遥感专题信息提取高级课堂

《遥感专题信息提取高级课堂》由会员分享，可在线阅读，更多相关《遥感专题信息提取高级课堂（106页珍藏版）》请在金锄头文库上搜索。

1、遥感专题信息提取遥感专题信息提取洪金益洪金益中南大学地球科学与信息物理学院中南大学地球科学与信息物理学院EMAIL：1高等课堂主要参考书12高等课堂主要参考书23高等课堂主要参考资料lA Teachers Guide to Internet Resources for Remote Sensing4高等课堂其他参考资料l遥感影像地学理解与分析l遥感专题分析与地学图谱l遥感数字影像处理与地理特征提取l卫星遥感图像计算机分类与地学应用研究lENVI用户使用手册lER Mapper Users ManuallPCI Users ManuallERDAS Users Manual5高等课堂1、遥感专题

2、信息提取的基本理论、遥感专题信息提取的基本理论2、遥感专题信息提取的原则和方法、遥感专题信息提取的原则和方法3、遥感专题信息提取在不同研究领域中的应用、遥感专题信息提取在不同研究领域中的应用4、遥感专题信息提取应用实例、遥感专题信息提取应用实例主要内容6高等课堂遥感专题信息提取的概念遥感专题信息提取是采用遥感图像处理方法，根据提取目的，以遥感资料为基础信息源，提取与主题紧密相关的一种或几种要素的信息。7高等课堂The Electromagnetic SpectrumlThe electromagnetic spectrum ranges from the shorter wavelengths

3、 (including gamma and x-rays) to the longer wavelengths (including microwaves and broadcast radio waves). Thereare several regions of the electromagnetic spectrum which are useful for remote sensing.8高等课堂9高等课堂ultraviolet or UVFor most purposes, the ultraviolet or UV portion of the spectrum has the s

4、hortest wavelengths which are practical for remote sensing. This radiation is just beyond the violet portion of the visible wavelengths, hence its name. Some Earth surface materials, primarily rocks and minerals, fluoresce or emit visible light when illuminated by UV radiation.10高等课堂visible spectrum

5、The light which our eyes - our remote sensors - can detect is part of the visible spectrum. It is important to recognize how small the visible portion is relative to the rest of the spectrum. There is a lot of radiation around us which is invisible to our eyes, but can be detected by other remote se

6、nsing instruments and used to our advantage. The visible wavelengths cover a range from approximately 0.4 to 0.7 m. The longest visible wavelength is red and the shortest is violet. Common wavelengths of what we perceive as particular colours from the visible portion of the spectrum are listed below

7、. It is important to note that this is the only portion of the spectrum we can associate with the concept of colours.11高等课堂12高等课堂 Violet: 0.4 - 0.446 m Blue: 0.446 - 0.500 m Green: 0.500 - 0.578 m Yellow: 0.578 - 0.592 m Orange: 0.592 - 0.620 m Red: 0.620 - 0.7 m13高等课堂Primary coloursBlue, green, and

8、 red are the primarycolours or wavelengths of the visiblespectrum. They are defined as such Because no single primary colour can be created from the other two, but all other colours can be formed by combining blue, green, and red in various proportions. Although we see sunlight as a uniform or homog

9、eneous colour, it is actually composed of various wavelengths of radiation in primarily the ultraviolet, visible and infrared portions of the spectrum. The visible portion of this radiation can be shown in its component colours when sunlight is passed through a prism, which bends the light in differ

10、ingamounts according to wavelength.14高等课堂infraredThe next portion of the spectrum of interest is the infrared (IR) region which covers the wavelength range from approximately 0.7 m to 100 m - more than 100 times as wide as the visible portion! The infrared region can be divided into two categories b

11、ased on theirradiation properties - the reflected IR, and the emitted or thermal IR. Radiation in the reflected IR region is used for remote sensingpurposes in ways very similar to radiation in the visible portion. The reflected IR covers wavelengths from approximately 0.7 m to3.0 m. The thermal IR

12、region is quite different than the visible and reflected IR portions, as this energy is essentially the radiation that is emitted from the Earths surface in the form of heat. The thermal IRcovers wavelengths from approximately 3.0 m to 100 m.15高等课堂16高等课堂microwaveThe portion of the spectrum of more r

13、ecent interest to remote sensing is the microwave region from about 1 mm to 1 m. This covers the longest wavelengths used for remote sensing. The shorter wavelengths have properties similar to the thermal infrared region while the longer wavelengths approach the wavelengths used for radio broadcasts

14、. Because of the special nature of this region and its importance to remote sensing in Canada, an entire chapter (Chapter 3) of the tutorial is dedicated to microwave sensing.17高等课堂知识决策数据有效信息18高等课堂基础科学、应用基础科学定量地学描述遥感科学定量遥感 高新技术高新技术(传感器、遥感平台感器、遥感平台设计制造制造)遥感：遥感：高新技高新技术驱动的的对地地观测的一的一场革命革命观测时空尺度 物理学定律、定理

