遙感圖象處理——分類與特征提取概述遙感圖像現(xiàn)勢性很強。利用計算機進行遙感圖像智能化解譯，可以快速獲取地表不同專題信息，并利用這些專題信息迅速地更新地理數(shù)據(jù)庫。

分類原理與過程計算機遙感圖像分類是統(tǒng)計模式識別技術(shù)在遙感領域中的具體應用。關鍵是提取待識別模式的一組統(tǒng)計特征值。遙感圖像分類的主要基礎是地物的光譜特征。然而，有時多波段影像的原始亮度值并不能很好地表達類別特征，因此需要對數(shù)字圖像進行運算處理（如比值處理、差值處理、主成分變換以及K－T變換等），以尋找能有效描述地物類別特征的模式變量，然后利用這些特征變量對數(shù)字圖像進行分類。分類原理與過程

分類過程中采用的統(tǒng)計特征變量包括：全局統(tǒng)計特征變量和局部統(tǒng)計特征變量。全局統(tǒng)計特征變量如地物的光譜特征，TM的6個波段數(shù)據(jù)進行K－T變換（纓帽變換）獲得的亮度特征。局部統(tǒng)計特征變量是將數(shù)字圖像分割成不同識別單元，在各個單元內(nèi)分別抽取的統(tǒng)計特征變量。例如，紋理。分類原理與過程

在很多情況下，利用少量特征就可以進行遙感圖像的地學專題分類，因此需要從遙感圖像n個特征中選取k個特征作為分類依據(jù)，我們把從n個特征中選取k個更有效特征的過程稱為特征提取。特征提取要求所選擇的特征相對于其他特征更便于有效地分類，使圖像分類不必在高維特征空間里進行，其變量的選擇需要根據(jù)經(jīng)驗和反復的實驗來確定。分類原理與過程

遙感圖像計算機分類的依據(jù)是遙感圖像像素的相似度。在遙感圖像分類過程中，常使用距離和相關系數(shù)來衡量相似度。距離:特征空間中象元數(shù)據(jù)和分類類別特征的距離，越小則相似程度越大。度量特征空間中的距離經(jīng)常采用以下幾種算法:絕對值距離歐氏距離x為像元數(shù)據(jù)矢量類別k的平均值矢量像元i在k波段的值分類原理與過程分類原理與過程標準歐氏距離：在特征空間的軸向上，當總體分布的離散度大小不同時，即使歐氏距離相等，各軸向上的相似程度也不同。用標準偏差把軸向上離散差異歸一化的距離叫標準歐氏距離。分類原理與過程馬氏距離（Mahalanobis）：總體分布除了軸向上離散度不同以外，在各軸之間往往還存在相關性。在考慮離散度的同時，也考慮到各軸間的總體分布的相關（協(xié)方差）來進行校正的距離叫馬氏距離。協(xié)方差矩陣分類原理與過程相關系數(shù)是指像素間的關聯(lián)程度。采用相關系數(shù)衡量相似度時，相關系數(shù)越大，相似度越大。兩個像素之間的相關系數(shù)rij可以定義為：像元i的第k個分量均值分類原理與過程遙感數(shù)字圖像計算機分類基本過程如下：首先明確分類的目的，在此基礎上選取遙感圖像。收集與分析研究區(qū)域信息。數(shù)字圖像進行輻射校正和幾何糾正。根據(jù)分類要求和圖像數(shù)據(jù)的特征，選擇合適的圖像分類方法和算法。根據(jù)應用目的及圖像數(shù)據(jù)的特征制定分類系統(tǒng)，確定分類類別，在分類過程中確定分類類別。分類原理與過程找出代表這些類別的統(tǒng)計特征。為了測定總體特征，在監(jiān)督分類中可選擇具有代表性的訓練區(qū)域進行采樣，測定其特征。在非監(jiān)督分類中，可用聚類等方法對特征相似的像素進行歸類，測定其特征。對遙感圖像中所有像素進行分類。分類精度檢查。在監(jiān)督分類中把已知的訓練數(shù)據(jù)及分類類別與分類結(jié)果進行比較，確認分類的精度及可靠性。在非監(jiān)督分類中，采用隨機抽樣方法，分類效果的好壞需經(jīng)實際檢驗或利用分類區(qū)域的調(diào)查材料、專題圖進行核查。分類方法

