遙感技術(shù)與應(yīng)用-6-遙感專題信息提取

遙感技術(shù)與應(yīng)用-6-遙感專題信息提取第六章遙感專題信息提取

第一節(jié)遙感圖像解譯概述一、遙感圖像解譯（ImageryInterpretation）的概念遙感圖像是地物電磁波特性的實(shí)時(shí)記錄。遙感圖像能夠提供給解譯者的信息有：目標(biāo)的光譜特征信息主要由地物的類別、性質(zhì)的差異決定目標(biāo)的空間位置特征目標(biāo)隨時(shí)間的動(dòng)態(tài)信息不同的目標(biāo)，在上述性質(zhì)和特征上是不同的所以，遙感圖像解譯定義為：根據(jù)遙感圖像所提供的影像特征及其對(duì)應(yīng)目標(biāo)的特點(diǎn)進(jìn)行推理和判斷將目標(biāo)識(shí)別出來(lái)，并進(jìn)行定性、定量分析的工作就稱為遙感圖像解譯（判讀）遙感圖像解譯（判讀）的本質(zhì)就是：利用遙感圖像提供的各種數(shù)據(jù)，再結(jié)合解譯者的學(xué)識(shí)和經(jīng)驗(yàn)，確定空間什么位置（Where-Position）有什么目標(biāo)（What-Qualitative）有多少(How-Quantitative）但是，遙感圖像上的信息并非直接呈現(xiàn)出來(lái)，而是通過(guò)圖像上復(fù)雜形式的色調(diào)、結(jié)構(gòu)及它們的變化表現(xiàn)出來(lái)，因此要正確的認(rèn)識(shí)它們必須具備相應(yīng)的知識(shí)

二、圖像解譯的背景知識(shí)專業(yè)知識(shí)指需要熟悉所解譯的學(xué)科及相關(guān)學(xué)科的知識(shí)。包括對(duì)地物成因聯(lián)系、空間分布規(guī)律、時(shí)相變化以及地物與其他環(huán)境要素間的聯(lián)系等知識(shí)。比如遙感地質(zhì)探礦，首先需具備地層、構(gòu)造、蝕變帶等與找礦直接相關(guān)的地質(zhì)知識(shí)和經(jīng)驗(yàn)，還需要了解植物分布、土壤等相關(guān)知識(shí)。地理區(qū)域知識(shí)指區(qū)域特點(diǎn)、人文自然景觀等。每個(gè)區(qū)域有其獨(dú)特的區(qū)域特征，即地域性，它影響到圖像的圖型結(jié)構(gòu)等，它能直接幫助識(shí)別地物和現(xiàn)象遙感系統(tǒng)知識(shí)解譯者必須了解每一圖像是怎樣生成的；不同遙感器是如何描述景觀特征的，它使用的何種電磁波段，空間分辨率是多少等等，怎樣從圖像中獲得有用的信息等遙感圖像解譯與日常目視觀察有3點(diǎn)不同：A遙感圖像通常為“頂視-鳥瞰”，而不同于日常生活中的透視B遙感圖像常用可見光以外的電磁波段，而大多數(shù)我們熟悉的特征是在可見光譜段，可以表現(xiàn)得十分不同C遙感圖像常用一種不熟悉或變化的比例和分辨率描述地球表面因此，對(duì)于初學(xué)者需要多對(duì)照地形圖、實(shí)地或熟悉地物觀測(cè)，以增強(qiáng)立體感和和景深印象，糾正視覺誤差，積累圖像判讀經(jīng)驗(yàn)遙感圖像的解譯過(guò)程是地面目標(biāo)成像過(guò)程的逆過(guò)程，即從地面實(shí)況的模擬影像中提取遙感信息、反演地面原型的過(guò)程三、遙感圖像解譯的兩種方式目視解譯（VisualInterpretation）借助人眼的觀察和人的智能，結(jié)合一些量測(cè)工具（測(cè)微尺、放大鏡、立體鏡等）來(lái)識(shí)別圖像中的目標(biāo)。特點(diǎn)：解譯者的學(xué)識(shí)和經(jīng)驗(yàn)在判讀中起主要作用，精度高，但難以對(duì)海量空間信息的定量化分析2計(jì)算機(jī)圖像理解（ComputerImageryUnderstanding）以計(jì)算機(jī)軟硬件為支撐，利用模式識(shí)別技術(shù)（PatternRecognition）和人工智能（ArtificialIntelligence）技術(shù)，建立圖像解譯專家系統(tǒng)（ExpertsSystem)從而讓計(jì)算機(jī)模擬人工解譯過(guò)程，“讀取遙感圖像上的特征”，進(jìn)而確定圖像上的目標(biāo)。特點(diǎn)：速度快，處理方式靈活多樣，整個(gè)處理過(guò)程通常是以人機(jī)交互方式進(jìn)行，對(duì)計(jì)算機(jī)技術(shù)和算法要求較高，識(shí)別的精度通常不及目視解譯第二節(jié)遙感圖像目視解譯標(biāo)志一、解譯標(biāo)志的概念解譯標(biāo)志（InterpretationMark）：遙感圖像上能幫助人們識(shí)別不同目標(biāo)的那些影像特征；直接解譯標(biāo)志：能在遙感影像上直接看到可供判讀的影像特征稱為直接判讀標(biāo)志，如形狀、大小、陰影、紋理、色調(diào)等；間接解譯標(biāo)志：指運(yùn)用某些直接解譯標(biāo)志，根據(jù)地物的相關(guān)屬性等地學(xué)知識(shí)，間接推斷出的影像標(biāo)志，如根據(jù)道路與河流相交處的特殊影像特征，可以判斷渡口；根據(jù)植被、地貌與土壤的關(guān)系，來(lái)識(shí)別土壤類型和分布（如溫帶針葉林區(qū)多為灰化土）二、常用的解譯標(biāo)志色調(diào)（Tone）指地物反射、輻射電磁波的性質(zhì)和能量強(qiáng)弱在影像上的表現(xiàn)說(shuō)明兩點(diǎn)：a解譯者必須了解該解譯圖像中影像色調(diào)的支配因素如可見光和近紅外圖像均反映地物“反射”波譜特征的差異，涉及地物的物質(zhì)組成、水分含量等；而熱紅外圖像則反映地物“發(fā)射”波譜特征的差異，是地物溫度差異的記錄；雷達(dá)圖像反映地物后向散射能量的差異，涉及到地物介電常數(shù)、表面粗糙程度等物理性質(zhì)

