遥感图像
合集下载
第七章遥感数字图像计算机解译ppt课件
➢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。
2
二、分类方法
非监督分类（ Unsupervised classification ）： 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85%，模板需要要重建。
35
三、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
（3）多级切割分类法 （4）特征曲线窗口分类法
监督分类的一般步骤
采集训练样本 建立模板 评价模板 初步分类 检验分类
分类后处理 分类特征统计
训练样本选择：
取决于用户对研究区及类别的了解程度。
1）矢量多边形：使用矢量图层；自定义AOI多边形； 2）标志种子象素：利用AOI工具，用十字光标标出 一个象元作为种子象素（seed pixel）代表训练样本， 其相邻象素根据用户指定参数进行比较，直到没有 相邻象元满足要求，这些相似元素通过栅矢转换成 为感兴趣区域。
46
小波分析
小波理论起源于信号处理。由于探测精度的限
制．一般的信号都是离散的，通过分析认为信号是由多
个小波组成的，这些小波代表着不同的频率持征。小波
函数平移、组合形成了小波函数库，通过小波函数库中
区间的变化可以对某些感兴趣的频率特征局部放大，因
此．小波函数被称为数学显微镜。
47
小波分析
小波分析方法的基本思想就是将图像进行多分辨率 分解．分解成不同空间、不同频率的子图像、然后再对子 图像进行系数编码。基于小波分析的图像压缩实质上是对 分解系数进行量化的压缩。
2
二、分类方法
非监督分类（ Unsupervised classification ）： 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85%，模板需要要重建。
35
三、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
（3）多级切割分类法 （4）特征曲线窗口分类法
监督分类的一般步骤
采集训练样本 建立模板 评价模板 初步分类 检验分类
分类后处理 分类特征统计
训练样本选择：
取决于用户对研究区及类别的了解程度。
1）矢量多边形：使用矢量图层；自定义AOI多边形； 2）标志种子象素：利用AOI工具，用十字光标标出 一个象元作为种子象素（seed pixel）代表训练样本， 其相邻象素根据用户指定参数进行比较，直到没有 相邻象元满足要求，这些相似元素通过栅矢转换成 为感兴趣区域。
46
小波分析
小波理论起源于信号处理。由于探测精度的限
制．一般的信号都是离散的，通过分析认为信号是由多
个小波组成的，这些小波代表着不同的频率持征。小波
函数平移、组合形成了小波函数库，通过小波函数库中
区间的变化可以对某些感兴趣的频率特征局部放大，因
此．小波函数被称为数学显微镜。
47
小波分析
小波分析方法的基本思想就是将图像进行多分辨率 分解．分解成不同空间、不同频率的子图像、然后再对子 图像进行系数编码。基于小波分析的图像压缩实质上是对 分解系数进行量化的压缩。
遥感概论第12章 遥感图像的分类 122.12 第12章 遥感图像的分类
数几个大面积训练样区效果好
（4）训练样区的选择原则
为了提高训练样区的有效性，需遵循以下选取原则 • 像元的数量：每个类别至少在100个以上 • 训练样区的大小：过大会造成光谱混杂，过小又不能足以
代表信息类别，需要根据研究区的地物复杂程度、影像分 辨率等情况根据实践经验判断 • 训练样区的形状：无具体要求，一般采用矩形 • 训练样区的位置：第一要求每个信息类别的训练样区尽可 能均匀分布整个影像；第二要求训练样区便于在航片或地 面查找，也就是方便地面验证
影像分类是遥感、影像分析和模式识别的重要组成部分
• 影像分类可以作为影像分析的直接目标：如土地利用分类、 农作物种类识别、湿地类型识别等，以分类影像作为成果
• 影像分类也可以作为影像分析的中间环节：如研究森林情 况，需要先提取出森林的范围；研究草地或农业情况，需 要先提取出草地和耕地的范围等
在影像分类过程中，需要用到分类器：即按照一定方法进 行影像分类的计算机程序
（3）训练数据选择的重要性
选取训练样本前，必须对研究区进行充分的了解，不仅要 分析研究区的参考资料，而且要实地调查，才能确定每个 信息类别的训练样本区