15、 数学生态学化学计算机科学 国民国民经济持持续发展，社会需求，展，社会需求， 环境保境保护，全球，全球变化，减灾防灾化，减灾防灾尺度效应分形、分维.反演、优化.遥感在多学科交叉中的定位19高等课堂横看成岭侧成峰远近高低各不同不识庐山真面目只缘身在此山中 - 苏东坡坡论遥感的尺度效遥感的尺度效应观察角度效察角度效应20高等课堂遥遥感感系系统从从垂垂直直方方向向来来说，光光线（电磁磁波波）穿穿越越大大气气、植植被被，到到达达土土壤壤，再再反反射射穿穿越越植植被被、穿穿越越大大气气，达达到到卫星星传感感器器。影影响响这一一过程程的的因因素素，数数不不胜数数。我我们可可以以用用明明代代一一位位诗人人观

16、察察到到的的现象象来来作作一个一个简单的的说明：明：夕阳方照桃花坞 柳絮飞来片片红21高等课堂 大大家家一一般般的的先先验知知识认为柳柳絮絮是是白白的的，为什么什么诗人人观察到柳絮是察到柳絮是红的呢？的呢？诗人作了解人作了解释： 1、夕夕阳阳 光光穿穿越越大大气气的的光光学学路路径径较长，短短波波段段散散射射严重，直射光偏重，直射光偏红，所以，所以“夕阳夕阳红”，“残阳如血残阳如血”。 2、下下垫面面桃桃花花坞，“灼灼灼灼桃桃花花”盛盛开开，不不是是一一个个大大叶叶模模型型的的下下垫面面，而而是是一一个个红色色的的下下垫面面，反反射光偏射光偏红。 3、气气溶溶胶胶柳柳絮絮本本身身是是全全波波谱

17、反反射射，此此时反反射夕阳射夕阳红，反射桃花反射桃花红，所以柳絮成了所以柳絮成了片片片片红。 当当然然这只只是是一一个个简单的的定定性性模模型型，但但我我们可可以以看看出出影影响遥感信息响遥感信息产生生过程的主要因素之多程的主要因素之多。22高等课堂 从从水水平平方方向向上上来来说，陆地地表表面面在在遥遥感感像像元元尺尺度度上上几几乎乎总是是混混合合像像元元，前前面面1米米分分辨辨率率的的天天安安门广广场上上，我我们可可以以看看到到人人影影，我我开开玩玩笑笑说是是比比较胖胖的的同同志志，其其实我我相相信信看看到到的的是是比比较密密的的人人群群。大大家家也也许认为大大戈戈壁壁或或沙沙漠漠可可以以

18、认为是是 “纯” 像像元元，但但其其实也也包包含含砾石石的的阴阴影影。我我在在沙沙漠漠上上实测砾石石的的承承照面和背阴面，温差大照面和背阴面，温差大约 10 摄氏度以上。氏度以上。 对1公公里里像像元元尺尺度度来来说，地地形形的的起起伏伏常常常常不可忽略。不可忽略。 所所有有这些些，使使遥遥感感定定量量反反演演命命中中注注定定是是一一个病个病态反演反演。23高等课堂数据有效信息知识更新与积累决策帮助提取24高等课堂地学Geoscience1、概念：地学是对以我们所生活的地球为研究对象的学科的统称，通常有地理学、地质学、海洋学、大气物理、古生物学等学科。2、研究目的：研究地学的目的是为了更好的开

19、发和保护地球表面的自然资源，使人地关系向着有利于人类社会生活和生产的方向发展。25高等课堂专题信息提取的知识1、计算机视觉知识2、地图制图知识3、地学知识4、方法知识26高等课堂计算机视觉知识计算机视觉知识是指从图像上可以获得的视觉信息，数字化地图的颜色、地物形状大小、空间结构和空间关系等知识都属于计算机视觉知识，它们是识别和提取信息的最基本的依据。专题信息提取首要的是从图像上发现相关视觉知识，才能结合相关专题信息提取的方法，提出相应的提取策略。27高等课堂方法知识方法知识是在信息提取过程所用到的相关方法，即如何利用图像上所发现的知识，提取所需信息的系列算法。28高等课堂地图制图知识地图制图知

20、识主要针对各种人工绘制的地图而言，人工绘制的地图必然遵循制图的相关约定规则。如我国规定1: 1万、1: 2.5万、1:5万、1: 10万、1: 25万、1: 50万比例尺地形图，均采用高斯克吕格投影。1: 2.5至1: 50万比例尺地形图采用经差6度分带，1: 1万比例尺地形图采用经差3度分带，国家基本地形图，每种比例尺 都 有 统 一 的 图 式 符 号 和 编 制 规 范29高等课堂地学知识地图是对现实世界的抽象表达，地理事物的时空分布规律和客观事物之间的关系必然在地图上反映出来。如遥感图像在时间上受季相节律的影响，作物的生长、植物的盛枯、冰雪的消融等变化都会在图像上反映出来:遥感图像信息

