遥感数字图像处理

遥感数字图象处理

1.概论

遥感、遥感过程

遥感：一种在远离目标，不与目标宜接接触的情况下，通过传感器获取其特征信息，并对

这些信息进行处理、分析和应用的综合性探测技术

遥感过程：遥感过程是指遥感信息的获取、传输、处理，以及分析判读和应用的全过程

遥感图象、遥感数字图象、遥感图象的数据量

遥感图象：是指遥感传感器通过检测、度量地物的电磁波辐射能并进行记录所得到的图象

遥感数字图象：是指以数字化形式表述的遥感影像。

遥感图象的数据量：H=MxNxbxn（bit）M、N为行列数，b为波段数，n=lnG/ln2

遥感图象的数字化、采样和量化

遥感图象的数字化：指光学图象（物理图象）到数字图象的转换过程，包括采样和量化两

个过程

采样：将空间上连续的图象变换为离散的点的操作

量化：将测量的灰度值用•个整数表示

通用遥感数据格式（BSQ、BIL、BIP）

BSQ,波段序列格式

BIL,波段行交替格式

BIP,波段像元交替格式

遥感图象的模型：多光谱空间

多光谱空间：对于n个波段的多光谱图象，这n个波段构成一个n维多光谱空间，多光谱空

间就是一个n维坐标系，每一个坐标轴代表一个波段，坐标值为亮度值，坐标系内的每一

个点代表一个像元。描述像素在各个波段中亮度值的分布。多光谱空间中，像元点在坐标

系中的位置可以表示成一个n维向量，其中每一个分量xi表示该点在第i个坐标轴上的投影,

即亮度值。多光谱空间只表示各波段光谱之间的关系，而不包括任何该点在原图象中的位

置信息，它没有图象空间的几何意义。

遥感图象的信息内容：

波谱信息、：指遥感图象上不同地物之间的亮度值差异及同一地物在不同波段上的亮度值差

异

空间信息：通过图象亮度值在空间上的变化反映出来的信息

时间信息：指不同时相遥感图象的光谱信息与空间信息的差异

遥感数字图象处理、遥感数字图象处理的内容

遥感数字图象处理：利用计算机对遥感数字图象进行一系列操作，以求达到预期目的

遥感数字图象处理的内容：图象增强、图象校正、信息提取

遥感图象的获取方式主要有哪几种？

摄影成像、扫描成像、雷达成像

如何估计一幅遥感图象的存储空间大小？

遥感图象的信息内容包括哪几个方面？

多光谱空间中，像元点的坐标值的含义是什么？

与通用图象处理技术比较，遥感数字图象处理有何特点？

遥感数字图象处理包括那几个环节？各环节的处理目的是什么？

2.遥感图象的统计特征

2』图象空间的统计量

灰度直方图：概念、类型、性质、应用

概念：用来描述图象中每一灰度级与其浮现频率间的美系的图表

类型：

直方图：横坐标为的灰度级，纵坐标为等于各个灰度级像元的浮现频率（像元数）

累计直方图：横坐标为的灰度级，纵坐标为小于等于各灰度级的像元的浮现频率（像元数）性

质：

直方图反映表示不同灰度像元的浮现频率，不包含像元的位置信息

同一图象的直方图惟一，同向来方图可以对应不同的图象

一幅图象的直方图等于其各部份图象直方图之和

同类地物的直方图接近正态分布

应用：1.直方图是图象分析的重要工具。通过

分析直方图可以了解图象的质量及其它相关信息2.通过调整直方图形态可以改善图象对

照度

最大值、最小值、均值、方差的意义

最大值、最小值、变差：反映图象的动态范围

均值：反映图象的总体亮度

