遙感圖像認識與解譯課件

1、遙感圖像認識與判讀張超信息與電氣工程學院地理信息工程系中國農(nóng)業(yè)大學25 七月 2022一 目視判讀原理 （一）遙感成像與目視判讀 （二）目視判讀標志二 目視判讀的方法與步驟 （一）遙感圖像目視判讀的認知過程 （二）目視判讀的方法 （三）目視判讀的步驟三 土地利用目視判讀實例 （一）土地/土地利用分類 （二）土地利用目視判讀實例本次課程主要內容目視判讀，又稱目視解譯，或目視判譯，即憑著光譜規(guī)律、地學規(guī)律和解譯者的經(jīng)驗從圖像的亮度、色調、位置、時間、紋理、陰影、結構等各種特征推出地面的景物類型。計算機自動分類，它以計算機系統(tǒng)為支撐環(huán)境，利用模式識別技術與人工智能技術相結合，根據(jù)遙感圖像中目標地物的

2、各種圖像恃征(顏色、形狀、紋理與空間位置)，結合專家知識庫中目標地物的解譯經(jīng)驗和成像規(guī)律等知識進行分析和推理，實現(xiàn)對遙感圖像的理解，完成對遙感圖像的解譯。遙感圖像解譯(Imagery Interpretation)是從遙感圖像上獲取目標地物信息的過程。方法有兩種:一 目視判讀原理（一）遙感成像與目視判讀目視判讀是遙感成像的逆過程。概念：遙感圖像上那些能夠作為分析、判斷景觀地物的圖像特征為判讀標志或解譯標志。直接解譯標志是判讀目標自身特點在圖像上的直接表現(xiàn)形式，包括色調、形狀、陰影、大小、紋理、位置、布局、圖案。 間接解譯標志圖像上能看出的和直接標志密切聯(lián)系的地物，不同的專業(yè)判讀不同。 （二）目

3、視判讀標志色調：也稱顏色，是最重要、最直觀的解譯標志，與地物的光譜特性直接相關，其余與地物的空間特征相關。（1）直接解譯標志紅樹林在綠、紅、近紅外波段圖像注意同物異譜與異物同譜同物異譜：different spectrum with same object，同一種物體因其所處在的狀態(tài)與位置不同，如自身濕度不同，處于坡向不同等，而具有不同反射光譜的物理現(xiàn)象。異物同譜：same spectrum with different object，不同物體具有基本相同反射光譜的物理現(xiàn)象。比如，大多數(shù)植被就具有基本相同的反射光譜。這里的“同譜”是一個相對概念。形狀：地物的輪廓在圖像平面的投影。需要根據(jù)影象比

4、例尺和分辨率具體分析，注意畸變（雷達、航片邊緣）。根據(jù)地物空間的平面形態(tài)，地面對象可分為點狀體、線狀體、面狀體。在高空間分辨率遙感影像中，形狀特征是重要的特征，特別是人工地物大 小布 局大?。旱匚镌趫D像上的尺寸，取決于實際地物的大小和圖像的空間分辨率。通過地物光譜特性/數(shù)據(jù)的變化，即目標與周圍地物間的光譜差異來體現(xiàn)。布局：物體間的空間配置。物體間一定的位置關系和排列方式，形成了很多天然和人工目標特點。陰影：遙感圖像上光束被地物遮擋而產(chǎn)生的地物的影子；有時需去除地形起伏引起的部分陰影。粗紋理細紋理紋理：遙感圖像中目標地物內部色調有規(guī)則變化造成的圖像結構。即地物圖像輪廓內的色調變化的空間布局和頻率

5、。15圖型：目標地物有規(guī)律的排列而成的圖形結構。16機場稻田河灘Race track：賽馬場跑道 River：河流 Roads：道路 Bridges：橋 Residential area：居民區(qū)Dam：堤壩 ShapeTone，Shapeshape, tone, and association tone, shape, association Shape，TonePattern, Tone(二)間接解譯標志由于遙感技術的局限性，許多問題不能直接從目視判讀直接獲得答案，都需從其它相關事物間之間的聯(lián)系，通過邏輯推理獲得判斷，這一過程叫間接解譯，所采用的依據(jù)稱間接解譯標志。例如石油天然氣勘探、環(huán)境質

