遥感概论第6章数字图像的计算机解译

《遥感导论》主讲：刘朝顺华东师范大学地理学系E-mail：csliu@办公室：闵行校区资环楼209室第六章遥感数字图像的计算机解译12023/4/32了解数字图像的性质与特点、表示方法；掌握数字图像分类原理、监督分类、非监督分类的具体方法及两种分类方法的区别；了解遥感图像多种特征的抽取；了解遥感图像解译专家系统的组成。本章知识要点§1、数字图像的性质和特点遥感数字图像遥感数字图像是以数字表示的遥感图像,其最基本的单元是像素.像素是成像过程的采样点,也是计算机处理图像的最小单元.像素具有空间特征和属性特征.像素的属性特征采用亮度值来表达.正像素;混合像素§1、数字图像的性质和特点

二、遥感数字图像的特点便于计算机处理与分析图像信息损失少抽象性强§1、数字图像的性质和特点

三.遥感数字图像的表示方法遥感数字图像是以二维数组来表示的.§1、数字图像的性质和特点三.遥感数字图像的表示方法遥感图像按照波段数量分为:单波段数字图像:SPOT的全色波段.多波段数字图像:TM的7个波段数据.多波段数字图像的三种数据格式BSQ格式(Bandsequential)BIP格式(Bandinterleavedbypixel)BIL格式(Bandinterleavedbyline)§1、数字图像的性质和特点四.航空像片的数字化空间采样：将航空像片具有的连续灰度信息转化为每行有m个单元，每列有n个单元的像素组合。属性量化：可得到每个像元的数字模拟量，与航空像片中对应位置上的灰度相对应。§1、数字图像的性质和特点四.航空像片的数字化DPI(DotsperInch)§1、数字图像的性质和特点四.航空像片的数字化DPI(DotsperInch)§2、遥感图像的计算机分类遥感图像分类原理

遥感图像计算机分类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获取。其基本目标是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。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。

利用遥感图像进行分类(classification)是以区别图像中所含的多个目标物为目的，对每个像元或比较匀质的像元组给出对应其特征的名称，这些名称称为分类类别(class)。在分类中所注重的是各像元的灰度及纹理等特征。用这样的多个特征量（特征矢量）所定义的空间叫特征空间（featurespace）。分类也可以说是按照若干分类基准对特征空间进行分割，对其中所含的像元或匀质区域给出相同的名称。光谱特征空间光谱特征空间：以各波段图像的亮度分布为坐标轴组成的空间同类地物在特征空间形成一个相对聚集的点集群不同类地物的点集群在特征空间内一般是相互分离的

SPOT影像真实二维特征空间示例1-21-31-42-32-43-4遥感图像分类原理像元值波段2波段1像元值分类类别的特征（特征空间）AB采样（提取训练数据）ABC分类结果C图像分类遥感图像分类后结果匀质的像元组土地利用分类图一、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为了测定总体特征，在监督分类中可以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。遥感图像计算机分类方法监督分类法：从研究区域选择具有代表性的训练场地作为样本。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，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。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（即相似度大的像元归为一类）的方法。二、图像分类方法确定每个类别的样区学习或训练确定判别函数和相应的判别准则计算未知类别的像元的函数值按判别准则进行像元所属的判别监督分类的思想判决函数：当各个类别的判别区域确定后，用来表示和鉴别某个特征矢量属于哪个类别的函数判别规则：判断特征矢量属于某类的依据。当计算完某个矢量在不同类别判决函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。这种判断的依据，称之为判别规则判决函数和判决规则监督法分类主要步骤选择训练样本区确定类别数对每类选择足够多的有代表性的样本分类前分析样本区质量选择合适的分类算法分类结果的精度评价准确性——确保选择的样区与实际地物的一致性代表性——考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况统计性——选择的训练样区内必须有足够多的像元训练样区的选择选择训练区训练区与特征空间的联系水新城区老城区耕地植被

选择样本区域建立类别的判别函数水老城区新城区植被红255绿255••••耕地0•蓝2551、监督分类

（1）、最小距离分类法是用特征空间中的距离表示像元数据和分类类别特征的相似程度，在距离最小时（相似度最大）的类别上对像元数据进行分类的方法。

包括：最小距离判别法最近邻域分类法1、监督分类

（1）、最小距离分类法Step2–foreachunclassifiedpixel,calculatethedistancetoaverageforeachtrainingarea欧几里德距离：绝对距离：1、监督分类

