遥感图像信息提取
遥感图像处理中的特征提取技术使用教程
遥感图像处理中的特征提取技术使用教程遥感图像处理是一种利用航天器或飞机上的传感器通过接收地球表面反射或辐射的能量进行地球观测与地球表面信息获取的科学技术。
遥感技术广泛应用于农业、林业、地质勘探、环境监测等领域，为了更准确地获取地表信息，特征提取技术成为遥感图像处理中的重要环节。
本文将介绍遥感图像处理中常用的特征提取技术，并提供相应的使用教程。
一、像素级特征提取技术像素级特征提取技术是指从遥感图像中提取单个像素的特征信息。
常用的像素级特征提取技术有灰度级特征提取和颜色特征提取。
1. 灰度级特征提取灰度级特征提取是根据像素的灰度值来判断其特征属性。
常用的灰度级特征包括像素的亮度、纹理、形状等。
其中，像素的亮度可以通过计算灰度直方图或灰度矩来进行提取；纹理特征可以通过灰度共生矩阵、小波变换等方法来提取；形状特征可以通过边缘检测、形态学操作等技术来提取。
2. 颜色特征提取颜色特征提取是根据像素的颜色信息来判断其特征属性。
常用的颜色特征包括色调、饱和度、亮度等。
可以通过计算像素的颜色直方图、颜色矩来提取颜色特征。
二、对象级特征提取技术对象级特征提取技术是指从遥感图像中提取出具有独特形态和位置特征的地物对象。
常用的对象级特征提取技术有基于边缘提取的特征、基于区域分割的特征和基于形状提取的特征等。
1. 基于边缘提取的特征边缘是地物对象与背景之间的边界，通过提取边缘可以获得地物对象的形态信息。
常用的边缘提取算法包括Canny边缘检测算法、Sobel算子、Prewitt算子等。
通过对遥感图像进行边缘提取，可以得到地物对象的轮廓信息。
2. 基于区域分割的特征区域分割是将遥感图像划分为具有相似特征的连续区域的过程。
常用的区域分割算法有基于阈值的分割算法、基于区域增长的分割算法、基于边缘的分割算法等。
通过对遥感图像进行区域分割，可以得到地物对象的集合，并提取出地物对象的各种特征属性。
3. 基于形状提取的特征地物对象具有独特的形状信息，通过提取形状特征可以获得地物对象的几何性质。
如何利用遥感影像进行地形高程信息提取
如何利用遥感影像进行地形高程信息提取引言：随着科技的不断进步和遥感技术的发展，利用遥感影像进行地形高程信息提取已经成为地球科学研究中不可或缺的一部分。
通过遥感技术，我们可以获取到地球表面的影像数据，然后利用这些数据进行地形高程信息的提取和分析。
本文将介绍如何利用遥感影像进行地形高程信息提取，并探讨其中的原理和技术方法。
一、遥感影像的获取遥感影像是通过航空或卫星传感器对地球表面进行感知和测量，获取到的图像数据。
遥感影像可以提供大范围、连续性的地表信息，具有分辨率高、重访率高的优点。
常见的遥感影像包括卫星影像和航空影像。
卫星影像是由各种地球观测卫星收集的数据，具有广覆盖、频率高的特点。
常见的卫星有Landsat、MODIS等，它们可以提供高分辨率的多谱段影像数据。
航空影像则是通过航空器对地表进行拍摄而获得，一般具有较高的分辨率和空间分辨率。
卫星影像适合用于大面积地形高程信息提取，航空影像适合用于对个别区域进行高程信息提取。
二、地形高程信息提取的原理地形高程信息提取是指通过遥感影像数据获取到地表不同位置的高程信息。
地形高程信息提取的原理是利用遥感影像中的光谱、纹理和几何等信息，结合数学模型和算法来重建地形表面。
常用的地形高程信息提取方法包括数字高程模型(Digital Elevation Model，DEM)的生成。
DEM是以数值形式表示不同区域的地表高程信息的一种地理信息系统数据模型。
通过对遥感影像进行处理，可以获取到DEM数据，进而利用DEM数据进行地形高程的分析和提取。
DEM数据常通过插值算法进行生成，得到地表的高程信息。
三、地形高程信息提取的技术方法1. 影像预处理地形高程信息提取之前，首先需要对遥感影像进行预处理。
这包括影像校正、辐射定标和几何纠正等步骤。
影像校正是指根据传感器和大气条件对影像进行校正，消除辐射误差；辐射定标是指将影像数字值转化为反射率或辐射率；几何纠正是指将影像与地理坐标系统进行匹配，以确保影像与地面位置对应。
遥感影像处理中的特征提取方法和应用
遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务，旨在从遥感影像中提取出地物的特定特征，以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括：（1）颜色特征提取：利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数（NDVI）等。
（2）纹理特征提取：利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵（GLCM）、灰度值标准差、平均灰度值等。
（3）形状特征提取：利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下，根据地物目标的特定特征进行特征提取。
常用的方法包括：（1）形状特征提取：利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
（2）纹理特征提取：利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
（3）上下文特征提取：利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征，可以将遥感影像中的地物进行分类，如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征，可以实现对土地的类型和变化进行监测，如农田的扩张、森林的退化等，为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征，可以分析城市的发展趋势和扩张方向，为城市规划和交通规划提供数据支持。
遥感图像的特征提取与空间分析方法
遥感图像的特征提取与空间分析方法遥感图像是一种通过卫星、飞机等远距离方式获取地球表面信息的技术。
随着遥感技术的不断进步和应用领域的拓展，遥感图像的特征提取和空间分析方法也成为研究的热点之一。
本文将探讨遥感图像特征提取与空间分析方法的相关内容，包括常用的特征提取方法、特征的分类和应用以及空间分析方法的原理和应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是最基础的一种方法，它通过分析每个像素点的亮度、颜色等属性来提取图像特征。
常见的方法有灰度共生矩阵、颜色直方图和纹理特征等。
其中，灰度共生矩阵通过计算像素之间的灰度分布概率来描述图像的纹理特征，颜色直方图通过统计图像中像素的颜色分布情况来提取图像的颜色特征。
2. 基于区域的特征提取方法基于区域的特征提取方法是将图像分割成若干个区域，然后提取每个区域的特征。
常用的方法有边缘检测、聚类分析和形态学处理等。
边缘检测可以提取图像中的边界信息，聚类分析可以将相似的像素点分到同一个区域中，形态学处理可以提取图像中的纹理和形状信息。
二、特征的分类和应用根据特征的性质和应用场景的不同，特征可以分为几何特征、频谱特征和纹理特征等。
几何特征包括面积、周长、形状等，频谱特征包括反射率、辐射度等，纹理特征包括纹理均匀度、纹理方向等。
这些特征在不同领域的应用也有所不同。
1. 土地利用与覆盖变化研究土地利用与覆盖变化研究是遥感图像应用的一个重要领域，它可以通过提取图像的频谱特征和纹理特征来监测和分析土地的利用情况和覆盖变化。
例如，利用遥感图像的反射率特征可以判断农田的健康状况，利用纹理特征可以分析城市建设的扩张情况。
2. 灾害监测与评估灾害监测与评估是遥感图像应用的另一个重要领域，它可以通过提取图像的几何特征和纹理特征来识别和分析灾害的类型和程度。
例如，在地震灾害监测中，可以利用遥感图像的几何特征和纹理特征来评估建筑物的倒塌程度和人员伤亡情况。
三、空间分析方法空间分析方法是对遥感图像进行空间变化和空间关系分析的一种方法。
使用卫星遥感图像进行地理信息提取的方法
使用卫星遥感图像进行地理信息提取的方法卫星遥感图像在地理信息提取方面的应用越来越广泛。
它可以通过获取遥感图像中的地物信息，提供高精度的地理数据，帮助各行各业做出更好的决策。
本文将探讨使用卫星遥感图像进行地理信息提取的方法。
