遙感專題信息提取-課件PPT

1、2021/8/261遙感專題信息提取遙感專題信息提取洪金益洪金益中南大學地球科學與信息物理學院中南大學地球科學與信息物理學院EMAILEMAIL：2021/8/2622021/8/2632021/8/264lA Teachers Guide to Internet Resources for Remote Sensing2021/8/265l遙感影像地學理解與分析l遙感專題分析與地學圖譜l遙感數(shù)字影像處理與地理特征提取l衛(wèi)星遙感圖像計算機分類與地學應用研究lENVI用戶使用手冊lER Mapper Users ManuallPCI Users ManuallERDAS Users Manual

2、2021/8/2661、遙感專題信息提取的基本理論、遙感專題信息提取的基本理論2、遙感專題信息提取的原則和方法、遙感專題信息提取的原則和方法3、遙感專題信息提取在不同研究領域中的應用、遙感專題信息提取在不同研究領域中的應用4、遙感專題信息提取應用實例、遙感專題信息提取應用實例2021/8/267遙感專題信息提取是采用遙感圖像處理方法，根據(jù)提取目的，以遙感資料為基礎信息源，提取與主題緊密相關的一種或幾種要素的信息。2021/8/268lThe electromagnetic spectrum ranges from the shorter wavelengths (including gamma

3、 and x-rays) to the longer wavelengths (including microwaves and broadcast radio waves). Thereare several regions of the electromagnetic spectrum which are useful for remote sensing.2021/8/2692021/8/2610For most purposes, the ultraviolet or UV portion of the spectrum has the shortest wavelengths whi

4、ch are practical for remote sensing. This radiation is just beyond the violet portion of the visible wavelengths, hence its name. Some Earth surface materials, primarily rocks and minerals, fluoresce or emit visible light when illuminated by UV radiation.2021/8/2611The light which our eyes - our rem

5、ote sensors - can detect is part of the visible spectrum. It is important to recognize how small the visible portion is relative to the rest of the spectrum. There is a lot of radiation around us which is invisible to our eyes, but can be detected by other remote sensing instruments and used to our

6、advantage. The visible wavelengths cover a range from approximately 0.4 to 0.7 m. The longest visible wavelength is red and the shortest is violet. Common wavelengths of what we perceive as particular colours from the visible portion of the spectrum are listed below. It is important to note that thi

7、s is the only portion of the spectrum we can associate with the concept of colours.2021/8/26122021/8/2613 Violet: 0.4 - 0.446 m Blue: 0.446 - 0.500 m Green: 0.500 - 0.578 m Yellow: 0.578 - 0.592 m Orange: 0.592 - 0.620 m Red: 0.620 - 0.7 m2021/8/2614Blue, green, and red are the primarycolours or wav

8、elengths of the visiblespectrum. They are defined as such Because no single primary colour can be created from the other two, but all other colours can be formed by combining blue, green, and red in various proportions. Although we see sunlight as a uniform or homogeneous colour, it is actually comp

9、osed of various wavelengths of radiation in primarily the ultraviolet, visible and infrared portions of the spectrum. The visible portion of this radiation can be shown in its component colours when sunlight is passed through a prism, which bends the light in differingamounts according to wavelength

10、.2021/8/2615The next portion of the spectrum of interest is the infrared (IR) region which covers the wavelength range from approximately 0.7 m to 100 m - more than 100 times as wide as the visible portion! The infrared region can be divided into two categories based on theirradiation properties - t

11、he reflected IR, and the emitted or thermal IR. Radiation in the reflected IR region is used for remote sensingpurposes in ways very similar to radiation in the visible portion. The reflected IR covers wavelengths from approximately 0.7 m to3.0 m. The thermal IR region is quite different than the vi

12、sible and reflected IR portions, as this energy is essentially the radiation that is emitted from the Earths surface in the form of heat. The thermal IRcovers wavelengths from approximately 3.0 m to 100 m.2021/8/26162021/8/2617The portion of the spectrum of more recent interest to remote sensing is

13、the microwave region from about 1 mm to 1 m. This covers the longest wavelengths used for remote sensing. The shorter wavelengths have properties similar to the thermal infrared region while the longer wavelengths approach the wavelengths used for radio broadcasts. Because of the special nature of t

14、his region and its importance to remote sensing in Canada, an entire chapter (Chapter 3) of the tutorial is dedicated to microwave sensing.2021/8/2618知識決策數(shù)據(jù)有效信息2021/8/2619基礎科學、應用基礎科學定量地學描述遙感科學定量遙感 高新技術高新技術(傳感器、遙感平臺設計制造傳感器、遙感平臺設計制造)遙感：遙感：高新技術驅動的對地觀測的一場革命高新技術驅動的對地觀測的一場革命觀測時空尺度 物理學定律、定理 數(shù)學生態(tài)學化學計算機科學 國民

