第六章遥感数字图像计算机解译讲述.ppt

遥感数字图像计算机解译概念 遥感数字图像计算机解译以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化提取。 基本目标：将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。 计算机解译难度大的原因： 1、遥感图像带有噪声； 2、遥感影像信息量丰富，内容“拥挤”； 3、遥感图像的地域性、季节性和不同成 像方式更增加了解译难度。 遥感数字图像计算机分类基本过程如下： (1)首先明确遥感图像分类的目的及其需要解决的问题，在此基础上根据应用目的选取特定区域的遥感数字图像，图像选取中应考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。 (2)根据研究区域，收集与分析地面参考信息与有关数据。 (3)对图像分类方法进行比效研究，掌握各种分类方法的优缺点，然后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。 (4)找出代表这些类别的统计特征。 (5)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。 (6)对遥感图像中各像素进行分类。 (7)分类精度检查。 (8)对判别分析的结果统计检验。 监督分类过程 分类预处理：大气校正、几何校正与配准 特征选择(提取) 分类（监督分类训练区的选择） 分类后处理，包括精度评价 专题图制作 监督分类中常用的具体分类方法包括： 1、最小距离分类法 1)最小距离判别法 2)最近邻域分类法 2、多级切割分类法 3、特征曲线窗口法 4、最大似然比分类法 监督分类 监督分类 监督分类 监督分类 监督分类 监督分类 监督分类 监督分类 监督分类 非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息(或纹理信息)进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。 主要方法：分级集群法和动态聚类法 非监督分类 图像分类中的有关问题 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。 图像分类中的有关问题 问题（光谱分类）： 同物异谱：同类地物具有不同的光谱特征 同谱异物：不同的地物可能具有相似的光谱特征。 如：同一作物，生长状态不同，光谱特征有差异； 不同的植被类型可能有相似的光谱特征 6.3 遥感图象多种特征的抽取 遥感图像解译，除了利用地物的光谱特征外，还需利用地物的形状特征和空间关系特征，因此需要提取图像的其他特征。对于高分辨率遥感图像，可以清楚地观察到丰富的结构信息，因此可以设法去提取这类地物的形状特征及其空间关系特征，以作为结构模式识别的依据。 结构模式识别也叫句法模式识别，利用该方法可以提取地物的形状特征和空间关系特征，在此基础上识别遥感影像上的目标地物。 6.3 遥感图象多种特征的抽取 地物边界跟踪法： 第一种方法：以图像像元作为跟踪的落脚点，跟踪点的连线作为地物的界线。这种跟踪方法适用于线状物体的跟踪。 第二种方法：认为地物的界线在相邻地物之间，因此边界跟踪的路径应该从两个相邻地物边界的像元中间穿过，这种方法适用于点状地物与面状地物的跟踪。又可分为： 1、点状地物与面状地物的边界跟踪 2、线状地物信息检测与跟踪 6.3 遥感图象多种特征的抽取 形状特征描述与提取 1、地物形状特征的描述 主要采用链码来记录和描述边界点 链码：一组具有方向标志码的有序系列。 2、地物形状特征的提取： 地物单元周长、地物面积、线状地物的曲率、面状地物的形状系数 地物空间关系特征描述与提取 1、不同地物之间的空间关系 （1）方位关系：指两个地物之间方向与位置的相对关系。方位关系用来描述边界并不相互接触的两个物体。通常采用以一个物体为中心，描述另一个物体位于它的哪个方向上，距离它有多远。 包括：距离关系、方向关系 地物空间关系特征描述与提取 距离关系：即一个物体到另一个物体的直线距离。由于空间分布的地物具有三种类型，因此，各种物体之间的距离关系定义也不相同。 点到点之间的距离则是两点间的距离 点到线的距离是该点到该线的最短垂直距离 点到面的最短距离为该点到面状地物边界的最短距离 线到面的最短距离是线上一点到面状地物边界点的最短距离 面到面的距离是两个面状地物边界点的最短距离 地物空间关