6、量評價、城市人口等的遙感分析 間接標志靈活、變化、難有規(guī)律可循。建立間接標志需要豐富的知識背景和嚴密的邏輯推理，有時需要建立模型，是一種綜合分析、相關分析的方法。 不同專業(yè)判讀有不同的間接標志。 進行地質構造分析，可以把水系形態(tài)、地貌類型作為間接標志； 城市人口判讀，將建筑物密度、樓層數(shù)、商業(yè)網(wǎng)點作為間接標志；木頭堆鋸木場一個鋸木場和它周圍堆積的木頭20水系可作為地質地貌解譯的間接標志輻射型水系(火山附近)向心型水系(盆地)長方格子狀水系(斷層)（一）遙感圖像目視判讀的認知過程2022/7/2521二 目視判讀的方法與步驟遙感圖像知覺形成的條件存在顏色或色調的差異，并且這種差異能為判讀者視覺所

7、感受，才有可能將目標地物與背景區(qū)別開。通常采用一些圖像增強技術來擴大地物之間的對比度差異。22（1）自下向上過程 （2）自上向下過程 圖像信息獲取特征提取識別證據(jù)選取圖像辨識提出假設特征匹配（一）遙感圖像目視判讀的認知過程2022/7/2523（二）遙感圖像目視判讀的方法判讀原則：多種信息綜合分析，多手段、多方法相結合、內外結合保證精度；2. 判讀方法：直接判讀法、對比分析法、邏輯推理法、信息復合法、地理相關分析法。3. 目視判讀的方法 直接判讀法：依據(jù)判讀標志，直接識別地物屬性。對比分析法：與該地區(qū)已知的資料對比，或與實地對比而識別地物屬性；或通過對遙感圖像不同波段、不同時相的對比分析，識別

8、地物的性質和發(fā)展變化規(guī)律。邏輯推理法：根據(jù)地學規(guī)律，分析地物之間的內在必然分布規(guī)律，由某種地物推斷出另一種地物的存在及屬性。如由植被類型可推斷出土壤的類型，根據(jù)建筑密度可判斷人口規(guī)模等。信息復合法:利用透明專題圖或透明地形圖與遙感圖像復合，根據(jù)專題圖或者地形圖提供的多種輔助信息，識別遙感圖像上目標地物的方法。地理相關分析法:根據(jù)地理環(huán)境中各種地理要素之間的相互依存，相互制約的關系，借助專業(yè)知識，分析推斷某種地理要素性質、類型、狀況與分布的方法。(三) 目視判讀的步驟 目視解譯一般遵從從已知到未知，先整體后局部，從宏觀到微觀，先易后難的原則，可以概略地分為以下主要步驟： 準備工作： 主要是收集資

9、料，除遙感圖像外，通常還需要工作區(qū)的地形圖和相關的自然、經(jīng)濟等情況，以及報告、必要的參考文獻等各種資料。2022/7/2527(三) 目視判讀的步驟圖像預判和編制專題圖略圖： 遙感圖像的初步解譯主要是經(jīng)過資料分析建立直接和間接解譯標志，包括形狀、大小、色調、陰影、紋理等。然后在分類系統(tǒng)的指導下設計圖例系統(tǒng)，進行初步解譯，并把解譯結果轉繪成專題圖略圖。2022/7/2528(三) 目視判讀的步驟野外實況調查和地學驗證： 根據(jù)初步解譯結果，確定野外調查路線和調查樣本，進行野外調查，驗證判讀標志，并應用地學分析方法解決圖像與地物間的機理關系，從而修正預判中的錯判或漏判，使得解譯結果更加客觀可靠。室內