方差：指各波段亮度值的方差，反映图象信息量的大小

2.2多光谱空间的统计特征

均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义

均值向量：描述象元矢量x在多光谱空间中的平均（中心）位置

协方差矩阵：N个波段相互间的协方差罗列在一起所组成的矩阵

意义：描述象元矢量x在均值向量m附近的分布情况

描述影像波段间的相关性

相关系数：描述影像波段间的相关程度的统计量

反映了两个波段图象所包含信息的重叠度

相关矩阵：N个波段相互间的相关系数罗列在一起所组成的矩阵

反映了波段间包含信息的重叠度

波段散点图概念及分析

概念：散点图是表示两个变量之间关系的图，又称相关图。

通过作散点图对数据的相关性进行直观地观察，非但可以得到定性的地论，而且可以通过

观察剔除异常数据。

通过观察相关图主要是看点的分布状态，概略地估计两因素之间有无相关关系，从而得到

两个变量的基本关系。

2

主要遥感图象的统计特征量的意义

两个重要的图象分析工具：直方图、散点图

3.遥感数字图象增强处理

图象增强：概念、方法

概念：用于改善图象质量或者突出图象中感兴趣的信息，加强图象判读和识别效果的图象

处理方法

方法：图象增强的方法是通过一定手段对原图象附加一些信息或者变换数据，有选择地突

出图象中感兴趣的特征或者抑制（掩盖）图象中某些不需要的特征，使图象与视觉响应特性

相匹配。

‘灰度变换

’均衡化

点运算•直方图修正法

规定化

空间域

局部统计法

'图像平滑

局部运算＜

图像锐化

图像增强'高通流波

频率域，低通渔波

同态滤波增强

'假彩色增强

彩色增强，伪彩色增强

［彩色变换及应用

、图像的代数运算

空间域增强、频率域增强

空间域增强：直接对图象象素灰度值进行处理

频率域增强：将图象经傅立叶变换后的频谱成份进行处理，然后逆傅立叶变换获得所需的

图象，达到增强的目的

3.1辐射增强：概念、实现原理

概念：一种直接通过改变图象中象元的亮度值来改变图象的对照度，从而改善图象质量的

处理方法

实现原理：

点运算：逐个象元进行处理，处理结果与邻近象元无关

查找表：用以描述图象变换先后象元亮度值关系的图表

影响直方图：是影像灰度值的函数，是描述影像中各灰度值象元个数的图表，其横坐标表

示象元的灰度，纵坐标表示象元的个数

直方图修正，线性变换、分段线性变换算法原理

直方图修正：图象直方图修正是指通过修改影像直方图来改善图象对照度。图象直方图修

正是通过指定原始图象与新图象象元值间的变换关系来实现的

线性变换：在暴光不足或者过度的情况下，图象灰度会局限在一个很小的范围，是一个含

糊不清、似乎没有灰度层次的图象。采用线性变换对图象每一个像素灰度作线性拉伸，

可有

3

效地改善图象视觉效果。

分段线性变换算法：不同亮度范围采用不同线性变换函数

直方图均衡化、直方图匹配的应用

直方图均衡化：将原图象的直方图通过变换变为均匀直方图，从而得到一幅灰度均匀分布

的图象

直方图匹配：将原直方图修正到指定的结果（形状）-宜方图规定化

应用：图象镶嵌

3.2空间增强

邻域、邻域运算、模板、模板运算

邻域：对于图象中的任一象元（i,j）,把象元集合｛i+p,j+q｝（p,q为任意整数）叫该象元的邻域

