基于BP神经网络的多源遥感影像分类

遥感图像分类方法研究综述

第2期,总第64期国　土　资　源　遥　感No.2,2005　2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005　遥感图像分类方法研究综述李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明　650092;2.云南省寄生虫病防治所,思茅　665000; 3.云南开远市第一中学,开远　661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。关键词:遥感;图像分类;分类方法中图分类号:TP751　文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0　引言随着卫星遥感和航空遥感图像分辨率的不断提高,人们可以从遥感图像中获得更多有用的数据和信息。由于不同领域遥感图像的应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节———图像分类也就显得尤为重要,经过多年的努力,形成了许多分类方法和算法。本文较全面地综述了这些分类方法和算法,为遥感图像分类提供理论指导。 1　遥感图像分类研究现状在目前遥感分类应用中,用得较多的是传统的模式识别分类方法,诸如最小距离法、平行六面体法、最大似然法、等混合距离法(I S OM I X)、循环集群法(I S ODAT A)等监督与非监督分类法。其分类结果由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分现象,导致分类精度不高[1]。随着遥感应用技术的发展,傅肃性等对P.V.Balstad(1986)利用神经网络进行遥感影像分类的研究情况以及章杨清等在利用分维向量改进神经网络在遥感模式识别中的分类精度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2　基于统计分析的遥感图像分类方法 2.1　监督分类监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。

多源遥感影像像素级融合技术

多源遥感影像像素级融合技术摘要:中国的遥感技术从七十年代起步,经过了几十年的过程,随着现代遥感技术的发展,可获得的遥感数据也越来越丰富。遥感所具有的宏观、动态、快速、精确和综合的优势,使得从遥感影像获取信息已经成为一种非常重要的信息获取手段。为合理、有效地综合使用这些多源海量数据,遥感图像处理技术随之应运而生,而遥感图像融合技术更成为其重要的组成部分。在未来一段时间内,同一地区不同时相、不同分辨率、不同成像机理的遥感影像数据将呈指数递增。因此,研究如何从这些影像源中获取更丰富、更有用和更可靠信息的处理技术,是当前遥感应用研究的重点之一。关键词:图像融合多源遥感影像像素级图像处理随着遥感技术的发展,越来越多携带不同类型传感器的遥感卫星获得的多传感器、多时相、多空间分辨率、多光谱分辨率的遥感图像数据被用于对地观测。为进行地形测绘与地图更新、土地利用分类、冰/雪/洪涝灾害监测等提供了丰富的数据。现代遥感卫星都具备一套多光谱和高空间分辨率全色影像的性能,但如何获取多光谱高空间分辨率影像满足植被研究、土地利用和城市资源调查等的要求,是亟待解决的问题。多源遥感影像数据像素级融合的研究则是解决这一问题的有效途径之一。 1 基本概念图像融合一般可分为像素级、特征级、决策级。像素级图像融合主要是针对初始图像数据进行的,其目的主要是图像增强、图像分割和图像分类,从而为人工判读图像或进一步的特征级融合提供更佳的输入信息;特征级图像融合能以高的置信度来提取有用的图像特征。决策级图像融合允许来自多源数据在最高抽象层次上被有效的利用。不同层次的图像融合研究内容均十分广泛。多源遥感影像像素级融合是指采用某种算法将覆盖同一地区的两幅或多幅空间配准影像生成满足某种要求的影像技术。它是多源遥感影像数据融合的内容之一,是富集多源遥感影像信息的重要技术手段之一。从影像类型划分,多源遥感影像像素级融合包括:单一传感器的多时相影像融合、多传感器的多时相影像融合、单一平台多传感器的多空间分辨率影像融合、多平台单一传感器的多时相影像融合和同一时相多传感器影像融合。 2 像素级影像融合过程与特点基于像素的多源遥感影像融合的过程大致可分为三步: (1)根据实际应用目的、融合方法和相关技术从现有影像数据中选取出来,并进行预处理。预处理主要包括影像几何校正、影像辐射校正、高精度空间配准和

遥感图像几种分类方法的比较

摘要遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。关键词:TM遥感影像，图像分类，最大似然法，决策树题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