15、經(jīng)濟持續(xù)發(fā)展，社會需求，國民經(jīng)濟持續(xù)發(fā)展，社會需求， 環(huán)境保護，全球變化，減災防災環(huán)境保護，全球變化，減災防災尺度效應分形、分維.反演、優(yōu)化.遙感在多學科交叉中的定位2021/8/2620橫看成嶺側成峰遠近高低各不同不識廬山真面目只緣身在此山中 - 蘇東坡論遙感的尺度效應觀察角度效應蘇東坡論遙感的尺度效應觀察角度效應2021/8/2621遙感系統(tǒng)遙感系統(tǒng)從垂直方向來說，光線從垂直方向來說，光線（電磁波）（電磁波）穿越大氣、穿越大氣、植被，到達土壤，再反射穿越植被、穿越大氣，植被，到達土壤，再反射穿越植被、穿越大氣，達到衛(wèi)星傳感器。影響這一過程的因素，數(shù)不達到衛(wèi)星傳感器。影響這一過程的因素，數(shù)不

16、勝數(shù)。我們可以用明代一位詩人觀察到的現(xiàn)象勝數(shù)。我們可以用明代一位詩人觀察到的現(xiàn)象來作一個簡單的說明：來作一個簡單的說明：夕陽方照桃花塢 柳絮飛來片片紅2021/8/2622 大家一般的先驗知識認為柳絮是白的，為大家一般的先驗知識認為柳絮是白的，為什么詩人觀察到柳絮是紅的呢？什么詩人觀察到柳絮是紅的呢？詩人作了解釋：詩人作了解釋： 1、夕陽夕陽 光穿越大氣的光學路徑較長，短波段散光穿越大氣的光學路徑較長，短波段散射嚴重，直射光偏紅，所以射嚴重，直射光偏紅，所以“夕陽紅夕陽紅”，“殘陽如血殘陽如血”。 2、下墊面下墊面桃花塢桃花塢，“灼灼桃花灼灼桃花”盛開，不盛開，不是一個大葉模型的下墊面，而是一

17、個是一個大葉模型的下墊面，而是一個紅色的下墊面紅色的下墊面，反反射光偏紅射光偏紅。 3、氣溶膠氣溶膠柳絮本身是柳絮本身是全波譜反射全波譜反射，此時此時反反射夕陽紅射夕陽紅，反射桃花紅反射桃花紅，所以柳絮成了所以柳絮成了片片紅片片紅。 當然這只是一個簡單的當然這只是一個簡單的定性模型定性模型，但我們可以看出但我們可以看出影響遙感信息產(chǎn)生過程的主要因素之多影響遙感信息產(chǎn)生過程的主要因素之多。2021/8/2623 從水平方向上來說從水平方向上來說，陸地表面在遙感像元尺度上幾乎，陸地表面在遙感像元尺度上幾乎總是總是混合像元混合像元，前面前面1米分辨率的天安門廣場上，我們可以看到米分辨率的天安門廣場上

18、，我們可以看到人影，我開玩笑說是比較胖的同志，其實我相信看到的人影，我開玩笑說是比較胖的同志，其實我相信看到的是比較密是比較密的人群的人群。大家也許認為。大家也許認為大戈壁大戈壁或或沙漠沙漠可以認為是可以認為是 “純純” 像元像元，但其實也包含，但其實也包含礫石的陰影礫石的陰影。我在沙漠上實測礫石的。我在沙漠上實測礫石的承承照面和背陰面，溫差大約照面和背陰面，溫差大約 10 攝氏度以上。攝氏度以上。 對對1公里像元尺度來說，地形的起伏常常公里像元尺度來說，地形的起伏常常不可忽略。不可忽略。 所有這些所有這些，使遙感定量反演命中注定是使遙感定量反演命中注定是一個病態(tài)反演一個病態(tài)反演。2021/8

19、/2624數(shù)據(jù)有效信息知識更新與積累決策幫助提取2021/8/26251、概念：地學是對以我們所生活的地球為研究對象的學科的統(tǒng)稱，通常有地理學、地質學、海洋學、大氣物理、古生物學等學科。2、研究目的：研究地學的目的是為了更好的開發(fā)和保護地球表面的自然資源，使人地關系向著有利于人類社會生活和生產(chǎn)的方向發(fā)展。2021/8/26261、計算機視覺知識2、地圖制圖知識3、地學知識4、方法知識2021/8/2627計算機視覺知識是指從圖像上可以獲得的視覺信息，數(shù)字化地圖的顏色、地物形狀大小、空間結構和空間關系等知識都屬于計算機視覺知識，它們是識別和提取信息的最基本的依據(jù)。專題信息提取首要的是從圖像上發(fā)現(xiàn)

20、相關視覺知識，才能結合相關專題信息提取的方法，提出相應的提取策略。2021/8/2628方法知識是在信息提取過程所用到的相關方法，即如何利用圖像上所發(fā)現(xiàn)的知識，提取所需信息的系列算法。2021/8/2629地圖制圖知識主要針對各種人工繪制的地圖而言，人工繪制的地圖必然遵循制圖的相關約定規(guī)則。如我國規(guī)定1: 1萬、1: 2.5萬、1:5萬、1: 10萬、1: 25萬、1: 50萬比例尺地形圖，均采用高斯克呂格投影。1: 2.5至1: 50萬比例尺地形圖采用經(jīng)差6度分帶，1: 1萬比例尺地形圖采用經(jīng)差3度分帶，國家基本地形圖，每種比例尺 都 有 統(tǒng) 一 的 圖 式 符 號 和 編 制 規(guī) 范202