10、解譯編繪成圖： 根據(jù)預判結果和野外調查資料，對全部工作區(qū)進行重新解譯，然后清繪成圖，在此基礎上進行面積量測以及其他數(shù)字統(tǒng)計特征分析。2022/7/2529(一) 土地與土地利用土地是一個綜合的概念，它是包括氣候、地貌、土壤、水文、植被等自然因素在內的自然綜合體，同時也包括人類活動的作用和影響。土地覆蓋是指地球表面當前所具有的自然和人為影響所形成的覆蓋物，如地表植被、土壤、冰川、湖泊、沼澤濕地及道路等。土地利用是土地資源自然屬性和經(jīng)濟特性的全面反映。土地利用劃分具有如下特點：在自然、經(jīng)濟和技術條件的綜合影響下，經(jīng)過人類的勞動所形成的產(chǎn)物；在一定的空間分布上服從社會經(jīng)濟條件，在地域分布上不一定連成

11、片。2022/7/2530三 目視判讀實例（二）目視判讀實例1. 航片目視判讀航空（機載）遙感圖像（2002.3.25）2. 衛(wèi)片土地利用判讀-北京2022/7/2533云層山體（香山）城區(qū)1彩色合成方式？分別是哪個波段分別賦給RGB？2. 衛(wèi)片土地利用判讀-北京2022/7/2534北京城區(qū)（五環(huán)線）2. 衛(wèi)片土地利用判讀-北京2022/7/2535故宮及天安門廣場居民點大棚菜地水域林地裸耕地4月1日5月22日標準假彩色合成遙感圖像的目視解譯直接解譯標志居民點農(nóng)田What?頤和園Water Body林地？道路樹木四環(huán)五環(huán)橋梁順義區(qū)遙感圖像計算機分類1 遙感圖像分類的概述2 非監(jiān)督分類3 監(jiān)督

12、分類4 分類后處理5 精度評價模式識別Pattern Recognition將具有相似特征的“東西”識別歸類的過程。 基于統(tǒng)計方法模式識別; 基于句法（或結構）模式識別.遙感圖像分類屬于模式識別1 遙感圖像分類的概念 遙感圖像分類是計算機或人目視按著影像中像素灰度值（反射率等）的大小分布、鄰近像素灰度值差異大小、分布狀況以及幾何形態(tài)等特征規(guī)律對圖像的各像素做出歸類，歸類結果直接作為圖像解譯結果，或者作為輔助人們解譯的參照。 遙感圖像分類1.1 遙感圖像分類遙感圖像分類的方法主要有人工目視解譯和計算機自動分類。目視解譯是計算機自動分類的基礎；計算機自動分類總是盡可能地模擬目視解譯的過程。1.1

13、計算機圖像分類（續(xù)2）目視解譯和計算機圖像分類的對比影像分類的一般原理遙感影像的計算機分類，根據(jù)光譜特征存在問題：同物異譜異物同譜1.1 遙感圖像分類遙感圖像分類特征選擇基于光譜分類：相同地物具有相似的光譜特征，不同地物具有不同光譜特征?；诠庾V特征的統(tǒng)計分類方法是遙感圖像分類過程中最常用的方法。基于空間結構分類：基于圖像上地物景觀的結構、形狀、紋理特征差異進行分類 。一般結合光譜特征，對遙感圖像進行分類，特別是高空間分辨率遙感圖像光譜與空間結構結合分類，如面向對象分類構建分類系統(tǒng)地類類別一級二級三級耕地1水田11水澆地/旱地12其它耕地13園林地2有林地21針葉林211闊葉林212混交林21

14、3竹林214紅樹林215疏林地22灌木林地23苗圃地24經(jīng)濟林地（園地）25其它林地26草地3天然牧草地31人工牧草地32其它草地33建設用地4道路用地41工礦、城鄉(xiāng)居民、其他建筑用地42其它建設用地43水域5其它用地6根據(jù)具體任務研究區(qū)特點遙感影像特點光譜特征空間遙感圖像的光譜特征通常是以地物在多光譜圖像上的亮度值（反射率值）體現(xiàn)出來的。地物點在不同波段圖像中的亮度值構成一個多維的向量X，稱為光譜特征向量。 X=x1,x2,xnTn為圖像的波段數(shù)；xi為地物圖像點在第i波段圖像的亮度值為了度量圖像中地物的光譜特征，建立一個以各波段圖像的亮度分布為子空間的多維特征空間。地物與光譜特征空間的關系