21、因受区域的水平地带性和垂直地带性的影响，能反映出区域的水热条件的差异;水田和旱地的分布与地形和水源分布密切相关，水田主要分布在水源丰富，地势平坦的地方;居民地的分布与河流分布密切相关，居民地多分布在水源丰富的河流沿岸。诸如此类的地理事物的时空分布规律和客观事物之间的关系知识都是专题信息提取中的重要知识源。30高等课堂遥感专题信息提取的主要方法1、目视解释2、计算机自动识别分类31高等课堂计算机自动识别分类32高等课堂遥感影像分类的概念及原理遥感影像分类的概念及原理l遥感信息科学的发展，为土地利用，环境监测，地质灾害监测提供了全新的研究手段，标志着空间信息和环境灾害信息获取和分析处理方法的一场革

22、命及一门新兴学科的兴起，遥感信息科学的理论，技术和方法在国民经济发展中有着广泛的应用，在资源，环境，灾害的调查，监测，分析平谷和预测方面发挥着重要作用，尤其高分辨率遥感影像在大范围空间地物的识别与提取方面应用直接影响地物测绘的自动化水平。更为重要的是随着现代化建设的快速发展，资源，环境数据增加和快速更新工作量加大，这更需要一种能快速提取大范围空间信息的信息获取技术手段，而遥感影像中获取数据能地理信息系统的数据获取和自动更新的需要，为国民经济的快速发展提供动态基础数据和科学决策依据，在国民经济中发挥重要作用。33高等课堂遥感影像分类的概念及原理 遥感影像是通过亮度值或像元值的高低差异（反映地物的

23、光谱信息）及空间变化（反映地物空间信息）而表示不同地物的差异的，如不同类型的植被、土壤、岩石及水体等等，这是我们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，并用一定的手段将特征空间划分为互不重叠的子空间，然后将影像中的各个像元划归到各个子空间去。 遥感影像分类的理论依据：遥感影像中的同类地物在相同的条件下（纹理、地形、光照及植被覆盖、等等）应具有相同或相似的光谱信息特征和空间特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域；而不同地物的光谱信息特征或空间信息特征不同，因而将集群在

24、不同的特征空间区域。 34高等课堂遥感影像分类的概念及原理遥感影像分类的概念及原理 影像分类的原则 （1）对多变量影像不能孤立地根据个别变量的数值进行分类，而要从整个向量数据特征出发，即像元点在多维特征空间中的位置及集群情况，或者按空间集群的分布进行分类。 （2）一个集群（类）在特征空间的位置用它的均值向量表示，即该集群的中心，其离散程度用标准差向量（均方差向量）或协方差矩阵来衡量。 （3）分类的实质是把多维特征空间划分为若干区域（子空间），每个区域相当于一类，即位于这一区域内的像元点归属于同一类。 35高等课堂第一节、遥感影像分类的概念及原理第一节、遥感影像分类的概念及原理l遥感影像的分类顺

25、序和方法l（1）首先根据目的及影像数据的特性确定分类类别。有时也通过从训练数据中提取的影像特征确定分类（非监督分类）l（2）找出这些具有特征的类别的特征量。l（3）为了找出分类的基准，需要提取出对应于分类类别的训练数据。l（4）为了测定总体特征，可采用对影像中代表给定类别的部分进行采样，从而测定总体特征的方法（监督测定）或用聚类等方法对特征相似的像元进行分类，从而测定其特征的方法（非监督分类）。非监督分类不是预先确定不是预先确定类别而是根据归类的结果确定类别。l（5）使用设定的分类基准对各像元进行分类。包括对每个像元进行分类和对每个预先分割的匀质区域进行分类。36高等课堂遥感影像分类的概念及原

26、理遥感影像分类的概念及原理l（6）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。此外，作为道路及建筑物等土地覆盖类别的集合，可以设定市街区这样的种类，因而可进行类别与种类的对应。由于遥感影像的分类结果可应用于了解地球环境等各种用途，所以精度与可靠性是非常重要的。l 在遥感影像分类中，按照是否有已知训练样本的分类数据，分类方法又分为两大类：即监督分类与非监督分类。l 监督分类的思想是：首先根据类别的先验知识确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本（称为训练样本）的观测值确定判定函数中待定参数的过程称为学习（learning)或训练（training)

27、,然后将未知类别的样本的观测值代入判别函数，再依据判别函数准则对该样本的所属类别做出判定。l 目前比较成熟的监督分类方法是基于统计的分类。除此之外，还有模糊识别分类、神经网络分类法等。当然，监督分类要比非监督的精度要高、准确性好，但是，监督分类的工作量无疑要比37高等课堂遥感影像分类的概念及原理遥感影像分类的概念及原理l非监督分类的工作量大得多。首先，监督分类有一事先确定训练场地和选择非监督分类的工作量大得多。首先，监督分类有一事先确定训练场地和选择训练样本的工作，要求训练样本要有一定的代表性，而且要有足够的数值；训练样本的工作，要求训练样本要有一定的代表性，而且要有足够的数值；另外，对于遥感

28、影像分类来说，由于各种地物的光谱辐射的复杂性以及干扰另外，对于遥感影像分类来说，由于各种地物的光谱辐射的复杂性以及干扰因素的多样性，有时仅仅考虑在某一特定时间和空间内选取训练样本还是不因素的多样性，有时仅仅考虑在某一特定时间和空间内选取训练样本还是不够的，为了提高精度，有时还必须多选择一些训练样本。够的，为了提高精度，有时还必须多选择一些训练样本。l遥感影像的非监督分类是在没有先验类别知识（训练场地）的情况下，根据遥感影像的非监督分类是在没有先验类别知识（训练场地）的情况下，根据影像本身的统计特性及自然点群的分布情况来划分地物类别的分类处理，也影像本身的统计特性及自然点群的分布情况来划分地物类