b影像色調(diào)受到多種因素的影響除了受目標(biāo)本身的波譜特征因時(shí)因地、因環(huán)境變化而變化外，還受到成像高度、成像時(shí)間（光照角度、強(qiáng)度）、遙感器觀察角度、成像后處理等多種因素的影響，因此使用色調(diào)標(biāo)志時(shí)要特別小心影響影像色調(diào)變化的因素：（1）地物本身的顏色（2）地物表面的結(jié)構(gòu)表面結(jié)構(gòu)不一致，其光滑程度有差異，反光能力就不同，反映在影像上的色調(diào)就不相同

a光滑表面（鏡面反射—SpecularReflection）若傳感器照射方向與太陽(yáng)入射方向一致，此時(shí)影像呈暗色調(diào)；若傳感器照射方向逆著鏡面反射的方向，則影像呈亮色調(diào)

b無(wú)光澤表面（粗糙表面，漫反射—DiffuseReflection）各方向上光線被均勻散射開來(lái)，因此無(wú)論哪個(gè)方向得到的影像色調(diào)均一

c起伏不平的表面陽(yáng)坡（Adret-SunnySlope）影像色調(diào)亮陰坡（Ubac-ShadySlope）影像色調(diào)暗（3）地物本身的反光能力（4）濕度的大小通常濕度越大則影像色調(diào)越暗利用此特征可以監(jiān)測(cè)土壤濕度（5）攝影季節(jié)的不同春季植物色調(diào)淺，夏季色調(diào)深陰影（Shadow）指因傾斜照射，地物自身遮擋光源而造成影像上的暗色調(diào)陰影分為本影和投落陰影，前者是地物背光面在影像上呈現(xiàn)的暗色調(diào)構(gòu)像，有助于獲得目標(biāo)的立體感；后者是地物背光方向地物投射到地面的暗斑在影像上的構(gòu)像，它反映地物的側(cè)面形態(tài)，可以根據(jù)側(cè)影的長(zhǎng)度及照射角度反算地物的高度但是，因?yàn)殛幱暗恼谏w會(huì)掩蓋一些信息，給解譯工作帶來(lái)不便大?。⊿ize）指地物長(zhǎng)、寬、高、面積、體積等在影像上的記錄地物影像的大小不僅能求得地物的數(shù)量特征，而且對(duì)判讀地物的性質(zhì)也有幫助。例如，單軌鐵路和雙軌鐵路從形狀上往往不易區(qū)分，但通過(guò)量算其寬度則很容易區(qū)分地物影像的大小取決于影像的比例尺大小。因此，解譯前要獲得影像的比例尺形狀（Shape）是目標(biāo)物的外形、輪廓

a遙感圖像記錄的是目標(biāo)物的頂面形狀，不同于地面看的側(cè)面形狀

b自然形成物往往形狀復(fù)雜，不規(guī)則，輪廓邊界呈現(xiàn)較圓滑自然的曲線如河曲沖擊扇、火山錐等；人為活動(dòng)的產(chǎn)物一般具有規(guī)則的幾何形狀，拐角明顯呈一定角度，如田塊、果園、城鎮(zhèn)建筑物等