15、地類名稱一般稱類別，例如土地利用/覆蓋中的 居民地、水域、園地、林地、耕地等。參與分類的多個特征量（向量）所定義的空間，稱為特征空間，例如2個波段定義的2維特征空間，3個波段定義的3維特征空間等。特征變換特征變換的作用：減少特征之間的相關性，盡可能少的特征來最大限度的包含原始的信息；使待分類別之間的差異在變換后的特征中更加明顯，從而改善分類效果。特征變換主要方法有：比值變換、主成分變換、纓帽變換、植被指數(shù)等特征選擇在特征空間中，選擇一組最佳的特征波段來進行分類。特征選擇與所希望區(qū)分的類別以及圖像本身的特征有關。如提取植被，選植被指數(shù)，纓帽變換的第二分量等；山地植被提取，選用比值變換后的影像，可

16、以消除地形對圖像的影響；針對巖石、建構筑物，選用短波紅外波段（TM5或TM7）監(jiān)督分類與非監(jiān)督分類非監(jiān)督分類：事先沒有類別的先驗知識，純粹根據(jù)圖像數(shù)據(jù)自身的統(tǒng)計特征和點群分布情況，根據(jù)相似性程度自動進行歸類，最后再確定每一類的類別。監(jiān)督分類：有類別的先驗知識，根據(jù)先驗知識選擇訓練樣本，由訓練樣本得到分類判別準則。將未知類別的樣本代入判別規(guī)則，依據(jù)判別準則對各樣本的所屬類別做出判斷。2 非監(jiān)督分類分類標準的確定不需要人的參與，由計算機自動按照某一標準（例如距離最短）自動進行。需要確定要分幾類，或者類別數(shù)量范圍。類似的概念：聚類分析、點群分析、空間集群等。常用的非監(jiān)督分類方法：1) K-MEANS

17、; ISODATA非監(jiān)督分類的結果是光譜類（反映光譜差異）需要對光譜類進行綜合與調整才能得到信息類2.1 K-MEANS（ K-均值算法）1、 任意選擇K個聚類中心，一般選前K個樣本；2、 迭代，將未知樣本 X 分到距離最近的類中；3、根據(jù)第2步的結果，重新計算聚類中心；4、 每一類的像元數(shù)目變化達到要求或迭代次數(shù)達到要求，算法結束。在特征空間內計算各類的均值，使用最小距離法，將未知像元劃分到某一類中，再調整均值，直到迭代次數(shù)滿足，或者距離閾值滿足條件。具體步驟：影響K均值法的因素有：聚類中心數(shù)目，初始類中心的選擇，樣本輸入的次序等。ENVI的K-MEANS參數(shù)設定Number of clas

18、s: 要分成幾類Change threshold%(0-100): 如果每一類的像元數(shù)目變化小于此數(shù)值，則迭代停止。2.2 ISODATAISODATA（Iterative Self-Organizing Data Analysis Technology Algorithm,迭代自組織數(shù)據(jù)分析算法） 在K均值算法的基礎上，加入了試探性的步驟，能夠吸取中間結果的經(jīng)驗，在迭代的過程中可以進行類別的分離和合并，具有“自組織”性，是目前非監(jiān)督分類中使用最為廣泛的算法。該算法中影響分類結果的參數(shù)有：迭代次數(shù)、類別數(shù)（最大、最小）、參加分類的波段。ENVI的ISODATA參數(shù)設定輸入?yún)?shù)說明：最大和最小類

19、別數(shù)目，因為算法進行自動的類別分裂和合并，所以不能確定類別的具體數(shù)目;最大迭代次數(shù)和各類間像元變化閾值，其中一項滿足，則分類結束;如果某一類別中的像元數(shù)目小于 Minimum # pixel in class，則刪除該類別，像元歸并到最近的一類中;如果某一類的標準差大于Minimum class stdv，則該類別需要分裂成兩個類別;如果兩個類別的距離小于Maximum class distance，則該兩個類別合并成一類;Maximum # merge pairs class 定義最多合并多少類別;Maximum stdev from mean;Maximum distance error.

