遥感图像处理_第4讲(分类与特征抽取)
遥感图像的特征提取及分类方法研究
遥感图像的特征提取及分类方法研究遥感图像是目前地球观测和研究中的重要手段之一，通过遥感图像的采集与分析，我们可以更好地了解地球表面的各种自然和人为特征，对于经济、农业、环境和安全等领域的研究具有重要意义。
在大规模遥感数据处理中，遥感图像的特征提取与分类是必不可少的一个环节。
本文将介绍遥感图像的特征提取方法和分类方法的研究现状和发展趋势。
一、遥感图像的特征提取特征提取是一种将数据转换为可以很好的辨别、评价和理解的标识或描述的技术。
它通常用于遥感图像的分类或模式识别。
遥感图像的特征提取就是从原始遥感图像中提取到不同分类类型所对应的信息和特征。
它是图像处理中的重要环节，对后续分类和应用任务具有重要意义。
1. 基于像素的特征提取像素是遥感图像中的最小单元，因此基于像素的特征提取方法是最基础和最常用的一种方法。
这种方法将图像分为像素集合，把每个像素的亮度或颜色值作为该像素的特征。
基于像素的特征提取方法包括直方图、纹理、边缘和形状等。
其中，直方图是最常用的一种方法，用于描述像素的颜色分布和亮度等特征。
2. 基于目标的特征提取基于目标的特征提取方法是将遥感图像中的目标或物体提取出来，然后为这些目标或物体提取相应的特征。
如形状、大小、方向等。
这种方法适用于要分辨目标和非目标区域的情况。
基于目标的特征提取方法通常需要预先对目标进行分割，然后再为每个目标提取特征。
3. 基于信息学的特征提取基于信息学的特征提取方法是利用信息论的原理来提取遥感图像的信息。
它包括灰度共生矩阵、信息熵和小波变换等。
这种方法主要依赖于图像中的统计学特征，如图像的平均亮度、分散度和灰度直方图。
基于信息学的特征提取方法适用于需要描述遥感图像的全局特征和复杂结构的情况。
二、遥感图像的分类方法分类是遥感图像处理中的一个重要环节，主要目的是对遥感图像中的不同区域进行分割，然后将这些区域分配到相应的类别中。
遥感图像的分类方法主要包括传统分类、基于像素的分类和基于对象的分类等。
遥感图像的特征提取与分类方法研究
遥感图像的特征提取与分类方法研究遥感技术是通过从遥远的地面进行图像数据的采集与处理，以获取地球表面的信息和特征，供科学研究和应用开发使用的一项重要技术。
遥感图像的特征提取与分类是遥感研究中的一项关键任务，其目的是通过分析和利用遥感图像中的信息，对地球表面进行分类与识别，为资源管理、环境监测、灾害预警等提供科学依据。
一、特征提取的意义与方法在遥感图像中，不同类别的地物或地貌具有不同的特征，如形状、纹理、颜色等。
这些特征可以通过图像处理和分析技术来提取，并用于地物分类和识别。
特征提取的目的是将原始遥感图像转化为一组描述地物特征的数学特征向量，以便于分类算法的处理。
常用的特征提取方法包括空间域统计特征、纹理特征、频域特征等。
空间域统计特征利用图像的空间分布信息来描述地物特征，如均值、方差、中值等。
纹理特征则通过分析图像的纹理结构来描述地物特征，如灰度共生矩阵、格雷共生矩阵等。
频域特征则通过图像的傅里叶变换或小波分析来提取地物特征。
二、分类方法的选择与优化在得到了地物的特征向量后，就需要根据不同的分类算法进行地物的分类与识别。
常用的分类方法包括最大似然法、支持向量机、人工神经网络、决策树等。
最大似然法是一种基于统计模型的分类方法，其基本思想是通过最大化后验概率来识别地物。
此方法适用于样本分布符合正态分布的情况。
支持向量机是一种基于统计理论和机器学习的分类方法，其基本思想是通过构造一个最优的超平面来实现地物的分类与识别。
该方法具有较强的鲁棒性和泛化能力。
人工神经网络是一种模仿生物神经网络功能的计算模型，其基本思想是通过模拟神经元之间的连接和信息传递来实现地物的分类与识别。
该方法具有较强的自适应性和学习能力。
决策树是一种基于条件判断的分类方法，其基本思想是通过对特征属性的划分来实现地物的分类与识别。
该方法具有较好的可解释性和可视化性。
在选择分类方法时，需要根据具体应用场景和数据特点来进行优化。
例如，在大规模遥感图像处理中，由于样本数量庞大，可以通过特征选择、特征降维等方法来减少算法的计算复杂度。
遥感数据处理中的特征提取与分类方法
遥感数据处理中的特征提取与分类方法引言遥感技术的发展使得人们能够通过航天器远距离获取地球表面的图像数据，并进行各种分析和应用。
