第七章遥感数字图像计算机解译.ppt

Region growing properties 进行Neighborhood 属性设置。利用Region grow AOI选择种子点。 提示：AOI seed propertiesregion growing Properties 约束条件：Area确定最多的像元数； Distance确定包含像元距离种子点像元的最大距离。 Spectral euclidean distance,可以接收像元与种子点之间最大波谱欧式距离（两个像元在各个波段数值之差平方和的二次根） 2）应用AOI扩展绘图工具获取分类模板信息 第三十页，共五十二页，2022年，8月28日 应用AOI扩展绘图工具获取分类模板信息 第三十一页，共五十二页，2022年，8月28日 第三十二页，共五十二页，2022年，8月28日 模板评价Evaluating Signatures 分类模板建立后，应对其进行评价，确定分类结果精度。 第三十三页，共五十二页，2022年，8月28日 Contingeney Matrix 可能性矩阵输出一个百分比矩阵，表明每个AOI训练区中有多少像元分别属于相应类别。 模板评价Evaluating Signatures 第三十四页，共五十二页，2022年，8月28日 提示： 误差矩阵精度85%，模板需要要重建。 第三十五页，共五十二页，2022年，8月28日 第三十六页，共五十二页，2022年，8月28日 三、图像分类中的有关问题 1、未充分利用遥感图像提供的多种信息 只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。 统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类 第三十七页，共五十二页，2022年，8月28日 第七章遥感数字图像计算机解译 第一页，共五十二页，2022年，8月28日 第一节 遥感图像的计算机分类 计算机分类 遥感图像 分类结果图 遥感图像计算机解译：就是对遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所对应的实际地物，提取所的地物信息的目的。 遥感图像解译 目视解译 计算机解译 第二页，共五十二页，2022年，8月28日 一、分类原理 遥感图像计算机分类的依据是遥感图像像元光谱特征的相似度。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。 第三页，共五十二页，2022年，8月28日 非监督分类（ Unsupervised classification ）：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。 非监督分类完全按照像元的光谱特征进行统计分类,常常用于对分类区没有太多了解情况下. 人为干预较少,自动化程度较高. 二、分类方法 第四页，共五十二页，2022年，8月28日 监督分类法（ Supervised Classification ） ：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。 监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。 第五页，共五十二页，2022年，8月28日 监督分类常常用于对分类区比较了解情况下,要求用户控制. 1)选择可以识别或可以断定其类型的像元建立模板,然后基于该模板使系统自动识别具有相同特征的像元. 2)对分类结果进行评价后再对模板进行修改,多次反复后建立比较正确的模板,在此基础上最终进行分类. 第六页，共五十二页，2022年，8月28日 根本区别在于是否利用训练场地来获取先验的类别知识。 非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。 监督分类与非监督分类方法比较 第七页，共五十二页，2022年，8月28日 （1）分级集群法 用距离评价单个个体间的相似程度，根据距离最近原则判定并归类到同一类别中的方法。 （2）动态聚类法 在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。 1、非监督分类的基本方法 第八页，共五十二页，2022年，8月28日 非监督分类一般步骤 初始分类 专题判别 分类合并 色彩确定 分类后处理 色彩重定义 统计分析. 第九页，共五十二页，2022年，8月28日 Main C