5遙感數(shù)字圖像處理

1、遙 感 數(shù) 字 圖 像 處 理基本概念1輻射失真與校正2幾何失真與校正3光譜圖像分類4基本概念1輻射失真與校正2幾何失真與校正3456遙感圖像數(shù)據(jù)源圖像數(shù)據(jù)的誤差校正和配準(zhǔn)輻射失真幾何失真數(shù)字圖像數(shù)據(jù)的解譯輻射增強(qiáng)技術(shù)圖像數(shù)據(jù)的多光譜變換圖像分類監(jiān)督分類非監(jiān)督分類分類精度評價多源、多傳感器圖像分析高光譜圖像數(shù)據(jù)解譯圖像數(shù)據(jù)的誤差校正和配準(zhǔn)輻射失真幾何失真圖像分類監(jiān)督分類非監(jiān)督分類分類精度評價衛(wèi)星遙感圖像處理過程 Pre-processing Enhancement and Transformations Classification and Feature extraction1多波段遙感數(shù)字

2、圖像高光譜遙感光譜圖像立方體spectral-image cube成像光譜技術(shù)以納米級超高光譜分辨率，幾十至數(shù)百個波段對地物同時成像，在獲得地面二維空間圖像信息的同時，還獲取地物的連續(xù)光譜信息。既可以在空間切面依據(jù)圖像特征對地物做圖像分析和鑒別，又可以在光譜維上根據(jù)光譜特征對地物做光譜特征分析，直接識別地物的種類、組分和含量。 三維點(diǎn)云圖像視場與像素遙感成像方式 光機(jī)掃描 線陣推帚掃描 面陣推掃光機(jī)掃描成像線陣推掃成像面陣推掃成像圖像處理的基本方法 空間域圖像增強(qiáng) 頻域圖像增強(qiáng) 圖像復(fù)原 圖像壓縮D0=30的的GLPF濾波濾波原圖像原圖像D0=10的的GLPF濾波濾波全濾波的逆濾波結(jié)果全濾波的

3、逆濾波結(jié)果 半徑受限的逆濾波結(jié)果半徑受限的逆濾波結(jié)果 維納濾波的結(jié)果維納濾波的結(jié)果 (交互選擇交互選擇K)2 圖像數(shù)據(jù)的誤差校正和配準(zhǔn) 輻射失真 失真源 校正方法 幾何失真 失真源 校正方法 圖像配準(zhǔn)2輻射失真源 輻射失真的表現(xiàn) 特定波段內(nèi)：亮度相對分布 地表亮度分布 不同波段、同一位置：相對亮度 光譜特性 輻射失真的來源 大氣對輻射的影響 儀器誤差大氣對輻射的影響太陽照射傳感器大氣太陽輻射能經(jīng)過多少種方式、路徑進(jìn)入傳感器？像素（地面分辨單元）相鄰像素太陽照射輻射到傳感器大氣T天空照射成分1路徑輻射成分2天空照射成分2路徑輻射成分1E0遙感圖像數(shù)據(jù)源在沒有大氣影響時，假設(shè)太陽射到地球的光譜輻照

4、度為 E ，則在天頂角 時，地面的光譜輻照度為 Ecos 。此時，波長 1和 2之間的輻照度為 =1- 2一般足夠窄：假設(shè)表面反射率為R，且地表為漫反射，那么散射到上半球的輻射亮度為212cosWmOSEEd 2cosWmOSEE 21cos2Wm srLER 像素（地面分辨單元）相鄰像素太陽照射輻射到傳感器大氣T天空輻照成分1路徑輻照成分2天空輻照成分2路徑輻照成分1E0對于特定傳感器來說，量化后的數(shù)值為DN，那么特定像素對應(yīng)的輻射亮度為其中如果考慮大氣的影響？需要對公式進(jìn)行修正。 透過率（Transmittance） 有無大氣條件下，到達(dá)地面的輻照度之比，稱為透過率，用 T 表示 天空輻照

5、度（Sky irradiance） 在地面測得的，包括天空的散射和周圍景物的散射，用 ED 表示 路徑輻射亮度（Path radiance） 在傳感器處測得的，包括天空散射和周圍景物的散射，用 LP 表示大氣影響的相關(guān)參數(shù)考慮大氣因素修正后，地面的總輻照度為由像素的總輻照度產(chǎn)生的輻射亮度變?yōu)閭鞲衅鳙@得的總輻射亮度變?yōu)?cosWmGDEEE 21cosWm srTDRLEE 21cosWm srSDPRTLEEL 儀器誤差 光學(xué)系統(tǒng)誤差 邊緣減光（透鏡系統(tǒng)） 輻射探測器的非線性： 暗電流（偏置） 傳輸特性斜率（增益）不均勻儀器誤差 效果：產(chǎn)生條帶輻射失真校正 大氣影響的精確校正 基于大氣傳輸理論