在使用卫星遥感图像进行地理信息提取之前，首先需要对遥感图像进行预处理。
这包括图像去噪、辐射校正和几何校正等操作。
图像去噪可以降低图像中由于遥感仪器等原因导致的噪声，使图像质量更好。
辐射校正是为了消除图像中的辐射差异，得到更精确的辐射亮度信息。
几何校正则是为了修正图像的几何变形，如投影畸变和平面畸变等，使图像在地理空间中具有准确的位置信息。
一种常用的方法是基于像素的分类。
此方法通过将遥感图像中的像素根据其特征划分到不同的类别中，实现地物的提取。
这种方法可以利用各种图像处理技术，如阈值分割、聚类、分类器等。
阈值分割是根据图像中像素的亮度特征，将图像划分为目标和背景两个部分。
聚类是将图像中的像素划分为多个簇，每个簇代表一个地物类别。
分类器则是根据已知地物的样本，通过机器学习等算法训练出一个分类模型，用于对新的图像进行分类。
另一种常见的方法是基于对象的分类。
与像素级的分类不同，对象级分类将图像中的像素组织成具有一定空间连续性的对象，然后根据对象的属性进行分类。
对象可以是任意形状和大小的地物，如建筑物、道路、森林等。
这种方法需要进行一系列的图像分割操作，将图像分割成一组相互独立的对象。
然后，通过提取对象的特征，如形状、纹理、颜色等，将它们划分到不同的类别中。
对象级分类相比像素级分类，在保留图像空间信息方面更加准确，适用于复杂地物的提取。
除了基于分类的方法，还可以利用卫星遥感图像进行地理信息的提取。
这种方法通过分析图像中的光谱信息，获取地物的属性。
遥感图像可以提供多个波段的光谱信息，如可见光、红外和热红外等。
通过分析不同波段之间的光谱差异，可以获取地物的特征。
例如，植被在可见光和红外光波段表现出不同的反射特性，可以通过分析这些特性来提取植被覆盖的信息。
浅谈遥感卫星影像数据信息提取
浅谈遥感卫星影像数据信息提取摘要：在应用航天遥感时用到的数据一般分为两种形式，即遥感影像和数据图像，这两种数据形式无论使用哪种，影像都是记录在感光的胶片和相纸上的，数据影像是通过数字磁带进行记录的，记录的图像的颜色是离散变化的，而遥感影像是通过对地表进行拍摄和扫瞄来记录数据，遥感影像获得的影像数据有黑白和彩色两种，一般比较常使用的是彩色。
获取遥感影像的方式有很多种，这篇文章就是对影响遥感影像的数据信息提取方式进行了简要的分析。
关键词：遥感卫星；信息提取；影像数据一、遥感影像简介所谓的遥感反映的就是接收所要探测的目标物的电磁辐射信息的强弱程度，接收方式一般分为主动接受和被动接收，把这种接收到的信息转化成图像的形式，然后再通过相片或者是数字图像的形式表现出来，遥感影像有单波段影像、多波段影像、彩色合成影像等。
多波段影像是利用多波段的遥感器对于同一个地区进行同步的拍摄获得的若干幅波段不同的影像，相比于单波段的影像，这种多波段影响的蕴含的信息量更大，光谱的分辨率也比较高，还能够通过影响的增强技术，得到彩色的合成影像，可以很大程度上提高对地面上物体的识别能力。
那么很明显，彩色合成影像就是通过多个波段的黑白影像合成的，这种彩色的合成影像被广泛的使用在地学研究、环境监测或者是资源调查上。
遥感卫星影像在对遥感影像的信息进行处理时，主要是利用影像中的一些特征，比如光谱特征、空间特征或者是时间特性。
在这些影像的特征之外，色调是与物体的波谱特征有关系的，其他的一些要素特征都和物体的空间特征有关系。
物体的大小是与物体的影像比例有非常大的关系的，每一个物体影像的形状都是这个物体固有的特征，而影像上的纹理则是因为在一组影像上色调的变化造成的，给人视觉上留下的印象是不同的，可以帮助观察者来区分物体或者是不同的现象。
在对影像进行提取时方式有很多种，下边对于影像信息的提取进行详细分析。
二、遥感信息提取方式对于遥感信息的提取方式有很多种，最常用的提取方式主要包括目视翻译和计算机的信息提取。
遥感图像处理中的特征提取方法
遥感图像处理中的特征提取方法遥感图像处理指的是利用遥感技术获取的遥感图像进行分析、处理和去除噪声等操作，以提取出有效的信息和特征。
而特征提取是遥感图像处理的一项重要技术，在遥感图像处理中应用广泛。
本文将介绍遥感图像处理中的特征提取方法及其应用。
一、直方图均衡化直方图是表示一幅图像中像素强度分布的曲线，直方图均衡化是一种图像增强的技术。