29、别的分类处理，也叫叫“边学习边分类法边学习边分类法”。该方法是在计算机分类过程中，边分类边学习边建。该方法是在计算机分类过程中，边分类边学习边建立并进行分类决策的，无需事先知道各类地物的类别统计特征，也无需经过立并进行分类决策的，无需事先知道各类地物的类别统计特征，也无需经过学习过程，一般只是提供少数阀值对分类过程加以部分控制。值得指出的是，学习过程，一般只是提供少数阀值对分类过程加以部分控制。值得指出的是，所分各类的含义是什么并不能由该分类方法得出，而要根据地面实况调查和所分各类的含义是什么并不能由该分类方法得出，而要根据地面实况调查和比较来决定。比较来决定。l 监督分类和非监督分类的最大区

30、别在于：监督分类首先给定类别，而非监督分类和非监督分类的最大区别在于：监督分类首先给定类别，而非监督分类则由影像本身的统计特征来决定。监督分类则由影像本身的统计特征来决定。l 主要的分类方法为多级切割分类法、决策树分类法、最小距离分类法、主要的分类方法为多级切割分类法、决策树分类法、最小距离分类法、最大似然分类法、专家系统的方法等。最大似然分类法、专家系统的方法等。38高等课堂几种遥感数据分类说明几种遥感数据分类说明一、分类处理流程图39高等课堂监督分类法监督分类法l一）、最大似然分类法 1、最大似然法的基本思想和数学原理 最大似然将卫星遥感多波段数据的分布当作多维正态分布来构造函数。基本思想

31、是：各类的已知像元的数据在平面或空间中构成一定的点群；每一类的每一维数据都在自己的数轴上形成一个正态分布，该类的多维数据就构成该类的一个多维正态分布；各类的多维正态分布模型各有其分布特征，例如：所在位置、形状、密集或离散的程度等。有了各类的多维分布模型，对于任何一个未知类别的数据向量，都可以反过来求它属于各类的概率，比较这些概率的大小看属于哪一类的概率大，就把这个数据向量或像元归为该类。 40高等课堂最大似然分类法l假定第K类只有 个波段（波段1）数据 （一维随机变量），那么它的正态分布密度函数为l式中： 是第K类（ ）波段 数据的一维正态分布密度函数，由这个分布密度函数能够看出在第K类中随机

32、变量 出现各种可能值的概率的大小； 是随机变量 的平均值； 是随机变量 的标准差； 是圆周率，通常取为3.14159。l 再假定第k类有两个波段（波段1和波段2）的数据 和 （二维随机变量），那么第k类的正态分布密度函数是二维正态分布密度函数。(1-1)41高等课堂最大似然分类法最大似然分类法l式中 是第k类的二维正态分布密度函数，由它可以看出在第k 类中二维随机变量 出现各种可能值概率的大小； 和 分别是 和 的平均值； 和 分别是波段1和波段2的数据 和 的方差， 为协方差。（1-2）42高等课堂最大似然分类法最大似然分类法l 如果第k类有3个或更多的数据，那么原则上可以仿照式（1-1）和

33、式（1-2）表示第k类的三维或更多维正态分布密度函数。但是表达式太复杂，我们用向量和矩阵来表示符号，对于多维的，比如说m维的正态分布密度函数，可以表示为：l式中：m是波段数， 是第k类的m维正态分布密度函数，由它可以看出在第k类中m 维随机变量x(像元的m维数据向量）出现各种可能值的概率的大小。像元的m维数据向量可以表示为：（1-3）43高等课堂最大似然分类法最大似然分类法l 是第k类每个波段的均值 所构成的均值向量l 是向量 转置向量 是矩阵 的逆矩阵。 是矩阵 的行列式。 是第k类m个波段值的协方差矩阵，如下式：(1-4)(1-5)44高等课堂最大似然法分类最大似然法分类l式中, 是第K类

34、的像元数; 是第K类的类内离差矩阵.如下式l式中, 是第K类的类内方差;而 及 是第K类的类内协方差(1-6)(1-7)45高等课堂最大似然法分类最大似然法分类l如果一共要分g 个类,那么对每一类都可根据该类的已知m个波段的数据,按式(1-3),估计出该类的m维分布密度函数.由它们可以看出在各类中m维随机变量x(像元的m维向量)出现各种可能值的概率的大小.l 有了g个概率密度函数,对任何一个已知的m维数据向量x(即一个像元)都可以反过来计算它属于g个类中第k类的概率.根据逆概率公式,即贝叶斯公式有（1-8）46高等课堂最大似然法分类最大似然法分类 式中, 是任何一个m维数据向量(像元)属于第k