20、3監(jiān)督分類監(jiān)督分類，首先根據(jù)已知的樣本類別和類別的先驗知識，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的觀測值求解待定參數(shù)的過程稱為學習或者訓練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)判別準則對該樣本的所屬類別作出判定 3 監(jiān)督分類 3.1 盒式分類(平行六面體分類) 3.2 最小距離分類 3.3 最大似然分類 3.1 盒式(平行六面體)分類使用簡單的分類規(guī)則進行多光譜遙感圖像的分類。決策線在n維光譜空間中是一個“盒子”。盒子的邊長根據(jù)距離平均值的標準差確定。如果某個像元落在某一類的盒子的閾值范圍內，則劃分到該類別中。落不到任何盒子中，則標識為未分類像元。輸入?yún)?shù) M

21、ax stdev from the mean, 是距離平均值多少個標準差。平行六面體分類Parallelepiped Classifier3 SDs3 SDs3 SDs3 SDs使用3倍標準差的例子：平均值MeanBand 1Band 23.1 盒式(平行六面體)分類(續(xù))3.2 最小距離分類計算未知像元距離各個類別均值向量的距離，將該像元劃分到距離最小的類別中。則，樣本x屬于第i類，距離的計算公式：=I，則為歐式距離，否則為馬氏距離最小距離法輸入?yún)?shù)：Max stdev from the mean, 是距離平均值n個標準差。Max distance error , 距離的最大閾值如果兩個參數(shù)

22、都輸入了，使用其中小的作為最終的判別標準。如果計算的距離大于上面的參數(shù)設置，則樣本分到未分類3.2 最小距離分類(續(xù)1)3.3 最大似然分類假設條件：數(shù)據(jù)符合某種分布（多維正態(tài)分布）。如果不符合，分類的精度將下降。計算每個像元屬于各個類別的似然度（后驗概率）（likelihood）,該像元歸到似然度最大的類別中。似然度是像元數(shù)據(jù)X 屬于類別i的后驗概率。 如果類別i中X的條件概率為P(x/i), 則似然度 的計算公式為：3.3 最大似然分類（續(xù)1）P (X/i)=_1.0(2*)1/21/2e-(1/2)*(X M)2 / 2對于樣本點的統(tǒng)計分布屬于正態(tài)分布，其概率密度函數(shù)為：判別函數(shù)：3.3

23、 最大似然分類(續(xù)2)最大似然與最小距離分類判別函數(shù)：如果各類的P(i) 相等，則為最小馬氏距離監(jiān)督分類如果 各類的P(i) 和都相等，則為最小歐式距離的監(jiān)督分類監(jiān)督分類過程1、確定分類類別2、特征變換、特征選擇3、選擇訓練區(qū)4、確定判別函數(shù)和判別規(guī)則，根據(jù)訓練區(qū)數(shù)據(jù)，計算判別函數(shù)參數(shù)（類別均值標準差）5、根據(jù)判別函數(shù)和判別規(guī)則對非訓練樣區(qū)圖像進行判別和歸類神經(jīng)網(wǎng)絡方法輸入層隱藏層輸出層其他分類算法遙感分層決策樹分類根據(jù)圖像覆蓋區(qū)的地表覆蓋類型總體結構和分層結構，進行逐級分類。對目視解譯分類而言，就是在分類樹的每個節(jié)點上，建立類別間的解譯標志來區(qū)分；而對計算機自動分類而言，則是按一定的分類規(guī)則

24、（如最小距離、最大似然法等）分別設計各種分類器，對圖像中的各像元進行逐層的識別、歸類，通過若干次中間判別最終得到判別分類的結果。分層決策分類樹示例地表特征云密度形態(tài)水域雪冰天然的裸巖裸地陰影栽培的地表水植 被裸露地表人工特征城鄉(xiāng)用地工礦用地森林灌木林草地休閑地耕地針葉林闊葉林混交林林型健康干旱病蟲害狀態(tài)種 類作物狀態(tài)水田交通用地園地健康干旱病蟲害旱地水澆地菜地NDVI、DTM、地貌部位NDVI、空間結構NDVINDVI30米分辨率TM圖像融合后2.5米分辨率SPOT5圖像適合高分辨率的面向對象分類面向對象的分類法對象為具有相似特征像素的集合體，將它看成高空間分辨率遙感圖像的構成基元，對應于中低