有学者认为：训练样本的不同比分类算法的不同对精度的 影响更大
• 相同的训练数据，不同分类算法得到的分类精度差别不大 • 相同的分类算法，不同的训练样本得到的分类精度差别大 研究表明，选择多个随机分布的小面积训练样区比只选少
5 其他分类方法
纹理分类 • 利用相邻像元之间的空间和光谱关系进行分类 • 实际研究也表明，利用影像纹理结构能改善分类效果 分层分类策略 • 指基于一个分类层级（分类树）而逐步分类的过程，即建
立对应类别的提取规则将各种地类逐步分离出来
模糊分类
（4）训练样区的选择原则
为了提高训练样区的有效性，需遵循以下选取原则 • 像元的数量：每个类别至少在100个以上 • 训练样区的大小：过大会造成光谱混杂，过小又不能足以
代表信息类别，需要根据研究区的地物复杂程度、影像分 辨率等情况根据实践经验判断 • 训练样区的形状：无具体要求，一般采用矩形 • 训练样区的位置：第一要求每个信息类别的训练样区尽可 能均匀分布整个影像；第二要求训练样区便于在航片或地 面查找，也就是方便地面验证
影像分类是遥感、影像分析和模式识别的重要组成部分
• 影像分类可以作为影像分析的直接目标：如土地利用分类、 农作物种类识别、湿地类型识别等，以分类影像作为成果
• 影像分类也可以作为影像分析的中间环节：如研究森林情 况，需要先提取出森林的范围；研究草地或农业情况，需 要先提取出草地和耕地的范围等
在影像分类过程中，需要用到分类器：即按照一定方法进 行影像分类的计算机程序
（3）训练数据选择的重要性
选取训练样本前，必须对研究区进行充分的了解，不仅要 分析研究区的参考资料，而且要实地调查，才能确定每个 信息类别的训练样本区
有学者认为：训练样本的不同比分类算法的不同对精度的 影响更大
• 相同的训练数据，不同分类算法得到的分类精度差别不大 • 相同的分类算法，不同的训练样本得到的分类精度差别大 研究表明，选择多个随机分布的小面积训练样区比只选少
5 其他分类方法
纹理分类 • 利用相邻像元之间的空间和光谱关系进行分类 • 实际研究也表明，利用影像纹理结构能改善分类效果 分层分类策略 • 指基于一个分类层级（分类树）而逐步分类的过程，即建
立对应类别的提取规则将各种地类逐步分离出来
模糊分类
遥感图像处理的基本原理与方法
遥感图像处理的基本原理与方法遥感技术是指利用航空、航天等手段获取地球表面信息的技术和方法。
遥感图像处理是对获取的遥感图像进行分析、解译和推断的过程，可以提取出有用的地貌、植被、土地利用等信息。
本文将介绍遥感图像处理的基本原理与方法，帮助读者更好地理解和应用遥感技术。
一、遥感图像的获取和特点遥感图像是通过感光器件（如传感器）对地面反射和辐射的能量进行记录和测量而获得的图像。
这些感光器件可以测量和记录不同波段（如红外、可见光和微波等）的电磁辐射，并产生相应的数字图像。
遥感图像具有以下几个特点：1. 遥感图像拥有广阔的视野，可以获取大范围的地表信息；2. 遥感图像可以获取地面特定时间的状态，可以进行长期观测和时序分析；3. 遥感图像具有数字化特征，可以进行数字图像处理和分析。
二、遥感图像的处理流程遥感图像处理的主要流程包括数据获取、预处理、特征提取和解译等环节。
1. 数据获取数据获取是遥感图像处理的第一步，可以通过卫星、航空遥感以及无人机等手段获取图像数据。
卫星提供的数据通常具有较高的分辨率和全球覆盖能力，而航空遥感和无人机则可以获取更高分辨率的数据，但覆盖范围较小。
2. 预处理预处理是对原始遥感图像进行预处理，以剔除噪声、校正几何畸变和辐射定标等。
常见的预处理操作包括大气校正、辐射定标、几何校正等。
预处理能够提高图像质量，为后续处理奠定良好的基础。
3. 特征提取特征提取是遥感图像处理的核心环节，通过分析图像中的颜色、纹理、形状等特征，提取出所需的地物信息。
常用的特征提取方法包括直方图均衡化、滤波、边缘检测、分割等。
4. 解译解译是将所提取的特征与已知的地物信息进行匹配，进一步推断和识别图像中的地物。
解译可以通过人工解译和自动解译两种方式进行。
人工解译需要依靠专业知识和经验，而自动解译则可以借助计算机算法进行。
三、遥感图像处理的应用领域遥感图像处理在许多领域都有广泛的应用。
1. 农业领域遥感图像可以提供农业领域的土地利用、农作物生长状态等信息。
遥感图像分类
影像对象构建方法与参数优化
对象合并准则
在初始分割基础上，通过将 初始影像对象逐步合并为较 大的对象来实现多尺度对象 的构建，对象合并的停止条 件是由其尺度准则决定的
