遥感技术与遥感图像处理素材PPT课件VIP

.,1,遥感技术和遥感图象处理,-以Erdas为例,.,2,一、数字图象遥感的基本知识,1.概念2.数字图象遥感原理3.常用术语,.,3,1.概念,遥感（Remotesensing）通过远离目标的传感器获取目标或景观数据的技术（Colwell1983）。包括航片、卫星图象和雷达数据等。遥感图象表征了地物波谱反射、辐射能量的空间分布。,.,4,遥感平台-MSS/TM,1999landsat7,.,5,遥感平台-SPOT,.,6,2.数字图象遥感原理,不同的物体具有不同的物质组成和结构,因此其电磁波谱特征相异。遥感即是根据这种差异来识别不同的物体。这就是遥感的基本出发点。不同地物的光谱曲线不同同一种植物在不同的情况下，在各波段的反射率也不同,.,7,数字图象遥感原理-数据获取、处理、扩展、应用,.,8,数字图象遥感原理-遥感数据产品,.,9,数字图象遥感原理-电磁波谱,.,10,.,11,数字图象遥感原理-地物反射光谱曲线,.,12,数字图象遥感原理-通道选择,.,13,数字图象遥感原理-TM光谱特征,.,14,数字图象遥感原理-NOAA/AVHRR光谱特征,.,15,数字图象处理原理-植被遥感波段选择,.,16,3.常用术语,图象（Image）象元（pixel）通道（band）采样（sampling）:获得每个象元位置的灰度（greylevel）定量化（quantization）:用整数表示遥感探测数据。这是由于计算机以处理数字为前提，因此将连续的探测值降维并用整数表示。空间分辨率（Spatialresolution）:也称地面分辨率。波谱分辨率（Spectralresolution）时间分辨率（Temporalresolution）辐射分辨率（Radiometricresolution）：由位数决定的记录辐射值的数值范围-，如8bit(0255)。,.,17,常用术语-图象类型,.,18,常用术语-象元、灰度、象元坐标物理图象和数字图象,.,19,常用术语-通道,.,20,常用术语-分辨率,空间分辨率辐射分辨率光谱分辨率时间分辨率,.,21,DEMOMSSinthisprocess,theuserselectspixelsthatrepresentpatternsorlandcoverfeaturesthattheyrecognize,orthattheycanidentifywithhelpfromothersources,suchasaerialphotos,groundtruthdata,ormaps.unsupervisedtraining:computer-automated,specifysomeparametersthatthecomputerusestouncoverstatisticalpatternthatareinherentinthedata(spectralcluster);thentheusersresponsibility,afterclassification,toattachmeaningtotheresultingclasses.,.,45,遥感分类流程,第一步数据收集和预处理这包括辐射纠正、几何纠正、特征提取和选择、数据压缩和消除噪音。第二步训练样区的选择对于非监督分类来说，也需要选择样区以辅助对簇分析结果的归类。对于监督分类来说，训练样区用于提取各类的特征参数以对各类进行模拟。第三步对象元进行分类利用分类算法根据象元特征值将任一象元划归最合适的类。象元特征可以是光谱反射、相邻象元的纹理特征及所在位置的几何特征，如高度、坡度、坡向等。第四步对分类结果进行后处理这包括各类滤波、簇分析结果重新归类、对分类结果依据地图投影的要求完成几何转换、对分类图进行整饰等。第五步评价分类准确度将分类结果与已知准确的类型进行比较得到分类图的客观分对率。一般通过随机采样、地面实况调查，然后与相应位置的分类结果进行比较，得到误差矩阵（称混淆矩阵或列联表）。如果分类结果不够准确，需要检查前述几个步骤有无改善的可能。