c影像的比例尺和分辨率對(duì)形狀影響較大，小比例尺時(shí)，往往呈現(xiàn)的是綜合體的形狀紋理（Texture）是指具有不同色調(diào)和形狀的細(xì)微影像按某種規(guī)則排列組合的集合，這種細(xì)微影像稱為紋理基元。它往往是指圖像上地物表面質(zhì)感（平滑、粗糙、細(xì)膩等）如“花格子襯衫”（強(qiáng)調(diào)單個(gè)事物的重復(fù)規(guī)則排列，如果園果樹的株行距、集約化程度高的田塊排列，貴州山區(qū)梯田的排列）圖案（Pattern），即圖型結(jié)構(gòu)，是指多個(gè)人工目標(biāo)重復(fù)排列的空間形式，它反映地物目標(biāo)的空間分布特征。如建筑物、道路、綠化帶形成的住宅區(qū)的圖案位置（Site）即地理位置，它反映地物所處的地點(diǎn)與環(huán)境，地物與周邊的關(guān)系如菜地多分布于居民點(diǎn)周圍與河流兩側(cè)；機(jī)場(chǎng)多在大城市郊區(qū)的平坦地；堤壩與道路（形色難分），堤在河流兩側(cè)并與之平行，道路與居民點(diǎn)相連；有的植物生長(zhǎng)于高地，有些只能生長(zhǎng)在濕地組合（Association）指某些目標(biāo)的特殊表現(xiàn)和空間組合關(guān)系，它不同于那種嚴(yán)格按圖型結(jié)構(gòu)顯示的空間排列，而指物體間一定的位置關(guān)系和排列方式，即空間配置和布局如磚場(chǎng)由高煙囪、取土坑、堆磚場(chǎng)等組合而成；軍事目標(biāo)可能有雷達(dá)站、軍車、軍營(yíng)及周圍的配套的軍事設(shè)施等第三節(jié)遙感圖像的目視解譯一、目視解譯的原則從應(yīng)用的目的出發(fā)，總體觀察，全面分析圖像特征。堅(jiān)持先易后難，由粗入細(xì)，由整體到局部的原則應(yīng)充分利用各種解譯標(biāo)志，包括直接標(biāo)志和間接標(biāo)志，相互補(bǔ)充，彼此驗(yàn)證隨著多光譜和多平臺(tái)遙感技術(shù)的發(fā)展，應(yīng)盡可能創(chuàng)造條件開展多波段、多時(shí)相、多類型遙感圖像的對(duì)比分析二、目視解譯的基本過(guò)程準(zhǔn)備階段根據(jù)解譯的目的和經(jīng)費(fèi)的支撐選擇適當(dāng)空間分辨率、時(shí)相、光譜分辨率的遙感數(shù)據(jù)并進(jìn)行波段組合進(jìn)行彩色增強(qiáng)；盡量收集到質(zhì)量好、現(xiàn)勢(shì)性較強(qiáng)的地形圖及有關(guān)專業(yè)圖件和文字資料；編寫解譯標(biāo)志表及說(shuō)明草稿（這是一編檢索表的過(guò)程，工作量大）；野外選擇典型地區(qū)進(jìn)行粗查，為建立合理的解譯標(biāo)志表打好基礎(chǔ)。室內(nèi)圖像解譯階段按解譯的基本原則進(jìn)行，對(duì)無(wú)法解譯或把握不大的區(qū)域應(yīng)記錄下來(lái)，有待野外驗(yàn)證野外驗(yàn)證與補(bǔ)充解譯階段成果整理與制圖總結(jié)階段三、遙感解譯過(guò)程的復(fù)雜性（Complexity）1遙感圖像顯示的是某一特定地理環(huán)境的綜合體，這種綜合表現(xiàn)在兩個(gè)方面：

a地理要素的綜合它反映的是地質(zhì)、地貌、水文、土壤、植被、社會(huì)生態(tài)等多種自然、人為要素的綜合，這些因子是密切相關(guān)、交織在一起，往往難以區(qū)分

b遙感信息本身的綜合遙感圖像可以是不同時(shí)間、空間、光譜、輻射分辨率的綜合遙感數(shù)據(jù)對(duì)應(yīng)的地理環(huán)境又是一個(gè)復(fù)雜的、多要素的、多層次的、具有動(dòng)態(tài)結(jié)構(gòu)和