遥感数据处理是指对这些获取到的数据进行预处理、特征提取和分类，以实现对地球表面特定区域的信息提取和解读。
本文将探讨遥感数据处理中的特征提取与分类方法。
一、特征提取方法1. 光谱特征提取光谱特征提取是遥感数据处理中最常用的方法之一。
通过分析地球表面的反射、辐射和发射光谱信息，可以获取不同物体或地物的光谱特征。
这些特征包括反射率、辐射亮度、辐射强度等。
2. 纹理特征提取纹理特征提取是通过分析地物表面纹理的空间分布和统计特性来获取特征信息的方法。
纹理特征包括灰度共生矩阵、方差、平均灰度等。
这些特征可以用于界定地物的边界、形状和空间分布特征。
3. 结构特征提取结构特征提取是通过分析地物的几何形状和排列方式来获取特征信息的方法。
结构特征包括面积、周长、长度、宽度、密度等。
这些特征可以用于判断地物的类型和分类。
二、分类方法1. 监督分类方法监督分类方法是基于已知地物类型的样本数据进行训练和分类的方法。
这种方法需要先收集一定数量的地物样本数据，并标注其类别信息。
然后，通过对样本数据进行统计分析和特征提取，建立分类模型，对未知地物进行分类。
2. 无监督分类方法无监督分类方法是不依赖已知样本数据进行分类的方法。
无监督分类方法主要依靠对地物间的相似性和差异性进行统计分析，通过将地物划分为具有相似特征的类别，实现分类。
3. 半监督分类方法半监督分类方法是监督分类方法和无监督分类方法的结合，充分利用已知样本数据和未知样本数据进行分类。
半监督分类方法首先使用无监督方法对未知样本数据进行聚类，然后使用监督方法对聚类结果进行分类。
结论遥感数据处理中的特征提取与分类方法是实现对地球表面信息提取和解读的关键环节。
光谱特征、纹理特征和结构特征的提取可以有效地表示地物的特点和特征。
监督分类、无监督分类和半监督分类方法可以根据不同的需求和数据情况进行选择和应用。
如何利用图像处理技术进行遥感影像的特征提取与分类
如何利用图像处理技术进行遥感影像的特征提取与分类遥感影像是通过航天器或飞机等载体获取的地面各种信息的图像，它广泛应用于资源调查、环境监测、城市规划等领域。
然而，遥感影像的处理和分析需要运用图像处理技术进行特征提取和分类，以便更好地理解地表现象和进行精确的空间模拟。
本文将探讨如何利用图像处理技术进行遥感影像的特征提取与分类。
一、图像预处理在进行遥感影像的特征提取和分类之前，首先需要进行图像预处理。
常见的图像预处理方法包括辐射校正、几何校正和大气校正等，以确保遥感影像能够准确反映地物的特征。
辐射校正是通过校正遥感影像的光谱响应，消除由于大气影响和传感器不同而引起的亮度差异。
几何校正是将遥感影像的像素坐标转换为地理坐标，以确保影像具有正确的空间位置。
大气校正是去除遥感影像中由于大气散射而引起的云、雾等干扰。
二、特征提取在进行遥感影像的特征提取时，需要选择合适的特征提取方法。
常见的特征提取方法包括基于像素的统计特征提取和基于纹理的特征提取。
基于像素的统计特征提取是通过分析像素的光谱信息和空间信息来提取地物特征，例如平均值、标准差、相关系数等。
基于纹理的特征提取是通过分析像素之间的空间关系和像素值的变化来提取地物特征，例如纹理熵、灰度共生矩阵等。
三、分类算法在进行遥感影像的分类时，需要选择适合的分类算法。
常见的分类算法包括最大似然分类、支持向量机、决策树和神经网络等。
最大似然分类是一种基于统计学原理的分类算法，它假定不同地物的像素值符合不同的概率分布，通过计算像素值属于某个类别的概率来进行分类。
支持向量机是一种通过在特征空间中构建最优超平面来进行分类的算法，它具有较好的泛化能力和处理高维数据的能力。
决策树是一种通过构建树状结构来进行分类的算法，它通过一系列问题的答案将数据分成不同的类别。
神经网络是一种通过模拟人脑神经元之间的连接来进行分类的算法，它具有较好的适应性和处理非线性问题的能力。
四、特征选择在进行遥感影像的特征提取和分类时，特征的选择十分重要。
遥感图像处理中的特征提取与分类算法
遥感图像处理中的特征提取与分类算法1. 引言遥感图像处理是利用卫星或航空平台获取的图像数据进行分析和提取信息的过程。
特征提取与分类是遥感图像处理中的重要环节，它能够将图像中的信息转化为计算机可处理的形式，为后续的应用提供有意义的数据基础。