,.,46,Supervisedvs.Unsupervisedtraining,.,47,Unsupervisedtraining-demo,Dataprep|UnsupervisedclassificationISODATA-叠代自组织的数据分析法EvaluateClassification(overlay,Analyzeindividualclasses,Recode)后处理AccuracyAssessment,.,48,supervisedtraining-demo,Definesignaturesusingsignatureeditor(AOI,GrowSeed)performsupervisedclassificationneighborhood,clump,elliminateAccuracyAssessment书写报告，制作专题图,.,49,Landuse/coverclassification-accuracyassessment,评价分类结果的正确与否，需要客观、合理的方法。分类结果准确度评价方法比较复杂。它受每个类型在空间上分布和每个同类型地块的形状和大小、检测样点的分布、选取、以及不同类型间的相似程度等多种因素的影响。估算分类准确度一般采用下列步骤：(1)确定抽样方法；(2)确定抽样数；(3)使用其它方法确定每个象元样点的类型作为参考数据；(4)建立误差矩阵；(5)计算各种精确度或误差。,.,50,Landuse/coverclassification-samplingstrategy,(1)系统抽样-等间距布点；(2)随机抽样-对整个区域随机布点；(3)分区抽样-按一定的样点个数在划分的每个区域内随机布点；(4)系统分区随机抽样-对整个区域内等面积分区，并在区内随机布点。当各类型所占面积相近时，可用随机抽样，或系统抽样。当属性数据有规律地分布时，系统抽样可能出现偏差。这时用随机抽样或系统分区随机抽样较好。当属性类型所占面积很大时，则应使用分区随机抽样。否则，面积小的类型就可能很少被抽样，以至于抽样结果代表性差。例如，河谷在土地规划时很重要，但是，通常只占不到1%总面积。这时如果不用分区随机抽样，对这类土地进行配额抽样，则会造成抽样不足。,.,51,Landuse/coverclassification-samplingsize,由于确定抽样点的类型一般比现行方法（如图象分类）更困难且耗费高，因此确定具有统计意义的最少的样本数量很重要。但这并不容易。目前常用下列方法（Jensen,1996）。N=Z2(p)(100-p)/e2N-抽样数p-准确度期望值（百分数）Z-按一定概率水平在标准正态分布双侧分位数表中查到值e-期望值的允许偏差（百分数）如期望准确度为85%，而允许期望值偏差5%之内，且对估计的准确度的置信水平为95%（即概率水平为0.95）。那么可从双侧正态分布表中查得Z为1.96。这样N=(1.96)2x85x15/(5x5)=196由于准确度可以指所有类型或每个类型。如果对每个类型的期望准确度都为85%，那么抽样总数还要由196乘以类型的个数C。,.,52,总准确度为63/100 x100%=63%即占总样点63%的样点具有正确的类型。由于数据生产者的目的是使每个类型经过验证达到尽可能地准确，因此主要考察正确的类型数据占每个类型验证样点数的比例。我们将这类比例称为生产者准确度。在表2-4中森林、水面、城市三个属性的生产者准确度分别为：95%，50%，50%。对于数据使用者，它们一般没有验证样点，而只能考察正确的类型占每个类型总样点数的比例。因而将这种比例的百分数称为使用者准确度。表2-4中三个属性的使用者准确度分别为49%、71%、91%。由上述可见生产者准确度和使用者准确度可能差异很大。错判误差是指由于错误判断造成的误差。表2-4中任一行非对角线元素都是由于错判而造成的。如第一行的第二、三列使本应属于水面和城市的样点被划为森林。所以对森林的错判误差为（14+15）/57=51%。同理，对于水面和城市的错判误差为29%和9%。遗漏误差是指本应属于某个类型的样点却被错划为其它属性，仿佛是被遗漏在该类型之外。表2-4中三个类型的遗漏误差分别为7%、50%、50%。,.,53,空间模型开发,Modeler所具备的功能基本模型复杂模型以NDVI为例介绍,.,54,其它常用功能,矢量数据处理，矢量数据向网格数据的转换及注意事项。Mask&Subset区别和用途Function&OperatorsMosaicImagesErdas&Arc/info