遥感图像几种分类方法的比较

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。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且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。从传统的基十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、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中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；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，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。

关键词:TM遥感影像，图像分类，最大似然法，决策树

题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1)

第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4)

1.2我国遥感图像分类技术现状 (5)

1.3遥感图像应用于测量中的优势及存在的问题 (6)

1.3.1遥感影像在信息更新方面的优越性 (6)

1.3.2遥感影像在提取信息精度方面存在的问题 (6)

1.4研究内容及研究方法 (8)

1.4.1研究内容 (8)

1.4.2 研究方法 (8)

1.5 论文结构 (9)

第二章遥感图像的分类 (9)

2.1 监督分类 (9)

2.1.1 监督分类的步骤 (9)

2.1.2 最大似然法 (11)

2.1.3 平行多面体分类方法 (12)

2.1.4 最小距离分类方法 (13)

2.1.5监督分类的特点 (13)

2.2 非监督分类 (14)

2.2.1 K-means算法 (14)

K-均值分类法也称为 (14)

2.2.2 ISODATA分类方法 (15)

2.2.3非监督分类的特点 (17)

2.4遥感图像分类新方法 (17)

2.4.1基于决策树的分类方法 (17)

2.4.2 人工神经网络方法 (19)

2.4.3 支撑向量机 (20)

2.4.4 专家系统知识 (21)

2.5 精度评估 (22)

第三章研究区典型地物类型样本的确定 (24)

3.1 样本确定的原则和方法 (24)

3.2 研究区地物类型的确定 (24)

3.3样本区提取方案 (25)

3.4 各个地物类型的样本的选取方法 (25)

3.4.1 建立目视解译标志 (25)

3.4.2 地面实地调查采集 (26)

3.4.3 利用ENVI遥感图像处理软件选取样本点 (26)

第四章遥感图像分类实验研究 (26)

4.1遥感影像适用性的判定 (26)

4.2分类前的预处理 (28)

4.2.1空间滤波的处理 (28)

4.2.2 频域滤波处理 (28)

4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30)

4.3.1监督分类 (30)

4.3.2 决策树 (33)

4.4分类后的处理 (35)

4.5 精度的比较 (36)

第五章结论和展望 (37)

参考文献 (37)

致谢 (39)

第一章绪论

土地利用研究是全球环境变化研究的重要组成部分，土地利用变化驱动因子的研究也是目前研究的热点之一。以往由于一个地区缺乏现在和过去土地利用的最新地图以及缺乏处理大量资料的分析方法，土地利用和覆盖变化的研究工作工期长、误差大、费用高，使土地利用规划受到严重影响。遥感技术则以其快速、

准确、准时、周期短等优点在大中尺度的土地利用动态监测中具有明显的优势，在国内外已经得到了广泛应用。

利用遥感手段获得土地利用信息的一个重要的中间环节就是分类。最先出现的分类技术是图像目视解译分类，它可充分利用判读人员的知识，灵活性好，擅长提取空间相关信息，但定位不准确，时效性差，可重复性差，并存在个人差异。目视解译现在仍然被广泛地应用于对精度要求较高的应用中，特别是在对米级高分辨率遥感图像分类时，目视解译精度一般高于计算机分类精度。

计算机遥感图像分类是计算机模式识别技术在遥感领域中的具体应用，其核心任务就是确定不同地物类别间的判别接口和判别准则，可重复性好，定位准确，处理时间短，时效性好。然而与其它的计算机模式识别不同的是，遥感影像数据类别多，含混度大，维数高，高精度的多类别分类识别具有较大难度。传统的计算机分类方法是基于像元光谱统计特性的硬分类，不善于提取空间信息，不容易解决同物异谱、异物同谱、混合像元等问题，常常出现错分、漏分，分类精度不高，且分出的图斑比较零乱，针对传统的计算机分类方法已出现了很多改进。

目前遥感图像分类方法繁多而且种类杂乱，每种方法都有其自身的特点，但也不可避免的有一些缺陷，鉴于这种现状，本文将对土地利用遥感分类技术进行综述，详细阐述了不同类型遥感数据的性质及应用范围，并在综合比较分析研究当前主要的遥感图像分类方法基础上，对一般的统计分类方法、针对实际情况的分类方法及其它较新的分类方法进行了论述。