21、1/8/2630地圖是對現(xiàn)實世界的抽象表達，地理事物的時空分布規(guī)律和客觀事物之間的關系必然在地圖上反映出來。如遙感圖像在時間上受季相節(jié)律的影響，作物的生長、植物的盛枯、冰雪的消融等變化都會在圖像上反映出來:遙感圖像信息因受區(qū)域的水平地帶性和垂直地帶性的影響，能反映出區(qū)域的水熱條件的差異;水田和旱地的分布與地形和水源分布密切相關，水田主要分布在水源豐富，地勢平坦的地方;居民地的分布與河流分布密切相關，居民地多分布在水源豐富的河流沿岸。諸如此類的地理事物的時空分布規(guī)律和客觀事物之間的關系知識都是專題信息提取中的重要知識源。2021/8/26311、目視解釋2、計算機自動識別分類2021/8/263

22、22021/8/2633l遙感信息科學的發(fā)展，為土地利用，環(huán)境監(jiān)測，地質災害監(jiān)測提供了全新的研究手段，標志著空間信息和環(huán)境災害信息獲取和分析處理方法的一場革命及一門新興學科的興起，遙感信息科學的理論，技術和方法在國民經(jīng)濟發(fā)展中有著廣泛的應用，在資源，環(huán)境，災害的調查，監(jiān)測，分析平谷和預測方面發(fā)揮著重要作用，尤其高分辨率遙感影像在大范圍空間地物的識別與提取方面應用直接影響地物測繪的自動化水平。更為重要的是隨著現(xiàn)代化建設的快速發(fā)展，資源，環(huán)境數(shù)據(jù)增加和快速更新工作量加大，這更需要一種能快速提取大范圍空間信息的信息獲取技術手段，而遙感影像中獲取數(shù)據(jù)能地理信息系統(tǒng)的數(shù)據(jù)獲取和自動更新的需要，為國民經(jīng)濟

23、的快速發(fā)展提供動態(tài)基礎數(shù)據(jù)和科學決策依據(jù)，在國民經(jīng)濟中發(fā)揮重要作用。2021/8/2634 遙感影像是通過亮度值或像元值的高低差異（反映地物的光譜信息）及空間變化（反映地物空間信息）而表示不同地物的差異的，如不同類型的植被、土壤、巖石及水體等等，這是我們區(qū)分不同影像地物的物理基礎。遙感影像分類就是利用計算機通過遙感影像中各類地物的光譜信息和空間信息進行分析，選擇特征，并用一定的手段將特征空間劃分為互不重疊的子空間，然后將影像中的各個像元劃歸到各個子空間去。 遙感影像分類的理論依據(jù)：遙感影像中的同類地物在相同的條件下（紋理、地形、光照及植被覆蓋、等等）應具有相同或相似的光譜信息特征和空間特征，從

24、而表現(xiàn)出同類地物的某種內在的相似性，即同類地物像元的特征向量將集群在同一特征空間區(qū)域；而不同地物的光譜信息特征或空間信息特征不同，因而將集群在不同的特征空間區(qū)域。 2021/8/2635 影像分類的原則 （1）對多變量影像不能孤立地根據(jù)個別變量的數(shù)值進行分類，而要從整個向量數(shù)據(jù)特征出發(fā)，即像元點在多維特征空間中的位置及集群情況，或者按空間集群的分布進行分類。 （2）一個集群（類）在特征空間的位置用它的均值向量表示，即該集群的中心，其離散程度用標準差向量（均方差向量）或協(xié)方差矩陣來衡量。 （3）分類的實質是把多維特征空間劃分為若干區(qū)域（子空間），每個區(qū)域相當于一類，即位于這一區(qū)域內的像元點歸屬于

25、同一類。 2021/8/2636l遙感影像的分類順序和方法l（1）首先根據(jù)目的及影像數(shù)據(jù)的特性確定分類類別。有時也通過從訓練數(shù)據(jù)中提取的影像特征確定分類（非監(jiān)督分類）l（2）找出這些具有特征的類別的特征量。l（3）為了找出分類的基準，需要提取出對應于分類類別的訓練數(shù)據(jù)。l（4）為了測定總體特征，可采用對影像中代表給定類別的部分進行采樣，從而測定總體特征的方法（監(jiān)督測定）或用聚類等方法對特征相似的像元進行分類，從而測定其特征的方法（非監(jiān)督分類）。非監(jiān)督分類不是預先確定不是預先確定類別而是根據(jù)歸類的結果確定類別。l（5）使用設定的分類基準對各像元進行分類。包括對每個像元進行分類和對每個預先分割的勻

26、質區(qū)域進行分類。2021/8/2637l（6）把已知的訓練數(shù)據(jù)及分類類別與分類結果進行比較，確認分類的精度及可靠性。此外，作為道路及建筑物等土地覆蓋類別的集合，可以設定市街區(qū)這樣的種類，因而可進行類別與種類的對應。由于遙感影像的分類結果可應用于了解地球環(huán)境等各種用途，所以精度與可靠性是非常重要的。l 在遙感影像分類中，按照是否有已知訓練樣本的分類數(shù)據(jù)，分類方法又分為兩大類：即監(jiān)督分類與非監(jiān)督分類。l 監(jiān)督分類的思想是：首先根據(jù)類別的先驗知識確定判別函數(shù)和相應的判別準則，其中利用一定數(shù)量的已知類別的樣本（稱為訓練樣本）的觀測值確定判定函數(shù)中待定參數(shù)的過程稱為學習（learning)或訓練（tra