6、模型 大氣影響的粗校正 基于圖像特征模型 暗目標(biāo)法 直方圖調(diào)整 波段間的數(shù)學(xué)變換 儀器誤差校正大氣影響的精確校正 大氣狀態(tài)（時間，地點(diǎn)，波段：0.81.1m） 溫度：29C 相對濕度： 24% 大氣壓力： 1004mbar 能見度：65km 測量位置： 海平面上30m21cosWm srSDPRTLEEL 光學(xué)厚度 大氣透過率T =exp(-sec)大氣影響的精確校正 寬帶系統(tǒng)的大氣校正 窄帶系統(tǒng)的大氣校正 高光譜 大氣成分的吸收與散射建模 精細(xì)光譜吸收曲線對地物光譜反演的影響較大Correcting Atmospheric Effects in NarrowWaveband Systems1

7、. 轉(zhuǎn)換DN值到輻射值2. 補(bǔ)償太陽光譜曲線的影響3. 補(bǔ)償大氣透過率，分子與氣溶膠的散射；轉(zhuǎn)換表觀反射系數(shù)到歸一化的地表反射率4. 考慮地表結(jié)構(gòu)的影響，轉(zhuǎn)換歸一化的地表反射率到實(shí)際的地表反射率轉(zhuǎn)換DN值到輻射值 暗電流 傳輸特性斜率 光譜響應(yīng)補(bǔ)償太陽光譜曲線的影響補(bǔ)償大氣透過率，分子與氣溶膠的散射水汽吸收的精確估計窄帶系統(tǒng)的大氣校正（例）大氣影響的粗校正 有些情況下，精確校正是不需要的。 假設(shè)給定場景的每個波段數(shù)據(jù)都存在等于或接近零亮度的值，并且大氣影響，尤其是路徑輻射，對帶內(nèi)每個像素都附加了一個常量。 大氣散射總體提升了每個波段圖像的亮度。藍(lán)色綠色紅色近紅外大氣影響大氣散射路徑輻射各通道直

8、方圖路徑輻射-米氏散射(04)大氣影響的粗校正 基于圖像特征方法適用的假設(shè)： 地表為朗伯體 大氣水平均一 不同時間、不同波段的圖像間存在線性相關(guān) 如暗目標(biāo)法，未考慮如下因素，不適于寬視場 透過率影響 氣溶膠厚度的空間異質(zhì)性 未考慮觀測角度 未考慮暗目標(biāo)地表的方向反射率大氣影響的粗校正 地面線性回歸經(jīng)驗?zāi)Ｐ停═he Empirical Line Method） 地物反射率或溫度不變 高溫、高反射率沙地 中溫、中反射率草地 低溫、低反射率水體 目標(biāo)均勻、平坦、面積大 總云量小于2 風(fēng)速小于3m/s 能見度大于5km儀器誤差校正 條帶的校正 假設(shè)波段內(nèi)各探測器所產(chǎn)生的信號統(tǒng)計特性相同 方法： 匹配均

9、值、標(biāo)準(zhǔn)差 直方圖匹配 頻域濾波dddiiiyxmm儀器誤差校正 定標(biāo)應(yīng)對傳感器老化（絕對定標(biāo)） 實(shí)驗室定標(biāo) 星上定標(biāo) 可見光、近紅外，采用太陽或標(biāo)定的鎢絲燈 熱紅外，采用黑體定標(biāo) 地面定標(biāo) 美國White Sands、法國La Crau 中國：敦煌、青海湖、納木錯湖、禹城太陽高度和地形校正Spring / FallSatelliteSummerWinterZenithEquatorTangent planeSolar Elevation Angles太陽高度和地形校正 獲得瞬時入射角信息太陽高度和地形校正 雙向反射分布函數(shù)（Bidirectional reflectance distribu

10、tion function，BRDF） 意義是在 r 方向的反射光線的輻射率和同一點(diǎn)上 從 i 方向射入的光線的輻射率的比值。 每一個方向可以被參數(shù)化為方位角和天頂角 ，因此BRDF是一個四維函數(shù)。 BSDF的單位是 sr1。太陽高度和地形校正太陽高度和地形校正太陽高度和地形校正 利用DEM信息進(jìn)行校正 Digital Elevation Models (DEM)幾何失真 幾何失真源 幾何失真校正 圖像配準(zhǔn)3幾何失真源1. 圖像獲取時的地球轉(zhuǎn)動2. 平臺高度、姿態(tài)、速度的變化3. 地球曲率4. 與圖像幾何相關(guān)的全景效應(yīng)5. 部分傳感器的有限掃描頻率6. 部分傳感器的寬視場7. 傳感器的非理想特