邻域运算：基于输入像素的•个邻域的像素灰度确定该像素输出灰度的图象处理运算

模板：是一个大小为MxN的数值矩阵，如3x1、2x2、3x3、5x5等。

模板运算：用于实现邻域运算，其数学涵义是一种卷积运算，运算结果称为模板响应。

图象卷积运算：在图象的左上角开一个与模板同样大小的活动窗口，图象窗口与模板像元

的亮度值相乘再相加，得到新像元的灰度值。

空间增强的概念

概念：或者称几何增强、空间滤波，是一种基于邻域运算的影像处理技术，主要用于实现

图像空间几何特征的增强处理，包括平滑和锐化

平滑（均值滤波、中值滤波）原理、特点、应用

平滑：用于去除遥感图象中的噪声或者减小图象灰度变化幅度。

也称低通滤波，用于抑制图象中的高频分量，含糊图象细节

均值滤波：对图象边缘的影响较大

适合用于去除零均值的随机噪声

随着邻域的加大，图象的含糊程度也愈加严重

中值滤波：处理结果为图象窗口中象元值按大小顺序罗列的中间数

能较好地保持大多数边缘特征

适合用于去除脉冲噪声

锐化、边缘增强概念

锐化：通过增强高频分量来减少图象中的含糊度，因此乂称为高通滤波。主要用「增强图

像的边缘和灰度跳变部份，又称边缘增强

方法主要有空间梯度法和方向模板

方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点

方向模板：用于增强与模板方向一致的边缘。

据方向，分为三类：

垂直（Vertical）模板

水平（Horizontal）模板

对角（Diagonal）模板

4

；-1；0；+1；

I____1---1_____I

t(nu〃)=；-l；0；4-1；

I____L一」——I

!—1।0i4-1i

I____L____l------1

horizontaldiagonal

Vcrdcal

计算图象经过下列操作后，其中心象元的值:

3x3中值滤波

采用3x3平滑图象的减平滑边缘增强

域值为2的3x1平滑模板

Sobel边缘检测

Roberts边缘检测

「丁匚

I___，一」_____I

III[I

।—1।4।—11

।____「_」_____I

IcI.1I

।0।—1।0।

模板L--L---」-----1

3.3频率域处理

高频和低频的意义

高频和低频是频率域中的概念

高频对应亮度快变部份；低频对应亮度变化平缓部份

图象的傅里叶频谱

傅里叶变换是把一个信号分解为许多不同频率正弦波之利

频率域增强的普通过程

傅立叶停立叶

々\变换、滤波厂，/\逆变换"/

/(阳田上二厂(〃#)前后方(〃#)-----(XJ)X

频率域低通滤波

低通滤波通过衰减F(u.v)中的高频成份来实现

基本模式：G(u,v)=F(u,v)H(u,v)

主要是选择滤波函数H(u,v)

低通滤波器：

理想低通滤波器

5

巴特沃思(Butterworth)滤波器

由于高频部份包括大量噪声和边缘信息，因此理想低通过滤器处理后可平滑图象，但是会

导致边缘损失，使图象边缘含糊

频率域高通滤波

对F(u,v)的高频成份的衰减可以使图象含糊

反之对高频成份的通过可以使图象锐化

频率域的这种处理不会影响低频成份

高通和低通的关系可以表示为

Hhp(u,v)=I-Hlp(u,v)