明顯地域差異的開放巨系統(tǒng)，它在時(shí)間和空間上是不斷變化的，因而遙感信息中的諸要素是相互關(guān)聯(lián)、復(fù)雜變化的因此，遙感解譯過(guò)程是復(fù)雜的，主要體現(xiàn)在：1地物波譜特征是復(fù)雜的，它受多種因素控制，本身也因時(shí)因地而變化2自然界存在著大量的“同物異譜”和“同譜異物”現(xiàn)象3地物的時(shí)空屬性和地學(xué)規(guī)律是錯(cuò)綜復(fù)雜的，各要素、各類別之間的關(guān)系是多種類型的地帶性規(guī)律：由于太陽(yáng)輻射隨緯度分布的規(guī)律性，造成沿緯度的水平地帶性現(xiàn)象，由于溫度、濕度等隨地形高度分布的規(guī)律性造成沿高度的垂直地帶性現(xiàn)象，植物從播種到成熟的季節(jié)性變化規(guī)律等；有的具有隨機(jī)性、不確定性，如自然災(zāi)害；有的具有模糊性存在過(guò)渡漸變關(guān)系，如氣候帶、草場(chǎng)類型的變化等為了提高解譯過(guò)程的正確性、可靠性，必須補(bǔ)充必要的輔助數(shù)據(jù)（Ancillary）和先驗(yàn)知識(shí)（PrioriKnowledge）-指地學(xué)、生物學(xué)、物理學(xué)、數(shù)學(xué)等專業(yè)知識(shí)，在GIS的支持下，發(fā)展一系列相關(guān)的、多層次的、綜合的應(yīng)用分析方法，進(jìn)行遙感與地學(xué)綜合分析第四節(jié)模式識(shí)別（PatternRecognition）概述遙感圖像的計(jì)算機(jī)分類是模式識(shí)別技術(shù)在遙感領(lǐng)域的具體應(yīng)用，是遙感圖像應(yīng)用處理的重要內(nèi)容和關(guān)鍵技術(shù)之一。首先提及關(guān)于模式識(shí)別的基本概念一、基本概念類別（Category）是與概念（Concepts）或原型（Prototype）相關(guān)的“自然”狀態(tài)或?qū)ο蠓N類。假定有c個(gè)類別，，也稱為解釋空間（InterpretationSpace）。解釋空間有概念驅(qū)動(dòng)（Concept-Driven）的屬性，如類別的聯(lián)合、交叉等2模式（Pattern）是對(duì)象的“物理”描述。通常是信號(hào)、圖像或簡(jiǎn)單的數(shù)值表。也常把模式稱為對(duì)象、案例或樣本。特征（Feature）是從模式得到的對(duì)分類有用的度量、屬性或基元（Primitive）所以特征選取是門藝術(shù)。二、模式識(shí)別的方法數(shù)據(jù)聚類（Clustering）是用某種相似性度量的方法將數(shù)據(jù)組織成有意義的和有用的各組數(shù)據(jù)。數(shù)據(jù)聚類不需要利用已知類的信息，它是一種非監(jiān)督學(xué)習(xí)的方法，解決方案是數(shù)據(jù)驅(qū)動(dòng)的統(tǒng)計(jì)分類（StatisticalClassification）最為經(jīng)典的模式識(shí)別方法，在選取訓(xùn)練區(qū)的基礎(chǔ)上，估計(jì)出每類型的統(tǒng)計(jì)特征參數(shù)（均值向量和協(xié)方差矩陣），從而確定每類型的概率分布密度函數(shù)，進(jìn)而建立判別函數(shù)，實(shí)現(xiàn)對(duì)待分像元進(jìn)行分類。這種分類方法是建立在多元變量的多元正態(tài)分布的假設(shè)基礎(chǔ)上的。這是一種監(jiān)督學(xué)習(xí)方法。神經(jīng)元網(wǎng)絡(luò)（ArtificialNeuralNetwork）是以數(shù)學(xué)算法結(jié)合計(jì)算機(jī)程序來(lái)模擬人的物理神經(jīng)元之間的聯(lián)系方式和思維過(guò)程，通過(guò)反饋控制的方式來(lái)調(diào)整神經(jīng)元之間的聯(lián)系權(quán)重，進(jìn)而使神經(jīng)元的實(shí)際輸出無(wú)限的逼近期望輸出，這一過(guò)程通過(guò)迭代方式來(lái)訓(xùn)練神經(jīng)元網(wǎng)絡(luò)。這是一種非線性的數(shù)學(xué)方法，并且是與“模型無(wú)關(guān)”，也就是它無(wú)須對(duì)數(shù)據(jù)的分布作出假設(shè)。存在的不足（1）關(guān)于神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)解釋很復(fù)雜（2）對(duì)于一些重要的決策，設(shè)計(jì)者常常沒有理論依據(jù)，因此必須進(jìn)行大量的試驗(yàn)，并從試驗(yàn)的失敗中得到啟發(fā)從而不斷改進(jìn)神經(jīng)網(wǎng)絡(luò)（3）從神經(jīng)網(wǎng)絡(luò)得不到任何的語(yǔ)義的信息4結(jié)構(gòu)模式識(shí)別其基本思想是：任何一個(gè)具有意義的物理模式都具有良好的結(jié)構(gòu)性，它是由許多已知類別和性質(zhì)的子模式或源模式（也稱模式基元），按照一定的規(guī)則構(gòu)成的組合件，所以一旦知道生成規(guī)則和子模式、源模式，便可由“模式描述”語(yǔ)句的文法推理出一個(gè)用字符串來(lái)表示的模式集合。若所研究的模式被包含在此集合內(nèi)，就認(rèn)為該模式被識(shí)別出來(lái)了。此法至今在遙感圖像識(shí)別分類中尚未得到實(shí)際應(yīng)用，有待進(jìn)一步開發(fā)5模糊模式識(shí)別人在進(jìn)行識(shí)別時(shí)可以根據(jù)一些模糊的印象就能做到比較準(zhǔn)確的判斷。然而，計(jì)算機(jī)是建立在0、1二值邏輯基礎(chǔ)上的，它對(duì)事物的分析的結(jié)論是“非假”即“真”。這種二值邏輯不適宜處理模糊事物。根據(jù)人辨識(shí)事物的思維邏輯，吸取人腦的識(shí)別特點(diǎn)，模糊集合論（FuzzySetTheory）把數(shù)學(xué)從二值邏輯轉(zhuǎn)向連續(xù)邏輯這就更接近人類大腦的識(shí)別活動(dòng)了。由此產(chǎn)生了一種相當(dāng)獨(dú)特的識(shí)別方法：模糊識(shí)別第五節(jié)遙感圖像計(jì)算機(jī)分類概述一、遙感圖像計(jì)算機(jī)分類的概念就是將遙感圖像中每個(gè)像元根據(jù)其在不同波段的光譜亮度、空間結(jié)構(gòu)特征或其他信息按照某種規(guī)則或算法劃分為不同的土地覆蓋類型專題的技術(shù)過(guò)程。二、遙感圖像計(jì)算機(jī)分類（模式識(shí)別）的種類光譜模式識(shí)別（SpectralPR）是指根據(jù)像元到像元的光譜信息來(lái)自動(dòng)劃分土地覆蓋類型的分類過(guò)程的總稱。它只考慮了地物在光譜輻射方面的差異。空間（結(jié)構(gòu)）模式識(shí)別（SpatialorStructuralPR）是指圖像像元根據(jù)和它周圍像元的空間關(guān)系來(lái)進(jìn)行圖像分類。空間關(guān)系主要是指：圖像的結(jié)構(gòu)、像元的近似度特征的大小、形狀、方向性、分形維、扁率、重復(fù)度和上下關(guān)系等空間特征。這種方法比光譜模式識(shí)別過(guò)程更復(fù)雜，而且計(jì)算算法上更精深。時(shí)間模式識(shí)別（TemporalPR）是指在特征鑒別中將時(shí)間作為一種輔助信息，利用多時(shí)相的遙感數(shù)據(jù)動(dòng)態(tài)的進(jìn)行土地覆蓋類型的分類說(shuō)明：遙感圖像分類沒有唯一“正確”的方法，因此可以將它們結(jié)合在一起運(yùn)用，形成混合模式（HybridPattern）三、遙感圖像計(jì)算機(jī)分類的方式按照在分類過(guò)程中分類者的參與程度，將分類分為兩種方式：監(jiān)督分類（SupervisedClassification）非監(jiān)督分類（UnsupervisedClassification）四、遙感圖像計(jì)算機(jī)分類的原理這樣，圖像中的任何一個(gè)像元就可以用一n維的光譜值向量來(lái)描述：式中：xji代表第j個(gè)波段上第i號(hào)像元的亮度值