35、类的概率; l 是第k类的m维正态分布密度函数,即式(1-3); 是所考虑的全部数据中出现该数据向量x的概率; 是第k类在所考虑的全部数据中出现的概率,称为先验概率.g个类的先验概率的总和等于1.l 对任何一个m维数据向量 x ,都可用（1-8）分别计算它们属于各类的概率，然后比较所得各概率的大小，从而把该数据向量 x判归概率最大的那一类。l 因为式（1-8）中的 只考虑全体而不考虑类，因而与类无关，所以我们判别归类时可以不考虑它，只需比较式（1-8）的分子 、 的大小就可以了。此时令 （1-9）47高等课堂最大似然分类法最大似然分类法l又因式（1-9）中的 难于计算，故对式（1-9）两边取自

36、然对数：l即（1-10）48高等课堂最大似然分类法最大似然分类法l式中，向量 和 分别是向量 和 的转置向量。l 假定所有各类的协方差矩阵都相等，即 ，则可用所有各类的总体的协方差矩阵 来代替各个l或l式中： 即总像元数； 是各类的类内离差矩阵，如式（1-7） 是总的类内离矩阵。如下式： （1-11）（1-12）（1-13）49高等课堂最大似然分类法最大似然分类法l当各类的像元数 都相等，即 时l用 代替（1-10）中的各个 得到 又因为式（1-16）中等号右边第2项和第3项与类无关，所以判归类时可不考虑它们。只需考虑第1、4、5项就可以了。（1-14）（1-15）（1-16）50高等课堂最大

37、似然分类法最大似然分类法l这时可令：l如果各类的先验概率相等，那么式（1-17）第1项各类数值相等，即与类无关，判别分类又可不考虑它们。此时也可令l为了书写简化，令（1-17）（1-18）（1-19）（1-20）（1-21）51高等课堂最大似然分类法最大似然分类法l于是式（1-17）可写成l式（1-18）可改写成l注意：上面的 是一个 维向量，而 是一个数值。l式（1-22）和式（1-23）就是第 类的判别函数。考虑先验概率时用式（1-22）；不考虑先验概率时用式（1-23）l根据 可以返回去求得 ，即（1-22）（1-23）（1-24）52高等课堂最大似然分类法最大似然分类法l用式（1-24

38、）计算有时会在计算机上益出，可以改用下式：l式中， 是各个 中数值最大的 。l 比较算得的每个数据向量 （即每个像元）的各类的 l 的数值的大小，哪一类的数值最大，即属于哪一类的概率最大，就将该向量 （即该像元）判归该类.l 显然，哪一类的 最大也就是哪一类的 最大。因此，实践中也不求 ，而直接比较各类判别函数值 ，看哪一类数据向量 或像元判归该类。（1-25）53高等课堂监督分类法监督分类法l二）、最小距离分类法二）、最小距离分类法l 最小距离分类法是监督分类的方法之一。首先利用样本最小距离分类法是监督分类的方法之一。首先利用样本数据计算出每一类别的均值向量及标准差（均方差）向量，数据计算出

39、每一类别的均值向量及标准差（均方差）向量，然后以均值向量作为该类在特征空间中的中心位置，计算输然后以均值向量作为该类在特征空间中的中心位置，计算输入影像中每像元到各类中心的距离。到那类中心距离最小，入影像中每像元到各类中心的距离。到那类中心距离最小，则该像元就归入到哪一类。应用最广的且比较简单的距离函则该像元就归入到哪一类。应用最广的且比较简单的距离函数有；欧几里德距离和绝对距离（混合距离）。具体分类过数有；欧几里德距离和绝对距离（混合距离）。具体分类过程如下：程如下：54高等课堂最小距离分类法 设p为影像的波段（变量）数， 为影像中一个分类像元，其中 为像元 在第 个波段的像元值（灰度值），

40、 为第 类在第 波段的均值,则像元 与各类间的距离可通过如下良种方法之一获得: 欧几里德距离 绝对距离 55高等课堂最小距离分类法最小距离分类法 l 分类时,根据前面求出的距离,把像元 归入到 最小的那一类.l 直接应用前述的距离能够比较简单地实现监督分类,单有明显的缺陷:l 首先不同类别的灰度值的变化范围即其方差大小是不同的,不能简单地用像元到类中心的距离来划分像元的归属.如下图中的待分类像元,按像元到类中心的距离应归属于 类而实际上应属于变差范围大的 类 56高等课堂最小距离分类法最小距离分类法图（2-1）方差最小距离分类法的影响待分像元类中心57高等课堂最小距离分类法最小距离分类法l第二

41、,自然地物类别的点群分布不一定是圆形或球形的,即在不同方向上半径是不同的,因而距离的量度在不同方向上应有所差异.l考虑到以上的因素,在距离的算法上可作如下改进,从而改进分类的精度,例如:l 对欧几里德距离的改进l 对绝对距离的改进l式中, 为第 类第 波段的标准数,当然也可以用 代替上两式的 ,或者用其他加权方法.58高等课堂最小距离分类法最小距离分类法l使用最小距离法对影像进行分类,起精度取决于对已知地物类别的了解和训练统计的精度.一般来说,这种分类的效果比较好,而且计算简便,可对像元扫描分类.l 应当指出,最小距离监督分类还可以选用门限阀值 ,具体为:若选择出来的最小距离 小于门限阀值 ,