fw vah lv uael uw esh h aspheape
h va luw e c ( n 1 (m c1 c ) n 2 (m c2 c ))
1）分类前影像平滑 2）分类后小区合并—将小于一定面积的像元合并到邻近区
域
遥感影像分类后处理—误差分析
目的：检验分类效果 方法：抽样检验 抽样方法： 1）监督分类的样本区 2）试验场抽样 3）随机抽样 评价方式：混淆矩阵
辅助数据改进遥感分类的方法
地理分层 分类器操作 分类后处理
遥感信息与非遥感信息的复合
c
hsh a p w c emh p c m c t pw cstmh oso mth o o th
h cm pn c 1(t ln m mln 11)n 2(ln m mln 22)
hsmo on t1 h(b lm mb l1 1)n2(b lm mb l2 2)
37
影像对象构建方法
尺度为： 16 平均 面积： 867.6
• 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
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: • 规划协会的土地分类标准(LBCS) • 国家植被分类系统
基于统计的分类方法
遥感影像光谱特征分布特点
遥感影像分类原理
μc4
人工神经网络分类
生物神经网络(biological neural network, BNN)， 特别是人脑
遥感入门-图像分类
非监督分类主要是采用聚类分析的方法， 聚类是把一组像素按照相似性规成若干类 别。它的目的是使得属于同一类别的像素 之间的距离尽可能地小而不同类别上像素 间的距离尽可能地大。在进行聚类分析时， 首先要确定基准类别的参量。而非监督分 类的情况下，并无基准类别的先验知识可 以利用，因而，只能先假定初始的参量， 并通过预分类处理来形成集群。再由集群 的统计参数来调整预置的参量，接着再聚 类、再调整。如此不断地迭代，直到有关 参数达到允许的范围为止。
遥感图像分类
概述-遥感图像计算机分类的一般原理
遥感图像的解译
目视解译 计算机自动解译
光谱特征 如图：
这种同类聚集的特性说明，如果按照地物类别聚集的规律把多光谱 空间划分为若干个子空间，每一子空间包含有一个类别，这样就 可以把图像中未知的像元进行分类，把他们分配到各自的子空间 中去。
遥感图像的计算机分类 1）监督分类和非监督分类 监督分类：基于对于图像上样本区内的地物 类属已有先验的知识，即已经知道它所对 应的地物类别，于是可以利用这些样本类 别的特征作为依据来判断非样本数据的类 的别； 非监督分类：遥感图像地物的属性不具有先 验知识，纯粹依靠不同光谱数据组合在统 计上的差别来进行“盲目分类”，事后再 对已分出各类的地物属性进行确认的过程。
Xj
j 1
1 ni Si [( X j M i )( X j M i )T ] ni 1 j 1 ni是类w i的像元数目，j为像元标号，p是参加分类的特征数（或波段数）
2.正态分布
对判别函数用对数变换可得出更便于计算的形式， 即判别函数为：
1 1 1 T gi ( X ) ln P( wi ) ln Si ( X M i ) Si ( X M i ) 2 2
遥感图像处理ppt课件
02
人工智能在遥感图像处理中可以应用 于地物分类、目标检测、变化检测等 方面。通过训练人工智能算法，使其 能够自动识别和分类地物，提高遥感 数据的利用价值和精度。同时，人工 智能算法还可以对遥感数据进行自动 化分析和处理，提高数据处理效率。
03
人工智能在遥感图像处理中需要解决 的关键问题包括数据标注、模型训练 和优化等。同时，还需要考虑人工智 能算法的可解释性和可靠性，以确保 其在实际应用中的效果和安全性。随 着技术的不断发展，人工智能在遥感 图像处理中的应用将进一步提高遥感 数据的利用价值和精度。
详细描述
遥感图像存储与处理是遥感技术应用的核心环节之一。 在这个过程中，原始数据会经过一系列的预处理、增强 和分类等操作，以提高图像质量和提取更多有用的信息 。例如，辐射定标、大气校正、几何校正等预处理操作 可以提高图像的精度和可靠性；图像增强技术如对比度 拉伸、滤波等可以提高图像的可视化效果和特征提取能 力；分类和目标检测等技术则可以对图像进行语义化表 达和信息提取，以满足不同应用的需求。
遥感图像处理涉及的技术包括辐 射校正、几何校正、图像增强、 信息提取等。
遥感图像处理的重要性