（1）、最小距离分类法基本思想是设法计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于那类距离判决函数偏重于集群分布的几何位置距离判别规则是按最小距离判别的原则1、监督分类

（1）、最小距离分类法

最近邻域分类法

NearestNeighbour

。

DefinesatypicalpixelforeachclassAssignspixelsonthebasisofspectraldistanceCanseparatediverseclassesBoundaryproblemsremainunresolved

最小距离分类法原理简单，分类精度不很高，但计算速度快，它可以在快速浏览分类概况中使用。

（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子空间的分类方法。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子空间中。多级切割分类法

这种分类方法便于直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。但该方法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用此法法分类前，需要先进行主成分分析，或采用其他方法对各轴进行相互独立的正交变换，然后进行分类。

（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。特征曲线窗口法分类的依据是：相同的地物在相同的地域环境及成像条件下，其特征曲线是相同或相近的，而不同地物的特征曲线差别明显。

（3）、特征曲线窗口分类法特征曲线选取的方法可以有多种，如地物吸收特征曲线，它将地物的标准吸收特征值连接成曲线，通过与其他像素吸收曲线比较，进行分类；也可以在图像训练区中选取样本，把样本地物的亮度值作为特征参数，连接该地物在每波段参数值即构成该类地物的特征曲线。特征曲线窗口法可以根据不同特征进行分类，如利用标准地物光谱曲线的位置、反射峰或谷的宽度和峰值的高度作为分类的识别点，给定误差容许范围，分别对每个像素进行分类；或者利用每一类地物的各个特征参数上、下限值构造一个窗口，判别某个待分像元是否落入该窗口，只要检查该像元各特征参数值是否落入到相应窗口之内即可。

（4）、最大似然比分类法(MaximumLikelihood)地物类数据在特征空间中构成特定的点群每一类的每一维数据都在自己的数轴上为正态分布，该类的多维数据就构成了一个多维正态分布各类的多维正态分布模型各有其分布特征利用各类的已知数据（训练区），求出均值、方差及协方差等特征参数，从而求出总体的概率密度函数在此基础上，对于任何一个像元，通过求出每个像素对于各类别的归属概率（对于待分像元x，从属于分类类别k的概率），把该像素分到归属概率最大的类别中去最大似然比分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。

x为待分像元，P（k)为类别k的先验概率，可以通过训练区来决定。由于上式中分母和类别无关，在类别间比较的时候可以忽略。最大似然比分类必须知道总体的概率密度函数P（x|k）。由于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（对一些非正态分布可以通过数学方法化为正态问题来处理），通过训练区，可求出其平均值及方差、协方差等特征参数，从而可求出总体的先验概率密度函数。此时，像素x归为类别k的归属概率Lk表示如下（这里省略了和类别无关的数据项）：类别k的协方差矩阵类别k的平均向量（n维）

这种最大似然比分类法的特征是，在分类结果上具有概率统计的意义。但必须注意几点：为了以较高精度测定平均值及方差、协方差，各个类别的训练数据至少也要为特征维数的2到3倍以上。如果2个以上的波段相关性很强，那么方差协方差矩阵的逆矩阵就不存在，或非常不稳定。在训练数据几乎都取相同值的均质性数据组的情况下也是如此。此时，最好采用主成分分析法，把维数减到仅剩相互独立的波段。当总体分布不符合正态分布时，不适于采用以正态分布的假设为基础的最大似然比分类法。其分类精度也将下降。

最大似然分类法利用概率判别函数与贝叶斯判别规则进行分类优点：考虑特征空间中类别的形状、大小和定位缺点：计算量大，计算时间长假定地物光谱特征呈正态分布最小距离分类法最大似然法根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别可以控制训练样本的选择可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误，分类精度高避免了非监督分类中对光谱集群的重新归类分类速度快监督法分类的优点主观性由于图像中间类别的光谱差异，使得训练样本没有很好的代表性训练样本的获取和评估花费较多人力时间只能识别训练中定义的类别监督法分类的缺点