i=1,2,…,N，N代表每個(gè)波段圖像中像元的個(gè)數(shù)這樣，任何一像元點(diǎn)的光譜向量對(duì)應(yīng)著n維歐氏空間的一個(gè)點(diǎn)若某兩個(gè)像元屬于同一地物類型，則它們?cè)跉W氏空間中就應(yīng)該集結(jié)在一起；相反，若兩個(gè)像元分別屬于不同的地物類型，則它們?cè)跉W氏空間中就應(yīng)該彼此分離。分類圖像（類碼標(biāo)記圖像）假設(shè)分割A(yù)、B兩個(gè)點(diǎn)集的曲面（圖中是兩維變量因此是直線）表達(dá)式為：則方程稱為A、B兩類的判別邊界（DecisionBoundary）在已經(jīng)確定以后，特征空間中任意一點(diǎn)是屬于A類？還是屬于B類？根據(jù)幾何學(xué)知識(shí)可知：當(dāng)時(shí)當(dāng)時(shí)

上述的確定樣本點(diǎn)所屬類別的規(guī)則稱為判別準(zhǔn)則（DecisionCriteria），稱為判別函數(shù)（DecisionFunction）遙感圖像分類算法的核心就是確定判別函數(shù)和相應(yīng)的判別準(zhǔn)則，為了保證所確定的判別函數(shù)能夠?qū)⒏黝惖孛婺繕?biāo)在特征空間中的點(diǎn)分割開來(lái)，通常是在一定的準(zhǔn)則（如Bayes分類器中誤分概率最小準(zhǔn)則等）下求判別函數(shù)和相應(yīng)的判別準(zhǔn)則。五、特征選擇與特征變換在遙感圖像分類之前，為了壓縮參與分類多光譜圖像數(shù)據(jù)的維度和找到那些對(duì)識(shí)別感興趣的地物類型最為有效的“特征圖像”，通常需要進(jìn)行特征選擇（FeatureSelection）和特征提取（FeatureExtraction）。在分類時(shí)我們總是希望用最少的影像數(shù)據(jù)取得最好的分類結(jié)果，這樣就需要從多光譜圖像中選擇最佳的特征影像組合進(jìn)行分類，這就稱為特征選擇。將原始多光譜圖像通過(guò)一定的數(shù)學(xué)變換（如主成分、纓帽變換、植被指數(shù)變換等）生成一組進(jìn)行了信息融合的新的特征圖像，這種技術(shù)手段就稱為特征變換。特征選擇時(shí)，除了憑借研究者的定性判斷進(jìn)行特征選擇外，通?？捎靡恍┒ㄐ缘闹笜?biāo)計(jì)算來(lái)幫助進(jìn)行特征選擇，這些指標(biāo)主要有：距離測(cè)度（DistanceMeasure）距離是最基本的類別可分性的測(cè)度，如果所選擇的特征圖像能使感興趣的目標(biāo)類別的類內(nèi)距離最小，而與其它類別的類間距離最大，則用這組特征圖像設(shè)計(jì)的分類器分類效果一定很好如果將所有的特征圖像都計(jì)算這一參數(shù)值，通過(guò)比較找到參數(shù)值最大的那個(gè)特征圖像，即是最佳的分類特征圖像變換離散度（TransformDivergence）衡量遙感數(shù)據(jù)各地物類型可分性好壞的數(shù)量指標(biāo)常采用變換離散度和JM距離。離散度（Divergence）是具有分布重疊度的兩個(gè)類型之間可分性的數(shù)量測(cè)度。若遙感圖像中各類型的光譜矢量遵從或近似遵從多元正態(tài)分布，則圖像中每?jī)蓚€(gè)類型之間的離散度定義為：式中：表示求矩陣的跡，和分別是第i類型和第j類型的協(xié)方差矩陣和分別為第i類型和第j類型的光譜均值向量實(shí)際應(yīng)用時(shí)，常采用變換離散度公式定義光譜類型間的可分性，變換離散度定義為：當(dāng)需要研究M個(gè)類型之間的可分性時(shí)，通常是考察M個(gè)類別間的平均離散度，它定義為：