1.1遥感图像分类的实际应用及其意义

随着空间科技的发展，各种资源环境监测卫星的发射与运行为地表动态变化研究提供了多平台、多光谱、多时相、大范围的实时信息，遥感技术已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，分类是遥感图像应用的一个重要方面，同时也是学者们研究的重点和热点。随着成像技术及相应数据产品不断的发展，遥感图像分类得到了越来越广泛的应用，由单波段的遥感图像到多光谱图像再到高光谱图像，其应用研究得到不断的扩展和深入。

图像分类是由图像生成专题图的过程。卫星遥感图像简称卫星图像。关于卫星图像在探测地球资源和环境中的作用，研究者将遥感的地学应用划分为制图、监测和估算。在这三方面的应用中，制图特别是专题制图是最常用的，并目_可能是其他两种应用的一个前提条件。事实上，许多应用卫星图像进行监测和估算的工作，也常常是与卫星图像的分类和制图联系起来的。而且有时卫星图像分类还可以仅仅作为提取某些特种信息的手段。

卫星图像分类的方法是对传统方法的重大改进，是从定性到定量的一次飞跃[6]。由于分类的卫星图像都是数字图像，而数字图像的分类又必须通过计算机来进行。这种分类能充分利用卫星数据提供的丰富信息，其结果必定是高度定量化的结果，容易进行面积统计，并从理论上来说可以精确到图像和地面上的像元。当然，如何作好分类以及分类后的应用，并辅助以较少的人工解译，可以大规模节省人力，节省时间，多数情况下还可以节省经费，并完全可以达到与人工解译、勾绘、转绘、量算和传统统计方法结合相同或更高的精度。

1.2我国遥感图像分类技术现状

从20世纪70年代起，随着第一颗陆地卫星发射成功，人们就开始利用计算机进行卫星遥感图像的解译研究。最初是利用数字图像处理软件对卫星数字图像进行几何纠正与位置配准，在此基础上采用人机交互方式从遥感图像中获取有关地学信息。这种方法的实质仍然是遥感图像目视判读，它依赖于图像解译人员的解译经验与水平，在遥感图像分类方法上并没有新的突破。

20世纪80年代，主要是利用统计模式识别方法进行遥感图像的计算机分类，例如Strahier(1980)使用最大似然法对遥感影像数据进行分类，Goldberg(1983)运用光谱特征对多波段卫星影像进行分类，从中获取森林资源信息。这种方法的特点是根据图像中地物的光谱特征对影像中的地物进行分类。这些方法对遥感图像计算机分类的发展起到了推动作用。

20世纪90年代期间至今，涌现出了大量的遥感图像分类方法，例如神经网络，支撑向量机等方法都取得较好的效果。在改进波段信息方面wilkinson．GG(1996)通过增加空间结构信息来辅助分类)采用波段比值。

神经网络算法用于遥感图像分类始于1988年。因其具有对信息的分布式存储，并行处理、自组织、自学习等特点，在遥感图像分类领域中有较为广泛的应用。如Mural．H(1997)提出了基于神经网络和知识发现的分类方法，贾永红等提出了基于BP神经网络的多源遥感影像分类。

支撑向量机是由Vapnik提出的。其基本思想是由事先定义的非线性变换函数集，把向量映射到高维特征空间中，按照支撑向量与决策曲面的空隙极大化的原则来产生最优超平面，然后再把高维特征空间的线性决策边界映射到输入空间的非线决策边界。刘志刚探讨了一种基于支撑向量机的遥感影像不完全监督分类新方、法，骆剑承则提出了基于支撑向量机(SVM)的遥感影像空间特征提取的新方法，并以SPOT全色波段影像上城市特征信息的提取为应用实例，并与人工神经网络(ANN)等特征提取方法进行综合比较，认为SVM方法不但能够获得比较高

