《[高等教育]遥感毕业设计》由会员分享，可在线阅读，更多相关《[高等教育]遥感毕业设计（43页珍藏版）》请在金锄头文库上搜索。
1、河南理工大学本科毕业论文 本 科 毕 业 设 计（论文） 题目 遥感图像分类方法研究 院（系部）测绘与国土信息工程学院专业名称 测绘工程 年级班级 学生姓名 指导教师 20年 月 日摘 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。非监督分类由于不能
2、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。从传统的基于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、ISODATA分类法对鹤壁市Geoeye遥感图像进行了分类研究。在对分类实现中，首先对分类过程中两个必不可少的，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
3、；然后详细介绍这两种方法的分类实验；最后分别分析分类结果图和采用混淆矩阵和kappa 系数对两种方法的分类结果进行精度评价。两种分类方法的分类总体精度计算都达到80以上，满足分类要求。通过综合分析发现本次研究ISODATA方法分类精度较低，最大似然法分类精度较高。关键词： 图像分类，最大似然法，ISODATA分类法，分类精度ABSTRACT Remote sensing（RS）image classification is always a pivotal part of remote sensing study. How to improve the accuracy of RS inter
4、pretation is an urgent problem in RS application. Classification of remote sensing image using computer is data disposal of remote sensing image pixels by computer. There are mainly two methods: non-supervised classification, and supervised classification. Non-supervised classification is a clusteri
5、ng process, while supervised classification is a study and training process, and it needs preliminary knowledge. Because non-supervised classification can not ascertain attribute of sorts, its value is very little by direct used and applied. While supervised classification methods emerged in endless
6、ly with development of new methods and technique. From traditional maximum likelihood classification(MLC) based on Byes to decision tree classification and artificial neural network(ANN) classification being studied and used now, they all enhance accuracy, improve effect and application to a great e
7、xtent. Whereas different ways are different advantage and disadvantage, classification effect is affected by some factors. Based on world RS image classification methods analysis, this paper applied MLC, and ISODATA classification to study classification of the Hebi citys RS image. Within classifica
8、tion carried out, first classification samples and features have been researched in detail, which are two absolute necessary steps that affect classification in the process .Afterward this paper concretely introduced experiment of two classification process. Finally this paper evaluated accuracy of
9、different ways according to analysis of classification image, the confusion matrix and Kappa coefficient. Two ways overall accuracy are both more 80% and so satisfied. By comparison, we find ISODATA classification is not prior to the maximum likelihood classification . Keywords: Image Classification
10、, Maximum likelihood, ISODATA classification, Classification Accuracy 目 录1 绪论11.1 研究背景与意义11.2 国内外研究现状21.3 研究内容与论文组织结构32 遥感图像分类技术42.1 遥感图像计算机分类的一般原理42.1.1 概述42.1.2 计算机分类的基本原理52.1.3 计算机分类处理的一般过程52.2 遥感图像分类方法72.2.1 监督分类72.2.2 非监督分类112.3 遥感图像分类新方法162.3.1 决策树分类162.3.2 神经网络分类182.3.4 综合阈值法192.3 图像分类的一般过程19
11、3 遥感图像分类方法的应用213.1 几种高分辨率商业遥感卫星介绍213.2 研究所使用的软件介绍223.3 影像处理233.4 分类后处理274实验精度分析304.1 遥感图像分类的评价305总结与展望34致 谢36参考文献37 1 绪论1.1 研究背景与意义 遥感（Remote Sensing，简称 RS）是一种远离目标，通过非直接接触而判定、测量并分析目标性质的技术，它实现了空间（或地表）图像信息的采集与处理。遥感技术作为一种信息时代的产物和工具，具有周期动态性、信息量丰富、获取效率高等显著优势1。近年来，随着传感器技术、航空和航天平合技术、数据通讯技术的飞速发展，现代遥感技术已经进入了
12、一个动态、快速、准确、及时、多手段地提供多种对地观测数据的新阶段。新型传感器不断出现，能在不同的航天、航空遥感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图像，并与全球定位系统（Global Position System，简称 GPS）、地理信息系统（Geographical Information System，简称 GIS）等相结合。由于遥感向人类提供了一种全新的认识地球的方式而在众多的学科和领域得到应用，并逐渐发展成占优势的技术手段，向外延伸、渗透和与其它技术的集成2。遥感图像分析是遥感图像处理的高级阶段，是对地球表面及其环境在遥感图像上的信息进行特征提取，利用获取的特征进行
13、分类，从而达到识别图像信息所对应的实际地物，提取所需地物信息的目的。遥感图像的应用主要是解决两个问题，一个是定性，即回答是什么；一个是定位，即回答在何处，数量有多少。 随着传感器技术、航空和航天平台技术以及通讯技术的飞速发展，现代遥感对地观测已经达到能够动态、快速、多手段提供对地观测数据的新阶段。新型的传感器能够以不同空间分辨率、时间分辨率和光谱分辨率观测地面。目前遥感应用由定性向定量、静态向动态发展。遥感对地观测技术目前已广泛应用于战场情报侦察、地面目标识别、气候变化监测、臭氧层损耗监测、土地利用和覆被监测、植物生长监测、灾害监测、数字地球等方面。由此可见，从科学发展、国家安全、国济民生等方
14、面出发，都有对多光谱遥感数据进行深层次分析、提取其中丰富的地物信息的迫切需求3 随着21世纪的到来，光谱遥感正朝着三高（搞空间分辨率、高光谱分辨率、高时间分辨率）和三多（多传感器、多平台、多角度）的方向迅猛发展。面对如此海量的信息源，如何充分有效利用它们是亟待解决的问题。1.2 国内外研究现状 遥感图像的计算机分类，与遥感图像的目视解译判读技术相比，两者的目的一致，但手段不同，前者是利用计算机模拟人类的识别能力，后者把地学工作人员的专业知识介入到图像分析中去，是遥感解译的基本方法。而在实际工作中，常常是二者有机结合起来，互相取长补短。计算机自动分类可以利用各波段、各像元的灰度值最小差异，探测目
15、标的微小变化，精度较高，适于定量分析，速度快，可重复性好，因而越来越得到广泛的应用，尤其是与地理信息系统相结合更是显出其强大优势。计算机分类的快速处理数据的能力也是与遥感大量信息相适应的，目前已成为遥感理论和应用研究领域主流之一。遥感图像分类的理论依据是：遥感图像中同类地物在相同条件下(纹理、地形、光照以及植被覆盖等)应具有相同或相似的光谱信息特征和空间信息特征，因此同类地物像元的特征向量将集群在统一特征空间区域，而不同的地物由于光谱信息特征或空间信息特征的不同，将集群在不同的特征空间区域。同类地物的各像元特征向量虽然不是完全集中在几个点上，但也不是杂乱无章分布的，而是相对密集的分布在一起形成集群，当像元数目较大时，近似呈多维正态分布。一个集群相当于一个类别，而每类的像元值向量可以看作随机向量，因而遥感图像 分类方法一般是建立在随机变量统计分析的基础上的。依据是否使用类别的先验知识，可分为监督分类(supervised classification)和非监督分类(Unsupervised classification)。监