式中：M是選定地物的類型數(shù)，是第i類型的的先驗(yàn)概率。

最優(yōu)指數(shù)公式OIF（OptimumIndexFormula）在前面假彩色合成時(shí)已介紹ClassificationAccuracyAssessmentAnotherareathatiscontinuingtoreceiveincreasedattentionbyremotesensingspecialistsisthatofclassificationaccuracyassessment.Historically,theabilitytoproducedigitallandcoverclassificationsfarexceededtheabilitytomeaningfullyquantifytheiraccuracy.Infact,thisproblemsometimesprecludedtheapplicationofautomatedlandcoverclassificationtechniquesevenwhentheircostcomparedfavorablywithmoretraditionalmeansofdatacollection.Thelessontobelearnedhereisembodiedintheexpression“Aclassificationisnotcompleteuntilitsaccuracyisassessed”.ClassificationerrormatrixOneofthemostcommonmeansofexpressingclassificationaccuracyisthepreparationofaclassificationerrormatrix(sometimescalledaconfusionmatrixoracontingencytable).Errormatricescompare,onacategory-by-categorybasis,therelationshipbetweenknownreferencedata(groundtruth)andthecorrespondingresultsofanautomatedclassification.Suchmatricesaresquare,withthenumberofrowsandcolumnsequaltothenumberofcategorieswhoseclassificationaccuracyisbeingassessed.`Table7.3isanerrormatrixthatanimageanalysthaspreparedtodeterminehowwellaclassificationhascategorizedarepresentativesubsetofpixelsusedinthetrainingprocessofasupervisedclassification.Thismatrixstemsfromclassifyingthesledtrainingsetpixelsandlistingtheknowncovertypesusedfortraining(columns)versusthepixelsactuallyclassifiedintoeachlandcovercategorybytheclassifier(rows) Severalcharacteristicsaboutclassificationperformanceareexpressedbyanerrormatrix.Forexle,onecanstudythevariousclassificationerrorsofomission(inclusion).Noteintheabovetablethatthetrainingsetpixelsthatareclassifiedintotheproperlandcovercategoriesarelocatedalongthemajordiagonaloftheerrormatrix(runningfromupperlefttolowright).Allnon-diagonalelementsofthematrixrepresenterrorsofomissionorcommission.Omissionerrorscorrespondtonon-diagonalcolumnelements(e.g.,16pixelsthatshouldhavebeenclassifiedas“sand”wereomittedfromthatcategory).Commissionerrorsarerepresentedbynon-diagonalrowelements(e.g.,38“urban”pixelsplus79“hay”pixelswereimproperlyincludedinthe“corn”category).Severalotherdescriptivemeasurescanbeobtainedfromtheerrormatrix.Forexle,theoverallaccuracyiscomputedbydividingthetotalnumberofcorrectlyclassifiedpixels(i.e.,thesumoftheelementsalongthemajordiagonal)bythetotalnumberofreferencepixels.Likewise,theaccuraciesofindividualcategoriescanbecalculatedbydividingthenumberofpixelsinthecorrespondingroworcolumn.Whatareoftentermedproducer’saccuraciesresultfromdividingthenumberofcorrectlyclassifiedpixelsineachcategory(onthemajordiagonal)bythenumberoftrainingsetpixelsusedforthatcategory(thecolumntotal).Thisfigureindicateshowwelltrainingsetpixelsofthegivencovertypeareclassified.User’saccuraciesarecomputedbydividingthenumberofcorrectlyclassifiedpixelsineachcategorybythetotalnumberofpixelsthatwereclassifiedinthatcategory(therowtotal).Thisfigureisameasureofcommissionerrorandindicatestheprobabilitythatapixelclassifiedintoagivencategoryactuallyrepresentsthatcategoryontheground.Notethattheerrormatrixindicatesanoverallaccuracyof84%.However,producer’saccuraciesrangefromjust51%to100%anduser’saccuraciesvaryfrom72%to99%.Furthermore,thiserrormatrixisbasedontrainingdata.Itshouldberememberedthatsuchproceduresonlyindicatehowwellthestatisticsextractedfromtheseareascanbeusedtocategorizethesameareas.Iftheresultsaregood,itmeansnothingmorethanthatthetrainingareasarehomogeneous,thetrainingclassesarespectrallyseparable,andtheclassificationstrategybeingemployedworkswellinthetrainingareas.Thisaidsinthetrainingsetrefinementprocess,butitindicateslittleabouthowtheclassifierperformselsewhereinascene.Oneshouldexpecttrainingareaaccuraciestobeoverlyoptimistic,especiallyiftheyarederivedfromlimiteddatasets.Afurtherpointtobemadeaboutinterpretingclassificationaccuraciesisthefactthateveracompletelyrandomassignmentofpixelstoclasseswillproducepercentagecorrectvaluesintheerrormatrix.Infact,sucharandomassignmentstatisticisameasureofthedifferencebetweentheactualagreementbetweenreferencedataandanautomatedclassifierandthechanceagreementbetweenthereferencedataandarandomclassifier.Conceptually,K=(observedaccuracy–chanceagreement)/(1-chanceagreement)Thisstatisticservesasanindicatoroftheextenttowhichthepercentagecorrectvaluesofanerrormatrixaredueto“true”agreementversus“chance”agreement.Astrueagreement(observed)approaches1andchanceagreementbetween0and1.Forexle,akvalueof0.67canbethoughtofasanindicationthatanobservedclassificationis67percentagebetterthanoneresultingfromchance.Akvalueof0suggeststhatagivenclassificationisnobetterthanarandomassignmentofpixels.Incaseswherechanceagreementislargeenough,Kcantakeonnegativevalues---anindicationofverypoorclassificationperformance.(Becausethepossiblerangeofnegativevaluesdependsonthespecificmatrix,themagnitudeofnegativevaluesshouldnotbeinterpretedasanindicationofrelativeclassificationperformance)六、分類結(jié)果的質(zhì)量評(píng)價(jià)在遙感圖像的分類問(wèn)題中常以混淆矩陣（ConfusionMatrix）來(lái)表示分類結(jié)果的精度混淆矩陣定義如下：(Usually,thismatrixwasderivedfromthevalidationdataset(groundtruth)theuserspecified.)式中：mij表示本應(yīng)屬于第i類結(jié)果被分入第j類中去的像元總數(shù)

n表示總的類別數(shù)所以，該矩陣的主對(duì)角線上的元素值越大則說(shuō)明分類的效果越好若通過(guò)分類獲取了上述混淆矩陣，可以計(jì)算基本的精度估計(jì)量：1總體分類精度正確分類的總像元數(shù)（主對(duì)角線上元素的和）與參加分類評(píng)價(jià)的總像元數(shù)（矩陣中所有元素之和）之比，表示為用戶精度每一類別被正確分類的像元數(shù)量除以被分作該類的總像元數(shù)（列元素之和），表示為生產(chǎn)者精度每一類別被正確分類的像元數(shù)量除以該類用作分類訓(xùn)練的總像元（行元素之和），表示為

