《卫星遥感图像识别方法》由会员分享，可在线阅读，更多相关《卫星遥感图像识别方法（53页珍藏版）》请在金锄头文库上搜索。
1、<p>卫星遥感图像的识别方法卫星遥感图像的识别方法 戴 亮 一、遥感概述 1、遥感定义 遥感（Remote Sensing）是非接触远程获取面状图像信息 的技术手段。 ? 非接触 意为需要利用电磁波（光）作为信息获取手段， 以区别与其它测试手段； ? 远程 以区别显微镜、X光机、CT扫描机； ? 面状图象信息 以区别遥测； 遥感的特点： ? 大面积 ? 快速 ? 分波段成象 ? 高精度数字成象 IRS+TM 影像（彩色） 大兴农田 1米几何分辨率（IKONOS)影像显示（彩色） 2、遥感图像获取模型 太阳光（Solar Light）或人造雷达电磁波 大气吸收、透射（折射）、散射 大
2、气自身辐射 到达地面与地物作用，包括反射（散射）、吸收 地物辐射 大气吸收、透射（折射）、散射 大气自身辐射 传感器 传感器噪声 图像（数字或光学） 地面站接收 3、地物反射光谱 地物对不同波长入射光有不同的反射率，这就构成了地物反射 光谱。这也是我们能够用颜色、色调分辨各种地物的原因。 雪反射光谱曲线 1） 雪对所有波长反射率都很高且与太阳能量频谱基本 同步、这是雪呈现白色的原因。 2） 雪在紫兰波段反射率较大，因而雪呈兰白色。 沙漠反射光谱曲线 沙漠与雪有基本相同的性质，相对讲红、橙、兰波段反射率 较大，因而呈淡橙黄色。 雪、沙漠、植物与湿地反射光谱示意图 R(% ) (m) 雪 植物 沙
3、漠 湿地 0.003 0.38 紫外 0.38 0.43 紫 0.43 0.47 兰 0.47 0.50 青 0.50 0.56 绿 0.56 0.59 黄 0.59 0.62 橙 0.62 0.76 红 0.76 3 近红外 3 5 中红外 8 14 远红外 0.3 100 cm 微波与雷达 绿色植被反射光谱曲线 1） 对绿光 （0.55 ）有一小的反射峰值，反射率大致为 20%，这是绿色植物呈现绿色的原因。注意这里也正是太阳光的 光能峰值。 2） 在红光处（0.68 ）有一吸收谷，这是光合作用吸收谷 。此处太阳光能仍很大，若吸收谷减小，则植被发黄、红。 3） 在 0.71.4 与 1.5
4、1.9 有很高红外反射峰，反射率 可高达70%以上，这两峰与前边红光波谷是植被光谱的特征。这 第一峰波长段还处在太阳光能波谱中主要能量分布区（0.21.4 ）占有全部太阳光能量90.8%，这是遥感识别植被并判断植被状态 的主要依据。 4） 在 1.45 至 1.95 有两处吸收谷，表明植被中水分含量 。 5） 不同种类植物反射光谱曲线的变化趋势相同，而植物与其它 地物的反射光谱曲线显著不同，这是遥感可以估测生物量的基础。 6） 植物叶片重叠时，反射光能量在可见光部分几乎不变，而在 红外却可增加2040%。这是因为红外光可透过叶片，又经下层叶片 重复反射。叶片重叠反映作物长势旺盛，生物量高。 7
5、) 植物叶片可见光区反射率有显著的方向性，这是因为植物 叶片反射（散射）不是纯粹的朗伯散射，还有方向性。而在红外区 方向性就不显著，这是因为红外光透射性好，透射后重复反射打扰 了方向性。 湿地 湿地对可见光 红外很宽的波区反射率都很低，绝大部分光 能被吸收，因而在遥感图像上呈黑色或深灰色。 4、关于遥感工作模式的讨论 存在遥感影像噪声 大气扰动（折射率不稳定）是影像变形的原因 之一 地物反射率的大小是决定对应像元的灰度的主 要因素 遥感光源及传感器与目标地物的距离对影响质 量影响很大 人的肉眼视觉与遥感工作模式是一样的 噪声与信息数据 信息讯号常常淹没在噪声之中 信息掩盖与信息挖掘 遥感图像中
6、有一类为显性信息，如几何位置、几何形状、亮 度、光洁度等； 又有一类为隐性信息，如湿度、温度、生物量、化学物质含量 。 所谓信息挖掘就是透过显性信息数据，根据物理原理 成像机理 将隐性信息挖掘发现出来。 5、遥感技术成像中的数据矛盾 几何变形与几何分辨 几何变形原因： 大气折射不稳定 混合象元（与几何分辨率有关） 成象机制原因，包括地球曲面影响 遥感图像处理的一个任务就是从这些几何变形中将几何数据提 取出来，且保证一定的精度 。 有限的遥感图像数据与无限的信息需求 遥感图像不是唯一的地学信息源，遥感数据要与地学其它信息 数据相结合 。 11、遥感分类 按机理划分 遥感可分为被动遥感与主动遥感
7、按应用划分可分为：地质遥感、农业遥感、军用遥感、气象 遥感、海洋遥感、资源遥感等。 按遥感平台划分可分为: ? 航空遥感 包括低空航模遥感 （< 500米 ） 中高度航空遥感 （ 500 3,000米 ） 高空航空遥感 （ 3,000 10,000米 ） ? 航天飞机遥感 包括航天飞机、回收式卫星，如我国尖兵1号。 ? 卫星遥感 ? 地面遥感（雷达地面遥感车） 还可以按分辨率划为高、中、低分辨率遥感 按光（电磁波）波段划分可分为：（紫外）、可见光、红外 、微波 二、遥感图象识别 l遥感技术己成为当前人类研究地球资源 环境的一种有力技术手段在遥感技术 的研究中，通过遥感影像判读识别