遥感图像处理是遥感技术应用的关键 环节，能够提高遥感数据的精度和可 靠性，为各领域提供更准确、更全面 的信息。
通过遥感图像处理，可以提取出更多 有用的信息，为决策提供科学依据， 促进各行业的智能化发展。
遥感图像处理的应用领域
图像预处理技术
01
02
03
04
去噪
消除图像中的噪声，提高图像 的清晰度。
校正
纠正图像的几何畸变和辐射畸 变，使图像更接近真实场景。
配准
将不同来源的图像进行坐标对 齐，以便于后续的图像分析和
遥感图像的分类方法
遥感图像的分类方法
遥感图像的分类方法常见有以下几种：
1. 监督分类方法：该方法需要先准备一些具有标签的样本数据集进行训练，并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法：该方法不需要标签样本数据集，通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法：该方法结合监督和无监督分类方法的优势，同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法：近年来，随着深度学习方法的发展，基于卷积神经网络（CNN）的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练，能够实现较高的分类精度。
除了以上几种方法外，还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素，选择合适的分类方法对于遥感图像的分类任务非常重要。
遥感图像判读
三.目视判读的方法
1.直接判读法 2.对比分析法 3.综合判读法 4.信息符合法 5.地理位置相关分析法
目视判读的步骤
准备工作 初步解译 详细解译 野外验证 疑难问题的补判 汇总成图
四.野外判读方法
1、了解像片比例尺
一般来讲，像片比例尺越大，影像特征越明显，越易 于判读。可以通过地形图或实地距离来求像片比例尺。
由远到近、由易到难、由总貌到碎部、逐步推移
看、听、想、记
d.走路过程中的判读 e.勤看立体，随时检核
遥感图像人机交互解译
几个典型的人机交互式图像处理系统 Photoshop ENVI系统 Virtuozo系统
.位置布局特征
位置布局特征是指地物的环境位置，以及 地物间空间位置配置关系在像片上的反映， 也称相关位置特征，是最重要的间接判读 特征。 地物间的相关位置特征有助于识别地物性 质。如公路与沟渠相交一般为桥涵。
活动特征
活动特征是指目标的活动所形成的征候在 像片上的反映。如坦克在地面活动后留下 的履带痕迹、舰船行驶时激起的浪花、工 厂生产时烟囱排烟等，都是判读的重要依 据。
形状特征是指地物外部轮廓在像片上所表 现出的影像形状。 在近似垂直摄影的像片上，倾斜误差对地 物影像形状的影响很小，平坦地面上地物 影像形状与其俯视图形状相似。但是投影 误差对具有一定高度的目标影像形状的影 像是不能忽视的。 从投影误差的性质知道，这种变形不仅与 目标本身高度有关，而且与地物相对于航 射机镜头的位置有关。
阴影特征
阴影在像片上是有影响的，它的方向取决 于太阳的照射方向。 阴影一般与物体的高度成正比，与太阳的 高度角成反比。在同一张像片上，各地物 阴影影像的方向都是一致的，不因点的位 置不同而异。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
③锐化增强处理(Crisp Enhancement ) 锐化增强处理(Crisp 点击Interpreter图标一Spatial Enhancement—Crisp,打开Crisp 对话框.
锐化增强处理实质上是通过对图像进行卷积滤波处理,其专题内容发生 变化,从而达到图像增强的目的.使整景图像的亮度得到增强的目的,根据 其底层的处理过程,又可以分为两种方法:(1)根据您定义的矩阵(Custom Matrix )直接对图像进行卷积处理(空间模型:Crisp-greyscale.gmd),(2) 是首先对图像进行主成份变换,并对第一主成份进行卷积滤波,然后再进行 主成份逆变换(空间模型为:Crip-Minmax.gmd).
辐射增强处理(Radiometric Enhancement)
①直方图均衡化(Histogram Equalization):点击Interpreter 图标 一Radiometric Enhancement一Histogram Equalization,打开Histogram Equalization对话框.
