第五章遥感信息提取及应用（课堂PPT）

第五章遥感信息提取及应用,1,遥感信息提取,多源信息,无限多维,有限二维,选择专题,2,遥感图像信息提取原理,目视解译是遥感成像的逆过程,图像遥感图像遥感图像目视解译目的？,3,遥感影像专题信息提取,对遥感图像上的各种特征进行综合分析、比较、推理和判断，并提取出感兴趣的信息特征能够反映地物光谱信息和空间信息并可用于图像分类处理的变量,4,关键问题,选择适当的分类规则，通过分类器把图像数据划分为尽可能符合实际情况的不同类别,5,分类标准,按照逻辑准则组织的信息类别正确的分类学定义参考标准:美国规划协会的土地分类标准(LBCS)美国国家植被分类系统,6,遥感信息认知过程,遥感影像传输和基本处理模型,遥感影像视觉生理认知,遥感影像逻辑心理认知,影像知识挖掘,决策分析,7,遥感信息认知中的尺度问题,地表信息多层次结构尺度依赖认知过程-不同的地物实体有不同的最佳提取尺度,选择适当的尺度，才能有效、完整地提取信息,8,遥感信息认知中的对象,对象,对象,9,遥感信息认知中的判别准则,灰度,形状,纹理,辅助信息,10,遥感图像信息提取方法,从遥感图像上获取目标地物信息的过程。分为目视解译和计算机解译。目视解译：指专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息的过程。运用专业背景知识，通过肉眼观察，经过综合分析、逻辑推理、验证检查把遥感图像中所包含的地物信息提取和解析出来的过程。,11,遥感图像计算机解译,以计算机系统为支撑，利用模式识别技术与人工智能技术，根据遥感图像中目标地物的各种影像特征（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，完成信息提取的过程。,12,目视判读,13,景物特征和判读标志,遥感影像的基本特征？特征的表现方式判读标志判读标志：地物在图像上的各种特有的表现方式,14,空间特征及其判读标志,形状大小图形与边界阴影位置纹理类型综合构图,15,(1)直接解译标志,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。本影和落影,16,(1)直接解译标志,形状：地物的轮廓在影像平面的投影。需要根据影像比例尺和分辨率具体分析，注意畸变（雷达、航片边缘）,17,大小：地物的尺寸、面积、体积等按比例缩小的相似记录。根据比例尺在影像上量算.,(1)直接解译标志,18,(1)直接解译标志,纹理：遥感图像中目标地物内部色调有规则变化造成的影像结构。即地物影像轮廓内的色调变化的空间布局和频率。如点状、粒状、线状、斑状等粗糙、平滑,19,(1)直接解译标志,图型：目标地物有规律的排列而成的图形结构；是综合性解译标志，由形状、大小、色调、纹理等影像特征组合而成。人工地物具有某种特殊的图型。,20,(1)直接解译标志,位置：地物分布的地点;地理位置和相对位置。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。,21,目视解译要素,22,目视解译方法和步骤,先图外后图内先整体后局部先宏观后微观从已知到未知,23,影像空间的识别要素：初级-灰度与色调二级-大小形状纹理三级-模式高度阴影高级-位置关系,24,计算机图像解译,25,计算机解译方法,基于统计的方法和基于规则的方法监督分类和非监督分类硬分类和软分类逐像元分类和面向对象分类,26,遥感影像光谱特征分布特点,27,遥感影像自动解译原理,同类地物在相同的条件下（纹理、地形等），应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息特征或空间信息特征将不同，集群在不同的特征空间区域。,28,基于光谱特征的分类原理,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。,29,遥感分类基本过程,根据图像分类目的选取特定区域的遥感影像，考虑空间分辨率、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。根据分类要求和影像的特征，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。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。,30,监督分类和非监督分类,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。,31,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。,监督分类与非监督分类方法比较,32,非监督分类动态聚类,动态聚类就是在开始时先建立一批初始中心，而让待分类的各个像元依据某些判决准则向初始中心凝聚，然后再逐步修改调整中心，重新分类；并根据各类离散性统计量和两类间可分离性的统计量再进行合并和分裂。