的分类精度，而且在学习速度、自适应能力、特征空间高维不限制、可表达性等方面具有优势。

自从1965年扎德教授提出模糊集理论以来，有关模糊信息处理的理论和应用均取得了重大的进展，并由此产生了模糊模式识别方法。后来陆续应用于文字识别、图像分割和语音识别中，并取得了很好的效果。由于地球表层信息的复杂性和开放性，地表信息是多维的、无限的，遥感信息传递过程中的局限性以及遥感信息之间的复杂相关性，决定了感信息的分析具有不确定性、多解性和模糊性，实际上遥感图像所包含的不一定是单纯的地物信息，特别是空间分辨率低的或者是地表复杂度高的影像单元中，往往是多种地物的综合反映(即模糊性)。这一特点使得基于模糊模式识别分类成为遥感影像分类研究中的一个重要趋势。

此外，还有像莫源富等专门针对山区遥感图象，提出分区分类法，结合GIS 多因子辅助分类及人工屏幕修改，有效地改善了山区遥感图象的识别分类。

1.3遥感图像应用于测量中的优势及存在的问题

和传统的对地观测手段相比，遥感技术的优势在于:扩大了人们的视野，从可见光发展到红外、微波等波普范围；在遥感与地理信息系统基础上建立的数学模型未定量化研究奠定基础。在一些地学研究领域，促进了定性描述为主导以定量分析为主的过度；同时，还实现了空间和时间的转移:空间上野外部分工作转移导师实验室；时间上从过去、现在的研究发展到三维空间上的地预测未来。

1.3.1遥感影像在信息更新方面的优越性

使用遥感数据修测地形图，比常规方法大大缩短了时间；在测图和更新修测地图的作业中使用卫星像片要比使用航片的数量大大减少，从而大量地避免了繁琐重复的相片处理工作，同时降低了成本：卫星遥感制图使用的图像资料标准一致，规格统一，是短时间在相同的条件下获得的，能保障的土产品内容上的协调和作业过程的一致。

1.3.2遥感影像在提取信息精度方面存在的问题

1.几何校正方法的研究

国外一些用户由于没有充分考虑卫星影像的几何模型特征，往往根据航空摄影测量的方法和经验，再加上研究区往往缺乏高精度的控制资料，高分辨率卫星影像的校正结果只满足了搞空间分辨率，不能达到高精度。

2.信息提取方法的研究

随着遥感技术和计算机技术的发展，针对土地覆被专题信息的提取方法不断涌现，因此，信息提取方法体系逐步得到完善．诚然如此，不同信息提取方法各有优劣，单纯利用其中某种方法已经不能满足高精度提取要求，如何综合运用多种方法的优点，扬长避短，将是今后研究的重点之一；地学专家知识在土地覆被专题信息提取中具有重要作用．如何综合运用各种地学专家知识，包括地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识等，建立基于相应知识的遥感信息提取模型是遥感信息提取的发展趋势之所在人工智能、非线性理论的引入，使遥感信息计算机提取技术具有了自学习和智能化的特点，更为复杂的图像理解模型也正在研究之中，它们在信息提取领域将发挥越来越重大的作用，有着广泛的应用前景；“面向地块”的土地覆被信息提取充分发挥了遥感的优势，它不仅仅依据地物的光谱特征，而是综合考虑了地物本身的几何和结构信息，不再把单个像素作为图像的最小处理单元，而是把图像先分成“地块”，以“地块”为研究对象，之后的图像分析和处理也都基于对象进行，因此它将显示出其独特的发展潜力。

3.精度评估存在的问题

遥感影像分类精度检验是遥感分类技术中一个必不可少的环节,进行精度检验,一方面可以有效地对分类器进行评价从而改造分类器,另一方面也是对遥感分类成果的最终评价。没有精度说明的数据对用户是没有意义的 ,一般认为,进行遥感影像精度评价,必须用分类数据和检验数据相比较。早期的遥感分类精度检验没有考虑空间位置因素的影响,而且采用训练区数据对分类结果进行检验,导致对分类精度的极大高估。考虑到这两个因素后,一般采用混淆矩阵(Confusion matrix)对分类结果进行精度检验。混淆矩阵既可计算出总精度(Overall accuracy) 、Kappa指数等表示分类总的精度情况的指标, 又可计算出生产者精度( Producer’s accuracy) 、用户精度(User’s accuracy)等表示单个类别分类情况的指标 ,并且混淆矩阵又可作为许多高级统计技术的输入 ,因此被建议作为遥感分类精度检验的标准方法。