27、ining),然后將未知類別的樣本的觀測值代入判別函數(shù)，再依據(jù)判別函數(shù)準則對該樣本的所屬類別做出判定。l 目前比較成熟的監(jiān)督分類方法是基于統(tǒng)計的分類。除此之外，還有模糊識別分類、神經(jīng)網(wǎng)絡分類法等。當然，監(jiān)督分類要比非監(jiān)督的精度要高、準確性好，但是，監(jiān)督分類的工作量無疑要比2021/8/2638l非監(jiān)督分類的工作量大得多。首先，監(jiān)督分類有一事先確定訓練場地和選擇非監(jiān)督分類的工作量大得多。首先，監(jiān)督分類有一事先確定訓練場地和選擇訓練樣本的工作，要求訓練樣本要有一定的代表性，而且要有足夠的數(shù)值；訓練樣本的工作，要求訓練樣本要有一定的代表性，而且要有足夠的數(shù)值；另外，對于遙感影像分類來說，由于各種地物

28、的光譜輻射的復雜性以及干擾另外，對于遙感影像分類來說，由于各種地物的光譜輻射的復雜性以及干擾因素的多樣性，有時僅僅考慮在某一特定時間和空間內選取訓練樣本還是不因素的多樣性，有時僅僅考慮在某一特定時間和空間內選取訓練樣本還是不夠的，為了提高精度，有時還必須多選擇一些訓練樣本。夠的，為了提高精度，有時還必須多選擇一些訓練樣本。l遙感影像的非監(jiān)督分類是在沒有先驗類別知識（訓練場地）的情況下，根據(jù)遙感影像的非監(jiān)督分類是在沒有先驗類別知識（訓練場地）的情況下，根據(jù)影像本身的統(tǒng)計特性及自然點群的分布情況來劃分地物類別的分類處理，也影像本身的統(tǒng)計特性及自然點群的分布情況來劃分地物類別的分類處理，也叫叫“邊學

29、習邊分類法邊學習邊分類法”。該方法是在計算機分類過程中，邊分類邊學習邊建。該方法是在計算機分類過程中，邊分類邊學習邊建立并進行分類決策的，無需事先知道各類地物的類別統(tǒng)計特征，也無需經(jīng)過立并進行分類決策的，無需事先知道各類地物的類別統(tǒng)計特征，也無需經(jīng)過學習過程，一般只是提供少數(shù)閥值對分類過程加以部分控制。值得指出的是，學習過程，一般只是提供少數(shù)閥值對分類過程加以部分控制。值得指出的是，所分各類的含義是什么并不能由該分類方法得出，而要根據(jù)地面實況調查和所分各類的含義是什么并不能由該分類方法得出，而要根據(jù)地面實況調查和比較來決定。比較來決定。l 監(jiān)督分類和非監(jiān)督分類的最大區(qū)別在于：監(jiān)督分類首先給定類

30、別，而非監(jiān)督分類和非監(jiān)督分類的最大區(qū)別在于：監(jiān)督分類首先給定類別，而非監(jiān)督分類則由影像本身的統(tǒng)計特征來決定。監(jiān)督分類則由影像本身的統(tǒng)計特征來決定。l 主要的分類方法為多級切割分類法、決策樹分類法、最小距離分類法、主要的分類方法為多級切割分類法、決策樹分類法、最小距離分類法、最大似然分類法、專家系統(tǒng)的方法等。最大似然分類法、專家系統(tǒng)的方法等。2021/8/2639一、分類處理流程圖2021/8/2640l一）、最大似然分類法 1、最大似然法的基本思想和數(shù)學原理 最大似然將衛(wèi)星遙感多波段數(shù)據(jù)的分布當作多維正態(tài)分布來構造函數(shù)。基本思想是：各類的已知像元的數(shù)據(jù)在平面或空間中構成一定的點群；每一類的每一

31、維數(shù)據(jù)都在自己的數(shù)軸上形成一個正態(tài)分布，該類的多維數(shù)據(jù)就構成該類的一個多維正態(tài)分布；各類的多維正態(tài)分布模型各有其分布特征，例如：所在位置、形狀、密集或離散的程度等。有了各類的多維分布模型，對于任何一個未知類別的數(shù)據(jù)向量，都可以反過來求它屬于各類的概率，比較這些概率的大小看屬于哪一類的概率大，就把這個數(shù)據(jù)向量或像元歸為該類。 2021/8/2641l假定第K類只有 個波段（波段1）數(shù)據(jù) （一維隨機變量），那么它的正態(tài)分布密度函數(shù)為l式中： 是第K類（ ）波段 數(shù)據(jù)的一維正態(tài)分布密度函數(shù)，由這個分布密度函數(shù)能夠看出在第K類中隨機變量 出現(xiàn)各種可能值的概率的大??； 是隨機變量 的平均值； 是隨機變量