11、性3地球轉(zhuǎn)動影響衛(wèi)星運(yùn)動地球運(yùn)動傳感器輸出（有錯誤）校正后1. 地球轉(zhuǎn)動影響2. 平臺高度、姿態(tài)、速度的變化星歷+三軸穩(wěn)定平臺+POS（GPS+IMU）3. 地球曲率1 cossec seccephr4. 全景失真4. 全景失真22sec= secppLandsat 7 = 7.5p = 1.02p機(jī)載掃描儀 = 80p = 1.70p圖像的邊緣壓縮邊緣像素重疊4. 全景失真固定IFOV和角掃描率傳感器沿掃描線壓縮（S-彎曲失真）5. 掃描頻率受限 引起掃描帶兩側(cè)數(shù)據(jù)缺失Universal Transverse Mercator (UTM) 幾何失真的校正 模型校正 建立失真源特性和大小模型，

12、生成校正公式 利用像素、坐標(biāo)對應(yīng)關(guān)系校正 利用地圖、地面控制點(diǎn)等建立對應(yīng)關(guān)系 不依賴于獲取圖像的平臺 地圖-圖像校正 圖像-圖像校正基于模型的幾何校正 縱橫比校正 地球旋轉(zhuǎn)扭曲校正基于模型的幾何校正 圖像北-南指向基于模型的幾何校正 全景效應(yīng)校正基于模型的幾何校正 組合校正地圖圖像校正圖像圖像校正基于控制點(diǎn)的幾何校正 坐標(biāo)的空間變換（空間插值） 灰度級內(nèi)插（亮度插值，重采樣）前向映射后向映射012012xaa xa yybb xb y012012xaa xa yybb xb y后向映射012012xaa xa yybb xb y382.23660.034187( 0.005481)130162

13、( 0.005576)( 0.0349150)xxyyxy 空間變換方法 投影變換 模型簡單 多項式變換 直觀，控制點(diǎn)數(shù)量與多項式階數(shù)相關(guān) 三角網(wǎng)格變換 可以在不同的局部區(qū)域，應(yīng)用不同的多項式仿射變換 幾何變換的類型： 剛性變換（Rigid）：包括平移和旋轉(zhuǎn)。 仿射變換（Affine）：將平行線變換為平行線。 投影變換（Projection）：將直線映射為直線。 曲線變換（curve）：將直線映射為曲線。 111221223132011101ttxyxyxyttttT幾何失真的校正 利用映射函數(shù)進(jìn)行圖像校正 地圖 圖像, x y, u v,uf x y,vg x y利用映射多項式進(jìn)行圖像校正

14、精確形式難以獲得 用多項式替代 如二階：,uf x y,vg x y2201234522012345uaa xa ya xya xa yvbb xb yb xyb xb y如何估計多項式的系數(shù)？地面控制點(diǎn)(GCPs)局部三角網(wǎng)格變換 在圖像變化較大、失真扭曲復(fù)雜、特征點(diǎn)多的區(qū)域，三角網(wǎng)密集，能很好地校正失真細(xì)節(jié)變化； 而在圖像內(nèi)容簡單、失真扭曲小的區(qū)域，特征點(diǎn)少，三角網(wǎng)稀疏，不會造成大量的冗余數(shù)據(jù)，也不會無謂地增加計算量。 三角網(wǎng)格變換 Delaunay三角剖分（Delaunay triangulation） 對平面有限點(diǎn)集P的三角剖分DT，P中的點(diǎn)不在任意一個DT三角形外接圓里。 它滿足兩個

15、重要準(zhǔn)則三角網(wǎng)格變換 Delaunay三角剖分準(zhǔn)則1 空圓特性。Delaunay 三角網(wǎng)是唯一的（任意四點(diǎn)不能共圓），在 Delaunay 三角形網(wǎng)中任一三角形的外接圓范圍內(nèi)不會有其它點(diǎn)存在。三角網(wǎng)格變換 Delaunay三角剖分準(zhǔn)則2 最大化最小角特性。在散點(diǎn)集可能形成的三角剖分中，Delaunay三角剖分所形成的三角形的最小角最大。ABCDABCD三角網(wǎng)格變換 Delaunay三角剖分優(yōu)異的性質(zhì)：1. 最接近的點(diǎn)形成三角形2. 唯 一 性 ， 無 論 何 種 算 法 ， 最 后 得 到 的 Delaunay 三角剖分是唯一的3. 最規(guī)則，由最大化最小角特性可以推出，Delaunay三角網(wǎng)是

16、“最接近于規(guī)則化的”的三角網(wǎng)4. 所有三角形并集為點(diǎn)集的凸包（這個所有剖分都是）三角網(wǎng)格變換 Delaunay邊 假設(shè)E中的一條邊e（其端點(diǎn)為a,b），若e滿足條件：存在一個圓經(jīng)過a,b兩點(diǎn)，圓內(nèi)不含點(diǎn)集中任何其他的點(diǎn)，這一特性又稱空圓特性，則稱之為Delaunay邊。 Delaunay三角剖分 如果點(diǎn)集的一個三角剖分只包含Delaunay邊，那么該三角剖分稱為Delaunay三角剖分?？刂泣c(diǎn)的選擇 手工選擇GCPs (the same as Image to Map) 自動算法 直接從像素值中提取 從頻域提取（基于FFT） 利用如邊緣、角點(diǎn)等低級特征 利用高級特征，如識別出的物體、特征間的關(guān)