基于ENVI的多源遥感影像数据融合毕业设计论文

存档日期：存档编号：本科生毕业设计（论文）论文题目：基于ENVI的多源遥感影像数据融合姓名：董建系别：环境与测绘系专业：测绘工程年级、学号： 11 测绘 118324107 指导教师：林卉江苏师范大学科文学院印制

摘要在世界遥感技术领域极速发展的情况下，对于用卫星传感器来观测和获取某一地域遥感影像数据的方法越来越多，此时多时相、多平台、高光谱和高分辨率卫星等影像数据大量涌现，并且在有关地学的多个领域都用到了这些影像数据。多源遥感影像融合技术在处理怎么使各种有差别的的遥感影像既保存着各自重要的使用特点和对象，同时也会将其局限性缩至最小这方面是最有效的途径之一。并且在不同的学科范畴都涉及到多源遥感影像数据融合技术，因此该技术被不断地完善与推行。而当前在世界上对该技术还尚未形成一套完善的理论与方法，于是目前在遥感领域研究的一个重要的研究技术就是周密处理与剖析遥感信息。本文基于ENVI对多源遥感影像数据融合的研究。第一章介绍了遥感影像数据融合的基本理论知识和本论文内容研究的背景和意义，以及国内外目前对遥感图像融合技术的发展现状。第二章是对数据融合三个层次（像素级融合、决策级融合和特征级融合）的对比介绍，像素级融合、决策级融合和特征级融合，另外还展示了每个层次数据处理流程图。第三章对像素级融合中加权融合法变换、Brovery 变换、IHS变换和PCA变换等融合方法进行了分析比较。第四章介绍了融合的评价指标（主观评价、客观评价）。第五章通过对Quickbird多光谱影像的4、3、2波段和Quickbird全色影像的1波段数据的进行融合实验，对实验结果进行分析，总结出这四种融合方法的特点和适用范围，得到更准确，更可靠、更安全的估计和判断，为相关工作提供帮助。关键词：数据融合；ENVI；IHS变换；PCA变换；评价指标；多源遥感影像；

试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。

遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。关键词：遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台

上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要

多源遥感影像配准流程

多源遥感影像综合应用的一项重要的准备工作就是影像间的配准，特别是不同类型传感器在同一地区，不同时间，不同高度获取的影像间的配准。即运用一幅纠正过的带有地理信息的影像（主影像）与一幅未纠正的影像（从影像）进行配准，获取一系列同名点位。因为主影像是正射影像，因而这些同名点是具有大地坐标的同名点。同时这些同名点可以作为参考数据（保存在配准后生成的<从影像名>.ctp 文件中）用于对其他影像进行纠正。在ArcMap中配准影像栅格数据可以通过扫描地图、航片及卫片来获取。扫描的地图通常不包含表明影像对应于地表何处的信息。从航空相片和卫星相片上获得的位置信息往往不适合执行分析，或者与其它数据对齐显示。与其它空间数据一起使用栅格数据，需要把栅格数据对齐或配准到地图的坐标系统。配准栅格数据定义了它的地图坐标位置，即指定了联系数据与地球上的位置的坐标系统。配准栅格数据使它能与其它地理数据一起被查看、查询和分析。配准流程： 1、启动ARCGIS9，用键或者在图层处点右键添加数据，将所要的图象数据添加近来。如图所示： 2、从“视图”→“工具条”→“影象配准”将影像配准的工具条调出来，如图，，调出工具条如下，选择图的四个角的格网点进行配准处理，首先是左上角，如图：

使用“添加控制点”按钮添加第一个控制点，如图：将左下角格网点放大以准确定位，如图。点右键，输入XY坐标，根据地图格网坐标输入，完成一个点，再按相同方法对其他三个角点配准。 4、电击查看连接表可以查看配准后的坐标残差看是否符合要求。

点击地理参考下的矫正，双线性内插，保存矫正图象。 5、将矫正后图象添加到图层覆盖矫正前的，从视图下拉菜单选择数据框属性打开后如下：将地图单位改为米，将坐标系统设为西安1980，