混淆矩阵的获取是通过分类结果与检验数据相比较而进行的,所采用的流程一般为:通过更为准确的资料,如土地利用图、航空图像和野外调查数据等,或通过对影像判读的方式,获取检验数据,然后将检验数据与分类结果叠加后获得混

淆矩阵。这一过程工作量极大,而且最后的结果很大程度上取决于检验数据的质量。通过野外调查获取的检验数据,由于图像处理和成像有一定的时间间隔,导致地面类型在此期间可能发生了变化,所以难以保证检验数据的100%的正确性,而

且遥感影像分类的结果一般是土地覆盖类别,因此直接采用土地利用图作为检验

数据源,一般不会产生有效的结果,航空像片的判读结果也不会100%正确,因此用混淆矩阵进行精度检验的方法检验数据的正确性很难保证。除了检验数据的正确性外,要获得有效的检验结果,还必须使检验数据的采样有良好的代表性,因此必须设计出有效的采样方案,包括样本大小和采样方法等。但实际上由于各种因素(包括财力和采样点的通达性等)的影响,很难获取充足的检验数据,致使影像处

理人员倾向于用小样本进行精度检验;各种采样方法也都有其优缺点,难以找到

一个通用的普适性方案。

1.4研究内容及研究方法

1.4.1研究内容

本研究使用ENVI自带的大小为640 400像素的影像美国陆地卫星Landsat-5 TM多光谱遥感图像作为主要数据源(所得图像已经经过辐射校正、几何校正和一些增强处理，可以直接使用)进行处理计算。研究应用决策树方法、最大似然法、最小距离法、支撑向量机和人工神经网络对该地区主要地物的遥感图像的分类，并与传统的监督分类方法进行分析和精度比较。研究过程中，传统的监督分类方法是采用分类精度较高的最大似然分类法和最小距离法；决策树分类方法采用地物样本的不同特征差异建立决策规则作为判别函数建立决策树，然后利用决策树进行分类，神经网络分类方法采用遥感图像的不同特征(原始光谱特征、主成分分析和缨帽变换特征)。本次研究还对分类结果进行精度比较分析。

1.4.2 研究方法

(1)在广泛查阅国内外有关遥感影像分类的文献资料后，进一步了解遥感分类的研究进展和发展趋势，重点是最大似然法和决策树在遥感分类中的应用与研究现状。

(2)掌握遥感图像各种不同分类特征的分析理论和计算方法；

(3)熟练掌握基本的遥感图像分类方法和理论、以及最大似然和决策树的理论知识，确定研究中采用的最大似然和决策树的模型及其算法；

(4)熟练掌握混淆矩阵和kappa分析技术对分类结果进行精度计算方法。

(5)通过野外的实地考察，收集各方面的数据资料(包括影像图和实地采样数据)，为提高分类精度提供基础。

(6)熟练掌握遥感图像的处理软件ENVI4.0中图像预处理、分析及分类等基本的操

作功能。

1.5 论文结构

本文分为五部分。第一章为绪论，主要介绍本次研究的目的、意义以及遥感图像分类识别技术发展现状和存在的问题，并提出本研究的主要内容和研究方法；第二章为遥感图像分类技术的基本理论，介绍遥感图像分类的整个过程的基本原理，传统的监督、非监督分类的基本算法，分类精度评价方法，为本研究提供理论基础；第三章介绍本次分类研究区典型地物类型样本的确定原则和方法，并提出本次分类实验样本的选取方案；第四章为本次分类实验的具体方法和结果，展示了遥感图像分类的全过程，并评价不同分类方法的分类效果；第五章为总结和展望，总结本次的研究工作和不足，对未来的研究展开思路打下铺垫。