17、系等控制點(diǎn)的自動提取 常見的特征點(diǎn)提取算法有：Harris算 子（改進(jìn)后的Shi-Tomasi算法）、Moravec算子、Forstner算子、小波變換算子等。 簡單介紹一下最常用的Harris角點(diǎn)檢測算法。 角點(diǎn)附近的區(qū)域相比于其他區(qū)域有一個顯著的特點(diǎn)：無論沿著哪一個方向，灰度變化率始終是很大。 假設(shè)我們有一個矩形窗口罩在角點(diǎn)附近，將這個窗口沿任意方向移動一小段距離得到一個新的區(qū)域，新、舊區(qū)域?qū)?yīng)點(diǎn)的灰度差值始終很大。 相比之下，平滑區(qū)域的變化就很小，而邊緣區(qū)域沿著某些方向變化率大、某些方向變化率小。控制點(diǎn)的自動提取 Harris算法 首先定義了一個窗口函數(shù) w(x, y)表示選擇的窗口區(qū)域

18、， w(x, y) 表示這個坐標(biāo)所占的權(quán)值。 有時用0-1賦值，有時候用高斯濾波減少噪聲影響； 定義 E(u, v)表示窗口沿著 (u, v) 方向移動后的梯度變化情況： 為了簡化計算，泰勒展開 其中 Ix, Iy 分別為灰度沿 x, y 方向的導(dǎo)數(shù)?？刂泣c(diǎn)的自動提取 Harris算法 轉(zhuǎn)化為矩陣形式： 最后定義一個評價函數(shù)R： 其中 k是一個控制參數(shù)，1, 2 為M的特征值。當(dāng)R較小時，圖像是平坦的；當(dāng)R時，圖像是一個邊緣；當(dāng)R很大時，圖像是一個角點(diǎn)。因此通常會對R設(shè)置一個閾值，大于這個閾值的點(diǎn)可以看做是角點(diǎn)?？刂泣c(diǎn)的自動提取 Harris算法HARRIS C, STEPHENS M. “A

19、 Combined Corner and Edge Detector” Proceedings of Fourth Alvey Vision Conference. 1988, 147-151.points = detectHarrisFeatures(I,Name,Value)控制點(diǎn)的選擇 數(shù)量 位置 分布在圖像邊緣 覆蓋整個圖像曲線擬合類比高階外推的不良影響從圖主圖GCP分散GCP集中三階多項式雙三次插值一階多項式雙三次插值地圖原圖校正圖Landsat MSS圖像悉尼11個控制點(diǎn)二階映射多項式雙三次插值GCPImagepixelImagelineMapeastingactualMapeas

20、tingestimateMapeastingresidualMapnorthingactualMapnorthingestimateMapnorthingresidualI19091473 432279 432230.149.4 836471 836410.160.7219501625 431288 431418.0-130.1 822844 822901.4-56.9319511747 428981 428867.9112.6 812515 812418.296.8419591851 427164 427196.9-33.2 803313 803359.4-46.7517971847 417

21、151 417170.3-18.9 805816 805759.357.1614961862 397860 397871.6-11.2 808128 808187.2-59.6715551705 404964 404925.838.6 821084 820962.6121.6815991548 411149 411138.510.5 833796 833857.3-61.1916751584 415057 415129.0-72.4 829871 829851.119.81018291713 422019 421986.632.7 816836 816884.5-48.11118231625

22、423530 423507.822.0 824422 824504.8-83.2Standard error in easting = 55.92 mStandard error in northing = 63.06 m4214211kkkwtkkZDBVD162116211kkkwtkkZDBVD5 4 2 34 2 1 56 3 5 21 2 4 1最近鄰點(diǎn)插值5 4 2 34 2 1 56 3 5 21 2 4 1雙線性插值5 4 2 34 2 1 56 3 5 21 2 4 1雙三次插值圖像配準(zhǔn)Image Registration圖像拼接Image Mosaic遙感衛(wèi)星數(shù)據(jù)產(chǎn)品的分級