監(jiān)督分類：最小距離分類法、多級切割分類法、特征曲線窗口法、最大似然比分類法等非監(jiān)督分類：多級集群法、動態(tài)聚類法等最小距離分類法

最小距離分類法是用特征空間中的距離表示像元數(shù)據(jù)和分類類別特征的相似程度，在距離最小時（相似度最大）的類別上對像元數(shù)據(jù)進行分類的方法。最小距離分類法最小距離分類法原理簡單，分類精度不很高，但計算速度快，它可以在快速瀏覽分類概況中使用。多級切割法多級切割法（multi-levelsliceclassifier）是根據(jù)設定在各軸上的值域分割多維特征空間的分類方法。這種方法通過選取訓練區(qū)，了解類別的特征，并設定每個分類類別的光譜特征上、下限值，構(gòu)成特征子空間。對于一個未知類別的像素來說，它的分類取決于它落入哪個類別特征子空間中。如落入所有特征子空間之外，則屬于未知類型。因此多級切割分類法要求訓練區(qū)樣本的選擇必須覆蓋所有的類型。遙感圖象處理：分類用多級切割法分割三維特征空間

多級切割法

多級分割法分類便于直觀理解如何分割特征空間，以及待分類像素如何與分類類別相對應。但它要求分割面總是與各特征軸正交，如果各類別在特征空間中呈現(xiàn)傾斜分布，就會產(chǎn)生分類誤差。因此運用多級分割法分類前，需要先進行主成分分析，或采用其他方法對各軸進行相互獨立的正交變換，然后進行多級分割。特征曲線窗口法

特征曲線是地物光譜特征參數(shù)構(gòu)成的曲線。由于地物光譜特征受到大氣散射、天氣狀況等影響，即使同類地物，它們所呈現(xiàn)的特征曲線也不完全相同，而是在標準特征曲線附近擺動變化。因此以特征曲線為中心取一個條帶，構(gòu)造一個窗口，凡是落在此窗口范圍內(nèi)的地物即被認為是一類，反之，則不屬于該類，這就是特征曲線法。特征曲線窗口法分類的依據(jù)是：相同的地物在相同的地域環(huán)境及成像條件下，其特征曲線是相同或相近的，而不同地物的特征曲線差別明顯。特征曲線窗口法特征曲線窗口法可以根據(jù)不同特征進行分類，如利用標準地物光譜曲線的位置、反射峰或谷的寬度和峰值的高度作為分類的識別點，給定誤差容許范圍，分別對每個像素進行分類；或者利用每一類地物的各個特征參數(shù)上、下限值構(gòu)造一個窗口，判別某個待分像元是否落入該窗口，只要檢查該像元各特征參數(shù)值是否落入到相應窗口之內(nèi)即可。特征曲線窗口法特征曲線窗口法分類的效果取決于特征參數(shù)的選擇和窗口大小。各特征參數(shù)窗口大小的選擇可以不同，它要根據(jù)地物在各特征參數(shù)空間里的分布情況而定。最大似然比分類法最大似然比分類法（maximumlikelihoodclassifier）它假定訓練區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣，近似服從正態(tài)分布，利用訓練區(qū)可求出均值、方差以及協(xié)方差等特征參數(shù)，從而可求出總體的先驗概率密度函數(shù)。當總體分布不符合正態(tài)分布時，其分類可靠性將下降，這種情況下不宜采用最大似然比分類法。