第二章遥感图像的分类

2.1 监督分类

监督分类就是先用某些己知训练样本让分类识别系统进行学习，待其掌握了各个类别的特征后，按照分类的决策规则进行分类下去的过程。目前比较成熟的分类方法，一般是概率统计分类方法。除此之外，尚有模拟自然语言的句法结构分类方法和模糊数学分类方法等。就统计分类方法而论，其为通过计算各类别的均值、方差、协方差、标准偏差和离散度等统计量，作为进行比较不同类别的相似程度的依据和标准，也即在这些统计量的基础上建立各个组的类别识别特征来进行分类。自然，监督分类的精度要比非监督分类的方法高些，准确性要好一些，但是监督分类的工作量也要比非监督分类方法大得多。首先，监督分类有一事先训练样本的工作，训练样本要选好，要有一定的代表性，而且要有足够的数量。另外，对于遥感图像分类来说，由于各种地物波谱辐射的复杂性以及干扰因素的多样性，有时仅仅考虑在某特定时间和空间内选取训练样本还是不够的，为了提高分类的精度，这时还必须多选取一些样本组和研究一些新的分类算法。

2.1.1 监督分类的步骤

一般地，分类后不同的图像区域之间性质差异应尽可能地大，而区域内部性质应保证平稳特性。遥感图像分类大致按图2.1的顺序进行:

图2.1 遥感分类流程

遥感图像计算机分类处理的基本过程「27]，包括原始图像的预处理、训练样本的选择、特征的选择和特征提取、分类器设计、图像分类、结果输出以及结果检验等。

监督分类的主要步骤如下：

（1）确定感兴趣的类别数。首先确定对哪些地物进行分类，这样就可以建立这些地物的先验知识。

（2）特征变换和特征选择。特征变换就是原图像通过一定的数字变换生成一组新的特征图像，这一组新的特征影像信息集中在少数几个特征图像上，这样数据量有所减少。遥感图像自动分类中主要的特征变换有主分类变换、哈达玛变换、生物量指标变换、比值变换以及穗帽变换等。

最常用的特征变换是主分量变换，K-L变换的主要特点是:(1)变换前后方差总和不变，而是把原来方差等量的再分配到新的组分图像中；(2)第一组分取得方差的绝大部分，一般占80%以上，也就是说K-L变换的结果使得第一主成分几乎包含了原来多个波段信息的绝大部分内容，其他组分图像的方差依次减少，包含的信息量也剧减；(3)各组分之间相关系数为0或接近0，也就是说各组分图像所包含的信息内容在很大程度上是不同的；(4)第一主成分相当于原来各波段的加权和，而权值又与该波段的方差大小成正比(方差大，则图像包含的信息量大)，反映了地物总的反射强度。其余组分相当于不同组分的加权差值图像；(5)对第一组分进行高通滤波，有利于细部特征的增强和分析；(6)多数情况下，第一主成分主要包含的是地形和植被方面的信息。采用K-L变换选取能量较大的M个分量代替原来的D个分量。通过K-L变换，消除了原有向量的各分量之间的相关性，从而有可能去掉那些带有较少信息的坐标轴以达到降低特征空间维数的目的。

根据感兴趣地物的特征进行有针对的特征变换，变换之后的特征影像和原始影像共同进行特征选择，以选出既能满足分类分类需要，又尽可能少参与分类的特征影像，加快分类速度，提高分类精度。

（3）选择训练样本。训练样本的选择是非常重要的一步，在监督分类中由于训练样本的不同，分类结果就会出现极大的差异。因此，遥感分类结果的好坏很大程度上取决于训练样本的正确选择。训练样本的选取包括两个方面，一是确定要分类的地物类型；二是确定训练样本的数量。然而对训练样本的如何选取并

遥感图像几种分类方法的比较

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。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且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。从传统的基十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、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中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；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，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。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

6-遥感图像特征和解译标志

上次课主要内容 4.4简单自然地物可识别性分析 4.5复杂地物识别概率(重点理解) ①要素t 的价值②要素总和（t 1，t 2，…，t m ）t 的价值 K -K E ∑ = ③复杂地物识别概率的计算理解p70~71例子

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 5.2 遥感图像特征与解译标志的关系 5.3 遥感图像的时空特性 5.4 遥感图像中的独立变量 5.5 地物统计特征的构造

第五章遥感图像特征和解译标志 地物特征 电磁波特性 影像特征 遥感图像记录过程 n 图像解译就是建立在研究地物性质、电磁波性质 及影像特征三者的关系之上 n 图像要素或特征，分“色”和“形”两大类：?色：色调、颜色、阴影、反差； ?形：形状、大小、空间分布、纹理等。“形”只有依靠“色”来解译才有意义。