非监督分类的主要方法是聚类分析。

聚类（Cluster）是把一组像素按照相似性归成若干类别，即“物以类聚”。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。2、非监督分类Clusters分类：通过对已知类别的训练集的分析，用样本的特征建立一个关于类别属性准确划分的模型，以便用来判定新的未知数据的类别聚类：人类一项基本的认知活动，通过无监督的学习过程，把数据聚集成类，使类间的相似性尽可能小，类内相似性尽可能大，找到数据的特征分类与聚类利用事先定义的参数确定数据空间中类别的位置，然后确定单个像元是否属于某个类别聚类一般的聚类算法是先选择若干个模式点作为聚类的中心每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代运算，直到合理为止聚类过程按照某个原则选择一些初始聚类中心计算像元与初始类别中心的距离，把像素分配到最近的类别中聚类过程计算并改正重新组合的类别中心过程重复直到满足迭代结束的条件聚类过程非监督分类不施加任何先验知识，仅凭遥感影像上地物的光谱特征分布规律进行自然“聚类”。分类结果只是对不同类别达到了区分，但并不能确定类别的属性。分类结束后，利用目视判读或实地调查等方法确定类别属性。2、非监督分类

（1）、分级集群法当同类物体聚集分布在一定的空间位置上，它们在同样条件下应具有相同的光谱信息特征，其他类别的物体应聚集分布在不同的空间位置上。由于不同地物的辐射特性不同，反映在直方图上会出现很多峰值及其对应的一些灰度值，它们在图像上对应的像元分别倾向于聚集在各自不同灰度空间形成的很多点群，这些点群就叫做集群。分级集群法采用“距离”评价每个像元在空间分布的相似程度，把它们的分布分割或者合并成不同的集群。每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。2、非监督分类

（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。重复样本间相似度的评价和归并，直到所有像素都归入到各类别中去。分级集群方法的特点是分级进行的，可能导致对一个像元的操作次序不同，得到不同的分类结果。这是该方法的缺点。

确定采用的距离确定分类总数n找出距离最小的类别组归并距离最小的类别计算归并后新的个体间的距离归并后的类别数STOPYN2、非监督分类

（1）、分级集群法

分级集群方法的特点是这种归并的过程是分级进行的，在迭代过程中没有调整类别总数的措施，如果一个像元被归入到某一类后，就排除了它再被归入到其他分支类别中的可能性，这样可能导致对一个像元的操作次序不同，会得到不同的分类结果，这是该方法的缺点。2、非监督分类

（2）、动态聚类法在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止这种聚类方法就是动态聚类。按照某个原则选择一些初始类聚类中心。在实际操作中，要把初始聚类数设定得大一些，同时引入各种对迭代次数进行控制的参数，如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别对数等，在整个迭代过程中，不仅每个像元的归属类别在调整，而且类别总数也在变化。在用计算机编制分类程序时，初始聚类中心可按如下方式确定：设初始类别数为n，这样共有n个初始聚类中心，求出图像的均值M和方差σ，按下式可求出初始聚类中心:k=1,2,…,n，为初始类中心编号，n为初始类总数。ISODATA(IterativeSelf-OrganizingDataAnalysisTechnique）迭代自组织数据分析技术方法在动态聚类法中具有代表性。2、非监督分类（2）、动态聚类法计算像素与初始类别中心的距离，把该像素分配到最近的类别中。

动态聚类法中类别间合并或分割所使用的判别标准是距离，待分像元在特征空间中的距离说明互相之间的相似程度，距离越小，相似性大，则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。计算并改正重新组合的类别中心。

如果重新组合的像素数目在最小允许值以下，则将该类别取消，并使总类别数减1。当类别数在一定的范围，类别中心间的距离在阈值以上，类别内的方差的最大值为阈值以下时，可以看作动态聚类的结束。当不满足动态聚类的结束条件时，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，然后返回到上一步，重复进行组合的过程。2、非监督分类（2）、动态聚类法（1）初始化，设置参数；（2）选择初始聚类中心；（3）按一定规则(如距离最小)对所有像元分配类别；（4）计算并改正重新组合的类别中心；（5）类别的分裂和合并；（6）如果达到迭代次数或者两次迭代之间类别均值变化小于阈值，则结束迭代；否则，重复（3）-（6）；（7）确认类别，对结果进行精度评估ISODATA选定初始类别中心输入迭代限值参数:I,K,L,θN,θS,θC对样本像元进行聚类并统计ni,m,σni<θN取消第i类是迭代次数=I或相邻两次迭代类别中心变动小于限值σ>θS