最大似然比分類法最大似然比分類必須知道總體的概率密度函數(shù)P（x|k）。由于假定訓練區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣，近似服從正態(tài)分布（對一些非正態(tài)分布可以通過數(shù)學方法化為正態(tài)問題來處理），通過訓練區(qū)，可求出其平均值及方差、協(xié)方差等特征參數(shù)，從而可求出總體的先驗概率密度函數(shù)。此時，像素x歸為類別k的歸屬概率Lk表示如下（這里省略了和類別無關的數(shù)據(jù)項）：類別k的協(xié)方差矩陣類別k的平均向量（n維）最大似然比分類法

這種最大似然比分類法的特征是，在分類結(jié)果上具有概率統(tǒng)計的意義。但必須注意幾點：（l）為了以較高精度測定平均值及方差、協(xié)方差，各個類別的訓練數(shù)據(jù)至少也要為特征維數(shù)的10到100倍以上。（2）如果2個以上的波段相關性很強，那么方差協(xié)方差矩陣的逆矩陣就不存在，或非常不穩(wěn)定。在訓練數(shù)據(jù)幾乎都取相同值的均質(zhì)性數(shù)據(jù)組的情況下也是如此。此時，最好采用主成分分析法，把維數(shù)減到僅剩相互獨立的波段。（3）當總體分布不符合正態(tài)分布時，不適于采用以正態(tài)分布的假設為基礎的最大似然比分類法。其分類精度也將下降。

監(jiān)督分類訓練樣本的選擇在監(jiān)督分類中，由于訓練樣本選擇的不同，分類結(jié)果會出現(xiàn)極大的差異。一類地物的訓練場地應多選擇幾塊。利用圖件進行樣本選擇要注意時間和空間問題。地形因素的影響對同類地物向陽面、向陰面不能用都分為一組進行采樣的方法來解決。這樣會使訓練樣本總體不服從多元正態(tài)分布，且樣本的離散程度增加，導致分類精度下降。向陽面、向陰面可采用“同類多組法”選擇訓練樣本。特征變量的選擇特征變量不宜過多，過多不能增加分類精度，反而造成更多的混淆和不確定。特征變量之間相關性要小。使同類大體接近，不同類距離盡量大。非監(jiān)督分類

非監(jiān)督分類主要采用聚類分析方法，聚類是把一組像素按照相似性歸成若干類別。它的目的是使得屬于同一類別的像素之間的距離盡可能的小而不同類別上的像素間的距離盡可能的大。其常用方法有：分級集群法動態(tài)聚類法分級集群法。由于不同地物的輻射特性不同，反映在直方圖上會出現(xiàn)很多峰值及其對應的一些灰度值，它們在圖像上對應的像元分別傾向于聚集在各自不同灰度空間形成的很多點群，這些點群就叫做集群。分級集群法采用“距離”評價每個像元在空間分布的相似程度，把它們的分布分割或者合并成不同的集群。每個集群的地理意義需要根據(jù)地面調(diào)查或者與已知類型的數(shù)據(jù)比較后方可確定。分級集群法分級集群法的分類過程如下：確定評價各樣本相似程度所采用的指標，這里可以采用前面監(jiān)督分類中介紹的幾種距離。初定分類總數(shù)n。計算個體間的距離；根據(jù)距離最近的原則判定歸并到不同類別。歸并后的類別作為新類，與剩余的類別重新組合，然后再計算并改正其距離。在達到所要分類的最終類別數(shù)以前，重復樣本間相似度的評價和歸并，這樣直到所有像素都歸入到各類別中去。確定采用的距離確定分類總數(shù)n找出距離最小的類別組歸并距離最小的類別計算歸并后新的個體間的距離歸并后的類別數(shù)STOPYN分級集群法

分級集群方法的特點是這種歸并的過程是分級進行的，在迭代過程中沒有調(diào)整類別總數(shù)的措施，如果一個像元被歸入到某一類后，就排除了它再被歸入到其他分支類別中的可能性，這樣可能導致對一個像元的操作次序不同，會得到不同的分類結(jié)果，這是該方法的缺點。動態(tài)聚類法