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n两个定义： ?解译标志定义：遥感图像光谱、辐射、空间和时间特征决定 图像的视觉效果、表现形式和计算特点，并导致物体在图像上 的差别。 l给出了区分遥感图像中物体或现象的可能性； l解译标志包括：色调与色彩、形状、尺寸、阴影、细部（图 案）、以及结构（纹理）等； l解译标志是以遥感图像的形式传递的揭示标志； ?揭示标志定义：在目视观察时借以将物体彼此分开的被感知 对象的典型特征。 l揭示标志包括：形状、尺寸、细部、光谱辐射特性、物体的阴 影、位置、相互关系和人类活动的痕迹； l揭示标志的等级决定于物体的性质、他们的相对位置及与周围 环境的相互作用等；

第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n解译标志和揭示标志的关系： ?解译标志是以遥感图像的形式传递的揭示标志； ?虽然我们是通过遥感图像识别地物目标的，但是大多数情况 下，基于遥感图像识别地物并作出决定时，似乎并不是利用解 译标志，而是利用揭示标志。 例如，很多解译人员刚看到图像就差不多在脑海中形成地物的形象， 然后仅仅分析这个形象就能作出一定的决定。实际上，有经验的解译人 员，在研究图像的解译标志并估计到传递信息的传感系统的影响以后， 思想中就建立起地物的揭示标志，并在这些标志的基础上识别被感知物 体。解译人员在实地或图像上都没见过的地物或现象是例外。 n解译标志和揭示标志可以按两种方式进行划分：?直接标志和间接标志； ?永久标志和临时标志；

遥感图像分类

实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：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、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)

遥感图像分类方法综述

龙源期刊网 https://www.docsj.com/doc/1e13476073.html, 遥感图像分类方法综述 作者：胡伟强鹿艳晶 来源：《中小企业管理与科技·下旬刊》2015年第08期 摘要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结， 对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。 关键词：遥感图像；监督分类；分类精度 1 概述 遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。 2 传统遥感图像分类方法 2.1 非监督分类方法 非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。 2.2 监督分类方法 对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification，MLC）、最小距离分类、K-近邻分类等。 3 基于新理论的遥感图像分类方法 3.1 基于人工神经网络的遥感图像分类 在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其

试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。

遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

遥感图像的监督分类与处理_赵文彪

杭州师范大学《遥感原理与应用》实验报告 题目：遥感图像的监督分类与处理实验姓名：赵文彪 学号： 2014212425 班级：地信141 学院：理学院

1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法：监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况： 理想情况：至少在一个子空间中可以相互区分 典型情况：任一子空间都有相互重叠，总的特征空间可以区分 一般情况：任一子空间都存在重叠现象 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。在分类乊前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决凼数迚行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多） 以下为剪切出来的遥感影像