即低通阻塞的频率是能够通过高通的

三种高通滤波器：

理想高通滤波器

巴特沃思(Butterworth)高通滤波器

由于高频部份包括大量噪声和边缘信息，因此理想高通过滤器处理后可锐化图象

同态滤波的应用

应用：采用图象同志滤波方法，如果使用合适的滤波特性函数，可以达到既压缩灰度动态

范围，又能让感兴趣的物体部份灰度级扩展，从而使图象清晰

3.4彩色增强

彩色影像的类型：真彩色、假彩色、伪彩色

真彩色(truecolor)：红绿蓝三.波段合成

假彩色(falsecolor)：真彩色之外的其它彩色合成方案

伪彩色(pseudocolor)：灰度图象的彩色显示

将不同的灰度值赋予不同的颜色显示

标准假彩色影像

彩色变换的概念及应用

概念：RGB和HIS两种色采模式可以相互转换。把RGB系统变换为HIS系统称为HIS正变

换；HIS系统变换成RGB系统称为HIS逆变换。

应用：分别调整图象的色调、饱和度和亮度时，其它成份不受影响

不同空间分辨率图象融合

4.多光谱变换

图象运算：加法运算、差值运算、比值运算的概念及应用

图象运算：是指对两幅或者两幅以上的输入图象的对应像元逐个地进行和、差、积、商的

四则运算，以产生有增强效果的图象

加法运算：指两幅或者多幅同样大小的图象对应象元的灰度值相加。可用于削弱图象的加

性噪声。

差值运算：指两幅同样大小的图象对应象元的灰度值相减。用于动态监测、运动目标检测

和跟踪及目标识别等

比值运算：两个波段对应像元的灰度值之比或者几个波段组合的对应像元灰度值之比。

应用：可以扩大不同地物的光谱差异，区分在单波段中容易发生混淆的地物

可以消除或者减弱地形阴影、云影影响和植被干扰以及显示隐伏构造等

6

植被指数

植被指数：是基r•植被在红光波段(R)的强吸收和近红外波段(IR)的强反射，通过这两个

波段影像的比值或者线性组合来表达植被信息(如叶面指数、植被覆盖度、生物量等)的

参考量

差值植被指数DVIIRR

比值植被指数RVIIR/R

归一―化差值植被指数NDVI(IRR)/(IRR)

绿度植被指数：KT变换中的绿度

主成份变换的目的和特点

即主成份分析(PCA)、卡夫林一列夫变换(KL变换)，是根据各波段之间的协方差或者相关

系数构建的一种正交线性变换方法

目的：把原来多波段图象中的实用信息集中到数目尽可能少的新的主成份图象中，并使这

些主成份图象之间互不相关，也就是说各个主成份包含的信息内容是不重叠的，从而大大

减少总的数据量并使图象信息得到增加

特点：(I)由于是正交线性变换，所以变换先后的方差总和不变，变换只是把原来的方差

(方差大说明信息量大)不等量的再分配到新的主成份图象中

(2)第一土成份包含了总方差的绝大部份(普通在80%以上)，信息最丰富，图象对比

度大，其余各主成份的方差挨次减小

(3)变换后各主成份之间的相关系数为零，也就是说各主成份间的内容是不同的，

是“正交”的

(4)是一种数据压缩和去相关技术，即把原来的多变量数据在信息损失至少的前提

F，变换为尽可能少的互不相关的新的变量，以减少数据的维数，便于显示和分析。

(5)第•主成份相当于原来各波段的加权和，而且每•个波段的加权值与该波段的方

差大小成正比。其余各主成份相当于不同波段组合的加权差值图象。

(6)第一主成份还降低了噪声，有利于细部特征的增强和分析，合用于进行高通滤波,

线性特征增强和提取以及密度分割等处理。

(7)在几何意义上相当于进行空间坐标的旋转，第一主成份取波谱空间中数据扩散

最大的方向；第二主成份则取与第一主成份正交且数据扩散次大的方向，其余依此

类推。

(8)可以在图象中局部地区或者选取训练区的统计特征基础上作整个图象的K-L变

换，则所选部份组象的地物类型就会更突出。

(9)可以将所有波段分组进行K-L变换，再选主成份进行假彩色合成或者其它处理。

缨帽变换概念和特点(图象分析)