在初始狀態(tài)給出圖像粗糙的分類，然后基于一定原則在類別間重新組合樣本，直到分類比較合理為止，這種聚類方法就是動態(tài)聚類。ISODATA(IterativeOrgnizingDataAnalysizeTechnique迭代自組織數(shù)據(jù)分析技術(shù)）方法在動態(tài)聚類法中具有代表性。ISODATA方法按照某個原則選擇一些初始類聚類中心。在實際操作中，要把初始聚類數(shù)設定得大一些，同時引入各種對迭代次數(shù)進行控制的參數(shù)，如控制迭代的總次數(shù)、每一類別最小像元數(shù)、類別的標準差、比較相鄰兩次迭代效果以及可以合并的最大類別對數(shù)等，在整個迭代過程中，不僅每個像元的歸屬類別在調(diào)整，而且類別總數(shù)也在變化。ISODATA方法計算像素與初始類別中心的距離，把該像素分配到最近的類別中。動態(tài)聚類法中類別間合并或分割所使用的判別標準是距離，待分像元在特征空間中的距離說明互相之間的相似程度，距離越小，相似性大，則它們可能會歸入同一類。這里的距離可以采用前面介紹的幾種距離。計算并改正重新組合的類別中心，如果重新組合的像素數(shù)目在最小允許值以下，則將該類別取消，并使總類別數(shù)減1。當類別數(shù)在一定的范圍，類別中心間的距離在閾值以上，類別內(nèi)的方差的最大值為閾值以下時，可以看作動態(tài)聚類的結(jié)束。當不滿足動態(tài)聚類的結(jié)束條件時，就要通過類別的合并及分離，調(diào)整類別的數(shù)目和中心間的距離等，然后返回到上一步，重復進行組合的過程。動態(tài)聚類法

動態(tài)聚類法中有類別的合并或分裂，這說明迭代過程中類別總數(shù)是可變的。如果兩個類別的中心點距離近，說明相似程度高，兩類就可以合并成一類；或者某類像元數(shù)太少，該類就要合并到最相近的類中去。類別的分裂也有兩種情況：某一類像元數(shù)太多，就設法分成兩類；如果類別總數(shù)太少，就將離散性最大的一類分成兩個類別，可以先求出每個類別的均值和標準差，然后通過對每一個波段的標準偏差設定閾值來實現(xiàn)，標準差大于閾值，該類就要分裂。ERDAS中的分類ERDAS中的非監(jiān)督分類采用的是ISODATA方法，操作主要過程如下：采用的是ISODATA方法，操作主要過程如下：1.3.2.4.執(zhí)行分類步驟：ERDAS中的監(jiān)督分類——采樣分類后處理

無論是監(jiān)督分類還是非監(jiān)督分類，其結(jié)果都會產(chǎn)生一些面積很小的圖斑。無論從專題制圖的角度還是實際應用的角度，都有必要對這些小圖斑進行剔除。處理方法：聚類統(tǒng)計(Clump)過濾分析(Sieve)去除分析(Eliminate)分類重編碼（Recode)分類后處理聚類統(tǒng)計：通過對分類專題圖像計算每個分類圖斑的面積、記錄相鄰區(qū)域中最大圖斑面積的分類值等操作，產(chǎn)生一個Clump類組輸出圖像，其中每個圖斑都包含Clump類組屬性。這是一個中間結(jié)果，供下一步處理使用。分類后處理過濾分析：對經(jīng)Clump處理后的Clump類組圖像進行處理，按照定義的數(shù)值大小，刪除Clump圖像中較小的類組圖斑，并將刪除的小圖斑合并到相鄰的最大分類中。分類后處理分類重編碼：主要是針對非監(jiān)督分類而言的，因在非監(jiān)督分類過程中，用戶一般要定義比最終需要多一定數(shù)量的分類數(shù)；在完全按照像元灰度值通過ISODATA聚類獲得分類方案后，首先是將專題分類圖像與原始圖像對照，判斷每個類別的專題屬性，然后對相似或類似的分類通過圖像重編碼進行合并，并定義分類名稱和顏色。分類重編碼還可以用在其它方面，作用有所不同。分類后處理監(jiān)督/非監(jiān)督分類方法比較