此后再修改调整中心，这样不断继续下去，直到分类比较合理为止。,33,监督分类,需要事先确定训练场地和选择训练样本，训练样本需要具有一定的代表性考虑到各种地物光谱辐射的复杂性和干扰因素的多样性，需要多考虑一些样本在某一地区建立起来的判别式只能适用于同一地区或地学条件相似的地区,34,监督分类-最小距离分类法,距离作为判别准则，根据像点到各类中心的距离来判别分类,35,监督分类-最大似然比分类法,36,基于对象的信息提取,37,面向基元的遥感信息提取方案,具有相同特征的“同质均一”的单元,38,关键技术1尺度空间内认知基元构建,准确表达认知对象反映不同尺度间的信息联系有效利用多源信息,39,尺度空间内认知基元构建,考虑遥感、高程、专题矢量图层等多源信息的构建模型多种约束的基元构建方法保证基元的准确性阈值控制基元所在尺度层次,40,关键技术2-认知基元的尺度表示,邻对象,子对象,父对象,41,关键技术3认知基元的特征描述,42,关键技术4基于基元的信息识别,43,数据输入,认知基元,模糊分类,输出结果,基元特征库,专家决策知识库,面向基元的遥感信息提取流程,44,对象识别规则,45,图像分类中的相关问题,46,图像分类中的有关问题训练样本,用于监督分类地训练场地应该是光谱特征比较均一的地区，一般在图像显示中根据均一的色调估计只有一类地物，而且一类地物的训练场地可选取一块以上。训练样本的数目至少要能满足建立分类用判别函数的要求，以克服各种偶然因素的影响，而对于光谱特征变化较大的地物，训练样本的数目要更多一些，以反映其变化范围。一般情况下，要得出可靠的统计数据，每类至少要有10100个训练样本数据。,47,图像分类中的有关问题训练样本,尽可能地利用一些已知的有用资料，来确定训练场地和训练样本。在使用各种图件资料时应注意以下两个方面：（1）各种图件的成图日期要尽可能地接近图像成像日期,以保证地物类别分类准确。（2）空间。要考虑到每一种地物类型随空间变化发生光谱特征变化的可能性，选择训练场地应当能够反映这种变化。在监督分类中由于训练场地是人为选取的，可能不包括所有的自然地物类别，因而分类后留下无类可归的像元。对于这种情况，有两种解决方法：一是将无类可归的像元组成一个未知类；二是按最近距离原则划归到各个已知类中。,48,图像分类中的有关问题地形因素,地形因素不仅会造成几何畸变，而且还会影响其亮度值。如同类地物由于所处山坡位置的不同，其阴坡和阳坡的光谱特性就有很大的差异，即同物异谱；如不同的地物由于地形的影响而具有相同的光谱特性，即同谱异物。利用图像增强的多波段图像的比值处理来减弱地形的影响，但其比值图像并不能彻底消除地形的影响，而且当地形起伏太大时比值处理受到限制。,49,图像分类中的有关问题地形因素,地形因素的影响不能通过选择训练样本的方法来解决，因为这样简单的选取训练样本不仅总体服从多元正态分布的前提不易满足，而且同类样本的离散程度大大增加，从而导致分类精度下降。采用“同类多组法”来选取训练样本，即同类地物根据光谱特征的不同，可以选取一组以上训练样本，并规定类与组的明确概念。在对图像进行分类时，应首先进行分组，然后再根据所属的类别进行合并。,50,图像分类中的有关问题混合像元,像元除了有一定的波谱参量外，还表征了地物的空间分布即具有一定的面积。如果一个像元内仅包含一种地物，则称这个像元为典型像元（纯像元）；如果一个像元内包含几种地物，则称该像元为混合像元。由于大面积分布的混合像元对遥感图像的计算和分类的影响较大，为此已有研究人员提出了一些混合像元分解的方法，目前进行混合像元分解的方法主要归纳为两类：一是线性关系分解法，其依据是像元亮度的线性可加性；二是模糊分解法。,51,图像分类中的有关问题特征向量,选取的特征变量应有这样的性质，即对于不同类别的模式，特征量值相差较大；而对于同类模式，则应有大体接近或相同的特征值。对于某一类模式而言，特征量及特征值应能充分地表明该模式属于该类而不属于其它类别地主要根据。各特征量之间互不相关或相关性很小，即各特征量所表示的模式类别的性质互不重复或不能互相导出。,52,图像分类中的有关问题特征向量,遥感图像分类的原始特征变量就是波段图像的波段变量本身，它们是分类的主要依据，这些波段图像可经过一些变换（如比值变换、差值处理和K-L变换等）获得一系列新的特征变量，同时还可以加入与图像网格坐标相一致的其它非遥感变量，这些变量与原始特征变量组成了一个维数很高的特征变量空间。特征向量维数太大，既会增加分类算法的复杂性和计算工作量，又会造成更多的混淆和不确定性。因此在特征变量数目较多的情况下，进行分类之前，需从多维特征变量中进行选择，取得具有良好分类效果的维数较少的几个特征变量,53,图像分类中的有关问题后处理,在遥感图像分类中，由于混合像元的存在以及分类算法是针对每个像元单独进行的，结果在分类图像中会出现一大片同类地物中夹杂着散点分布的异类地物的不一致现象，它们在分类图像上表现为噪声。为克服这种与实际情况不相符合、也不满足分类要求的情形，可通过平滑处