本文将介绍遥感图像处理中常用的特征提取与分类算法。
2. 特征提取算法在遥感图像处理中，特征提取是将图像中的主要信息提取出来，以便进行进一步的分析与应用。
常用的特征提取算法包括:2.1 灰度共生矩阵灰度共生矩阵(Grey-level Co-occurrence Matrix，GLCM)是一种统计图像灰度级彼此配对的位置和出现频率情况的矩阵。
通过计算图像中像素点之间的灰度分布特性，可以提取出纹理特征信息。
2.2 主成分分析主成分分析(Principal Component Analysis，PCA)是一种常用的减少特征维度的方法。
它通过对图像数据进行线性变换，将原始的高维数据转化为低维的特征子空间，保留数据中最主要的信息。
2.3 尺度不变特征变换尺度不变特征变换(Scale-Invariant Feature Transform，SIFT)是一种在图像中检测关键点并进行特征描述的算法。
SIFT算法在尺度变换、旋转变换、光照变换等情况下均能提取出稳定的特征点。
3. 分类算法在特征提取完成后，需要将图像进行分类，将其归类为预先定义好的类别。
常用的分类算法包括:3.1 支持向量机支持向量机(Support Vector Machine，SVM)是一种基于统计学习理论的分类算法。
它通过在特征空间中找到最优超平面，将不同类别的样本分开。
3.2 K最近邻算法K最近邻(K-Nearest Neighbor，KNN)算法是一种基于样本最邻近的分类方法。
它通过计算未知样本与已知样本之间的距离，并选择最接近的K个已知样本进行分类。
3.3 随机森林随机森林(Random Forest)是一种基于集成学习的分类算法。
遥感影像处理中的特征提取与分类模型研究
遥感影像处理中的特征提取与分类模型研究遥感影像处理是一门研究如何从遥感影像中提取并分析有用信息的学科。
特征提取和分类模型是其中的重要研究内容，它们能够帮助我们理解和解释地球表面上的各种现象，并对遥感影像进行自动分析和解译。
本文将重点探讨遥感影像处理中的特征提取与分类模型研究，并介绍一些常用的方法和技术。
一、特征提取特征提取是从遥感影像中抽取有区别、有表征意义的信息表示的过程。
通过对图像的特征提取，我们可以获得影像的结构、纹理、颜色等信息，从而进一步分析影像的内容和特征。
常用的特征提取方法包括颜色直方图、纹理特征、形状特征等。
1. 颜色直方图：颜色直方图是用来描述图像中颜色分布的直方图。
它将图像的颜色信息表示为颜色分布的统计量，可以用来区分不同类别的影像。
2. 纹理特征：纹理特征描述了图像中像素之间的空间关系。
通过分析图像的纹理特征，可以识别出不同区域的纹理差异，从而判断区域的属性和类别。
3. 形状特征：形状特征描述了图像中对象的形状和结构。
通过分析图像的形状特征，可以识别出不同对象的形状差异，从而实现对象的分类和分割。
二、分类模型分类模型是通过建立数学模型将图像分成不同的类别。
它基于特征提取的结果，将图像的特征与已知的类别进行比较和匹配，从而实现对图像的分类和识别。
常用的分类模型包括支持向量机（SVM）、人工神经网络（ANN）、卷积神经网络（CNN）等。
1. 支持向量机（SVM）：SVM是一种基于统计学习理论的监督学习方法，广泛应用于遥感影像分类。
它通过寻找一个最优超平面来对样本进行分类，能够处理高维数据和非线性关系，具有较好的泛化能力。
2. 人工神经网络（ANN）：ANN是一种模仿生物神经网络结构和功能的计算模型。
它利用大量的神经元和多层结构，通过训练样本对网络权值进行调整，实现对遥感影像的分类和预测。
3. 卷积神经网络（CNN）：CNN是一种特殊的神经网络结构，引入了卷积层、池化层和全连接层等特有的网络层。
图像处理算法在遥感数据处理中的特征提取和分类技术探索
图像处理算法在遥感数据处理中的特征提取和分类技术探索遥感数据处理是利用遥感技术获取的图像数据进行分析和应用的过程。
在遥感数据处理中，图像处理算法的特征提取和分类技术发挥着重要的作用。
本文将探索图像处理算法在遥感数据处理中的特征提取和分类技术。
一、特征提取技术特征提取是图像处理算法在遥感数据处理中的关键步骤之一。
通过将原始遥感图像数据转化为一系列有意义的特征向量，可以帮助进行分类、目标检测、变化检测等任务。
1.1 颜色特征提取颜色是遥感图像中最直观也是最常用的特征之一。