根本區(qū)別點在于是否利用訓練樣區(qū)來獲取先驗的類別知識監(jiān)督分類根據(jù)訓練樣區(qū)提供的樣本選擇特征參數(shù)，建立判別函數(shù)，對待分類像元進行分類。因此，訓練場地選擇是監(jiān)督分類的關鍵。對于不熟悉區(qū)域情況的人來說，選擇足夠數(shù)量的訓練樣區(qū)帶來很大的工作量，操作者需要將相同比例尺的數(shù)字地形圖疊在遙感圖像上，根據(jù)地形圖上的已知地物類型圈定分類用的訓練樣區(qū)。由于訓練樣區(qū)要求有代表性，訓練樣本的選擇要考慮到地物光譜特征，樣本數(shù)目要能滿足分類的要求，有時這些還不易做到，這是監(jiān)督分類不足之處。監(jiān)督/非監(jiān)督分類方法比較非監(jiān)督分類不需要更多的先驗知識，它根據(jù)地物的光譜統(tǒng)計特性進行分類。因此，非監(jiān)督分類方法簡單，且分類具有一定的精度。嚴格說來，分類效果的好壞需要經(jīng)過實際調(diào)查來檢驗。當光譜特征類能夠和唯一的地物類型（通常指水體、不同植被類型、土地利用類型、土壤類型等）相對應時，非監(jiān)督分類可取得較好分類效果。當兩個地物類型對應的光譜特征類差異很小時，非監(jiān)督分類效果不如監(jiān)督分類效果好。存在的問題

遙感圖像計算機分類算法設計的主要依據(jù)是地物光譜數(shù)據(jù)。因此，存在著如下的問題：未充分利用遙感圖像提供的多種信息遙感數(shù)字圖像計算機分類的依據(jù)是像素具有的多光譜特征，并沒有考慮相鄰像素間的關系。例如，被湖泊包圍的島嶼，通過分類僅能將陸地與水體區(qū)別，但不能將島嶼與臨近的陸地（假定二者地面覆蓋類型相同，具有同樣的光譜特征）識別出來。這種方法的主要缺陷在于地物識別與分類中沒有利用到地物空間關系等方面的信息。

存在的問題未充分利用遙感圖像提供的多種信息統(tǒng)計模式識別以像素作為識別的基本單元，未能利用圖像中提供的形狀和空間位置特征，其本質(zhì)是地物光譜特征的分類。例如，根據(jù)水體的光譜特征，在分類過程中可以識別構(gòu)成水體的像素，但計算機無法確定一定空間范圍的水體究竟是湖泊還是河流。存在的問題提高遙感圖像分類精度受到限制分類精度是指分類結(jié)果的正確率，包括地物屬性被正確識別，以及它們在空間分布的面積被準確度量。遙感數(shù)字圖像分類結(jié)果在沒有經(jīng)過專家檢驗和多次糾正的情況下，分類精度一般不超過90％，其原因除了與選用的分類方法有關外，還存在著制約遙感圖像分類精度的幾個客觀因素：大氣狀況的影響。存在的問題提高遙感圖像分類精度受到限制下墊面的影響下墊面的覆蓋類型和起伏狀態(tài)對分類具有一定影響。

1.混合像元，

存在的問題提高遙感圖像分類精度受到限制其他因素的影響云。分類前可以采用去噪音方法進行清除。多時相圖像分類時，同一地物電磁波輻射量存在差別。地物邊界的多樣性，使得判定類別的邊界往往是很困難的事。例如，湖泊和陸地具有明確的界線，但森林和草地的界線則不明顯，不少地物類型間還存在著過渡地帶。