42、则判别像元 归入第 类,若选择出来的最小距离 大于 ,则判别像元 为拒绝类,即不归属任何类.门阀值 的选择与各特征波段的标准差有关,先求标准差,然后根据专业知识和经验来考虑门限阀值的设定. 59高等课堂非监督分类法非监督分类法l一）、ISODATA分类法lISODATA法或迭代法聚类的实质是先给出一个并不怎么正确的初始分类,然后用某种原则反复修改和调整分类,以逐步逼近一个正确的分类.l（一） ISODATA分类法的基本思路和运算步骤l 下面用具体的算例来说明迭代法分类的步骤,同时叙述这一方法的相关参数,为了简单阐明,这里使用假定数据,而不用书记遥感图像的像元数据和具体的专业应用实例.l 假定有

43、16个像元,即像元数n=16;各像元都有3个波段的值,即波段数或特征数m=3数据如表1.1所示.60高等课堂ISODATAISODATA分类法分类法l迭代的基本思想如下:l 1、确定初始聚类中心的数目l 初始类树数目为 （initial class number),原则上可以随机地假定，但是在像元较少的情况下，初始数目不宜定得过大。l 对表1.1的数据，我们规定先分5类，即 =5，若以 表示第0次分类的第k类，则5个初始类分别表示为： 61高等课堂ISODATAISODATA分类法分类法l2、确定初始聚类中心值l 即各类初始的各波段的初值。初始类数目 定下后就要给每类的各波段假定初始值。分类用

44、m个波段，每个类就要指定m个值，构成m维向量。 个m维向量是像元的初始归类中心。l 确定初始类中心的方法很多，最简单的方法是从各像元中选出 个被认为有代表性的像元，分别将它们的波段值作为初始分类的波段值。也可估计指定。l 表1.1中的像元各个3个波段的值，我们要分5类，故得指定5个三维向量 。考虑到原始数据的值基本在0到12之间，故初始值也应在这个范围内，我们又令各类之间保持一定距离，且为了简化，令同一类的各波段值相等。于是定出5个类的初始类中心值 如下|：62高等课堂ISODATAISODATA分类法分类法l3 3、定义像元与各聚类中心的距离、定义像元与各聚类中心的距离l 距离这个参数有多种

45、形式，或多种距离定义。例如绝对距离，距离这个参数有多种形式，或多种距离定义。例如绝对距离，欧氏距离，马氏距离等，它们各有计算公式，对上例，我们选欧氏距离，马氏距离等，它们各有计算公式，对上例，我们选择易于计算且效果也好的绝对值距离择易于计算且效果也好的绝对值距离| |：（2-1）63高等课堂ISODATAISODATA分类法分类法l式中： 是像元编号； 是波段编号； 是类编号； 是像元 到第 类聚类中心的距离； 是像元 第 波段的值； 是第 类第 波段的值。l 4、进行第1次分类或1次迭代l 按定义的距离，分别计算各个像元与各初始聚类中心的距离，比较每个像元到各类的距离值，把它们分别归到距离最

46、近的类里去。l 对上例，按式（2-2)计算表1.1中各像元到初始聚类中心式（2-1）的距离，例如，像元1到各初始聚类中心 的距离l ：(2-2)64高等课堂ISODATAISODATA分类法分类法l类推得到比较可知，最小，即像元与第个初始聚类中心的距离最近，所以就把像元归入第类，表示第次分类结果的第类其余类推l进行类似的计算可知：属于第类的有第、号像元；属于第类的有第、属于第类的有第、号像元；属于第类的有第、号像元；属于第类的有第第、号像元。65高等课堂ISODATAISODATA分类法分类法像元全部计算归类完毕，就完成了第次分类，或称第次迭代。结果如表1.2。本次结果与初始聚类中心的比较也见

47、表1.2。第次分类的修改第次迭代第次分类结果带有很大的主观性，因而是很粗糙的，与实际相差较远。这就是要对她进行修改，调整。方法有多种。其中之一是计算第次分类得到的各类的重心各类的以各波段的均值为分量构成的向量，将它们作为第次分类的聚类中心，重算各类像元与这些新聚类中心的距离，并把各像元归到距离最近的类中心去。全部像元经过这样重新计算和归类后，就完成了第次分类或第次迭代。对上例以表1.2中“本次第j像元的均值”所组成的向量作为第次分类的聚类中心，即：66高等课堂ISODATAISODATA分类法分类法(2-3)67高等课堂ISODATAISODATA分类法分类法按式（）计算表1.1中各像元与各类

48、新聚类中心式（）的距离，并将各像元归入距离最近的类，得第次迭代分68高等课堂ISODATAISODATA分类法分类法l类结果（表1.3)69高等课堂ISODATAISODATA分类法分类法l6、分类修改第次一致更多次迭代一般来说，分类经过次修改仍然得不到满意结果，需要进一步修改，进行第次一致更多次迭代。通常是把第次分类得到的重心，作为第次迭代分类的聚类中心，对各像元重算距离，重归类。如此逐次分类迭代，直到获得稳定的分类结果为止。面前例，我们以第次迭代分类结果得到的重心，作为第次分类迭代聚类中心：70高等课堂ISODATAISODATA分类法分类法按式（）计算表1.1中各像元与各类新聚类中心式（