遥感影像的分类处理

摘要在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

基于多源多时相遥感影像的城镇扩张动态监测方法研究

基于多源多时相遥感影像的城镇扩张动态监测方法研究1 周小成，汪小钦，吴波，励惠国 1福州大学福建省空间信息工程研究中心，福州（350002） 2空间数据挖掘与信息共享教育部重点实验室，福州（350002） Email：zhouxc@https://www.360docs.net/doc/777437502.html, 摘要：利用遥感技术来动态监测城镇扩展己成为一个重要的研究和应用领域。基于TM和ASTER多源多时相遥感影像和地形数据，以福建省漳州市区为示范区，探讨城镇建筑用地扩张遥感监测的一般方法。研究认为，对于ASTER影像，综合利用非监督分类、多时相植被指数、城镇建筑用地的地形分布等知识建立分类决策规则，可以有效提取城镇建筑用地信息，精度不低于90%；另外，针对徐涵秋TM影像三指数法应用到示范区城镇建筑用地提取时的混淆问题，提出了利用城镇建筑用地时空扩张知识、多时相植被指数知识，改进TM 三指数城镇建筑用地提取方法的思路，最终提取的城镇建筑用地信息满足城镇建筑用地动态变化分析的精度要求。关键词：城镇建筑用地；遥感；TM；ASTER；动态监测 1.引言 RS和GIS技术在过去的20年里得到迅速的发展，利用卫星对地观测技术来动态监测城市扩展己成为一个重要的研究和应用领域。不少国内外学者研究出多种利用遥感影像提取和分析城市扩张变化的技术。Seto（2003）[1]以多时相TM影像为例，比较了ARTMAP神经网络与最大似然法分类方法进行城市变化检测的效果。认为ARTMAP神经网络比传统的最大似然法（MLC）方法更精确；Schottker（2004）[2]利用三个时相的Landsat TM数据检测德国威斯特伐利亚40年来城市发展变化；Rashed（2005）[3]利用多时相遥感影像，提出利用光谱混合分析法（SMA）测量埃及开罗市城市形态组成的变化模式。Onana（2005）[4]使用多时相ENVISAT/ERS SAR图像和多光谱HRV Spot光学影像进行融合来识别热带雨林地区喀麦隆杜阿拉城市动态变化；潘剑君（1997）[5]用两个时期的Landsat TM遥感图象，经过图象自动分类识别和两个时相遥感图象的交叉分析处理，对江苏省扬中市的土地利用状况进行了动态监测；杨存建 (2001)[6]通过对不同类型居民地的遥感影像特征、光谱特征和空间关系分析，从而发现居民地的光谱特征知识、空间关系知识，建立了基于知识的TM遥感图像居民地信息提取模型；祝善友（2002）[7]以不同时相的TM和中巴卫星影像为主要信息源，对不同时相、不同遥感平台的两幅图象进行数据融合，提取与城市扩展动态变化有关的参数因子；吴宏安（2005）[8]分别采用了监督分类法和归一化裸露指数(NDBI)法提取了西安市的城市边界信息，并对二者进行对比分析，认为监督分类法提取的城市边界信息较为准确；徐涵秋（2005）[9][10]通过对城市土地利用类型的分析,选取了归一化差异建筑指数（NDBI）、修正归一化差异水体指数（MNDWI）[11]和土壤调节植被指数（SA VI）三个指数，采用简单的最大似然分类或谱间分析方法，提取的城市建筑用地信息精度可达91.2%。本研究在总结前人研究方法的基础上，以TM、ASTER多源多时相遥感影像为数据源，以福建省漳州市区为研究示范区，提出城镇扩展遥感动态监测的一般思路和方法，并对徐涵秋三指数法用于研究示范区的问题进行了分析，提出了相应的解决方法。 1本课题得到国家自然科学基金（60602052）和福建省科技重大专项（50304827）的资助。