确定分裂后的中心DIK<θC

确定并类后的中心输出否否是否否是ISODATA算法过程框图

每类集群允许的最大标准差

集群允许的最短距离

每类集群至少的点数是迭代次数期望得到的类别数每次允许合并的类的对数K：希望得到的类别数θN：所希望的一个类中样本的最小数目θS：类的分散程度的参数（如标准差、方差）θC：类间距离的参数（如最小距离）L：每次允许合并的类的对数I：允许迭代的次数ISODATA参数的设定决定类的“分裂”与“合并”

结束迭代的条件合并（类数-1）每一类中的像元个数少于期望的类别最少像元数θN类别的个数大于期望的类别数K的2倍分裂（类数+1）类别的标准差大于类别标准差阈值θS类别的个数小于期望的类别数K的1/2当类别数在一定范围内，类别中心间的距离在阈值以上，类别内的方差的最大值在阈值以下ISODATA调整类别数的准则两次迭代之间，如果上一次和这一次的中心不变，或者变化小于一个阈值，说明聚类结束如果迭代次数达到了预设值I，那么即使不收敛，也强行结束ISODATA判断迭代结束类别数：20迭代次数：20ISODATA类别数：10迭代次数：10ISODATA优点：不需要预先对待分类区域有广泛的了解需要较少的人工参与，人为误差的机会减少小的类别能够被区分出来缺点：盲目的聚类难以对产生的类别进行控制，得到的类别不一定是想要的类别计算速度慢非监督分类方法的特点分级集群法动态聚类法67监督/非监督分类方法比较

根本区别点在于是否利用训练样区来获取先验的类别知识监督分类根据训练样区提供的样本选择特征参数，建立判别函数，对待分类像元进行分类。因此，训练场地选择是监督分类的关键。对于不熟悉区域情况的人来说，选择足够数量的训练样区带来很大的工作量，操作者需要将相同比例尺的数字地形图叠在遥感图像上，根据地形图上的已知地物类型圈定分类用的训练样区。由于训练样区要求有代表性，训练样本的选择要考虑到地物光谱特征，样本数目要能满足分类的要求，有时这些还不易做到，这是监督分类不足之处。68监督/非监督分类方法比较非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。因此，非监督分类方法简单，且分类具有一定的精度。严格说来，分类效果的好坏需要经过实际调查来检验。当光谱特征类能够和唯一的地物类型（通常指水体、不同植被类型、土地利用类型、土壤类型等）相对应时，非监督分类可取得较好分类效果。当两个地物类型对应的光谱特征类差异很小时，非监督分类效果不如监督分类效果好。69监督/非监督分类过程比较初步分类选择训练样本确定分类器分类后处理检验分类结果统计分析、输出结果监督分类非监督分类分类合并专题判断初步分类分类后处理统计分析、输出结果yesno监督分类的缺陷在于，必须在分类前确定样本，难度大、效率低通过非监督法将一定区域聚类成不同的单一类别，监督法再利用这些单一类别区域“训练”计算机使分类精度得到保证的前提下，分类速度得到了提高非监督分类与监督分类的结合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。例如：水体的分类，是湖泊还是河流？

图像分类中的有关问题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。同物异谱：同类地物具有不同的光谱特征。例如：同一类作物，生长状态不同，光谱特征有差异同谱异物：不同的地物可能具有相似的光谱特征。例如：不同的植被类型可能有相似的光谱特征制约分类精度的因素不同含水量的土壤的波谱曲线