概念：是Kauth和Thomas通过分析陆地卫星MSS图象反映农作物和植被生长过程的多时

相数据，提出的一种经验性的、固定核的多波段图象的线性组合变换，又称K-T变换

ul为“亮度(Brightness)”特征，反映地物总体辐射强度，土壤亮度；u2为

“绿度(Greenness)”特征，反映地面植被状况；

u3为“黄度(Yellowness)”特征，反映地面黄色物质；

u4无明确物理意义。

最小噪声分离变换：目的、实现、特点

7

主分量变换(PCT)的原理和特点

缨帽变换的物理意义

MNF变换的特点

5遥感影像融合

概念、目的

概念：是将同一区域的多源遥感图象按统一的坐标系统，通过空间配准和内容复合，生成

一幅比单一信息源更准确、更彻底、更可靠的新图象的技术

目的：消除多源信息之间可能存在的冗余和矛盾，降低其不确定性，减少含糊度，形成更

清晰、完整、准确的图象。

多光谱影像与全色波段影像融合：

目的

对于光学系统的遥感影像,其空间分辨率和光谱分辨率是一个矛盾，普通在一定的

信噪比的情况下，光谱分辨率的提高是以牺牲空间分辨率为代价的。

通过将较低空间分辨率的多光谱影像和较高空间分辨率的全色波段影像融合，可以

产生具有多光谱和高空间分辨率的影像。

由于遥感应用需要更高的光谱分辨率和空间分辨率，若将多光谱影像与较高空间分

辨率的全色波段影像进行融合，则能满足这一要求

多光谱影像与全色波段影像融合的基本过程

全色波段融

合

变

侦

多光谙波段

图1多光谱影像与全色影像融合流程

常用遥感影像融合算法：HSI变换法、主分量变换(PCT)法的基本原理

HIS变换法：指定多光谱影像中三个波段作为RGB空间的红(R)、绿(G)、蓝(B)分量，合成

彩色图象，变换到HSI空间，然后用高分辨率全色波段替代亮度(I)分量，再反变换回

RGB空间

主分量变换：将多光谱波段主分量变换，将变换得到的各波段进行重采样，使之与高分辨

率全色波段空间分辨率一致，用高分辨率全色波段代替第•主分量，进行逆变换，实现影

像融合。

8

"个・分■♦的

图2PC变换影像融合原理

6.遥感数字影像误差校正和配准

辐射校正，系统辐射校正、大气校正的概念

辐射校正：由于传感器响应特性和大气的吸收、散射及其它随机因素影响，导致图象含糊

失真，造成图象分辨率和对照度相对下降。消除图象数据中依附在辐射亮度中的各种失真

的过程称为辐射校正。

系统辐射校正：去条带算法、噪声消除

大气校正：消除主要由大气散射、吸收引起的辐射误差的处理过程

几何校正的概念

概念：从图象中消除几何变形的过程

几何粗校正的概念

概念：儿何粗校正是针对卫星运行和成像过程中引起的几何畸变进行的校正，即卫星姿态

不稳、地球自转、地球曲率、地形起伏、大气折射等因素引起的变形。

几何精校正的概念

概念：几何粗校正是针对卫星运行和成像过程中引起的几何畸变进行的校正，即卫星姿态

不稳、地球自转、地球曲率、地形起伏、大气折射等因素引起的变形。

几何精校正的普通步骤、两个基本环节

普通步骤：

①选择控制点：在遥感图象和地形图上分别选择同名控制点，以建立图象与地图之仙的投

影关系，这些控制点应该选在能明显定位的地方，如河流交叉点等。

②建立整体映射函数：根据图象的几何畸变性质及地面控制点的多少来确定校正数学模型，

建立起图象与地图之间的空间变换关系，如多项式方法、仿射变换方法等。

③重采样内插：为了使校正后的输出图象像元与输入的未校正图象相对应，根据确定的校正

公式，对输入图象的数据重新罗列。在重采样中，由.二所计算的对应位置的坐标不是整数

9

值，必须通过对周围的像元值进行内插来求出新的像元值。

两个基本环节：

（1）象元坐标变换；

（2）象元灰度值重新计算（重采样）。

灰度值的重采样，三种方法

几何校正过程中，由广校正先后图象的像元大小可能变化、象元点位置的相对变化等，不

能简单用原图象象元灰度值代替输出象元灰度值。对应的坐标值可能不是整数。因此，

需要插值（重采样）。

三种方法：最邻近法、双线性法、三次卷积法

最近邻法：用距离投影点（采样点）最近象元灰度值代替输出象元灰度值

优点：

