地物光谱特征与遥感数字图像信息提取

3 3 2遥感数字图像处理 3 遥感数据融合实质在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法 生成一幅新的 更能有效表示该目标的图像信息原理及过程预处理主要包括遥感影像的大气校正 辐射校正及空间配准数据融合根据融合目的和融合层次智能地选择合适的融合算法 将空间配准的遥感影像数据 或提取的图像特征或模式识别的属性说明 进行有机合成 得到目标的更准确表示或估计 3 3 2遥感数字图像处理 数据融合分类像元级融合像元级融合是一种最低水平的融合特征级融合特征级融合是一种中等水平的融合决策级融合决策级融合是最高水平的融合数据融合方法IHS变换 代数法 Brovey变换 图像回归法 主成分变换 PCT 小波变换等 3 3 2遥感数字图像处理 三级融合层次下的融合方法 小波变换图像分解为不同空间分辨率 频率特征 方向性的子信号TM低频代替SPOT低频 TM741 RadarSat TM和RadarSat复合 6 2遥感数字图像的计算机分类 特征 feature 在多波段图象中 每个波段都可看作一个变量 称为特征变量 特征变量构成的空间称特征空间 特征提取 featureextraction 找出反映地物类别差异的特征变量用于分类的过程 遥感数字图像分类 依据 遥感图像像素的相似程度距离 距离越小相似度越大相关系数 相关程度越大 相似度越大 欧氏距离 N 波段数 dij第个i像元与第j个像元在N维空间中的距离 xik为第个k波段上第i个像元的灰度值 绝对距离 常用的距离和有关统计量 马氏距离 相关系数 三 遥感数字图像的分类方法 分类方式 监督分类 非监督分类 计算机分类基本过程按照识别目标 选择相应传感器图像 确定特征波段 收集并分析相关地面参考信息 相关图件 按照识别目标和相关标准 建立分类体系 类别数 特征波段预处理 信息增强处理 分析各个类别在特征波段中的统计特征 确定判别函数 逐像元进行分类识别 分类精度验证 实地验证 间接验证 修改判别函数 最后分类 结果统计 完成报告 从研究区域选取有代表性的训练区作为样本 根据已知训练区提供的样本 通过选择特征参数 如像素亮度均值 方差等 建立判别函数 据此对数字图像待分像元进行分类 依据样本类别的特征来识别非样本像元的归属类别 一 监督分类 分类训练区 已知地表覆被类型的代表样区 用于描述主要特征类型的光谱属性 监督分类对训练场地的选取要求 训练场地所包含的样本在种类上要与待分区域的类别一致 训练样本的数据应能够提供各类足够的信息和克服各种偶然因素的影响 常用的监督分类方法 最小距离分类法多级切割分类法特征曲线窗口法最大似然分类法 1 最小距离分类法 假设N维空间存在M个类别 某一像元距哪类距离最小 则判归该类利用训练样本数据计算每一类的均值和标准差向量 以均值向量做为该类的特征空间的中心位置 计算输入像元到各类的中心距离 到哪一类距离最小 就归为哪一类 分类的精度取决于训练样本的准确与否 最小距离分类法 2 多级切割分类法 在各特征轴上设置一系列分割点 光谱特征的上 下限值 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 3 特征曲线窗口 依据 相同地物在相同环境和成像条件下 其特征曲线相同或相近 特征曲线为中心取一个条带构造一个窗口 反落在窗口内地物被认为是一类 利用光谱曲线的位置 反射峰 谷的宽度 峰值的高度等 4 最大似然法 建立在贝叶斯准则基础上 分类错误概率最小的一种非线性分类 是应用比较广泛 比较成熟的一种监督分类方法 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 假设每一波段的每一统计都呈正态分布 计算给定像元属于某一训练样本的似然度 归并到似然度最大的一类训练数据至少为特征维数2 3倍 来取得较高精度的均值 方差 协方差 最大似然法 原始图象 分类图象 总结 监督分类中 训练样本的质量决定了分类样本精度 用于图象分类的训练区的统计结果 一定要充分反映每种信息类型中光谱类别的所有组成 样本的采集要具有代表性 完整性 尽量采集多个样区 根据事先指定的某一准则 而进行计算机自动判别归类 无须人为干预 分类后需确定地面类别 在非监督分类中 先确定光谱可分的类别 然后定义它们的信息类 二 非监督分类 常用非监督分类方法 1 分级集群法 K mean 2 动态聚类法 ISODATA 1 K mean K Means算法通过计算样本数据点之间的逻辑距离来判断某个样本数据点属于哪一个簇 使簇内的点有较大的相似度 而簇间的点有较小的相似度 算法运行中 要反复扫描所有样本数据点 要计算每个非中心数据点与某个聚类中心点的距离 并将这个数据点归为与其距离最小的那个聚类中心对应的簇之中 每扫描一次就要重新计算每个聚类中心点的位置 当聚类中心点的位置变化在一定的阈值之内的时候停止处理 最后就可以得到K个簇 处理流程 1 确定评价各样本相似程度所使用指标 2 初定分类总数 3 计算样本见距离 判定样本归并到不同类 4 归并后的类作为新类 与剩余类重新组合 然后在计算并改正其距离 缺点 类别数提前设定后不能调整 2 ISODATA 迭代自组织数据分类 ISODATA 即 IteractiveSelf OrganizingDataAnalysisTechnique ISODATA分类在初始设定基础上 在分类过程中根据一定原则不断重新计算类别总数 类别中心 使分类结果逐渐趋于合理 直到满足一定条件分类完毕 分类过程 1 确定最初类别数和类别中心 2 计算每个像元与各初始聚类中心的距离 3 选与其中心距离最近的类别作为这一像元的所属类别 4 计算新的类别均值向量 5 比较新的类别均值与原中心位置的变化 形成新的聚类中心 重复2 反复迭代 6 如聚类中心不再变化 停止计算 原始的聚类中心 第1次迭代后的类别分布 聚类过程 类别中心的变化 第2次迭代后的类别分布 第n次迭代后的类别分布 TM4 3 2假彩色合成图像 非监督分类结果 15个光谱类 非监督分类 4 3 2假彩色合成图象 香港九龙 分类结果 10类 结果合并 5类 最终结果 类别颜色改变 监督分类 非监督分类比较 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 有时这些不易做到 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 三 遥感图像分类中的若干问题 未充分利用遥感图像提供的多种信息 如空间关系 图型如河流和湖泊 纹理特征等 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 混合像元问题 地形因素的影响 其他因素的影响 云雾 多时相图像 边界 其他同物异谱 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 四 其它的一些方法 决策树分类法 人工神经网络分类法 模糊分类法 亚像元分类法 subpixelclassification 其他分类法等根据经验和专家知识获取如下规则 Class1 缓坡植被 NDVI 0 3 slope0 3 slope 20 900 3 slope 20 aspect270Class4 水体 NDVI 20Class6 无数据区 背景 ND