根据遥感图像的特点，可以采用各种颜色特征提取方法，如颜色直方图、颜色矩、颜色共生矩阵等。
这些方法可以提取图像中不同颜色的分布情况，从而对遥感图像进行分类或目标检测。
1.2 纹理特征提取纹理特征可以描述图像中不同区域的纹理分布情况，是一种常用的特征提取方法。
在遥感图像处理中，可以运用各种纹理特征提取算法，如灰度共生矩阵、局部二值模式等。
通过提取图像中的纹理特征，可以对遥感图像进行不同地物的分类或目标检测任务。
1.3 形状特征提取形状特征是描述图像中目标或地物形状的特征量。
在遥感图像处理中，利用形状特征可以区分不同的地物，如水体、建筑物等。
形状特征提取方法包括边界描述符、轮廓度量等。
二、分类技术分类是遥感图像处理的核心任务之一，通过将遥感图像中的像素分配到不同的类别中，实现对地物或目标的识别和分析。
2.1 监督分类监督分类是一种常用的分类技术，其基本思想是根据已知类别的训练样本，通过学习得到一个分类模型，然后将该模型应用到未知图像数据中。
监督分类方法包括支持向量机、人工神经网络、决策树等。
这些算法可以通过训练样本对不同类别进行建模，从而对遥感图像进行分类。
2.2 无监督分类无监督分类是一种不依赖于已知类别样本的分类技术。
它通过图像像素间的相似性进行聚类，将像素分成若干个类别。
无监督分类方法包括K-means算法、高斯混合模型等。
无监督分类方法适用于没有先验知识的遥感图像分类任务。
遥感图像分类中的特征提取与选择
遥感图像分类中的特征提取与选择遥感图像分类是遥感技术中的一个重要应用领域。
在遥感图像分类中，特征提取和选择是非常关键的一环。
它直接关系到分类结果的精度和准确度，而且很多问题都需要来自遥感图像的空间和光谱信息。
因此，特征提取和特征选择成为遥感图像分类中的一个重要环节。
特征提取是指从原始数据中抽取可以表示对象本质特征的变量（或属性）。
在遥感图像分类中，通常包括前处理和特征提取两个步骤。
前处理主要是对原始遥感图像进行校正、增强或变换等处理，以提高遥感图像中的信息质量。
特征提取是指将遥感图像信息转换为可供分类器使用的特征向量，从而进行分类的过程。
常见的遥感图像特征包括两种：一种是空间信息特征，称为空间特征，主要包括纹理、形状、大小和位置等；一种是光谱信息特征，称为光谱特征，主要是指不同波段反射率或辐射度之间的差异。
在实际应用中，空间特征和光谱特征通常是联合起来使用的，以提高分类效果。
特征选择是指从原始数据中筛选出更有利于分类的特征并剔除冗余或无用的特征。
特征选择的目的是减少特征向量的维数、提高分类的准确性和稳定性，并加快分类器的训练和分类速度。
因此，特征选择是处理大量遥感图像数据中最为关键的环节。
特征选择方法主要包括过滤式和包裹式两种。
过滤式特征选择是指在特征分析前先对特征进行筛选，然后再使用分类器进行分类。
这种方法优点是计算简单且可广泛应用，缺点是无法使用特定的分类器需求。
包裹式特征选择则是针对特定的分类算法进行特征选择，即根据分类算法不断增加或减少特征的数量，使得分类器性能达到最优。
这种方法的缺点是计算复杂且计算时间消耗较长。
在特征选择中还有一种常用的方法是主成分分析（PCA）方法。
PCA方法是一种线性特征选择方法，它通过对原始特征进行主成分分析，将原始多维特征空间转换为低纬的新特征空间，从而达到降低维度的效果。
但是，PCA方法的缺点是它基于数据的方差和协方差分析，无法考虑与目标分类有关的信息，因此在实际运用中只能应用于非监督或模式识别领域。
- 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)。
分类原理与过程
统计特征变量可以构成特征空间，多波段遥感 图像特征变量可以构成高维特征空间。一般说 来，高维特征空间数据量大，但这些信息中仅 包含少量的样本分类信息。为了抽取这些最有 效的信息，可以通过变换把高维特征空间所表 达的信息内容集中在一到几个变量图像上。主 成分变换可以把互相存在相关性的原始多波段 遥感图像转换为相互独立的多波段新图像，而 且使原始遥感图像的绝大部分信息集中在变换 后的前几个组分构成的图像上，实现特征空间 降维和压缩的目的。
rij
(x
k 1 n k 1
n
均值
ki
xi )( xkj x j ) ( xkj x j ) 2
