题信息提取的概念：日本遥感学会：利用图像的光谱信息，空间信息以及多时相信息对目标进行识别并归类，并将可从遥感图像中提取的信息分为五类。,6.1 遥感图像的计算机分类,5,6.1 遥感图像的计算机分类,6,6.1.1 分类原理与基本过程,1)遥感图像计算机分类的依据是遥感图像像素的相似度。常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，距离越小相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。,6.1 遥感图像的计算机分类,7,2)遥感图像计算机分类方法监督分类法：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，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（即相似度的像元归为一类）的方法。,6.1 遥感图像的计算机分类,8,3)遥感数字图像计算机分类基本过程根据图像分类目的选取特定区域的遥感数字图像，需考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。根据研究区域，收集与分析地面参考信息与有关数据。根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。制定分类系统，确定分类类别。找出代表这些类别的统计特征,6.1 遥感图像的计算机分类,9,3)遥感数字图像计算机分类基本过程为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。对遥感图像中各像素进行分类。分类精度检查。对判别分析的结果进行统计检验。,6.1 遥感图像的计算机分类,10,（1）最小距离分类法,Step 2 for eachunclassified pixel,calculate the distance toaverage for each trainingarea,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类,11,Defines a typical pixel for each classAssigns pixels on the basis of spectral distanceCan separate diverse classesBoundary problems remain unresolved,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类,12,（2）多级切割分类法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字空间的分类方法。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。,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类,13,（3）特征曲线窗口分类法特征曲线是地物光谱特征曲线参数构成的曲线。以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口内的地物即被认为是一类，反之，则不属于该类。,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类,14,（4）最大似然比分类法(Maximum Likelihood)通过求出每个像素对于各类别的归属概率，把该像素分到归属概率最大的类别中去的方法。假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布。,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类,15,最大似然比分类法,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类,16,最大似然比分类法,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类,17,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类,最大似然比分类法,18,（1）分级集群法确定评价各样本相似程度所采用的指标初定分类总数；计算样本间的距离，据距离最近的原则判定样本归并到不同类别；归并后的类别作为新类，与剩余的类别重新组合，然后再计算并改正其距离。,6.1 遥感图像的计算机分类,6.1.2 图像分类方法非监督分类,19,20,（2）动态聚类法(a)计算个体与初始类别中心的距离,把该个体分配到最近的类别中;(b)计算并改正重新组合的类别中心,重复进行(a)的过程。如果重新组合的个体数在某一门限值以下,可以认为结束。(c)消除微小的类别后，当类别数在一定的范围，类别中心间的距离在门限位以上，类别内的方差的最大值为门限值以上时，可以看做集群分析终了。当集群分析的终了条件不满足时.就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返回到(a)，重复进行再组合的过程。,6.1 遥感图像的计算机分类,6.1.2 图像分类方法非监督分类,21,22,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。,6.1 遥感图像的计算机分类,6.1.2 图像分类方法监督分类与非监督分类方法比较,23,1 类别的合并2 筛滤 3 临近类别的归并 4 多数或者少数分析 5 图象分割 6 类别的叠加,6.1 遥感图像的计算机分类,6.1.3 分类后处理,24,1 精度评价流程 2 检验数据 3 采样方法 4 混淆矩阵 5 Kappa统计,6.1 遥感图像的计算机分类,6.1.4 精度评价,25,随着遥感和GIS的结合，遥感专题分类结果作为GIS数据更新的需求日益加剧。分类精度直接关系到它更新GIS数据库的能力，因此分类结果的精度评价也引起了人们的普遍关注。,6.1 遥感图像的计算机分类,6.1.4 精度评价评价流程,26,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，但根据航空影像解译结果往往产生保守的精度。ENVI软件中通过定义ROI来实现。