提高遙感圖像分類精度，既需要對圖像進行分類前處理，也需要選擇合適的分類方法。

遙感圖像多種特征提取

遙感圖像解譯，除了利用地物的光譜特征外，還需利用地物的形狀特征和空間關系特征，因此需要提取圖像的其他特征。對于高分辨率遙感圖像，可以清楚地觀察到豐富的結(jié)構(gòu)信息，如城市是由許多街區(qū)組成的，每個街區(qū)又由多個矩形樓房構(gòu)成，其中人造地物具有明顯的形狀和結(jié)構(gòu)特征，如建筑物、廠房、農(nóng)田田埂，因此可以設法提取這類地物的形狀特征及其空間關系特征，以作為結(jié)構(gòu)模式識別的依據(jù)。

分類精度提高的對策1.分類前處理：輻射校正，K-L變換2.分層、逐次分類:先分易分的大類別，對每一類再進一步劃分?；蚍謪^(qū)域，如分山區(qū)和平原進行。3.使用不同的分類方法4.多種信息的復合5.GIS技術(shù)支持GIS對圖像解譯的輔助作用對遙感圖像進行輻射改正，消除或降低地形差異的影響

由于地形差異，導致同類地物在山地的向陽面與背陽面的光譜響應特性差別很大，造成“同譜異物，同物異譜”現(xiàn)象。利用同一地區(qū)相同比例尺數(shù)字高程數(shù)據(jù)，進行格網(wǎng)化插值處理，格網(wǎng)單元尺寸與像素尺寸相同，然后采用數(shù)字地面模型生成坡度坡向圖，在此基礎上利用地面高程數(shù)據(jù)以及坡度坡向數(shù)據(jù)，對遙感圖像的亮度值進行輻射糾正，進行計算機解譯。

GIS對圖像解譯的輔助作用作為解譯的直接證據(jù)，增加遙感圖像的信息量利用同比例尺地面高程數(shù)據(jù)作為解譯直接證據(jù)，參加計算機解譯，可以增加遙感圖像的信息量。GIS對圖像解譯的輔助作用作為解譯的輔助證據(jù)，減少自動解譯中的不確定性為了提高自動解譯精度，可以把專題數(shù)據(jù)庫的有關數(shù)據(jù)與遙感圖像復合，增加解譯的輔助證據(jù)。例如，利用常規(guī)的遙感圖像分類方法，按照光譜特征進行植被類型預分類，然后將預分類結(jié)果和地學專題圖（如土壤類型現(xiàn)狀圖）進行幾何配準和信息復合，按照土壤類型現(xiàn)狀圖提供的信息，依據(jù)植被土壤相關分布規(guī)則對預分類結(jié)果中存在疑問的植被類型進行修改調(diào)整，減少解譯中不確定因素造成的錯誤。

GIS對圖像解譯的輔助作用作為解譯結(jié)果的檢驗數(shù)據(jù)，降低誤判率

計算機解譯的結(jié)果需要進行檢驗，以便確定其解譯精度和誤判率。利用GIS中各種專題數(shù)據(jù)庫的有關數(shù)據(jù)進行計算機自動解譯結(jié)果的檢驗是目前可行的方法之一。檢驗方法是：將有關專題圖與計算機解譯結(jié)果圖進行復合配準，分別將解譯結(jié)果圖中每個地物類別與專題圖圖元相互對照，按一定規(guī)則判別其正確率，統(tǒng)計其誤判率。結(jié)合實際抽樣檢驗，確定計算機解譯精度。

分類精度的評價分類精度的評價通常用分類圖和標準數(shù)據(jù)（圖件或地面實測）進行比較，以正確分類的百分比來表示精度。評價方法分位置精度和非位置精度。非位置精度以一個簡單的數(shù)值表示分類精度，如：每一類的面積，像元數(shù)目，由于未考慮位置因素，使分類精度偏高。我國以前常采用這種方法。分類精度的評價位置精度評價是將分類的類別與位置進行統(tǒng)一檢查。目前普遍使用混淆矩陣的方法?；煜仃嚨男问饺缦拢悍诸悓嶋HC1C2C3C4C5總計C189300092C213650240