49、）的距离，得第次迭代分类结果表(1.4)71高等课堂ISODATAISODATA分类法分类法l由表.4可见，第次分类结果各像元的归类情况与第次分类结果完全一样，各类各波段的均值与第次结果响应波段巨值之差为零。每一类包括的像元数和像元构成已不再变化，这说明，经过若干次动态变化之后，分类已经达到稳定，分类过程到此结束。l（二）控制迭代聚类过程的参数l上述的分类过程是单纯的情况。要得到好的分类结果，还需要一系列的环节和规定相应的参数来控制迭代聚类过程。l一般来说，迭代聚类中类的数目应在分类过程中按实际数据的特征发生变化，即发生类的分裂和合并。这是靠分类时给出一些特定的参数来实现的。l最常用的参数有以

50、下几种：72高等课堂ISODATAISODATA分类法分类法l、最多像元数l分类过程中任何一个类所能包括的像元数的最大数目。如迭代到某一步，某一类所包括的像元数超过这个值，该类就须分裂成两类，然后再进行下一次分类迭代。l、最少像元数l在分类过程中任何一个类应该包括的像元的最小数目。如分类迭代到某一步，某一类包括的像元低于此值，这个类就须与距离最近的另一个类合并，然后再进行下一次分类迭代。l、最大标准差l分类过程中任何一个类的任何一个波段所能用允许的标准差的最大值，如果分类迭代到某一步，某类的标准差超过此值（说明这个类所包括的各个像元彼此差别太大），这个类必须分成两类后再进行下一次分类迭代。73

51、高等课堂ISODATAISODATA分类法分类法l、最小间距l分类过程中任何两类之间所能允许的最小类间距离（两个类的重心之间的距离），如果距离太小说明它们性质太相近，那么这两个类须合并成一类再进行下一次分类迭代。l拒绝阀l在研究范围大时，研究者对实际情况不能很好的了解的情况下，有个别类是人们未认识，未掌握的，这些特殊的未知类的各个像元总是在分类迭代过程中按相应原则，归属相应的类里区，而实际情况它根本不属于该类，这就引入一个阀值，如某一个像元与任何一个聚类中心的距离都大于阀值，那么这个像元不能轨道任何一个聚类中去，应归入未知类。l、停止阀l分类达到一定次数，当满足要求的精度时，应当停止下一次迭代

52、，根据需要我们设置一个精度，当迭代达到这一精度我们就停止迭代。l74高等课堂非监督分类法非监督分类法l二）二）k k均值分类法均值分类法lk均值分类法（K-Means)与ISODATA法类似，也是迭代聚类法。说道二者间的关系，应该说ISODATA法是K-Mean法相对要简单些，它只要求分类者给出一个欲分类别数，不要求给出最少类别数和最多类别数，此方法程序自动计算出均匀分布于数据空间中的各个类均值（向量），作为初始类均值向量，或叫种子或吸引者，然后进行迭代聚类，用最小距离原则将各个像元分别分到离各初始均值中最近的那个均值所属的类中。然后再计算类均值，再进行归类。使用者也需规定最大迭代次数和变化阀

53、。还可以选择性地规定标准差或距离阀值，使不满足此条件的像元归入未知类。如果不规定这两个阀值，那么所有像元都被归类。l但K-均值法除了需要分类者先给定欲分类数以外，与ISODATA法还有两个点不同：、不是所有像元都分类完毕后再进行各类类均值的计算，还而是每重新分类一个像元就计算一次均值；、不需要进行类的合并和分裂。75高等课堂遥感专题信息提取在地学中的应用遥感专题信息提取在地学中的应用l遥感图象反映的某一区域特定地理环境中的综合信息，它综合地反映了地球系统各要素的相关性。l遥感地学相关分析，指的是充分认识地物间相关性，在遥感图像上寻找目标识别的相关因子，建立直接解译标志和间接解译标志，推断和识别

54、目标本身。76高等课堂遥感专题信息提取在地学中的应用遥感专题信息提取在地学中的应用-地学（地理，地质，气象等）背景知识-遥感图像的尺度特征-混合像元-光谱分辨率-时间分辨率（影像获取时间）77高等课堂植被信息提取和应用植被信息提取和应用l1、植被光谱特征与影响因素l2、不同植物类型信息的提取l3、植物遥感应用78高等课堂植物光谱特征和影响因素植物光谱特征和影响因素79高等课堂植物光谱特征和影响因素80高等课堂植被信息提取和应用植被信息提取和应用l大面积的农作物的遥感估产方法l获取不同农作物播种面积l获取植被长势信息，得到植被指数l建立农作物估产模式81高等课堂植被信息提取和应用植被信息提取和应

55、用应用举例应用举例l1、城市绿化调查与生态环境评价l2、草场资源调查l3、森林火灾监测82高等课堂土壤遥感信息提取与分析土壤遥感信息提取与分析l土壤的光谱特征和信息提取l土壤类型遥感调查l应用举例83高等课堂土壤遥感信息提取与分析土壤遥感信息提取与分析l土壤是在成土母质、地质、气候等多种成土因素的综合作用下形成的自然历史综合体。l土壤的性状主要表现垂直剖面上而不是在土壤的表面。l在遥感影像上土壤遥感信息提取主要通过综合分析84高等课堂土壤的光谱特征土壤的光谱特征85高等课堂土壤遥感信息提取与分析土壤遥感信息提取与分析l土壤类型遥感调查l对土壤类分类或进行识别时，应考虑到组成土壤类型不同要素间的