不同叶绿素浓度海水的波谱曲线

目视判读用到的信息与计算机自动分类所用信息的区别目视判读计算机自动分类处理对象多个像元的组合单个像元面积的估算粗略的精确的波段最多3个波段没有限制分别灰阶的能力大约十几个灰阶能够充分利用所有灰阶地物形状可以利用存在限制，依赖于算法空间信息可以利用存在限制非遥感信息可以利用(图像融合)可以利用，程度不够处理时间慢快结果重现差好目视判读用到的信息与计算机自动分类所用信息的区别目前计算机能够利用的信息还是很有限的一方面从地物本身的复杂性着手，一方面从分类方法着手提高分类前预处理的精度面向对象的遥感图像分类决策树分类，所谓的分层分类与GIS的集成提高分类精度的方法首先考虑应用目的及图像数据的特性确定分类类别，有时也通过从训练数据中提取的图像数据特征确定分类类别监督分类提取出对应分类类别的训练数据，对图像中代表给定类别的部分进行采样，从而对特征相似的像元进行归类非监督分类不是预先确定类别而是根据归类的结果确定类别其他分类方法分类的一般步骤使用设定的分类基准对各像元进行分类，包括对每个像元进行分类和对每个预先分割的匀质区域进行分类。分类的方法经常采用以下几种：多级切割分类法、最小距离分类法、最大似然比分类法、决策树分类法、其它方法（如利用模糊理论的方法、利用专家系统的方法）把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性分类的一般步骤监督分类非监督分类是否需要训练区主要步骤优点缺点适用范围常用分类方法课堂练习§3、遥感图像多种特征的抽取一、地物边界跟踪法点状地物与面状地物的边界跟踪线状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§3、遥感图像多种特征的抽取

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§4、遥感图像专家解译系统

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

§4、遥感图像专家解译系统一、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。§4、遥感图像专家解译系统二、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。

§4、遥感图像专家解译系统三、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3、遥感图像解译知识获取主要通过知识获取界面来实现知识获取界面是一个具有语义和语法制导的结构编辑器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§4、遥感图像专家解译系统四、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。

推理机具有两种运行形式咨询式：用户和系统进行人机对话，解译系统根据用户提供的区域信息和任务要求，完成遥感图像解译。隐蔽式：解译过程中图像数据同解译知识的结合在专家系统内部进行。数据的传递、知识的调用都在系统内部独立完成§4、遥感图像专家解译系统五、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低、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。§4、遥感图像专家解译系统五、计算机解译的主要技术发展趋势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。§4、遥感图像专家解译系统五、计算机解译的主要技术发展趋势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。§§4、遥感图像专家解译系统五、计算机解译的主要技术发展趋势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。§4、遥感图像专家解译系统五、计算机解译的主要技术发展趋势5、计算机解译新方法的应用（1）人工神经网络(ArtificialNeuralNetworks)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。应用软件简介§5遥感数字图像处理的应用软件系统1)ERDASIMAGINE2）ENVI3）PCI1)ERDAS简介

ERDASIMAGINE是美国亚特兰大ERDAS（EarthResourceDataAnalysisSystem）公司开发的集遥感和GIS于一身的软件包。ERDAS的设计体现了高度的模块化，主要模块有核心模块、图像处理模块、地形分析模块、数字化模块、扫描仪模块、栅格GIS模块、硬拷贝模块、磁带机模块。其中图像处理模块包括增强模块、预分类模块、分类模块、分类后处理模块、辐射度纠正模块、几何纠正模块等。§

5遥感数字图像处理的应用软件系统ERDASIMAGINE的功能体系输入栅格图象数据文本属性数据ERDAS遥感图象图例系统数据预处理（几何校正、拼接镶嵌、子区裁剪、投影变换）图象解译图象分类矢量功能虚拟GIS图象库矢量图形数据数据输入输出专题图输出输出栅格图象数据文本属性数据矢量图形数据批处理命令工具空间建模视窗操作2)ENVI简介——ExelisVIS公司5遥感数字图像处理的应用软件系统1975年，美国科罗拉多州立大学负责NASA的火星计划中的影像处理1977年,成立ResearchSystems,Inc.(RSI)公司1994年，用IDL开发ENVI2000年,Kodak收购RSI2004年,RSI,连同Kodak的RemoteSensingSystems(RSS)部门和ITT的GOES/POESandGPS部门重新组合SpaceSystemsgroup2006年,重组为ITTVIS公司2011年，重组为ExelisVIS公司WashingtonSwitzerlandFranceUnitedKingdomItaliaAsiaPacific拥有200,000用户分布在80多个国家和地区2)ENVI简介