32、 的標準差； 是圓周率，通常取為3.14159。l 再假定第k類有兩個波段（波段1和波段2）的數(shù)據(jù) 和 （二維隨機變量），那么第k類的正態(tài)分布密度函數(shù)是二維正態(tài)分布密度函數(shù)。1x_22()11(/)exp22iiikiixxp xG1(1-1)1(/)kp xGkG11x_x1x11x1x2x2021/8/2642l式中 是第k類的二維正態(tài)分布密度函數(shù)，由它可以看出在第k 類中二維隨機變量 出現(xiàn)各種可能值概率的大??； 和 分別是 和 的平均值； 和 分別是波段1和波段2的數(shù)據(jù) 和 的方差， 為協(xié)方差。121222112212_221122121122112211221211221(,/)()

33、(2 )()()2()()exp1kp xxGxxxxxxxx 12(,/)kp x xG12( ,)x x_1x_2x1x2x211x2x12（1-2）2021/8/2643l 如果第k類有3個或更多的數(shù)據(jù)，那么原則上可以仿照式（1-1）和式（1-2）表示第k類的三維或更多維正態(tài)分布密度函數(shù)。但是表達式太復雜，我們用向量和矩陣來表示符號，對于多維的，比如說m維的正態(tài)分布密度函數(shù)，可以表示為：l式中：m是波段數(shù)， 是第k類的m維正態(tài)分布密度函數(shù)，由它可以看出在第k類中m 維隨機變量x(像元的m維數(shù)據(jù)向量）出現(xiàn)各種可能值的概率的大小。像元的m維數(shù)據(jù)向量可以表示為：112121( /)exp()(

34、)2(2 )kkkkkmsp x Gxsx（1-3）1(/)kp xG2021/8/2644l 是第k類每個波段的均值 所構成的均值向量l 是向量 轉置向量 是矩陣 的逆矩陣。 是矩陣 的行列式。 是第k類m個波段值的協(xié)方差矩陣，如下式：12mxxXxk_kjkjx_11_22_kkkkkkmkmxxx()x()kx1kS1kSkSkS1kS(1-4)(1-5)2021/8/2645l式中, 是第K類的像元數(shù); 是第K類的類內離差矩陣.如下式l式中, 是第K類的類內方差;而 及 是第K類的類內協(xié)方差11kkkSWn111212122112KKK mKKK mKKmKmKmmWKWkn1122,

35、kkkmm111,kk m211,kkm(1-6)(1-7)2021/8/2646l如果一共要分g 個類,那么對每一類都可根據(jù)該類的已知m個波段的數(shù)據(jù),按式(1-3),估計出該類的m維分布密度函數(shù).由它們可以看出在各類中m維隨機變量x(像元的m維向量)出現(xiàn)各種可能值的概率的大小.l 有了g個概率密度函數(shù),對任何一個已知的m維數(shù)據(jù)向量x(即一個像元)都可以反過來計算它屬于g個類中第k類的概率.根據(jù)逆概率公式,即貝葉斯公式有() ( /)(/ )( )kkkp Gp x Gp Gxp x（1-8）2021/8/2647 式中, 是任何一個m維數(shù)據(jù)向量(像元)屬于第k類的概率; l 是第k類的m維正

36、態(tài)分布密度函數(shù),即式(1-3); 是所考慮的全部數(shù)據(jù)中出現(xiàn)該數(shù)據(jù)向量x的概率; 是第k類在所考慮的全部數(shù)據(jù)中出現(xiàn)的概率,稱為先驗概率.g個類的先驗概率的總和等于1.l 對任何一個m維數(shù)據(jù)向量 x ,都可用（1-8）分別計算它們屬于各類的概率，然后比較所得各概率的大小，從而把該數(shù)據(jù)向量 x判歸概率最大的那一類。l 因為式（1-8）中的 只考慮全體而不考慮類，因而與類無關，所以我們判別歸類時可以不考慮它，只需比較式（1-8）的分子 、 的大小就可以了。此時令( )p x(/ )kp Gx( /)kp x G( )p x()kp G(/ )() ( /)kkkp Gxp Gp x G()kp G(

37、/)kp x G （1-9）2021/8/2648l又因式（1-9）中的 難于計算，故對式（1-9）兩邊取自然對數(shù)：l即112121ln (/ )ln () ln()()2(2 )kkkkkkmSp Gxp GxSxln (/ )ln ()ln ( /)kkkp Gxp Gp x G( /)kp x G112111211ln()ln)22(2 )kkkkkkkkmSp Gx Sx SS（1-10）2021/8/2649l式中，向量 和 分別是向量 和 的轉置向量。l 假定所有各類的協(xié)方差矩陣都相等，即 ，則可用所有各類的總體的協(xié)方差矩陣 來代替各個l或l式中： 即總像元數(shù)； 是各類的類內離差矩

38、陣，如式（1-7） 是總的類內離矩陣。如下式： x111gkkSWWNgNgx1122111(1)(1)(1)(1)gkkkkkSnSnSnSnSN gN gSkS12kSSS12kNnnnkWW111gkkSWWNgNg（1-11）（1-12）（1-13）2021/8/2650l當各類的像元數(shù) 都相等，即 時l用 代替（1-10）中的各個 得到 又因為式（1-16）中等號右邊第2項和第3項與類無關，所以判歸類時可不考慮它們。只需考慮第1、4、5項就可以了。12111()gkkkSSSSSgg12gnnnnknkS112_111211ln (/ ) ln ( ) ln22(2 )kkkkkmS