56、相关特征，可以通过某种或某些相关要素（植被、地貌）来推断出所研究的土壤隶属类型，或在分类时充分考虑到这种关系，以提高分类精度，避免错误。l应用举例l土壤侵蚀与水土流失86高等课堂水体遥感与应用水体遥感与应用l水体的光谱特征l洪灾遥感监测l其它遥感应用举例87高等课堂水体遥感与应用l遥感器所接受的辐射包括水面反射光、悬挂物反射光、水底反射光和天空散射光。l不同水体的睡眠性质、水中悬浮物的性质和数量、水深和水底特性的不同，导致反射光谱特性存在差异，这为水体遥感探测提供了基础。88高等课堂水体信息提取水体信息提取89高等课堂洪灾遥感监测洪灾遥感监测90高等课堂洪灾遥感监测91高等课堂水底遥感与应用水

57、底遥感与应用l1、水体悬浮物的遥感探测l2、水温的遥感探测l3、水体污染的遥感探测l4、水体遥感制图92高等课堂地质遥感与地质灾害分析地质遥感与地质灾害分析l1、 地质遥感l 岩性的识别l 地质构造的识别l 构造运动的分析l2、地质灾害分析l 地质遥感l 岩性的识别l 影响岩石反射光谱的主要因子l 沉积岩的影像特征及其识别l 岩浆岩的影像特征及其识别l 变质岩的影像特征及其识别l 地质构造的识别l 水平岩层的识别93高等课堂地质遥感与地质灾害分析地质遥感与地质灾害分析l 褶皱及其类型的识别l 断层及其类型的识别l 活动断层的确定94高等课堂地质信息的提取地质信息的提取95高等课堂地质遥感与地质

58、灾害分析地质遥感与地质灾害分析l地震灾害分析l地震灾害损失评估；l滑坡、泥石流的影象判读与分析96高等课堂地质遥感与地质灾害分析地质遥感与地质灾害分析97高等课堂城市遥感与动态监测城市遥感与动态监测l城镇是人类居住最为集中的地域，又是一定地域的政治、经济、文化活动的中心。l遥感图像能迅速、宏观、动态地提供城镇各种变化的信息，为城镇的规划和建设服务。l遥感在城市变化动态监测中有着广泛的应用l城镇遥感信息提取与分析l城镇的光谱特性是城市建筑物和建筑物之间其它各类用地的综合反映。l在TM（或MSS）图像标准假彩色合成图像上，城镇呈现浅蓝色或蓝灰色。图像上城镇内部结构已大大简化。l高分辨率遥感图像，清

59、晰地表现了城镇内部的细节。l城市动态监测l利用不同时相的遥感图像可以进行城市发展时期的调查，也可以对城市发展变化和城市环境做动态监测。98高等课堂上海城市发展上海城市发展99高等课堂其它遥感应用其它遥感应用l军事遥感应用 运用侦察卫星或侦察飞机等搭载遥感仪器或其它探测仪器，获取敌对国的军事政治情况和军事经济潜力，军队的态势、状况、行动性质与企图、战区地形以及其它与军事斗争有关的遥感信息，从中提取有用的信息，分析、判断、识别被测物体的性质和所处的状态，为军事斗争服务。l人造目标地物信息抽取与识别l建筑物遥感信息抽取l道路的遥感信息抽取 100高等课堂人造地物信息提取塔尖101高等课堂人造地物信息

60、提取人造地物信息提取102高等课堂其它遥感应用l在军事侦察中应用：l通过遥感获取敌对国的军事情报。l在军事监测中应用：采用遥感成像等手段来对敌在空中、地面、地（水）下区域地点的军事人员和武器设备等实施有计划的观察。l军事行动效果的调查或评估。103高等课堂其它遥感应用l遥感考古l通过航空或航天遥感器对地表及地下考古遗迹进行远距离的观测和探测，获取地表、地下和丛林中的考古遗迹的遥感信息，通过遥感图象判读与分析，结合实施调查去研究古代遗迹的起源、发展及衰亡过程的内容。考古遥感是考古与遥感技术交叉的领域。l考古的基本方法l文献与地图资料研究l遥感图像获取与考古信息提取l专题考古遥感图像解译l遥感考古制图104高等课堂专题信息提取软件PCIERDASENVIER MAPPER105高等课堂作业1、请通读教材遥感应用原理与方法或Fundamentals of remote sensing2、请你设计一个遥感专题信息提取的题目，阐述提取原理、方法，并讨论提取结果的可靠性。要求：不少于3000字（不含图表），请在题目下方注明：姓名、班级、学号、均用A4纸打印一份，并同时提交电子版的。 作业完成后，交给安帅，由安帅统一发给我。我的邮箱：完成最后日期：元旦之前。 106高等课堂