k 1 n
( xki xi ) 2
像元i的第k个分量
分类原理与过程
遥感数字图像计算机分类基本过程如下： 首先明确遥感图像分类的目的及其需要解决的问题， 在此基础上根据应用目的选取特定区域的遥感数字图 像，图像选取时应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。 为提高计算机分类的精度，需要对数字图像进行辐射 校正和几何纠正。 对图像分类方法进行比较研究，掌握各种分类方法的 优缺点，然后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。根据应用目的及图像数 据的特征制定分类系统，确定分类类别，也可通过监 督分类方法，从训练数据中提取图像数据特征，在分 类过程中确定分类类别。
分类方法
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 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。在分类中注重的是各 像元的灰度、纹理等特征。 分类方法包括监督分类和非监督分类。 监督分类方法。首先需要从研究区域选取 有代表性的训练区作为样本。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 的特征来识别其它像元的归属类别。
遥感图象处理：分类与特征提取
分类与特征提取
概述 分类原理与基本过程 遥感图像分类方法 遥感图像多种特征提取 图像解译专家系统
概述
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。
特征曲线窗口法
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。
遥感图象处理：分类
用 多 级 切 割 法 分 割 三 维 特 征 空 间
多级切割法
多级分割法分类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。但它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。因此运用多级 分割法分类前，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，然后进行多级分割。
分类原理与过程
计算机遥感图像分类是统计模式识别技术在遥感领域 中的具体应用。统计模式识别的关键是提取待识别模 式的一组统计特征值，然后按照一定准则作出决策， 从而对数字图像予以识别。 遥感图像分类的主要依据是地物的光谱特征，即地物 电磁波辐射的多波段测量值，这些测量值可以用作遥 感图像分类的原始特征变量。然而，就某些特定地物 的分类而言，多波段影像的原始亮度值并不能很好地 表达类别特征，因此需要对数字图像进行运算处理 （如比值处理、差值处理、主成分变换以及K－T变换 等），以寻找能有效描述地物类别特征的模式变量， 然后利用这些特征变量对数字图像进行分类。分类是 对图像上每个像素按照亮度接近程度给出对应类别， 以达到大致区分遥感图像中多种地物的目的。
概述
由于利用遥感图像可以客观、真实和快速地获 取地球表层信息，这些现势性很强的遥感数据 在自然资源调查与评价、环境监测、自然灾害 评估与军事侦察上具有广泛应用前景。因此， 利用计算机进行遥感图像智能化解译，快速获 取地表不同专题信息，并利用这些专题信息迅 速地更新地理数据库，这是实现遥感图像自动 理解的基础研究之一，也是地理信息系统中数 据采集自动化研究的一个方向，因此具有重要 的理论意义和应用前景。
k 1
n
欧氏距离
类别k的平均值矢量
d k2 ( x k )T ( x k )
x为像元数据矢量
分类原理与过程
欧氏距离
像元数据矢量
类别k的平均值矢量
d k2 ( x k )T ( x k )
分类原理与过程
标准欧氏距离：在特征空间的轴向上，当总体分布的 离散度大小不同时，即使欧氏距离相等，各轴向上的 相似程度也不同。用标准偏差把轴向上总体的离散差 异归一化的距离叫标准欧氏距离。
分类原理与过程