ENVI的设计思想

ENVI是完全由IDL（InteractiveDataLanguage）写成。ENVI的许多特性与IDL语言的特性紧密相关。IDL是一个用于交互式数据分析和数据可视化的完整计算环境。将大量数学设计分析和图形显示技术与功能强大的面向数组的结构化语言结合在一起。由于IDL的开放性，用户可以很容易的进行二次开发，方便灵活，可扩展性强。ENVI在图像处理中是基于波段的，当多个文件被同时打开时，用户可以选择不同文件中的多个波段同时进行处理，直观且功能强大。ENVI的主菜单和交互式菜单已经标准化，直观方便，符合用户习惯。5遥感数字图像处理的应用软件系统ENVI简介——ExelisVIS(ENVI/IDL原产商)与Esri“与Exelis

VIS这样的行业领导者合作，对ArcGIS地理信息系统平台进行功能拓展，可以大大地扩展和提高用户的影像处理能力”

——Esri总裁JackDangermond2007年6月14日，Esri公司和ExelisVIS公司宣布两者的全球战略商务合作计划，共同提供遥感GIS一体化方案。目前，ENVI与ArcGIS进入第三阶段——无缝融合，实现真正意义上的遥感与GIS一体化集成。遥感产品系列Orthorectification正射校正模块CertifiedNITFNITF数据支持模块ENVIFX面向对象空间特征提取模块DEMExtraction立体像对高程提取模块AtmosphericCorrection大气校正模块ENVIENVI扩展ENVI主模块开发语言IDLAdvanced数学与统计扩展工具包IDLDataMiner数据库连接工具包IDL服务器产品ENVIforArcGISServer雷达产品SARscapeENVILiDARLiDAR数据处理和分析模块ENVIServiceEngineIDL（InteractiveDataLanguage）

—强大的交互式数据处理开发语言语法简单的第四代数据可视化语言具有强大的分析和可视化功能快速构建系统原型和应用程序开发的高效语言适合于大型商业开发能够非常方便的为ENVI添加新功能和算法被誉为NASA最近40年的“里程碑技术”

IDL——从数据中获取您所需的信息

用户界面工具集成开发环境开发和编程工具二/三维绘图与图形多线程运算地图工具读取工具图像与信号处理分析、预测与插值算法线性代数与微积分方程Data->InformationENVI简介——大气校正模块采用目前精度最高的MODTRAN4+模型通过高光谱像素光谱上的特征来估计大气的属性可以有效地去除水蒸气,气溶胶散射，漫反射的邻域效应。获得地物反射率和辐射率、地表温度等真实物理模型参数。提供快速大气校正（QuickAtmosphericCorrectionAlgorithm-QUAC）工具，它同样是基于MODTRAN模型，并提供扩展函数。大气校正前大气校正后ENVI简介——面向对象的特征提取模块提供面向对象、易于使用的向导操作流程从高分辨率全色和多光谱数据中提取地物信息。包括：交通工具飞机,坦克,汽车,船只建筑物建筑物轮廓,屋顶基础设施道路,桥梁,机场,海港码头自然要素河流,湖泊,森林,田地云和雾ENVI简介——立体像对高程提取模块快速从ALOSPRISM,ASTER,CARTOSAT-1,FORMOSAT-2,GeoEye-1,IKONOS,KOMPSAT-2,OrbView-3,QuickBird,WorldView,SPOT1-5等以及航空影像立体像对中提取DEM。全面支持RPC模型参数，尽可能少的控制点以达到有效的精度使用DEM编辑工具对提取的DEM做局部编辑交互量测特征地物的高度和收集3D信息并导出为3DShapefile文件格式ENVI简介——正射校正扩展模块由瑞典的Spacemetric公司开发采用的正射校正方法具有可靠和高精度的特点，并且该方法被行业所认可。支持大区域范围内多幅影像、多传感器一次正射校正。具有镶嵌结果功能，提供接边线和颜色平衡辅助工具。采用流程化的向导式操作方式和工程化管理。自定义传感器模型提供接口函数，便于扩展功能。ENVI简介——LiDAR数据处理和分析模块专为LiDAR数据处理和分析而设计，可自动处理点云数据包括完整的LiDAR数据浏览、处理和分析工具生成DTM、DSM、SHP文件等来表达建筑物、电力线、树木和其他地物等ENVI简介——LiDAR数据处理和分析模块可高效、全自动地从Li