在遥感图像处理中，直方图均衡化可以用来增强图像的对比度，同时突出图像中的特征，从而提高图像的可视化效果。
二、形态学处理形态学处理是对图像进行形状和结构分析的一种方法。
形态学处理在遥感图像处理中的应用主要是为了提取图像中的特征信息。
形态学处理包括膨胀、腐蚀、开运算、闭运算等操作，可以去除噪声、填充空洞和提取图像中的特征等。
三、边缘检测边缘检测是从图像中提取边缘的一种技术。
边缘可以表示图像中物体的边界，通过对边缘进行分析，可以提取出图像中的结构信息和几何信息。
边缘检测在遥感图像处理中应用广泛，可以用来提取河流、道路、建筑物等具有线状结构的特征。
四、频域分析频域分析是将图像从空域转换到频域，从而分析图像的频率特征。
频域分析包括傅里叶变换、小波变换等方法。
在遥感图像处理中，频域分析可以用来提取图像中的纹理特征和波形特征，例如提取森林、草地、水体等的纹理特征。
五、特征提取算法特征提取算法是对图像进行分析和处理，以提取出具有代表性的特征信息。
特征提取算法包括直方图分析、特征值分析、主成分分析等方法。
这些方法可以从图像中提取出具有代表性的特征信息，例如提取岛屿、湖泊、山脉等的特征信息。
综上所述，特征提取是遥感图像处理中的一项重要技术。
通过直方图均衡化、形态学处理、边缘检测、频域分析和特征提取算法等方法，可以提取出图像中的特征信息，从而达到分析、处理和识别等目的。
在未来，随着遥感技术的不断发展和应用，特征提取技术也会不断升级和优化，进一步提高遥感图像处理的效率和精度。
如何进行遥感图像的影像处理与信息提取
如何进行遥感图像的影像处理与信息提取遥感技术在许多领域中发挥着重要作用，包括农业、环境研究、资源管理等。
遥感图像的影像处理和信息提取是实现遥感应用的关键步骤之一。
本文将探讨如何进行遥感图像的影像处理与信息提取，帮助读者更好地理解和应用这一技术。
一、遥感图像的基本概念和分类在深入讨论遥感图像的影像处理和信息提取之前，我们先来了解一下遥感图像的基本概念和分类。
遥感图像是通过卫星、飞机等遥感平台获取的地球表面的图像，它包含了丰富的地物信息。
根据不同传感器的工作原理和波段范围，遥感图像可以分为光学图像、雷达图像等不同类型。
二、遥感图像的预处理遥感图像在获取后需要进行一系列的预处理，以消除噪声、增强图像质量，为后续的影像处理和信息提取做准备。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正用于消除图像中的辐射噪声，保证图像的准确性和一致性。
大气校正则是为了消除大气对图像的影响，使得图像能够真实地反映地表特征。
几何校正则是校正图像的几何形状和位置，使其与现实地物保持一致。
三、遥感图像的影像处理影像处理是指对遥感图像进行一系列的处理操作，以增强图像的特征、提取信息或获得更高层次的图像产品。
常见的遥感图像影像处理方法包括图像增强、图像分类和图像融合等。
图像增强主要是通过增加图像的对比度、调整亮度等方式，使地物特征更加明显。
图像分类则是将遥感图像中的像素划分为不同的类别，用于分析地物类型和覆盖状况。
图像融合则是将多个遥感图像进行融合，以获取更全面和准确的地物信息。
四、遥感图像的信息提取信息提取是指从遥感图像中提取具有特定含义和应用价值的信息。
常见的信息提取任务包括地表覆盖分类、目标检测、变化检测等。
地表覆盖分类是将遥感图像中的地物按照不同的类别进行分类，如森林、湖泊、城市等。
目标检测则是在遥感图像中寻找特定目标，并进行识别和定位。
变化检测是对不同时间获取的遥感图像进行比较，找出地物变化的区域和变化趋势。
- 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)。
度影像分割将会分割出更多的图斑
ENVI/IDL
面向对象分类练习——合并分块
• 影像分割时，由于阈值过低，一些特征会被错分，一个特
征也有可能被分成很多部分。我们可以通过合并来解决这 些问题。
• FX利用了
Full Lambda-Schedule算法，该方法在结合光 谱和空间信息的基础上迭代合并邻近的小斑块。
• 目前ENVI的监督分类可分为基于传统统计分析学