遥感图像分类方法研究综述

第2期,总第64期国　土　资　源　遥　感No.2,2005　2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005　 遥感图像分类方法研究综述 李石华1,王金亮1,毕艳1,2,陈姚1,朱妙园1,杨帅3,朱佳1 (1.云南师范大学旅游与地理科学学院,昆明　650092;2.云南省寄生虫病防治所,思茅　665000; 3.云南开远市第一中学,开远　661600) 摘要:综述了遥感图像监督分类和非监督分类中的各种方法,介绍了各种方法的优缺点、适用领域和应用情况,并作了简单评述,最后,展望了遥感图像分类方法研究发展方向和研究热点。 关键词:遥感;图像分类;分类方法 中图分类号:TP751　文献标识码:A 文章编号:1001-070X(2005)02-0001-06 0　引言 随着卫星遥感和航空遥感图像分辨率的不断提 高,人们可以从遥感图像中获得更多有用的数据和 信息。由于不同领域遥感图像的应用对遥感图像处 理提出了不同的要求,所以图像处理中重要的环 节———图像分类也就显得尤为重要,经过多年的努 力,形成了许多分类方法和算法。本文较全面地综 述了这些分类方法和算法,为遥感图像分类提供理 论指导。 1　遥感图像分类研究现状 在目前遥感分类应用中,用得较多的是传统的 模式识别分类方法,诸如最小距离法、平行六面体 法、最大似然法、等混合距离法(I S OM I X)、循环集群 法(I S ODAT A)等监督与非监督分类法。其分类结果 由于遥感图像本身的空间分辨率以及“同物异谱”、 “异物同谱”现象的存在,往往出现较多的错分、漏分 现象,导致分类精度不高[1]。随着遥感应用技术的 发展,傅肃性等对P.V.Balstad(1986)利用神经网络 进行遥感影像分类的研究情况以及章杨清等在利用 分维向量改进神经网络在遥感模式识别中的分类精 度问题作了阐述[2], 孙家对M.A.Friedl(1992)和 C.E.B r odley(1996)研究的大量适用于遥感图像分类的决策树结构作了阐述[3],尤其是近年来针对高光谱数据的广泛应用,各种新理论新方法相继涌现,对传统计算机分类方法提出了新的要求[4,5]。 2　基于统计分析的遥感图像分类方法 2.1　监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2,3,6,7]。常用的监督分类方法有:K邻近法(K-Nearest Neighbor)、决策树法(Decisi on Tree Classifi2 er)和贝叶斯分类法(Bayesian Classifier)。主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。 最大似然分类法(MLC)是遥感分类的主要手段之一。其分类器被认为是一种稳定性、鲁棒性好的分类器[8]。但是,如果图像数据在特征空间中分布比较复杂、离散,或采集的训练样本不够充分、不具代表性,通过直接手段来估计最大似然函数的参数,就有可能造成与实际分布的较大偏差,导致分类结果精度下降。为此,不少学者提出了最大似然分类器和神经网络分类器。改进的最大似然分类器多采用Gauss光谱模型作为条件概率密度函数模型,其中最简单的是各类先验概率相等的分类器(即通常所说的最大似然分类器),复杂的有Ediri w ickre ma等提出的启发式像素分类估计先验概率法。Mclachlang J 收稿日期:2004-11-23;修订日期:2005-03-15 基金项目:国家重点基础研究发展计划(973计划)项目(2003CB41505-11)、国家自然科学基金项目(40361007)和云南省自然科学基金项目(2002D0036M和2003C0030Q)资助。

遥感影像的分类处理

摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

envi遥感图像监督分类与非监督分类

envi遥感图像监督分类 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。

遥感图像分类后处理

遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。 因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；

三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。

遥感影像云识别方法综述

遥感影像云识别方法综述 国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。 1. 基于光谱特征的方法： 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。 算法主要由有五部分组成： （1）单一红外图像的空间对比试验。 （2）三个连续红处图像的时间对比试验。 （3）可见光和红外图像的空间/时间的累计统计合成。 （4）每5天的可见光和红处辐射的晴空合成。 （5）每个像元的可见光和红外辐射阈值勤的选取。 APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台