8、各种 目标是遥感技术发展的一种重要环节， 无论是专业信息提取，动态变化预测， 还是专题地图制作和遥感数据库的建立 等都离不开分类，对照地面地物类型， 便可以从影像上进行地类的识别。 l遥感技术的改进促使遥感专题信息的提 取方法也在不断地改进，经历了目视解 译、自动分类、光谱特性的信息提取及 光谱与空间特征的专题信息提取等多个 阶段 （一）监督分类 l图像解译者用指定的方法来“监督”像元分类过 程，这些指定的方法是计算机的算法、图像中 所出现各种土地类型的数字描述等。为了做到 这一点，用已知覆盖类型的代表样区，这种样 区也称为训练区，来汇编一个数字的“判读关 键字”，然后将数据集上的每一个像元在
9、数字 上和判读关键字中的每一种类进行比较，并把 它用“看起来最像”的类型的名字来标注。 1）训练阶段 l尽管多光谱图像数据的分类实际上是各高度自 动化的阶段，但是在训练阶段它绝不是自动的 。它需要图像分析者和图像数据之间进行紧密 的配合，而且还需要了解研究区内大量的参照 数据和完整的地理知识。训练阶段的整个目标 就是，收集一系列描述图像分裂种每一种地面 覆盖类型的光谱响应模式的统计数字。 2 2）分类阶段）分类阶段 l各种分类决策都是按“训练集”的类别光谱响应 模式，将某像元的覆盖类型归到合适的类别中。 K-最临近分类 l训练样本用n维数值属性描述。每个样本 代表n 维空间的一个点。这样，所有
10、的训 练样本都存放在n维模式空间。给定一个 未知样本， K-最临近分类法搜索模式空 间，找出最接近未知样本的k个训练样本 。 平行六面体分类法 l考虑每个类别训练集内数值变差范围。 变差范围由每一类别训练集内，每一波 段内的最高与最低数字来确定，并且在 二通道散点图上表现为一个矩形窗口。 l假如像元是在类别变差范围之内，则可 将其归入所在的类别 用判定树归纳分类 l判定树是一个类似于流程图的树结构， 其中每个内部节点表示在一个属性上的 测试，每个分支代表一个测试输出，而 每个树叶节点代表类或类分布。树的最 顶层节点是根节点。 高斯最大似然分类法 l假设光谱响应分布是高斯分布（正态分 布），可以
11、由训练区的均值矢量和协方 差矩阵描绘某一类别的响应模式的分布 。再我们就能清楚已知的、属于特定土 地覆盖类型的像元值的统计概率。每种 光谱类型都有这样一个概率密度函数。 根据计算的属于每一类的像元值的概率 ，变可应用概率密度函数对未定像元做 分类。 贝叶斯分类法 l贝叶斯分类法是最大似然法的扩展这种方法在 做概率估算时需要用两个加权因子 l首先分析者应预先确定“先验概率”或给定每一 类别出现的预先似然率。 l以错误分类为“代价”而出现的加权也适用于每 一类 l最大似然分类法的主要缺点是，对每一个像元 分类时要进行大量的计算 遗传算法 l利用遗传算法解最优化问题，首先应对可行域 中的个体进行编码
12、，然后在可行域中随机挑选 指定群体大小的一些个体组成作为进化起点的 第一代群体，并计算每个个体的目标函数值， 即该个体的适应度。接着就像自然界中一样， 利用选择机制从群体中随机挑选个体作为繁殖 过程前的个体样本。选择机制保证适应度较高 的个体能够保留较多的样本；而适应度较低的 个体则保留较少的样本，甚至被淘汰。 l在下一步的繁殖过程中，遗传算法提供了交叉 和变异两种算法对挑选后的样本进行交换和基 因突变。交叉算法交换随机挑选的两个个体的 某些位，变异算子则直接对一个个体中的随机 挑选的某一位进行突变。这样通过选择和繁殖 就产生了下一代群体。重复上述选择和繁殖过 程，直到结束条件得到满足为止。进
13、化过程最 后一代中的最优解就是用遗传算法解最优化问 题所得到的最终结果。 后向传播分类 l后向传播分类是一种神经网络学习算法。一个 神经网络通常由三个或三个以上的层组成，每 个层上有多个节点，这些节点有些类似于生物 的神经网络，因此有时也将这些节点成为神经 元。神经网络包括一个输入层、一个输入层以 及一个和多个隐藏层。在输入层中的节点用作 神经网络的输入变元。通常，这些节点可以是 来自一幅遥感图像的光谱数据、质地特征和其 他由这些图像数据或该区域的辅助数据所导出 的中间产品。在输出层可能是神经网络输出类 别的范围 粗糙集方法 l粗糙集理论基于给定训练数据内部的等价类的 建立。给定现实世界数据，
14、通常有些类不能被 可用的属性区分。粗糙集可以用来近似或“粗 略地”定义这种类。给定类C的粗糙集定义用两 个集合近似：C的下近似和C的上近似。C的下 近似由一些这样的数据样本组成，根据关于属 性的知识，他们毫无疑问属于C。 C的上近似 由一些这样的数据样本组成，根据关于属性的 知识，他们毫无疑问不属于C。 三、非监督分类 l检验大量的未知像元并根据图像值的自然集群 将他们分成若干类。然后图像解译者通过比较 分类图像数据和地面参考数据的光谱群的一致 性来确的适合土地覆盖类型。其基本前提是， 给定的同一种地物覆盖类型内的值在测量空间 应该相互接近，而不同覆盖类型的数据又应该 具有比较</p>