的，包括平行六面体、最小距离、马氏距离、最 大似然，基于神经网络的，基于模式识别，包括 支持向量机、模糊分类等，针对高光谱有波谱角 （SAM），光谱信息散度，二进制编码
ENVI/IDL
2.3 监督分类流程说明——分类后处理
• 分类后处理包括很多过程，都是些可选项，包括
更改类别颜色、分类统计分析、小斑点处理（分 类后处理）、栅矢转换等操作
ENVI/IDL
监督分类练习
• 数据源 - “..\练习数据\9-监督分类\sub-TM-Spot-GS.img” • 分类
- 类别定义 - 样本选择 - 分类器选择
• 分类后处理
- 分类处理
- 精度分析
• 精度验证 • 栅矢转换
ENVI/IDL
面向对象分类练习——准备工作
• 空间分辨率的调整 • 光谱分辨率的调整 • 多源数据组合
• 空间滤波
ENVI/IDL
面向对象分类练习——分割影像
• EX根据临近像素亮度、纹理、颜色等对影像进行分割，它
使用了一种基于边缘的分割算法，这种算法计算很快，并 且只需一个输入参数，就能产生多尺度分割结果。
面向对象分类练习——特征提取方法
• 监督分类、规则分类和直接矢量输出
ENVI/IDL
面向对象分类练习——特征提取
• 直接输出矢量
- 输出Shapefile矢量文件
- 属性
ENVI/IDL
面向对象分类练习——特征提取
• 监督分类
-
根据一定样本数量以及其对应的属性信息，利用K邻近法和支 持向量机监督分类法进行特征提取
遥感图像信息提取
ENVI/IDL
பைடு நூலகம்
主要内容
• 1、遥感信息提取技术概述
• 2、监督分类
• 3、基于专家知识的决策树分类 • 4、面向对象分类
• 5、地物识别和定量反演
• 6、动态监测 • 7、立体像对DEM提取
ENVI/IDL
1、遥感信息提取方法概述
ENVI/IDL
1.1 影像信息提取技术基础
• 遥感影像通过亮度值或像元值的高低差异（反映
• 这一步是可选项，如果不需要可以直接跳过。
ENVI/IDL
面向对象分类练习——计算对象属性
• 计算4个类别的属性：光谱、空间、纹理、自定义
（颜色空间和波段比）。其中“颜色空间”选择 三个RGB波段转换为HSI颜色空间，“波段比”选 择两个波段用于计算波段比（常用红色和近红外 波段）。
ENVI/IDL
ENVI/IDL
3、基于专家知识的决策树分类
ENVI/IDL
3.1 专家知识的决策树分类基本原理
根据光谱特征、空间关系和其他上下文关系归类像元
陡坡上的植被 缓坡上的植被
+
DEM
+
+
Road Map Zoning Coverage Landcover Classification
+
高山植被
公园用地
Transformed Divergence 参数表示，这两个参数的值在0~2.0之间，大于1.9 说明样本之间可分离性好，属于合格样本；小于 1.8，需要重新选择样本；小于1，考虑将两类样本 合成一类样本
ENVI/IDL
2.3 监督分类流程说明——分类器选择
• 据分类的复杂度、精度需求等确定哪一种分类器
• 遥感定量反演就是根据观测信息和模型求解或推算描述地
面实况的应用参数
• 遥感反演的基础是描述遥感信号或遥感数据与地表应用之
间的关系模型
• ENVI的Bandmath工具可将模型应用于影像，实现定量反演
ENVI/IDL
5.2 Bandmath基础
• ENVI波段运算工具能够调用用户编写的程序进行
定制的处理
ENVI/IDL
1.2 遥感信息提取方法概述
基于专家知识 的决策树分类
面向对象特征 自动提取
地物识别与 地表反演
基于光谱计算 机自动分类 变化检测
人工解译
地形信息提取
ENVI/IDL
1.3 遥感信息提取方法——适用范围
方法 人工解译 基于光谱的计算机分类 说明 适用定性信息的提取，也就是在图像上通过肉 眼能分辨的信息 对于中低分辨率的多光谱影像效果明显（小于 10米） 随着高分辨率影像的出现而发展起来的 定量信息提取，需要模型的支持，数据源有一 定要求 多时相影像支持 需要立体像对的支持
• 特征提取
输出对象 为矢量文件？
是
是
特征提取
定义要素 规则分类 监督分类
导出要素
查看报告和统计
完成
ENVI/IDL
面向对象分类练习
• 准备工作
- 空间分辨率的调整