�
实习三 遥感图像增强
滁州学院国土信息工程系
(1)背景知识
在获取图像的过程中,由于多种因素的影响,导致图像质量 多少会有所退化.图像增强的目的在于:(1)采用一系列技术改 善图像的视觉效果,提高图像的清晰度;(2)将图像转换成一种 更适合于人或机器进行分析处理的形式.通过处理设法有选择地 突出便于人或机器分析某些感兴趣的信息,抑制一些无用的信息, 以提高图像的使用价值. 增强的方法往往具有针对性,增强的结果只是靠人的主观感 觉加以评价.因此,图像增强方法只能有选择地使用. 图像增强方法从增强的作用域出发,可分为空间域增强和频 率域增强两种.空间域增强是直接对图像像素灰度进行操作;频 率域增强是对图像经傅立叶变换后的频谱成分进行操作,然后经 傅立叶逆变换获得所需结果.
直方图匹配是对图像查找表进行数学变换,使一幅图像的直方图与另一 幅图像类似.直方图匹配经常作为相邻图像拼接或应用多时相遥感图像进行 动态变化研究的预处理工作,通过直图像的效果差异.
空间增强处理(Spatial Enhancement) 空间增强处理(Spatial
①主成份变换(Principal Components) 主成份变换(Principal 点击Interpreter图标一Spectral Enhancement一Principal Components,打开Principal Components对话框.
主成份变换(PCA. Principal Component Analysis)是一种常用的数据 压缩方法,它可以将具有相关性的多波段数据压缩到完全独立的较少的 几个波段上,使图像数据更易于解译.ERDAS IMAGINE提供的主成份变 换功能最多可以对含有256个波段的图像进行转换压缩.
②自适应滤波(Adaptive Filter) 点击Interpreter图标一Spatial Enhancement,Adaptive Filter, 打开Wailis Adaptive Filter对话框.
自适应滤波是应 用Wallis Adapter Filter方法对图像的 感兴趣区域(AOI)进行 对比度拉伸处理,从 而达到图像增强的目 的.操作过程比较简 单,关键是移动窗口 范围(Moving Window Size)和乘积倍数大小 (Multiplier)的定义.
④分辩率融合(Resolution Merge) 分辩率融合(Resolution 点击Interpreter图标一Spatial Enhancement—Resolution Merge,打开Resolution Merge对话框. 确定高分辨率输入文件(High Resolution Input File): spots.img 确定多光谱输入文件(Muitispectral Input File): dmtm.img
直方图均衡化实质 上是对图像进行非线性 拉伸,重新分配图像像 元值,使一定灰度范围 内像元的数量大致相等; 这样,原来直方图中间 的峰顶部分对比度得到 增强,而两侧的谷底部 分对比度降低,输出图 像的直方图是一较平的 分段直方图,如果输出 数据分段值较小的话, 会产生粗略分类的视觉 效果.
②直方图匹配(Histogram Match) 点击Interpreter图标一Radiometric Enhancement 一 Histogram Match,打开Histogram Matching对话框.
), ②缨帽变换(Tasseled Cap ),K-T变换 缨帽变换(Tasseled 点击Interpreter图标一Spectral Enhancement一Tasseled Cap.
缨帽变换是针对植物学家所关心的植被图像特征,在植被研究中将原始图像数 据结构轴进行旋转,优化图像数据显示效果.该变换的基本思想是:多波段(N波段) 图像可以看作是N维空间(N-dimensional Space),每一个像元都是N维空间中的一 个点,其位置取决于像元在各个波段上的数值.研究表明,植被信息可以通过三个 数据轴.(亮度轴,绿度轴,湿度轴)来确定,而这三个轴的信息可以通过简单的线 性计算和数据空间旋转获得,当然还需要定义相关的转换系数.同时,这种旋转与 传感器有关,因而还需要确定传感器类型.
分辩率融合是对不同空间分辨率遥感图像的融合处理,使融合后的遥感图像 既具有较好的空间分辨率,又具有多光谱特征,从而达到图像增强的目的.操 作过程比较简单,关键是融合前两幅图像的配准(Rectification)以及融合过程中 融合方法(Method)的选择.
光谱增强处理(Spectral 光谱增强处理(Spectral Enhancement)
①卷积增强处理(Convolution) 点击Interpreter图标一Spatial Enhancement Convolution,打 开Convolution对话框.
卷积增强是将整个图像按照像元分块进行平均处理,用于改变图像的空间 频率特征.卷积增强处理的关键是卷积算子——系数矩阵的选择,该系数矩阵 又称为卷积核(Kernal).ERDAS IMAGINE将常用的卷积算子放在一个名为 defatilt.kfb的文件中,分为3×3,5×5,7×7三组,每组又包括"Edge Detect / Edge Enhance / Low Pass / High Pass / Horizontal / Vertical/Summary"等七种不同的处理方式.