多源遥感影像融合在哈大齐土地利用分类中的应用

第19卷第4期测绘工程 Vol.19l .42010年8月 EN GINEERING OF SURVEYING AND MAPPING Aug.,2010 多源遥感影像融合在哈大齐土地利用分类中的应用姜芸1,王军2 (1.武汉大学测绘学院,湖北武汉430079; 2.国家测绘局黑龙江基础地理信息中心,黑龙江哈尔滨150086)摘要:随着遥感技术的发展,同一区域的多源遥感影像数据越来越丰富。以哈大齐为例,利用ETM +和SPOT 25 数据探讨不同遥感信息融合在土地利用过程中的处理方法,比较不同融合算法在土地分类中的差异,并进行定性和定量比较。为有关部门进行土地规划、管理提供科学依据有着十分重要的意义。关键词:多源遥感影像;数据融合;融合算法;土地利用中图分类号:T P751 文献标志码:A 文章编号:100627949(2010)0420034205 Application of multi2source remote sensing image data fusion to land use and classification in HA 2DA 2QI JIANG Yun 1,WANG Jun 2 (1.School of Geodesy and Geomat ics,Wuhan University,Wuhan 430079,China;2.Heilongjiang Center of SBSM,Har bin 150086,China) Abstr act:With the development of remote sensing technology,multi 2source remote sensing data the same ar ea of is rich.Taken the DaJi as an example,using ETM +and SPOT25discusses different data of re 2mote sensing information fusion in the process of land utilization,analyzes and compares the processing methods in land classification of different fusion algorithm,and the differences between qualitative and quantitative compar ison.It is of great significance for relevant departments of land planning and manage 2ment to pr ovide the scientific basis . Key words:multi2source remote sensing image;data fusion;fusion arithmetic;land use 收稿日期3基金项目国家自然科学基金资助项目(5)作者简介姜芸(),女,博士研究生随着现代遥感技术的发展,获取的遥感影像越来越丰富。遥感技术的应用逐步实现从定性调查制图向定量统计分析过渡,从静态现状描述向动态预测预报过渡,从单一传感器影像的分析应用向多波段、多传感器、多平台、多时相、多分辨率影像的综合分析与应用过渡,从通用向深化过渡。本研究区域内有覆盖多个城市和地区的高分辨率的SPOT25遥感影像资料,这些影像分辨率高,易于判读,在国土资源调查等应用中发挥了重要作用。然而由于单色调,导致在目视中丢掉了许多重要的信息,如果通过假彩色影像处理,便可轻而易举获取多种有用信息。 1研究区概况及数据源本文以土地利用类型齐全的哈大齐工业走廊滨州铁路沿线10km 区域作为实验区,从定量和定性的角度对比分析不同的融合方法,对耕地、林地、牧草地、水域、居住用地、交通用地、未利用土地等不同类型的识别的影响。该研究采用SPOT25影像1A 级产品、ETM+的8波段影像。 2PCA 变换与a c Trous 小波变换多分辨率影像融合算法由于ETM+图像的第一主成份的光谱特性与 SPOT 图像的光谱特性并不完全一致,直接利用高分辨率影像替代第一主分量,导致丢失了部分多光谱影像的光谱信息,造成光谱失真。同时在小波变换融合增强中,多光谱影像增强的效果受到小波分解层数的影响,容易出现分块效应与地物纹理模糊。为此,将引入T 小波算法。在此基础上提出 :201020208 :4077119:1980-. rous

遥感图像分类后处理

遥感图像分类后处理一、实验目的与要求监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；

三、实验设备与材料 1.实验设备装有ENVI 5.1的计算机 2.实验材料以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。下面介绍详细操作流程：（1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"；（2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK；（3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法综述

遥感图像分类方法综述刘佳馨摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。关键词：遥感图像；图像分类；分类方法 1 引言遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised

遥感图像的分类

实验四遥感图像分类一、背景知识图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。

遥感影像分类方法实验报告

实验报告

目录 1 实验目的 (4) 2 实验数据 (4) 3 实验内容 (4) 4 实验步骤 (5) 4.1 对人口矢量数据（shapefile）进行投影转换 (5) 4.1.1 Census.shp文件投影坐标的检查 (5) 4.1.2 将投影坐标转换为WGS_1984_UTM_Zone_16N (6) 4.2 对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准） (6) 4.2.1 Census.shp在ENVI软件的加载 (6) 4.2.2 对遥感影像进行几何精校正（以矢量数据为基准） (7) 4.2.3 用矢量图层对遥感影像进行裁剪 (10) 4.3 将Pan波段和多光谱波段进行融合，并对融合效果进行定性和定量评价 (11) 4.3.1 两种融合方法的原理 (11) 4.3.2 进行 Gram-Schmidt Spectral Sharpening融合 (11) 4.3.4 融合效果进行定性评价 (14) 4.3.5 融合效果进行定量评价(软件提供的计算方法) (15) 4.3.6 融合效果进行定量评价(Matlab编程计算) (16) 4.3.7 遥感影像融合定量分析代码 (20) 4.4 生成住房密度栅格影像 (23) 4.4.1 两表的连接 (23) 4.4.2 计算房屋密度 (24) 4.4.3 直接栅格化 (25) 4.4.4 IDW插值 (25) 4.4.5 对房屋密度图进行重分类 (26) 4.5 将住房密度栅格影像作为额外的通道与ETM+多光谱波段进行叠加 (26) 4.6 监督分类（融合方法为HSV，波段为5，4，3） (27) 4.6.1 打开Google Earth影像作为监督分类的参照 (27) 4.6.2 建立兴趣区 (29) 4.6.3 训练样区的选择 (30) 4.6.4 训练样区的评价 (31) 4.6.5 执行监督分类 (33) 4.6.6 分类后处理 (35) 4.6.7 评价结果分析 (37) 4.6.8 分类结果面积统计 (38) 4.6.9 分类结果 (41) 4.7 分类结果评价与分析 (41) 4.7.1 未加入房屋密度图层的分类结果评价与分析 (41) 4.7.2 加入IDW插值房屋密度图层的分类结果评价与分析 (42) 4.7.3 加入直接栅格化房屋密度图层的分类结果评价与分析 (43) 4.7.4 加入重分类后IDW插值房屋密度图层的分类结果评价与分析 (44) 4.7.5 从总精度与Kappa系数对分类结果进行评价 (45)

遥感图像分类方法研究综述_李石华

第2期,总第64期国土资源遥感N o.2,2005 2005年6月15日RE MOTE SENSI N G FOR LAND&RESOURCES Jun.,2005 遥感图像分类方法研究综述李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明650092;2.云南省寄生虫病防治所,思茅665000; 3.云南开远市第一中学,开远661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。关键词:遥感;图像分类;分类方法中图分类号:TP751文献标识码:A文章编号:1001-070X(2005)02-0001-06 0引言随着卫星遥感和航空遥感图像分辨率的不断提高,人们可以从遥感图像中获得更多有用的数据和信息。由于不同领域遥感图像的应用对遥感图像处理提出了不同的要求,所以图像处理中重要的环节)))图像分类也就显得尤为重要,经过多年的努力,形成了许多分类方法和算法。本文较全面地综述了这些分类方法和算法,为遥感图像分类提供理论指导。 1遥感图像分类研究现状在目前遥感分类应用中,用得较多的是传统的模式识别分类方法,诸如最小距离法、平行六面体法、最大似然法、等混合距离法(I SO M I X)、循环集群法(ISODATA)等监督与非监督分类法。其分类结果由于遥感图像本身的空间分辨率以及/同物异谱0、 /异物同谱0现象的存在,往往出现较多的错分、漏分现象,导致分类精度不高[1]。随着遥感应用技术的发展,傅肃性等对P.V.Ba lstad(1986)利用神经网络进行遥感影像分类的研究情况以及章杨清等在利用分维向量改进神经网络在遥感模式识别中的分类精度问题作了阐述[2],孙家对M.A.Fried l(1992)和 C.E.Brodley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2基于统计分析的遥感图像分类方法 2.1监督分类监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-N earest Ne i g hbor)、决策树法(Decisi o n Tree C lassif-i er)和贝叶斯分类法(Bayesian C lassifier)。主要步骤包括:1选择特征波段;o选择训练区;?选择或构造训练分类器;?对分类精度进行评价。最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre m a等提出的启发式像素分类估计先验概率法。M clachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。