- 光谱分辨率的调整 - 多源数据组合 - 空间滤波
• 数据 - “..\练习数据\11-面向对象图像分类\qb_colorado.dat”
- (b1
le 0)*0.995+(b1 gt 0 and b1 lt 0.7)*(0.9589 + 0.086*b2 - 0.0671*b2^2)+(b1 ge 0.7)*(0.9625 + 0.0614*b2 - 0.0461*b2^2)
ENVI/IDL
地表温度反演基本流程图
ENVI/IDL
地表温度反演
面向对象分类练习——输出结果
• 特征提取结果输出
- 矢量 - 图像（分类图像、规则图像) - 结果统计报表
ENVI/IDL
5、地物识别与定量反演
ENVI/IDL
5.1 地物识别与定量反演基础
• 从高光谱图像的每个像元均可以获取一条连续的波谱曲线
，可以考虑用已知的波谱曲线和图上每个像元获取的波谱 曲线进行对比，理想情况下两条波谱曲线一样，就能说明 这个像元是哪种物质
• 样本选择是非常重要的过程，直接影响分类精度 • 在样本选择过程中，有很多辅助方法
- 可以显示不同的假彩色合成窗口，也可以进行主成
分分析后进行假彩色合成，由于去除了波段间的相 关性，不同地物区分的更加明显；还可以借助 Google Earth辅助解译
• 各个样本类型之间的可分离性要好
- 用Jeffries-Matusita,
地物的光谱信息）及空间变化（反映地物的空间 信息）来表示不同地物的差异，这是区分不同影 像地物的物理基础。
• 遥感影像分类就是利用计算机通过对遥感影像中
各类地物的光谱信息和空间信息进行分析，选择 特征，将图像中每个像元按照某种规则或算法划 分为不同的类别，然后获得遥感影像中与实际地 物的对应信息，从而实现遥感影像的分类，即信 息提取。
关系/逻辑
pc
mnf lpc Stdev Mean Min、max 其他 如：{ndvi} LT 0.3
主成分分析
最小噪声变换 局部主成分分析 标准差 平均值 最大、最小值 „„
其他符号
指数（^）、exp 对数alog 平方根（sqrt）、 绝对值（adb） „„
ENVI/IDL
决策树分类-练习
• 数据源 - “..\练习数据\10-决策树分类\bouldr_tm.dat” • 规则获取（经验总结和样本总结） - 类1：NDVI大于0.3，坡度大于或者等于20度 - 类2：NDVI大于0.3，坡度小于20度，阴坡 - 类3：NDVI大于0.3，坡度小于20度，阳坡 - 类4：NDVI小于或等于0.3，波段4值大于或等于20 - 类5： NDVI小于或等于0.3，波段4值小于20
• 波段运算工具用来定义输入的波段或文件，并调
用用户编写的函数，最后将结果输出到文件或是 内存中
ENVI/IDL
5.2 Bandmath条件
• 必须符合IDL语言书写波段运算表达式
• 所有输入波段必须具有相同的空间大小
• 表达式中的所有变量都必须用Bn（或bn）命名 • 结果波段必须与输入波段的空间大小相同
ENVI/IDL
地表温度反演——练习
• 数据 - “\练习数据\12-定量反演\TM-NDVI-60m.img” • 地表比辐射率计算
- 植被覆盖度
-
(b1 gt 0.7)*1+(b1 lt 0.)*0+(b1 ge 0 and b1 le 0.7)*((b1-0.0)/(0.7-0.0))
- 地表比辐射率
• 黑体辐射亮度值 - (b2-3.39-0.6*(1-b1)*5.12)/(0.6*b1) • LST反演
像元
面 向 对 象 几 何 信 息 、 结 构 一个个影像对象 中高分辨率多光 速度比较慢 的 分 类 方 信息以及光谱信 法 息 谱和全色影像
注：一种方法不能完全取代另一种，每种方法都有其适用范围
ENVI/IDL
4.3 面向对象分类操作流程
• 发现对象
发现对象
影像分割 合并分块 精炼分块 计算属性
• 面向对象的技术
- 集合临近像元为对象用来识别感兴趣的光谱要素 - 充分利用高分辨率的全色和多光谱数据，利用空间，
纹理，和光谱信息来分割和分类的特点 - 以高精度的分类结果或者矢量输出
ENVI/IDL
4.2 与基于像元分类的区别
类型 基本原理 影像的最小单元 适用数据源 缺 陷