一、無(wú)監(jiān)分類的概念在對(duì)研究區(qū)不了解的情況下，只是依據(jù)每一類型地物所具有的相似性（Similarity，類似度

），把反映各類型地物特征值的分布按相似分割和概率統(tǒng)計(jì)理論將各像元?dú)w并成不同的空間集群，然后結(jié)合地面實(shí)地調(diào)查來(lái)確定各集群的地物類型從而達(dá)到識(shí)別分類目的的分類方法。其數(shù)學(xué)基礎(chǔ)是：多元統(tǒng)計(jì)的聚類分析（ClusteringAnalysis）第六節(jié)遙感圖像計(jì)算機(jī)無(wú)監(jiān)分類Kappa分析二、非監(jiān)督分類的特點(diǎn)分類者不需要對(duì)研究區(qū)有廣泛的了解和熟悉，但分類結(jié)束后仍需要一定的知識(shí)或地面調(diào)查來(lái)確定各集群的地物覆蓋類型人為誤差的機(jī)會(huì)減少，因?yàn)榉诸愓邊⑴c的程度低，只需要事先設(shè)定幾個(gè)參數(shù)即可非監(jiān)督分類產(chǎn)生的光譜集群組并不一定對(duì)應(yīng)于分析者想要的類別分析者較難對(duì)產(chǎn)生的類別進(jìn)行控制三、非監(jiān)督分類的算法K-Mean算法其基本思想是通過(guò)迭代，逐次移動(dòng)各類別的中心，直到后一次獲得的各類的中心與前一次聚類獲得的中心不再發(fā)生移動(dòng)為止。具體步驟：假設(shè)圖像上的目標(biāo)要分成m類，m事先由分類者指定（1）適當(dāng)?shù)剡x取m個(gè)類的初始中心，初始中心的選擇對(duì)聚類的結(jié)果有一定的影響，初始中心的選擇一般有以下方法：1）根據(jù)問(wèn)題的性質(zhì)，根據(jù)經(jīng)驗(yàn)確定類別數(shù)m，從數(shù)據(jù)中找出從直觀上看來(lái)比較合適的m個(gè)類的初始中心

2）將全部數(shù)據(jù)隨機(jī)地分成m個(gè)類別，計(jì)算每個(gè)類別的重心，將這些重心作為m個(gè)類的初始聚類中心（2）在第K次迭代中，對(duì)任一樣本X按如下方法把它調(diào)整到m個(gè)類別中的某一類別中去。對(duì)于所有的，如果：（3）由第（2）步得到類新的中心（4）對(duì)于所有的則迭代結(jié)束，否則轉(zhuǎn)到第二步繼續(xù)進(jìn)行迭代YN開始選擇m個(gè)聚類中心z1,z2,…,zm所有像元分到m個(gè)聚類中心計(jì)算新的聚類中心聚類中心不變結(jié)束K均值算法框圖說(shuō)明：這種方法的聚類結(jié)果受所選聚類中心的數(shù)目及其初始位置以及模式分布的幾何性質(zhì)和讀入次序等因素影響，并且在迭代過(guò)程中沒有調(diào)整類別數(shù)的措施ISODATA算法

ISODATA(IterativeSelf-OrganizingDataAnalysisTechniquesAlgorithm，迭代自組織數(shù)據(jù)分析技術(shù)算法），它與K-Mean算法有兩點(diǎn)不同：第一，它不是每調(diào)整一個(gè)樣本的類別就重新計(jì)算一次各類樣本的均值，而是在每次把所有樣本都調(diào)整完后才重新計(jì)算一次各類樣本均值，前者被成為“逐個(gè)樣本修正法”，后者被成為“成批樣本修正法”第二，ISODATA算法可以自動(dòng)進(jìn)行類別的“合并”與“分裂”，從而得到類別數(shù)比較合理的聚類結(jié)果，所以類別數(shù)是動(dòng)態(tài)的A分類前預(yù)定義參數(shù)（1）打算分類的最大類別數(shù)Cmax和最小類別數(shù)Cmin（2）迭代過(guò)程中，最大類別保持不變的像元數(shù)量百分比，當(dāng)達(dá)到這個(gè)百分比時(shí)，