23、 遙感衛(wèi)星數(shù)據(jù)產(chǎn)品的類別：一般按照數(shù)據(jù)產(chǎn)品獲取方式，包含光學(xué)數(shù)據(jù)產(chǎn)品、雷達(dá)數(shù)據(jù)產(chǎn)品、被動微波數(shù)據(jù)產(chǎn)品、激光數(shù)據(jù)產(chǎn)品、重力衛(wèi)星數(shù)據(jù)產(chǎn)品等。 遙感衛(wèi)星數(shù)據(jù)產(chǎn)品的分級：為了便于數(shù)據(jù)產(chǎn)品的生產(chǎn)、應(yīng)用和銷售等，根據(jù)數(shù)據(jù)間的相互關(guān)系劃分等級。數(shù)據(jù)產(chǎn)品的分級一般針對同一類型、同一衛(wèi)星平臺或同一傳感器的數(shù)據(jù)產(chǎn)品進(jìn)行。典型光學(xué)衛(wèi)星數(shù)據(jù)產(chǎn)品的分級 MODIS LANDSET SPOT CBERS02B HY-1A/1BMODIS數(shù)據(jù)產(chǎn)品分級 0級：數(shù)據(jù)是對衛(wèi)星下傳的數(shù)據(jù)報解除CADU外殼后，所生成的CCSDS格式的未經(jīng)任何處理的原始數(shù)據(jù)集合，其中包含按照順序存放的掃描數(shù)據(jù)幀、時間碼、方位信息和遙測數(shù)據(jù)等。 1級：

24、對沒有經(jīng)過處理的、完全分辨率的儀器數(shù)據(jù)進(jìn)行重建，數(shù)據(jù)時間配準(zhǔn)，使用輔助數(shù)據(jù)注解，計算和增補(bǔ)到0級數(shù)據(jù)之后為1級數(shù)據(jù)。 1A：是對Level 0數(shù)據(jù)中的CCSDS包進(jìn)行解包所還原出來的掃描數(shù)據(jù)及其他相關(guān)數(shù)據(jù)的集合。 1B：對L1A數(shù)據(jù)進(jìn)行定位和定標(biāo)處理之后所生成，其中包含以SI(Scaled Integer)形式存放的反射率和輻射率的數(shù)據(jù)集。MODIS數(shù)據(jù)產(chǎn)品分級 2級：在Level 1級數(shù)據(jù)基礎(chǔ)上開發(fā)出的、具有相同空間分辨率和覆蓋相同地理區(qū)域的數(shù)據(jù)。 3級：以統(tǒng)一的時間-空間柵格表達(dá)的變量，通常具有一定的完整性和一致性。在3級水平上，將可以集中進(jìn)行科學(xué)研究，如：定點(diǎn)時間序列，來自單一技術(shù)的觀測

25、方程和通用模型等。 4級：通過分析模型和綜合分析3級以下數(shù)據(jù)得出的結(jié)果數(shù)據(jù)為4級數(shù)據(jù)。LANDSAT數(shù)據(jù)產(chǎn)品分級 0級：原始數(shù)據(jù)產(chǎn)品，地面站接受的原始數(shù)據(jù)，經(jīng)格式化、同步、分幀等處理后生成的數(shù)據(jù)集 。 1級：輻射校正產(chǎn)品，經(jīng)過輻射校正處理。 2級：系統(tǒng)幾何校正產(chǎn)品，經(jīng)過輻射校正處理和系統(tǒng)幾何校正處理。 3級：幾何精校正產(chǎn)品，采用地面控制點(diǎn)進(jìn)行幾何精校正的數(shù)據(jù)產(chǎn)品。 4級：高程校正產(chǎn)品，采用地面控制點(diǎn)和數(shù)字高程模型進(jìn)行校正的數(shù)據(jù)產(chǎn)品。SPOT數(shù)據(jù)產(chǎn)品分級 0級：未經(jīng)任何輻射校正和幾何校正處理的原始圖像數(shù)據(jù)產(chǎn)品，包括進(jìn)行后續(xù)的輻射和幾何校正處理的輔助數(shù)據(jù)，主要用于地面站與法國SPOTIMAGE公司

26、之間的數(shù)據(jù)交換 1級：經(jīng)過輻射校正和系統(tǒng)幾何校正處理。 1A級：經(jīng)輻射校正處理后的產(chǎn)品。 1B級：經(jīng)過了level 1A級輻射校正和系統(tǒng)級幾何校正的產(chǎn)品。SPOT數(shù)據(jù)產(chǎn)品分級 Level-1A級產(chǎn)品 SPOT數(shù)據(jù)經(jīng)輻射校正處理后的產(chǎn)品，包含了用以進(jìn)行后續(xù)的幾何校正處理的輔助數(shù)據(jù)。 Level-1A產(chǎn)品是針對那些僅要求進(jìn)行最小數(shù)據(jù)處理的用戶而定義的，特別是進(jìn)行輻射特征和立體解析研究的用戶SPOT數(shù)據(jù)產(chǎn)品分級 Level-1B級產(chǎn)品 SPOT數(shù)據(jù)經(jīng)過了Level-1A級輻射校正和系統(tǒng)級幾何校正的產(chǎn)品。 在處理中，由于衛(wèi)星軌道、姿態(tài)及地球自轉(zhuǎn)等因素造成的數(shù)據(jù)幾何畸變得到了糾正，數(shù)據(jù)經(jīng)重采樣得到的圖像