39、pG xpGx S x x SSS1(1)SWng（1-14）（1-15）（1-16）2021/8/2651l這時可令：l如果各類的先驗概率相等，那么式（1-17）第1項各類數(shù)值相等，即與類無關，判別分類又可不考慮它們。此時也可令l為了書寫簡化，令111ln()2kkkkkfp Gx SS*()kkpp G1112kkkkfx SS11122OKkkkkCSC 1kkCS（1-17）（1-18）（1-19）（1-20）（1-21）2021/8/2652l于是式（1-17）可寫成l式（1-18）可改寫成l注意：上面的 是一個 維向量，而 是一個數(shù)值。l式（1-22）和式（1-23）就是第 類的判

40、別函數(shù)。考慮先驗概率時用式（1-22）；不考慮先驗概率時用式（1-23）l根據(jù) 可以返回去求得 ，即*0lnkkkkfx CCpmkf121(/ )kkkkffkgffffkeep Gxeeeek0kkkfx CCkC0kC(/ )kp Gx（1-22）（1-23）（1-24）2021/8/2653l用式（1-24）計算有時會在計算機上益出，可以改用下式：l式中， 是各個 中數(shù)值最大的 。l 比較算得的每個數(shù)據(jù)向量 （即每個像元）的各類的 l 的數(shù)值的大小，哪一類的數(shù)值最大，即屬于哪一類的概率最大，就將該向量 （即該像元）判歸該類.l 顯然，哪一類的 最大也就是哪一類的 最大。因此，實踐中也不

41、求 ，而直接比較各類判別函數(shù)值 ，看哪一類數(shù)據(jù)向量 或像元判歸該類。kfmaxmax1(/ )ffkkkkkgffkep Gxemaxkfxx/xp Gxxkfkf/xp Gx/xp Gxkf（1-25）2021/8/2654l二）、最小距離分類法二）、最小距離分類法l 最小距離分類法是監(jiān)督分類的方法之一。首先利用樣最小距離分類法是監(jiān)督分類的方法之一。首先利用樣本數(shù)據(jù)計算出每一類別的均值向量及標準差（均方差）向量，本數(shù)據(jù)計算出每一類別的均值向量及標準差（均方差）向量，然后以均值向量作為該類在特征空間中的中心位置，計算輸然后以均值向量作為該類在特征空間中的中心位置，計算輸入影像中每像元到各類中心

42、的距離。到那類中心距離最小，入影像中每像元到各類中心的距離。到那類中心距離最小，則該像元就歸入到哪一類。應用最廣的且比較簡單的距離函則該像元就歸入到哪一類。應用最廣的且比較簡單的距離函數(shù)有；歐幾里德距離和絕對距離（混合距離）。具體分類過數(shù)有；歐幾里德距離和絕對距離（混合距離）。具體分類過程如下：程如下：2021/8/2655ij 設p為影像的波段（變量）數(shù)， 為影像中一個分類像元，其中 為像元 在第 個波段的像元值（灰度值）， 為第 類在第 波段的均值,則像元 與各類間的距離可通過如下良種方法之一獲得: 歐幾里德距離 絕對距離 11fjiijiDxM121fjiijiDxMixijMiXXX2

43、021/8/2656l 分類時,根據(jù)前面求出的距離,把像元 歸入到 最小的那一類.l 直接應用前述的距離能夠比較簡單地實現(xiàn)監(jiān)督分類,單有明顯的缺陷:l 首先不同類別的灰度值的變化范圍即其方差大小是不同的,不能簡單地用像元到類中心的距離來劃分像元的歸屬.如下圖中的待分類像元,按像元到類中心的距離應歸屬于 類而實際上應屬于變差范圍大的 類 XjDUs2021/8/2657121fjiijiDxM圖（2-1）方差最小距離分類法的影響待分像元類中心2021/8/2658l第二,自然地物類別的點群分布不一定是圓形或球形的,即在不同方向上半徑是不同的,因而距離的量度在不同方向上應有所差異.l考慮到以上的因

44、素,在距離的算法上可作如下改進,從而改進分類的精度,例如:l 對歐幾里德距離的改進l 對絕對距離的改進l式中, 為第 類第 波段的標準數(shù),當然也可以用 代替上兩式的 ,或者用其他加權方法.1221/fjiijijiDxM121/fjiijijiDxMiijjij2021/8/2659l使用最小距離法對影像進行分類,起精度取決于對已知地物類別的了解和訓練統(tǒng)計的精度.一般來說,這種分類的效果比較好,而且計算簡便,可對像元掃描分類.l 應當指出,最小距離監(jiān)督分類還可以選用門限閥值 ,具體為:若選擇出來的最小距離 小于門限閥值 ,則判別像元 歸入第 類,若選擇出來的最小距離 大于 ,則判別像元 為拒絕