1保留大量原始灰度值，没有经过平滑处理，对于区分植被类型、识别线性特征等有重要

意义

2简易、省时

缺点：

1锯齿状、不平滑

2某些值重复、某些值丢失

3对线性地物，可能浮现不连续

双线性法：考虑投影点（采样点）周围4个相邻象元的灰度值，并根据各自权重计算输出象

元灰度值

优点

1较平滑，没有锯齿状

2与最邻近法相比，空间信息更准确些

3常用于改变象元大小时，如数据融合

缺点：

象元值被平均化，某些地物边缘更平滑，某些极值可能丢失

三次卷积法：取与投影点邻近的16个象元灰度值（4*4）,计算输出象元的灰度值

优点：

1与其它重采样方法相比，均值和标准偏差与原始象元的相一致

2改变象元大小时使用（改变幅度更大时）

TM/航片

3可能锐化图象、平滑噪声，实际的效应与数据有关

缺点:

1数据的值可能被改变

2计算费时

多项式纠正法的基本原理

基本原理：不考虑成像的空间几何过程，而直接对图象变形本身进行数学摹拟。把遥感图

象的变形看做是平移、缩放、旋转、仿射、偏扭、弯曲及更高次基本变形综合作用的结果，

将纠正先后同名象点间的坐标关系用一个多项式表达

控制点的选择

地面控制点（GCP,GroundControlPoint）:一些特定的象元，其地图坐标或者其它输出

10

坐标为已知

人工地物

线性地物交叉点

不易随时间变化的目标

大比例尺的图象：道路交叉点、机场跑道、建造物

小比例尺的图象：城区、一些线性地物交叉点（河流、道路）

分布：较均匀分布与图象范围内，保证足够数量

最小个数：（l+l）*（t+2）；2t:多项式的次数

注意问题：

1.多项式纠正法的精度与地面控制点（GCP）的精度、分布、数量及纠正范围有关；

GCP的位置精度越高，则几何纠正的精度越高；GCP的个数不少于多项式的系数个数；

适当增加GCP的个数，可以提高几何纠正的精度。

20-30个GCP,普通可以满足需求

2GCP分布应尽可能在整幅图象内均匀分布，否则在GCP密集区精度较高，在GCP分布稀

疏区浮现较大误差

遥感图象为何要进行辐射校正和几何校正？

影像重采样的方法有哪些，各有何特点？

几何校正控制点在数量和分布上有何要求？

7.遥感图象分类

遥感图象计算机分类的概念、基本原理、普通步骤

概念：是通过模式识别理论，利用计算机将遥感图象自动分成若干地物类别的方法。

基本原理：不同的地物具有不同的光谱特征，同类地物具有相同或者相似的光谱特

征普通步骤：分类预处理：大气校正、几何校正

特征选择（提取）

分类

分类后处理，包括精度评价

专题图制作

监督分类、非监督分类的概念

监督分类：通过分析代表各类别的己知样本（训练区）象元的光谱特征，取得各类别的识

别参数，确定判别函数，进行分类。

非监督分类：根据事先有定分类器，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

非监督分类的方法：K-均值法的算法，ISODATA

K-均值法的算法：

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.

1.确定最初类别数和类别中心；

2.计算每一个像元所对应的特征矢量与各聚类中心的距离；

3.选与其中心距离最近的类别作为这一矢量（像元）的所属类别；

11

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

聚类中心再也不变化，住手计算.

ISOD/XTA：

与K-均值类似，在迭代过程中加入了类合并和删除处理

监督分类的普通步骤，主要方法

普通步骤：

确定分类区域的地面覆盖类型，即确定信息类；

选取训练区(TrainingField),即在每一个信息类中选择一定数量有代表性的象元集作为样

本数据；

训练分类器，即利用训练数据估计分类器参数；

使用训练好的分类器对影像象元逐个进行归类；

输出分类结果。包括用以描述分类结果的统计表格或者专题图。

主要方法：

最小距离法

平行管道法

最大似然法

光谱角填图法(SpectralAngleMapper,SAM)

人工神经网络法(ANN)