,6.1 遥感图像的计算机分类,6.1.4 精度评价检验数据,27,简单随机采样（Simple Random Sampling）分层随机采样（Stratified Simple Random Sampling）聚类采样（Cluster Sampling）系统采样（System Sampling）分层系统采样（Stratified System Sampling）除了聚类采样以块以外，其余4种方法都以像元为基本单位。检验样本的采样方法是影响精度评价结果的重要因素。,6.1 遥感图像的计算机分类,6.1.4 精度评价采样方法,28,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)=m为类别数目，N为样本数目。,6.1 遥感图像的计算机分类,6.1.4 精度评价混淆矩阵,29,总体精度并不能排除偶然一致性，因此一些研究人员推荐使用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。,6.1 遥感图像的计算机分类,6.1.4 精度评价Kappa统计,30,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。它在评价不同分类器的分类精度上耕具有统计意义上的辨析能力。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。,31,32,1、未充分利用遥感图像提供的多种信息 只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类.水体的分类.,6.1 遥感图像的计算机分类,图像分类中的有关问题,33,2、提高遥感图像分类精度受到限制,大气状况的影响：吸收、散射。下垫面的影响：下垫面的覆盖类型和起伏状态对分类具有一定的影响。其他因素的影响：云朵覆盖；不同时相的光照条件不同，同一地物的电磁辐射能量不同；地物边界的多样性。,6.1 遥感图像的计算机分类,图像分类中的有关问题,34,一、地物边界跟踪法点状地物与面状地物的边界跟踪线装地物信息检测与跟踪二、形状特征描述与提取地物形状特征的描述地物形态特征的提取,6.2遥感图像多种特征的抽取,35,三、地物空间关系特征描述与提取不同地物之间的空间关系：方位关系、包含关系、相邻关系、相交关系、相贯关系。空间关系特征提取与描述（1）方位关系的提取（2）包含关系特征提取与描述（3）相邻关系特征抽取（4）相交关系特征抽取（5）相关关系特征的提取,6.2遥感图像多种特征的抽取,36,专家系统：把某一特定领域的专家知识与经验形式化后输入到计算机中，由计算机模仿专家思考问题与解决问题，是代替专家解决专业问题的技术系统。遥感图像解译专家系统的组成图像处理与特征提取子系统遥感图像解译知识获取子系统遥感图像解译专家系统的机理计算机解译的主要技术发展趋势,6.3遥感图像专家解译系统,37,6.3.1 遥感图像解译专家系统的组成,1、图像处理与特征提取子系统：包括图像处理、地形图数字化、精纠正、特征提取，结果存贮在遥感数据库内。2、遥感图像解译知识获取系统：获取遥感图像解译专家知识，并把专家知识形式化表示，存贮在知识库中。3、狭义的遥感图像解译专家系统。,6.3遥感图像专家解译系统,38,6.3.2 图像处理与特征提取子系统,1、图像处理：图像滤波可消除图像的噪声；图像增强可突出目标物体与背景的差异；大气纠正可消除大气散射、雾霁等影响；几何精校正后的数字影像可与专题图精确复合；2、分类与特征提取子系统 从图像中抽取光谱特征、图像特征和空间特征，为专家系统进行推理、判断及分析提供依据。,6.3遥感图像专家解译系统,39,6.3.3 遥感图像解译知识获取子系统,1、遥感图像解译知识获取系统的主要功能是知识获取.2、知识获取有三个层次:增加遥感解译新知识发现原有错误知识,修改或补充新知识根据解译结果,自动总结经验，修改错误知识,增加新知识.4、遥感图像解译描述性知识可以采用框架式方法表示框架知识表示方法的特点5、过程性知识采用产生式规则知识表示方法产生式规则的特点,6.3遥感图像专家解译系统,40,6.3.4 遥感图像解译专家系统的机理,1、遥感图像数据库包括遥感图像数据和每个地物单元的不同特征，由数据管理系统管理。2、解译知识库包括专家解译知识和背景知识，由知识库管理系统管理。3、推理机采用正向推理和反向推理相结合的方式进行遥感图像解译。,6.3遥感图像专家解译系统,41,6.3.5 计算机解译的主要技术发展趋势,1、抽取遥感图像多种特征 对高分辨率卫星图像的自动解译来说，一般分别对目标地物采用地、中、高三个层次进行特征抽取和表达。低层次的对象是像素，每个像素对应的 数值是该地物波谱特征的表征；中层次主要抽取和描述目标的形态、纹理等空间特征；高层次主要抽取和描述识别目标与相邻地物之间的空间关系。,6.3遥感图像专家解译系统,42,2、逐步完成GIS各种专题数据库的建设，利用GIS数据减少自动解译中的不确定性,GIS数据库在计算机自动解译中发挥以下重要作用：（1）对遥感图像进行辐射校正，消除或降低地形差异的影响；（2）作为解译的直接证据，增加遥感图像的信息量；（3）作为解译的辅助证据，减少自动解译中的不确定性；（4）作为解译结果的检验数据，降低误判率。,6.3.5 计算机解译的主要技术发展趋势,6.3遥感图像专家解译系统,43,3、建立适用于遥感图像自动解译的专家系统，提高自动解译的灵活性,需要从以下两方面开展工作：建立解译知识库和背景知识库。解译知识库是遥感图像解译认识和经验经形式化后记录在贮存 介质上的。背景知识库是有关遥感解译背景知识与经验的集合，以地学知识为主。根据遥感图像解译的特点来构造专家系统。,6.3.5 计算机解译的主要技术发展趋势,6.3遥感图像专家解译系统,44,4、模式识别与专家系统相结合,既可以发挥图像解译专家知识的指导作用，在一定程度上为模式识别提供经验性的知识，又可以利用数字遥感图像本身提供的特征，有助于提高计算机解译的灵活性。,6.3.5 计算机解译的主要技术发展趋势,6.3遥感图像专家解译系统,45,5、计算机解译新方法的应用,（1）人工神经网络(Artificial Neural Networks)在遥感图像识别中的应用。（2）小波分析在遥感图像识别中的应用。（3）分形技术在遥感图像识别中的应用。（4）模糊分类方法遥感图像识别中的应用。,6.3.5 计算机解译的主要技术发展趋势,6.3遥感图像专家解译系统,