遥感图像处理遥感图像分类.ppt

遥感图像处理遥感图像分类
第一页，编辑于星期三：十八点 三十六分。
遥感图像的分类
第二页，编辑于星期三：十八点 三十六分。
遥感图像分类概述
遥感图像分类原理
遥感图像分类根本过程
遥感图像分类方法
遥感图像分类后处理
遥感图像分类精度检查
遥感图像分类中存在的问题
遥感图像的分类
第三页，编辑于星期三：十八点 三十六分。
一、遥感图像分类概述
分类的定义
分类的意义
分类的难点
第四页，编辑于星期三：十八点 三十六分。
(一) 概述－分类的定义
遥感图像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。其根本目标是将人工目视解译遥感图像开展为计算机支持下的遥感图像理解。
第五页，编辑于星期三：十八点 三十六分。
(二) 概述－分类的意义
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，利用计算机进展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根底研究之一，因此具有重要的理论意义和应用前景。
第六页，编辑于星期三：十八点 三十六分。
〔三〕概述—分类的难点
利用计算机对遥感数字图像进展分类难度很大。
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准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展解译的难度。
第七页，编辑于星期三：十八点 三十六分。
二、分类原理
分类原理概述；
统计特征量；
统计特征量举例；
特征提取；
相似度判断；
第八页，编辑于星期三：十八点 三十六分。
〔一) 分类原理概述
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，然后按照一定准那么作出决策，从而对遥感图像予以识别。
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展运算处理〔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展分类。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，以到达大致区分遥感图像中多种地物的目的。
遥感图像分类的常使用距离和相关系数来衡量相似度。
采用距离衡量相似度时，距离越小，相似度越大。
采用相关系数衡量相似度时，相关程度越大，相似度越大。
第九页，编辑于星期三：十八点 三十六分。
〔二〕分类原理—统计特征量
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展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个波段数据进展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展植被分类。
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局部区域中，以近乎周期性或周期性的种类、方式重复其自身局部根本模式的单元，因此可以利用矩阵作为特征对纹理进展识别。
第十页，编辑于星期三：十八点 三十六分。