ISODATA算法停止（3）每個(gè)類別中最小的像元數(shù)量、最大的標(biāo)準(zhǔn)方差（4）最小的集群均值間距離，如果兩個(gè)類別間距離小于這個(gè)值，則兩類合并（5）集群分散值，通常為0BISODATA算法的基本步驟（1）初始隨機(jī)選取Cmax個(gè)中心（2）計(jì)算其它像元到這些中心的距離，按照最小距離規(guī)則將各像元?jiǎng)澐值狡鋵?duì)應(yīng)的類別中去（3）重新計(jì)算每個(gè)類別的均值，按照前面定義的參數(shù)合并或分裂相關(guān)類別（4）重復(fù)（2）、（3），直到達(dá)到最大不變像元百分比或最大迭代次數(shù)為止第七節(jié)遙感圖像的計(jì)算機(jī)有監(jiān)分類一、有監(jiān)分類的概念利用對(duì)研究區(qū)已有類別的先驗(yàn)知識(shí)從遙感圖像上選取若干有代表性的訓(xùn)練區(qū)作為樣本據(jù)此估計(jì)出各類別的統(tǒng)計(jì)特征參數(shù)（主要是指均值向量和協(xié)方差矩陣）進(jìn)而建立判別函數(shù)，然后利用判別函數(shù)實(shí)現(xiàn)對(duì)待分類像元進(jìn)行分類的方法。有監(jiān)分類的數(shù)學(xué)基礎(chǔ)：多元統(tǒng)計(jì)的判別分析（DiscriminantAnalysis）訓(xùn)練區(qū)（TrainingArea）：是分類者事先已知地物的類別然后從遙感圖像上相應(yīng)位置“圈定”的一定數(shù)量像元所構(gòu)成的樣區(qū)，其目的是用來(lái)對(duì)計(jì)算機(jī)進(jìn)行“訓(xùn)練”，讓計(jì)算機(jī)學(xué)習(xí)到描述不同類別地物特征（主要是統(tǒng)計(jì)特征，均值向量和協(xié)方差矩陣）為建立基于統(tǒng)計(jì)學(xué)的判別函數(shù)打下基礎(chǔ)。訓(xùn)練區(qū)選取的好壞決定分類的成功與否，因此選訓(xùn)練區(qū)是“艱辛的、科學(xué)的、藝術(shù)的”分類者選訓(xùn)練區(qū)的要求：A代表性通常在每種類型地物所對(duì)應(yīng)圖像的中心地帶選訓(xùn)練區(qū)，避免不同類型在邊緣相交處相互混雜，使訓(xùn)練區(qū)像元光譜“不純”B完備性是指選取訓(xùn)練區(qū)類型數(shù)要與待分的類型數(shù)相對(duì)應(yīng)；對(duì)于某些類別，如水體，可能有清潔的、含泥沙的水、富營(yíng)養(yǎng)化的水，每種都必須選，綜合后共同體現(xiàn)水體的“統(tǒng)計(jì)特征”分類者選訓(xùn)練區(qū)的方式：A多邊形（Polygon)或區(qū)域方式選?。哼m用于大片集中分布的地物類型B多邊形線（Polyline）方式：適用線狀分布的地物，如道路、河流等C點(diǎn)方式（Point）：適用于零星的小面積分布的地物類型上述選訓(xùn)練區(qū)的方式可以交互使用二、有監(jiān)分類的過(guò)程根據(jù)對(duì)研究區(qū)的了解（先驗(yàn)知識(shí)），從圖像中選擇有代表性的訓(xùn)練區(qū)（樣本）對(duì)選出的樣本依據(jù)選用的分類器進(jìn)行統(tǒng)計(jì)分析處理，提取各類型的數(shù)據(jù)特征并以此建立適用的判別準(zhǔn)則使用該判別準(zhǔn)則逐個(gè)判定各像元點(diǎn)的類別歸屬輸出經(jīng)過(guò)類碼標(biāo)注的分類結(jié)果圖像圖像數(shù)據(jù)判決準(zhǔn)則像元?dú)w類輸出分類結(jié)果圖像選訓(xùn)練樣區(qū)樣本統(tǒng)計(jì)分析各類數(shù)據(jù)特征遙感圖像有監(jiān)分類工作流程示意圖三、有監(jiān)分類的算法1最小距離法（MinimumDistance）：利用所選訓(xùn)練樣本估計(jì)出每一類型的均值向量和協(xié)方差矩陣；然后以均值向量作為該類在特征空間中的中心位置，計(jì)算每個(gè)待分類像元到各類中心的距離，然后將此像元?dú)w并到距離最小的一類中去。此方法的判別準(zhǔn)則是——距離設(shè)n維多光譜圖像中任一待分類像元Xi用n維向量表示為：則該像元到第K類中心的距離可用下面公式計(jì)算獲得：歐氏距離2馬氏距離法——馬哈拉諾比斯（Mahalanobis）距離式中：Xi是第i個(gè)待分類像元的亮度值向量Mk是第k個(gè)類別中心的亮度均值向量CovarianceMatrix馬氏距離由于乘上了協(xié)方差矩陣的逆，因此它具有“統(tǒng)一量綱”的效應(yīng)；當(dāng)協(xié)方差矩陣退化為單位陣（IdentityMatrix）時(shí)，馬氏距離就變成了歐氏距離3Bayes判別準(zhǔn)則前面介紹的距離判別方法計(jì)算簡(jiǎn)單，結(jié)論明確，簡(jiǎn)單實(shí)用。但其缺點(diǎn)是：判別方法與各類出現(xiàn)的概率大小無(wú)關(guān)，同時(shí)與誤判之后造成的損失無(wú)關(guān)。而Bayes判別可以很好的克服上述缺點(diǎn)原理：假定先考慮兩個(gè)總體G1和G2，它們分別具有概率密度函數(shù)f1(x)和f2(x)，設(shè)G1和G2出現(xiàn)的先驗(yàn)概率為P1=P(G1)，P2=P(G2)，P1+P2=1A先驗(yàn)概率（PrioriProbability）：未觀測(cè)前已知某一樣本X來(lái)自于每個(gè)總體的概率，如前面的P1、P2B條件概率（ConditionalProbability）：已知在總體G1和G2出現(xiàn)的條件下，觀測(cè)到樣本X的概率P(X/Gi)i=1,2稱為條件概率C后驗(yàn)概率（PosterioriProbability）：已知樣本X出現(xiàn)的條件下，它是來(lái)自于總體Gii=1,2的概率，也就是樣本屬于總體的概率P(Gi/X）由Bayes定理有：從上式看P(X)是一個(gè)與類別無(wú)關(guān)的公共因子，在比較后驗(yàn)概率時(shí)不起作用，判別時(shí)可以將它去掉。所以它的判別準(zhǔn)則就是：比較上式的大?。合闰?yàn)概率P(Gi)

，通常根據(jù)各種先驗(yàn)知識(shí)（具體問(wèn)題的實(shí)際情況、歷史上積累的資料等）給出，或假設(shè)它們相等條件概率P(X/Gi)，由于遙感問(wèn)題中像元亮度值正態(tài)分布假設(shè)的合理性及非正態(tài)問(wèn)題可以通過(guò)數(shù)學(xué)方法轉(zhuǎn)化為正態(tài)問(wèn)題來(lái)處理，因此都假定滿足正態(tài)分布的條件

一元正態(tài)分布的概率密度函數(shù)寫為：遙感圖像分類往往是多光譜，多元變量，服從多元正態(tài)