27、像元尺寸分別為10m（全色模式）和20m（多光譜模式）SPOT數(shù)據(jù)產(chǎn)品分級 2級：進(jìn)行幾何精校正的數(shù)據(jù)產(chǎn)品。 2A級：將圖像數(shù)據(jù)投影到給定的地圖投影坐標(biāo)系下，地面控制點(diǎn)參數(shù)不予引入。 2B級：引入地面控制點(diǎn)GCP，生產(chǎn)高幾何精度的圖像產(chǎn)品，高程取相同的值。 3級：正射校正產(chǎn)品。CBERS02B數(shù)據(jù)產(chǎn)品分級 0級：原始數(shù)據(jù)原始數(shù)據(jù)產(chǎn)品,分景后的衛(wèi)星下傳遙感數(shù)據(jù)。 1級：輻射校正產(chǎn)品輻射校正產(chǎn)品，經(jīng)輻射校正，沒有經(jīng)過幾何校正的產(chǎn)品數(shù)據(jù)。 2級：系統(tǒng)幾何校正產(chǎn)品系統(tǒng)幾何校正產(chǎn)品，經(jīng)輻射校正和系統(tǒng)幾何校正，并將校正后的圖像映射到指定的地圖投影坐標(biāo)下的產(chǎn)品數(shù)據(jù)。 3級：幾何精校正產(chǎn)品，經(jīng)過輻射校正和幾何

28、校正，同時采用地面控制點(diǎn)改進(jìn)產(chǎn)品幾何精度的產(chǎn)品數(shù)據(jù)。CBERS02B數(shù)據(jù)產(chǎn)品分級 4級：高程校正產(chǎn)品高程校正產(chǎn)品，經(jīng)過輻射校正、幾何校正和幾何精校正，同時采用數(shù)字高程模型（DEM）糾正了地勢起伏造成的視差的產(chǎn)品數(shù)據(jù)。 5級：鑲嵌圖像產(chǎn)品標(biāo)準(zhǔn)鑲嵌圖像產(chǎn)品，無縫鑲嵌圖像產(chǎn)品。4. 光譜圖像分類4Landsat MSS Landsat TM TerraSAR-X4. 光譜圖像分類44. 光譜圖像分類44. 光譜圖像分類44. 光譜圖像分類 什么是分類？ 如何分類？ 確定類別，建立規(guī)則 如何讓計算機(jī)學(xué)會分類？ 分類過程數(shù)學(xué)問題（模式識別） 模式類1, 2, M 模式特征向量 決策函數(shù)4模式類與模式特征

29、向量舉例 模式識別 希望識別出大客車、小轎車、還是卡車 從而有模式類（ 大, 小, 卡） 用什么來判斷呢？ 汽車的長、寬、高（L,W,H）模式特征向量 大客車： （L,W,H）大 小轎車： （L,W,H）小 卡 車： （L,W,H）卡 如何對光譜圖像進(jìn)行分類 模式類（地物） 水體？城郊？農(nóng)作物？牧場？機(jī)場？港口？ 模式特征矢量 像素的光譜分量NIRSWIRTIRxx1, x2, x3, x4, x5, x6Band Combinations3,2,14,3,25,4,3圖像分類方法概述 監(jiān)督分類 選取有代表性的訓(xùn)練樣本 選取特征參數(shù)（如亮度均值、方差等），建立判別函數(shù)，訓(xùn)練得到函數(shù)的參數(shù)。 依

30、據(jù)訓(xùn)練結(jié)果判別函數(shù)，識別非樣本像元的歸屬類別 非監(jiān)督分類 在沒有先驗類別作為樣本的條件下，即事先不知道類別特征，主要依據(jù)像元間相似度的大小進(jìn)行歸類合并。Unsupervised classificationSupervised classificationComputational intensive, adequate for quick snapshot: which classes are spectrally well discriminable?Computational less intensivePrevious knowledge not required (but desir

31、able!)Knowledge on study area should exist(ground truth, GPS)Definition of number of classes is critical:If too high classes not discriminable, if too low unnecessary merging of classesSelection of training areas critical:risk of being not representative, not enough, extreme overlap of classes in th

32、e feature spaceResults are objective (class assignment subjective!)Results depend on selected training areasselected by the userApplicable to arbitrary data sets; however, class assignment individually for each data set!For each new EO-data: possibly new training sites necessary (illumination- and a

33、tmospheric conditions, land cover dynamics)New, unknown classes in the study area can be identifiedOnly already defined classes (based ontraining sites) can be identifiedAccuracy often insufficientApproved method非監(jiān)督分類監(jiān)督分類運(yùn)算密集型， 適合進(jìn)行快速預(yù)覽：哪些光譜類別容易分辨?運(yùn)算量相對稍小不需要先驗知識（有了更好!）需要先驗知識（地面真實(shí)值，GPS）預(yù)先定義分類數(shù)量是關(guān)鍵：太多