找出代表这些类别的统计特征。 为了测定总体特征，在监督分类中可选择具有 代表性的训练区域进行采样，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。 对遥感图像中所有像素进行分类。 分类精度检查。在监督分类中把已知的训练数 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。在非监督分类中，采用随机 抽样方法，分类效果的好坏需经实际检验或利 用分类区域的调查材料、专题图进行核查。 对判别分析的结果进行统计检验。
最小距离分类法
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。
多级切割法
多级切割法（multi-level
slice classifier）是根据设定
在各轴上的值域分割多维特征空间的分类方法。 这种方法要求通过选取训练区，详细了解分类类别（总 体）的特征，并以较高的精度设定每个分类类别的光谱 特征上限值和下限值，以便构成特征子空间。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。如落入某个特征子空间中，则属于该类， 如落入所有特征子空间之外，则属于未知类型，因此多 级切割分类法要求训练区样本的选择必须覆盖所有的类 型，在分类过程中，需要利用待分类像素光谱特征值与 各个类别特征子空间在每一维上的值域进行内外判断， 检查其落入哪个类别特征子空间中，直到完成各像素的 分类。
分类原理与过程
分类过程中采用的统计特征变量包括：全局统计特征 变量和局部统计特征变量。 全局统计特征变量是将整个数字图像作为研究对象， 从整个图像中获取或进行变换处理后获取变量，前者 如地物的光谱特征，后者如对TM的6个波段数据进行K －T变换（缨帽变换）获得的亮度特征，利用这两个变 量就可以对遥感图像进行植被分类。 局部统计特征变量是将数字图像分割成不同识别单元， 在各个单元内分别抽取的统计特征变量。例如，纹理 是在某一图像的部分区域中，以近似周期性或周期性 的种类、方式重复其自身局部基本模式的单元。
特征曲线窗口法
特征曲线是地物光谱特征参数构成的曲线。由于 地物光谱特征受到大气散射、天气状况等影响， 即使同类地物，它们所呈现的特征曲线也不完全 相同，而是在标准特征曲线附近摆动变化。因此 以特征曲线为中心取一个条带，构造一个窗口， 凡是落在此窗口范围内的地物即被认为是一类， 反之，则不属于该类，这就是特征曲线法。 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。
2 d k ( x k )T k 1 ( x k )
11 0 … … 0
0 22 … … 0 0理与过程
马氏距离（Mahalanobis）：总体分布除了轴 向上离散度不同以外，在各轴之间往往还存在 相关性。在考虑离散度的同时，也考虑到各轴 间的总体分布的相关（协方差）来进行校正的 距离叫马氏距离。
分类原理与过程
遥感图像计算机分类的依据是遥感图像像素的相似度。 在遥感图像分类过程中，常使用距离和相关系数来衡 量相似度。 距离:特征空间中象元数据和分类类别特征的相似程度。 距离最小即相似程度最大。 度量特征空间中的距离经常采用以下几种算法: 绝对值距离 像元i在k波段的值
d ij xik x jk
分类原理与过程
在很多情况下，利用少量特征就可以进行遥感 图像的地学专题分类，因此需要从遥感图像n 个特征中选取k个特征作为分类依据，我们把 从n个特征中选取k个更有效特征的过程称为特 征提取。 特征提取要求所选择的特征相对于其他特征更 便于有效地分类，使图像分类不必在高维特征 空间里进行，其变量的选择需要根据经验和反 复的实验来确定。
概述
利用计算机对遥感数字图像进行分类难度很大。
– 遥感图像是从遥远的高空成像的，成像过程要受传
感器、大气条件、太阳位置等多种因素的影响。影 像中所提供的目标地物信息不仅不完全，而且或多 或少地带有噪声，因此人们需要从不完全的信息中 尽可能精确地提取出地表场景中感兴趣的目标物。 – 遥感影像信息量丰富，与一般的图像相比，其包容 的内容远比普通的图像多，因而内容非常“拥挤”。 不同地物间信息的相互影响与干扰使得要提取出感 兴趣的目标变得非常困难。 – 遥感图像的地域性、季节性和不同成像方式更增加 了计算机对遥感数字图像进行解译的难度。