25、空間分辨率圖像的像素單元。 通過對對象的操作，不僅可以獲得地物光譜信息，更能獲得包括紋理、形狀、大小、上下文等豐富的空間信息。與傳統(tǒng)分類方法的本質區(qū)別：是對影像對象而不是像素進行分類對象屬性： 像素屬性:- 顏色 - 顏色（波譜信息）- 形狀 - 大小 - 紋理- 上下文 面向對象分類過程1、圖像分割形成對象 根據(jù)某些特征把圖像分割成一些在空間上相鄰、互不交疊的區(qū)域，使得這些特征在某一區(qū)域內表現(xiàn)一致或相似，而在不同區(qū)域間表現(xiàn)出明顯的不同2、影像對象分類 根據(jù)對象的光譜、紋理、形狀、層次關系、拓撲關系等，進行分類 分類方法：最鄰近法，模糊分類法面向對象分類方法最鄰近分類法影像對象作為分類的基本單

26、元，優(yōu)選對象的特征，構建對象的特征空間在特征空間中計算待分類影像對象與各地類訓練樣本之間的距離，尋找與待分類影像對象距離最近的樣本對象，將該對象歸屬到最近樣本對象所在的類別面向對象分類方法模糊分類法模糊化即利用隸屬度函數(shù)將對象特征值轉換為隸屬度（屬于某一類別的可能性）。模糊邏輯運算是對對象的多個特征形成的多個模糊集合進行邏輯運算處理。反模糊化指通過模糊集合綜合評判的方法確定對象類別，是一個從隸屬度度到確定類別的過程?；谙裨闹脖惶崛』谟跋駥ο蟮闹脖惶崛∶嫦驅ο笈c基于像素分類效果比較4 分類后處理4.1 類別的合并4.2 篩濾 4.3 臨近類別的歸并 4.4 多數(shù)/少數(shù)分析 4.5 類別的疊

27、加顯示 4.1 類別的合并同一類別中，光譜特征相差太大，需要再分類的時候作為幾類進行分類，分類完成后再進行類別的合并。4.2 篩濾（sieve）去除離散的像元點。與用戶給定的窗口大小有關。去除后的像元標記為“未分類”。四鄰域八鄰域四鄰域八鄰域4.3 臨近類別的歸并(clump)離散點歸并到周圍大的類別中。先膨脹，再侵蝕。數(shù)學形態(tài)學知識簡介：膨脹（Dilate ）：填充、擴展、增長等。填充小于結構元素（核）的像元?；叶葓D像或者黑白圖像。侵蝕(Erode ): 收縮。去除小于給定結構的孤島。開運算（Opening）：先侵蝕再膨脹。突刺濾掉，切斷細長搭接而起到分離作用。閉運算（Closing）：先膨脹再侵蝕?？梢蕴钛a小的缺口和孔，搭接短的間斷而起到連通作用。Clump采用閉運算111131111111111111CLUMP處理后4.4 多數(shù)/少數(shù)分析Majority/Minority Analysis 多數(shù)或者少數(shù)分析中心像元將被給定的窗口內的多數(shù)像元或者少數(shù)像元值所取代。舉例 多數(shù)分析4.5 類別疊加顯示將分類的圖像疊加在一個彩色合成遙感圖像上。對于分類圖像可以選擇要疊加的類別。用途：動態(tài)變化的監(jiān)測，分類結果的檢驗與交互式修改。5. 精度評價 5.1 精度評價流程 5.2 檢驗數(shù)據(jù) 5.3 采樣方法 5.4 混淆矩陣 5.5 Kappa統(tǒng)計 5.1 精度評價流程分類精度