34、 分類可分辨性差太少 產(chǎn)生非必要的類別合并選擇訓(xùn)練區(qū)域是關(guān)鍵：代表性差、像素點(diǎn)不足、分類特征空間重疊都會帶來出錯的風(fēng)險結(jié)果是客觀的（后續(xù)的類別指定是主觀的!） 結(jié)果依賴于用戶選擇的訓(xùn)練區(qū)域可用于任意數(shù)據(jù)集；但對每個數(shù)據(jù)集的類別指定都是獨(dú)立的，不可直接套用!對于新的成像數(shù)據(jù)：可能需要新的訓(xùn)練數(shù)據(jù)（考慮到：光照、大氣狀態(tài)、地物的動態(tài)變化等因素）可以識別出“新的”未知的類別只能識別出預(yù)先定義的類別（基于訓(xùn)練數(shù)據(jù)）準(zhǔn)確度通常不足可靠性更高Hybrid Classification數(shù)字圖像分類新技術(shù) 紋理分析 人工神經(jīng)網(wǎng)絡(luò) 小波分析 分形技術(shù) 模糊分類監(jiān)督分類 最小距離法 最小距離判別法均值 最近鄰域分

35、類法多統(tǒng)計量 原理簡單，分類精度不高，計算速度快，可用于快速瀏覽分類概況。監(jiān)督分類 多級切割法 將多維特征空間劃分成對應(yīng)不同類別的互不重疊的子空間。 通過訓(xùn)練，設(shè)定每個分類類別的光譜特征上限值和下限值，以便構(gòu)成特征子空間。 要求分割面與各特征軸正交。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。 先進(jìn)行主成分分析，對各軸進(jìn)行正交變換。監(jiān)督分類 多級切割法 主成分分析（Principal components analysis，PCA）是一種分析、簡化數(shù)據(jù)集的技術(shù)。 PCA常用于減少數(shù)據(jù)集的維數(shù)，同時保持?jǐn)?shù)據(jù)集中的對方差貢獻(xiàn)最大的特征。 這是通過保留低階主成分，忽略高階主成分做到的。低階

36、成分往往能夠保留住數(shù)據(jù)的最重要方面。 其方法主要是通過對協(xié)方差矩陣進(jìn)行特征分解，以得出數(shù)據(jù)的主成分（即特征向量）與它們的權(quán)值（即特征值）。 其結(jié)果可以理解為對原數(shù)據(jù)中的方差做出解釋：哪一個方向上的數(shù)據(jù)值對方差的影響最大監(jiān)督分類 特征曲線窗口法 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(rèn)為是一類。監(jiān)督分類 最大似然法 求出每個像元對于各類別的歸屬概率，把該像元分到歸屬概率最大的類別中。Supervised Classification非監(jiān)督分類 最大似然分類的成功應(yīng)用依賴對圖像中光譜類別的正確描述，一般都是利用正態(tài)概率分布模型的。 如果某個類別是多模式的，而采用正

37、態(tài)分布，是不會有效的。非監(jiān)督分類 聚類需要一個準(zhǔn)則，使得聚類的結(jié)果唯一。非監(jiān)督分類 相似度度量非監(jiān)督分類 常用的聚類準(zhǔn)則：平方誤差和（SSE） 對于每個類單獨(dú)計算每個模式到類中心的累加距離，然后對所有類求和。 如果每個模式到相應(yīng)聚類中心的距離都很小，那么這種聚類方式可以認(rèn)為是合理的。How many clusters?4 Clusters 2 Clusters 6 Clusters Cluster can be Ambiguous非監(jiān)督分類非監(jiān)督分類 分級集群法（Hierarchical clustering） 采用“距離”評價各樣本（像元）在空間分布的相似程度，把它們的分布分割和合并成不同的

38、集群。 每個集群的地理意義需要根據(jù)地面調(diào)查或者已知類型的數(shù)據(jù)比較后確定。非監(jiān)督分類 分級集群法（Hierarchical clustering） p4 p1 p3 p2 p4p1p2p3Traditional Hierarchical ClusteringTraditional Dendrogram非監(jiān)督分類 迭代優(yōu)化（均值平移）聚類算法 初始化，選擇K個點(diǎn)作為候選聚類中心C。 計算每個像素到C的距離，根據(jù)最小距離原則分配到候選類中。 重新計算均值，作為候選類中心。 直到均值位置不變非監(jiān)督分類 SSE準(zhǔn)則具有理論上的零最小值。 如果利用迭代方法搜索數(shù)據(jù)集中的自然光譜聚類，肯定會有一個收斂點(diǎn)。