45、類,即不歸屬任何類.門閥值 的選擇與各特征波段的標準差有關,先求標準差,然后根據(jù)專業(yè)知識和經(jīng)驗來考慮門限閥值的設定. XXTDxDxDTDTDTDg2021/8/2660l一）、ISODATA分類法lISODATA法或迭代法聚類的實質是先給出一個并不怎么正確的初始分類,然后用某種原則反復修改和調整分類,以逐步逼近一個正確的分類.l（一） ISODATA分類法的基本思路和運算步驟l 下面用具體的算例來說明迭代法分類的步驟,同時敘述這一方法的相關參數(shù),為了簡單闡明,這里使用假定數(shù)據(jù),而不用書記遙感圖像的像元數(shù)據(jù)和具體的專業(yè)應用實例.l 假定有16個像元,即像元數(shù)n=16;各像元都有3個波段的值,即

46、波段數(shù)或特征數(shù)m=3數(shù)據(jù)如表1.1所示.2021/8/2661l迭代的基本思想如下:l 1、確定初始聚類中心的數(shù)目l 初始類樹數(shù)目為 （initial class number),原則上可以隨機地假定，但是在像元較少的情況下，初始數(shù)目不宜定得過大。l 對表1.1的數(shù)據(jù)，我們規(guī)定先分5類，即 =5，若以 表示第0次分類的第k類，則5個初始類分別表示為： 0kg0g0g 0000012345,GGGGG2021/8/2662l2、確定初始聚類中心值l 即各類初始的各波段的初值。初始類數(shù)目 定下后就要給每類的各波段假定初始值。分類用m個波段，每個類就要指定m個值，構成m維向量。 個m維向量是像元的初

47、始歸類中心。l 確定初始類中心的方法很多，最簡單的方法是從各像元中選出 個被認為有代表性的像元，分別將它們的波段值作為初始分類的波段值。也可估計指定。l 表1.1中的像元各個3個波段的值，我們要分5類，故得指定5個三維向量 ?？紤]到原始數(shù)據(jù)的值基本在0到12之間，故初始值也應在這個范圍內，我們又令各類之間保持一定距離，且為了簡化，令同一類的各波段值相等。于是定出5個類的初始類中心值 如下|：0g0g0k0g12345,2021/8/2663l3 3、定義像元與各聚類中心的距離、定義像元與各聚類中心的距離l 距離這個參數(shù)有多種形式，或多種距離定義。例如絕對距距離這個參數(shù)有多種形式，或多種距離定義

48、。例如絕對距離，歐氏距離，馬氏距離等，它們各有計算公式，對上例，我離，歐氏距離，馬氏距離等，它們各有計算公式，對上例，我們選擇易于計算且效果也好的絕對值距離們選擇易于計算且效果也好的絕對值距離| |： 0102030405222444666888101010（2-1）2021/8/2664l式中： 是像元編號； 是波段編號； 是類編號； 是像元 到第 類聚類中心的距離； 是像元 第 波段的值； 是第 類第 波段的值。l 4、進行第1次分類或1次迭代l 按定義的距離，分別計算各個像元與各初始聚類中心的距離，比較每個像元到各類的距離值，把它們分別歸到距離最近的類里去。l 對上例，按式（2-2)計算

49、表1.1中各像元到初始聚類中心式（2-1）的距離，例如，像元1到各初始聚類中心 的距離l ：jj0ijmikkjjdxkiikdijxkjiikj0k1kdk(2-2)2021/8/2665l類推得到比較可知，最小，即像元與第個初始聚類中心的距離最近，所以就把像元歸入第類，表示第次分類結果的第類其余類推l進行類似的計算可知：屬于第類的有第、號像元；屬于第類的有第、屬于第類的有第、號像元；屬于第類的有第、號像元；屬于第類的有第第、號像元。111123111111213131|5 24 25 28jjjdxxxx 12G12d1314154,10,16ddd111123122212213231|5

50、 44 45 48jjjdxxxx 02 14G 12G 13G 11G 12G 15G2021/8/2666像元全部計算歸類完畢，就完成了第次分類，或稱第次迭代。結果如表1.2。本次結果與初始聚類中心的比較也見表1.2。第次分類的修改第次迭代第次分類結果帶有很大的主觀性，因而是很粗糙的，與實際相差較遠。這就是要對她進行修改，調整。方法有多種。其中之一是計算第次分類得到的各類的重心各類的以各波段的均值為分量構成的向量，將它們作為第次分類的聚類中心，重算各類像元與這些新聚類中心的距離，并把各像元歸到距離最近的類中心去。全部像元經(jīng)過這樣重新計算和歸類后，就完成了第次分類或第次迭代。對上例以表1.2

51、中“本次第j像元的均值”所組成的向量作為第次分類的聚類中心，即： 1KG 1kki2021/8/2667 11121314151.81.30.84.04.03.86.05.56.08.08.08.011.012.010.8(2-3)2021/8/2668按式（）計算表1.1中各像元與各類新聚類中心式（）的距離，并將各像元歸入距離最近的類，得第次迭代分2021/8/2669l類結果（表1.3)2021/8/2670l6、分類修改第次一致更多次迭代一般來說，分類經(jīng)過次修改仍然得不到滿意結果，需要進一步修改，進行第次一致更多次迭代。通常是把第次分類得到的重心，作為第次迭代分類的聚類中心，對各像元重算