最小距离法，平行管道法，最大似然法的基本思想

平行管道法：

①使用简单的分类规削进行多光谱遥感图象的分类。

②决策线在n维光谱空间中是一个平行的管道。

③管道的直径根据距离平均值的标准差确定。

12

@如果某个像元落在某一类的平行管道的阈值范围内，则划分到该类别中。

⑤如果落在多个类中，则将这个像元划分到最后匹配的类别。

⑥落不到任何管道中，则标识为未分类像元。

最小距离法：

i种相对简化了的分类方法。前提是假设图象中各类地物光谱信息呈多元正态分布。

假设N维空间存在M个类别，某一像元距哪种距离最小，则判归该类

通过训练样本事先确定类别数、类别中心，然后进行分类。分类的精度取决与训练样

本的准确与否

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

判别函数：

gi(x)=p(wi/x)p(wi/x):后验概率

根据贝叶斯公式:gi(x)=p(wi/x)=p(x/wi)p(wi)/p(x)

p(x/wi)为在Wi观测到X的条件概率，p(wi)为类别wi的先验概率，p(x)为变量X与

类别无关情况下的浮现概率。

当待分图象存在m个类别时，需要计算并比较m个p(x/wi),根据贝口I斯准则，取其中最

大者所代表的类别为待判像元的归属类别。

假设：训练区光谱特征服从正态分布

计算每一个像元属于每一类的概率gi(x),找出gi(x)最大者，将该像元归为概率最大的这一

类

8.分类后处理

主要目的：消除类别噪声、类别统计、精度评价

众数分析、少数分析、类聚块、类过滤的目的

众数分析：用于去除单个类中的虚假象元

利用模板运算实现，模板中心象元被赋值为模板窗口中占多数的象元的值

少数分析：模板中心象元将被赋值为模板窗口中占少数的象元的值

类聚块：使空间上邻近的同一类的区域连成块

用于消除类别图中空间上的不一致(如小斑块、空洞等)

通常采用形态学方法进行

类过滤：用于消除类别图中孤立象元

通过查找象元8邻域或者4邻域中是否存在同一类别的象元来进行，如有则保留，

没有则去除

分类精度的评价：混淆矩阵法

混淆矩阵是通过比较分类结果和地面真实情况得到的数值矩阵。

列表示地面真实类(groundtruthclass),列值表示地面真实类被分配到各个影像类

的象元数(百分比,Percent)

通过比较分类结果和地面真实情况来估计分类精度，根据混淆矩阵可以计算各种精度

评价参数

13

总体精度、生产者精度、用户精度的计算

总体精度(OverallAccuracy)：正确分类象元数除以图象象元总数，即

正确分类象元数

总体精度=100%

总象元数

_对角线上象元数之和

100%

总象元数

生产者精度(ProducerAccurac：y)地面真实类中，某类象元被正确分类为该类的概率，利用混

淆矩阵的列来计算。

用户精度(UserAccuracy：)影像类中，某类象元被正确分类为该类的概率，利用混淆矩阵的行

来计算。

遥感影像变化检测：流程

面向对象影像分类

图象分割

图象分割按照具体应用的要求和具体图象的内容将图象分割成块块区域

传统的图象分割技术：

基于像素灰度值的分割技术

基于区域的分割技术

基于边界的分割技术

纹理

纹理图象在局部区域内呈现了不规则性，而在整体上表现出某种规律性

纹埋的组成：

•是组成图象纹理的基元

一是这些基元之间的空间分布关系。

图象纹理普通用纹理中相邻像素之间的灰度变化及纹理基元模板来描述

分析和测量纹理的算法：

1、统计分析方法

从图象有关属性的统计分析出发

2、结构分析方法

找出纹理基元，以后再从结构组成上探索纹理的规律，也还有直接去探求纹理构成的结构

规律。

纹理分析的自相关函数方法

若有一幅图象f(i,j),i,j=0,1,…,N-1,它的自相关函数为:

N，N，f(ij)f(ix,jy)

(x,y)i。⑷------------------------

NINI

^(ij)

iOjO