39、但是，將P個模式樣本放入K個類別中，將有KP/K!種方式，計算量巨大。 空間近鄰也是重要的分類參考因素。非監(jiān)督分類 動態(tài)聚類法 在初始狀態(tài)給出圖像粗糙的分類，然后基于一定的原則在類別間重新組合，直到分類較為合理為止。 以距離作為分類判別標(biāo)準(zhǔn) 一般以類別數(shù)范圍、類別中心間距、類內(nèi)方差最大值 作為閾值判斷結(jié)束條件。非監(jiān)督分類 K 是事先給定的，這個 K 值的選定是非常難以估計的。很多時候，事先并不知道給定的數(shù)據(jù)集應(yīng)該分成多少個類別才最合適。 （ISODATA算法通過類的自動合并和分裂，得到較為合理的類型數(shù)目 K） K-Means算法需要用初始隨機(jī)種子點(diǎn)。隨機(jī)種子點(diǎn)的選取對結(jié)果影響很大，不同的隨機(jī)種

40、子點(diǎn)會有得到完全不同的結(jié)果。 （K-Means+算法可以用來解決這個問題，其可以有效地選擇初始點(diǎn)）非監(jiān)督分類 迭代自組織數(shù)據(jù)分析算法（ISODATA 聚類算法） 在K-均值算法的基礎(chǔ)上，增加對聚類結(jié)果的“合并”和“分裂”兩個操作，并設(shè)定算法運(yùn)行控制參數(shù)的一種聚類算法。ISODATAI - iterativeS - selfO - organizingD - dataA analysisT - techniqueA - Algorithm非監(jiān)督分類 ISODATA聚類算法 “合并”操作： 當(dāng)聚類結(jié)果某一類中樣本數(shù)太少，或兩個類間的距離太近時，進(jìn)行合并。 “分裂”操作： 當(dāng)聚類結(jié)果某一類中樣本某個

41、特征類內(nèi)方差太大，將該類進(jìn)行分裂。非監(jiān)督分類 ISODATA聚類算法 通過設(shè)定初始參數(shù)而引入人機(jī)對話環(huán)節(jié)，并使用歸并與分裂的機(jī)制 當(dāng)某兩類聚類中心距離小于某一閾值時，將它們合并為一類； 當(dāng)某類標(biāo)準(zhǔn)差大于某一閾值或其樣本數(shù)目超過某一閾值時，將其分為兩類； 在某類樣本數(shù)目少于某閾值時，需將其取消。K-MeansISODATA非監(jiān)督分類 K-Means+算法1.從輸入的數(shù)據(jù)點(diǎn)集合中隨機(jī)選擇一個點(diǎn)作為第一個聚類中心2.對于數(shù)據(jù)集中的每一個點(diǎn)x，計算它與最近聚類中心(指已選擇的聚類中心)的距離D(x)3.選擇一個新的數(shù)據(jù)點(diǎn)作為新的聚類中心，選擇的原則是：D(x)較大的點(diǎn)，被選取作為聚類中心的概率較大4.

42、重復(fù)2和3直到K個聚類中心被選出來5.利用這K個初始的聚類中心來運(yùn)行標(biāo)準(zhǔn)的K-means算法非監(jiān)督分類 K-Means+算法具體實(shí)現(xiàn)1.首先隨機(jī)挑個點(diǎn)當(dāng)“種子點(diǎn)”2.對于每個點(diǎn)，都計算它和最近的一個“種子點(diǎn)”的距離D(x)并保存在一個數(shù)組里，然后把這些距離加起來得到Sum(D(x)。3.然后，再取一個隨機(jī)值，用權(quán)重的方式來取計算下一個“種子點(diǎn)”。這個算法的實(shí)現(xiàn)是，先取一個能落在Sum(D(x)中的隨機(jī)值Random，然后用Random -= D(x)，直到其=0，此時的點(diǎn)就是下一個“種子點(diǎn)”。4.重復(fù)2和3直到K個聚類中心被選出來5.利用這k個初始的聚類中心來運(yùn)行標(biāo)準(zhǔn)的k-means算法非監(jiān)督

43、分類 Clustering by fast search and find of density peaks Science上發(fā)表的超贊聚類算法非監(jiān)督分類 Clustering by fast search and find of density peaks 這一算法，是對所有坐標(biāo)點(diǎn)，基于相互距離，提出了兩個新的屬性，一是局部密度i，即與該點(diǎn)距離在一定范圍內(nèi)的點(diǎn)的總數(shù)，二是到更高密度點(diǎn)的最短距離 i 。 作者提出，類簇的中心是這樣的一類點(diǎn)：它們被很多點(diǎn)圍繞（導(dǎo)致局部密度大），且與局部密度比自己大的點(diǎn)之間的距離也很遠(yuǎn)。ijijcdd 100if xxotherwise:minjiijijd非監(jiān)督分類 Clustering by fast search and find of density peaks 有著較大的局部密度 i和很大的 i的點(diǎn)，被認(rèn)為是類簇的中心。 局部密度較小，但是 i較大的點(diǎn)，是異常點(diǎn)。 在確定了類簇中心之后，所有其他點(diǎn)屬于距離其最近的類簇中心所