上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要

遥感图像分类方法综述

遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised

遥感影像中建筑物提取研究综述

基于遥感影像的建筑物提取研究方法综述 摘要：遥感影像上建筑物提取的基础理论研究始于20世纪80年代，随着遥感技术的不断进步，遥感影像的分辨率及精确度越来越高以及快速发展的城市在城市空间数据库方面的巨大要求。现在城市空间数据库需要对数据快速获取更新，又因为遥感影像本身具有的现时性，更新速度快的特点。在城市空间数据库的更新、城市动态监测、城市变化监测以及“智慧城市”建设等方面有着重要的使用价值。本文介绍基于不同遥感影像提取建筑物的基本方法和几个发展趋势。主要包括SAR图像，LIDAR点云数据，高光谱影像，航空影像等多种源数据不同的提取方法，以及不同数据来源的优缺点。同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。 1.引言 城市地区的遥感影像中，超过8成的目标是建筑物和道路，所以对建筑物和道路的识别和提取式遥感影像地物提取的主要研究方向，除道路和建筑物以外，剩下的大部分都是植被，在城市中绿地的面积占了一定的比例，在建筑物的提取中，建筑物在遥感影像中容易受到植被的干扰，如何高效率、高质量的剔除植被对建筑物的影响成了建筑物提取的关键。进行建筑物提取的主要应用有城区自动提取、 地图更新、城市变化监测、城市规划、三维建模、数字化城市建立等诸多方面，如何实现建筑物的快速、高精度、自动化提取成为目前的研究热点。目前对绿地和水体的自动提取已经比较成熟，而道路和建筑物由于其自身的复杂性导致自动提取困难，本文主要提出了目前遥感影像建筑物提取研究的热点及其发展趋势。 2.建筑物提取的历史发展 快速准确地获取不同类型城市建筑的空间位置、形状等信息具有极其重要的意义，在城市规划、城市动态监测、城市三维建模、地形图更新、地籍调查等方面有广泛的应用。目前，对自动建立城市三维模型和实现城市虚拟现实的需求越来越多，利用大比例尺航空影像获取城市建筑物的三维几何信息和表面纹理，是实现“三维城市”建模的有效途径之一。 到目前为止，利用高分辨率航空相片或卫星影像提取建筑物等人工地物信息的方法大体分为两类：其一，利用图像信息结合高程信息进行建筑物信息提取，因为城市里的建筑物有一定的高度信息，通过建筑物与周围环境（地面）之间的高差进行屋顶边界的提取，这种方法大多需要一定的辅助数据如DEM、DSM等一类具有地物高程数据的影像。其二，利用高空间分辨率遥感影像数据结合计算

遥感图像分类方法_文献综述

遥感图像分类方法研究综述 摘要 本文概述了遥感图像分类的概念和原理，详细探讨了传统的遥感分类方法，对各种方法的进行了定性的比较与分析。然后介绍了分别基于GPU、计算机集群和刀片机服务器的三种加快分类速度的途径，最后展望了遥感图像分类方法的发展方向和研究热点。 关键词：遥感；图像分类；监督分类；非监督分类；GPU；机群系统；刀片机 1．引言 在遥感图像处理的研究中，无论是专业信息提取，地物变化预测，还是专题地图制作等都离不开分类。遥感图像分类有类别多，混合度大和计算量大的特点，分类方法的优劣直接关系到分类的精度和速度。由于遥感图像本身的空间分辨率以及“同物异谱”和“异物同谱”现象的存在，往往出现较多的错分、漏分现象，导致分类精度不高[1]，如何实现图像分类识别并满足一定的分类精度，是当前遥感图像研究中的一个关键问题, 也是研究的焦点[2]。 2．遥感图像分类原理 遥感图像通过亮度值或像素值的高低差异及空间变化表示不同地物的差异，如不同类型的植被、土壤、建筑物及水体等，这也是区分不同地物的理论依据。利用光谱特征（地物电磁波辐射的多波段测量值）或纹理等空间结构特征，按照某种规则就能对地物在遥感图像上的信息进行识别与分类。图像分类的目标就是通过对各类地物波谱特征的分析选择特征参数，将特征空间划分为不相重叠的子空间，进而把影像诸像元划分到各子空间去，从而实现分类[3]。 3．传统分类方法 遥感影像的计算机分类方法可分为两种：统计判决分类和句法模式识别。前者通过对研究对象进行大量的统计分析, 抽出反映模式的本质特点、特征而进行识别。后者则需要了解图像结构信息, 从而对其进行分类。传统的分类方法一般为统计判决分类, 如最大似然法、K均值法等。近年来发展的分类新方法则多采用句法方法, 如专家系统法和决策树分类法等。 根据是否已知训练样本的分类数据，统计模式方法可分为监督分类、非监督分类。下面将具体介绍监督分类、非监督分类以及其它分类（如模糊分类和人工神经网络分类）的典型算法及其主要步骤。 3.1 监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,把图像中的各个像元点划归到各个给定类[4-7]。常用的监督分类方法有最小距离分类、平行六面体分类、最大似然分类等。主要步骤包括：（1）选择特征波段；（2）选择训练区；（3）选择或构造训练分类器；（4)对分类精度进行评价。 3.1.1 最小距离分类 最小距离分类的基本思想是按照距离判决函数计算象素点与每一个聚类中心的光谱距离，将该像素点归到距离最近的类别。该分类方法的距离判决函数是建立在欧氏距离的基础上的，公式如下：

遥感影像分类实验报告

面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院

一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤

图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个

对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。