52、距離，重歸類。如此逐次分類迭代，直到獲得穩(wěn)定的分類結果為止。面前例，我們以第次迭代分類結果得到的重心，作為第次分類迭代聚類中心： 21222324251.30.70.33.83.83.46.05.56.08.37.78.311.713.011.0 2k2021/8/2671按式（）計算表1.1中各像元與各類新聚類中心式（）的距離，得第次迭代分類結果表(1.4)2021/8/2672l由表.4可見，第次分類結果各像元的歸類情況與第次分類結果完全一樣，各類各波段的均值與第次結果響應波段巨值之差為零。每一類包括的像元數(shù)和像元構成已不再變化，這說明，經(jīng)過若干次動態(tài)變化之后，分類已經(jīng)達到穩(wěn)定，分類過程到

53、此結束。l（二）控制迭代聚類過程的參數(shù)l上述的分類過程是單純的情況。要得到好的分類結果，還需要一系列的環(huán)節(jié)和規(guī)定相應的參數(shù)來控制迭代聚類過程。l一般來說，迭代聚類中類的數(shù)目應在分類過程中按實際數(shù)據(jù)的特征發(fā)生變化，即發(fā)生類的分裂和合并。這是靠分類時給出一些特定的參數(shù)來實現(xiàn)的。l最常用的參數(shù)有以下幾種：2021/8/2673l、最多像元數(shù)l分類過程中任何一個類所能包括的像元數(shù)的最大數(shù)目。如迭代到某一步，某一類所包括的像元數(shù)超過這個值，該類就須分裂成兩類，然后再進行下一次分類迭代。l、最少像元數(shù)l在分類過程中任何一個類應該包括的像元的最小數(shù)目。如分類迭代到某一步，某一類包括的像元低于此值，這個類就須

54、與距離最近的另一個類合并，然后再進行下一次分類迭代。l、最大標準差l分類過程中任何一個類的任何一個波段所能用允許的標準差的最大值，如果分類迭代到某一步，某類的標準差超過此值（說明這個類所包括的各個像元彼此差別太大），這個類必須分成兩類后再進行下一次分類迭代。2021/8/2674l、最小間距l(xiāng)分類過程中任何兩類之間所能允許的最小類間距離（兩個類的重心之間的距離），如果距離太小說明它們性質太相近，那么這兩個類須合并成一類再進行下一次分類迭代。l拒絕閥l在研究范圍大時，研究者對實際情況不能很好的了解的情況下，有個別類是人們未認識，未掌握的，這些特殊的未知類的各個像元總是在分類迭代過程中按相應原則，

55、歸屬相應的類里區(qū)，而實際情況它根本不屬于該類，這就引入一個閥值，如某一個像元與任何一個聚類中心的距離都大于閥值，那么這個像元不能軌道任何一個聚類中去，應歸入未知類。l、停止閥l分類達到一定次數(shù)，當滿足要求的精度時，應當停止下一次迭代，根據(jù)需要我們設置一個精度，當?shù)_到這一精度我們就停止迭代。l2021/8/2675l二）二）kk均值分類法均值分類法lk均值分類法（K-Means)與ISODATA法類似，也是迭代聚類法。說道二者間的關系，應該說ISODATA法是K-Mean法相對要簡單些，它只要求分類者給出一個欲分類別數(shù)，不要求給出最少類別數(shù)和最多類別數(shù)，此方法程序自動計算出均勻分布于數(shù)據(jù)空間

56、中的各個類均值（向量），作為初始類均值向量，或叫種子或吸引者，然后進行迭代聚類，用最小距離原則將各個像元分別分到離各初始均值中最近的那個均值所屬的類中。然后再計算類均值，再進行歸類。使用者也需規(guī)定最大迭代次數(shù)和變化閥。還可以選擇性地規(guī)定標準差或距離閥值，使不滿足此條件的像元歸入未知類。如果不規(guī)定這兩個閥值，那么所有像元都被歸類。l但K-均值法除了需要分類者先給定欲分類數(shù)以外，與ISODATA法還有兩個點不同：、不是所有像元都分類完畢后再進行各類類均值的計算，還而是每重新分類一個像元就計算一次均值；、不需要進行類的合并和分裂。2021/8/2676l遙感圖象反映的某一區(qū)域特定地理環(huán)境中的綜合信息，它綜合地反映了地球系統(tǒng)各要素的相關性。l遙感地學相關分析，指的是充分認識地物間相關性，在遙感圖像上尋找目標識別的相關因子，建立直接解譯標志和間接解譯標志，推斷和識別目標本身。2021/8/2677-地學（地理，地質，氣象等）背景知識-遙感圖像的尺度特征-混合像元-光譜分辨率-時間分辨率（影像獲取時間）2021/8/2678l1、植被光譜特征與影響因素l2、不同植物類型信息的提取l3、植物遙感應用2021/8/26792021/8/26802021/8/2681l大面積的農(nóng)作物的遙感估產(chǎn)方法l獲取不同農(nóng)作物播種面積l獲取植被長勢信息，得到植被指數(shù)l建立農(nóng)作物估產(chǎn)模式2021/8/2682應