高分遙感影像信息處理與信息提取課件

高分遙感影像處理與信息提取技術(shù)

提綱遙感處理與信息提取簡(jiǎn)介遙感圖像處理遙感圖像分類遙感圖像專題信息提取與目標(biāo)識(shí)別遙感圖像變化檢測(cè)遙感信息提取的概念遙感信息提取，是遙感成像過(guò)程的逆過(guò)程，是從遙感對(duì)地面實(shí)況的模擬影像中提取有關(guān)信息、反演地面原型的過(guò)程。需要根據(jù)專業(yè)的要求，運(yùn)用物理模型、解譯特征標(biāo)志和實(shí)踐經(jīng)驗(yàn)與知識(shí)，定性、定量地提取出物理量、時(shí)空分布、功能結(jié)構(gòu)等有關(guān)信息。主要方法應(yīng)用數(shù)據(jù)源空間分辨率光譜分辨率時(shí)間分辨率定量遙感反演模型大氣、海洋、生態(tài)環(huán)境動(dòng)態(tài)監(jiān)測(cè)MODIS、AVHRR低高高遙感分類監(jiān)督與非監(jiān)督分類土地覆蓋與土地利用、農(nóng)林TM、SPOT4、CBERS中中中目標(biāo)識(shí)別分割、模式識(shí)別城市、軍事、設(shè)施SPOT5、IKONOS、QuickBird高低中高分辨率遙感信息提取中的主要問(wèn)題應(yīng)用瓶頸問(wèn)題：數(shù)據(jù)量和空間計(jì)算復(fù)雜性驟增，影像噪聲更為明顯，周圍環(huán)境影響加大，同物異譜和同譜異物現(xiàn)象普遍存在，這些因素給遙感影像數(shù)據(jù)處理與分析帶來(lái)了新的難題，極大地影響了高空間分辨率影像信息提取和目標(biāo)識(shí)別的精度與效率；如何解決：與傳統(tǒng)的主要依賴于波譜信息的處理與分析方法相比較，必須更多地考慮圖像的結(jié)構(gòu)、形態(tài)、分布等空間特征信息，這也是伴隨圖像理解和高效能計(jì)算技術(shù)發(fā)展的新一代遙感信息處理與分析技術(shù)。遙感信息提取機(jī)理地學(xué)現(xiàn)象與過(guò)程地學(xué)認(rèn)知地面目標(biāo)過(guò)程時(shí)序分解抽象空間位置空間信息屬性特征波譜信息時(shí)間時(shí)相信息綜合度綜合與分解性遙感信息地理空間影像空間高分辨率遙感影像處理圖像輻射校正影像幾何糾正、配準(zhǔn)、影像拼接影像增強(qiáng)影像融合….

輻射校正

由遙感器引起的誤差或由太陽(yáng)高度引起的誤差，一般在數(shù)據(jù)生產(chǎn)過(guò)程中由生產(chǎn)單位根據(jù)遙感器參數(shù)進(jìn)行校正，而不需要用戶進(jìn)行自行處理。用戶一般考慮大氣影響引起的輻射畸變。幾何校正圖像的幾何校正（geometriccorrection）是指從具有幾何畸變的圖像中消除畸變的過(guò)程，從而建立圖像上的像元坐標(biāo)與目標(biāo)物的地理坐標(biāo)間的對(duì)應(yīng)關(guān)系，并使其符合地圖投影系統(tǒng)的過(guò)程。由遙感器引起的圖像幾何畸變幾何畸變校正幾何校正的方法非系統(tǒng)性校正：利用控制點(diǎn)的圖像坐標(biāo)和地圖坐標(biāo)的對(duì)應(yīng)關(guān)系，近似地確定所給的圖像坐標(biāo)系和應(yīng)輸出的地圖坐標(biāo)系之間的坐標(biāo)變換式。坐標(biāo)變換式經(jīng)常采用1次、2次等角變換式，2次、3次投影變換式或高次多項(xiàng)式。坐標(biāo)變換式的系數(shù)可從控制點(diǎn)的圖像坐標(biāo)值和地圖坐標(biāo)值中根據(jù)最小2乘法求出。

幾何畸變校正幾何校正的方法復(fù)合校正：把理論校正式與利用控制點(diǎn)確定的校正式組合起來(lái)進(jìn)行校正。①分階段校正的方法，即首先根據(jù)理論校正式消除幾何畸變（如內(nèi)部畸變等），然后利用少數(shù)控制點(diǎn)，根據(jù)所確定的低次校正式消除殘余的畸變（外部畸變等）；②提高幾何校正精度的方法，即利用控制點(diǎn)以較高的精度推算理論校正式中所含的遙感器參數(shù)、遙感器的位置及姿態(tài)參數(shù)。

幾何畸變校正常用的是一種通用的精校正方法，適合于在地面平坦，不需考慮高程信息，或地面起伏較大而無(wú)高程信息，以及傳感器的位置和姿態(tài)參數(shù)無(wú)法獲取的情況時(shí)應(yīng)用。有時(shí)根據(jù)遙感平臺(tái)的各種參數(shù)已做過(guò)一次校正，但仍不能滿足要求，就可以用該方法作遙感影像相對(duì)于地面坐標(biāo)的配準(zhǔn)校正，遙感影像相對(duì)于地圖投影坐標(biāo)系統(tǒng)的配準(zhǔn)校正，以及不同類型或不同時(shí)相的遙感影像之間的幾何配準(zhǔn)和復(fù)合分析，以得到比較精確的結(jié)果。控制點(diǎn)的選取幾何校正的第一步便是位置計(jì)算，首先是對(duì)所選取的二元多項(xiàng)式求系數(shù)。這時(shí)必須已知一組控制點(diǎn)坐標(biāo)。

控制點(diǎn)數(shù)目的確定其最低限是按未知系數(shù)的多少來(lái)確定的。一次多項(xiàng)式有6個(gè)系數(shù)，就需要有6個(gè)方程來(lái)求解，需3個(gè)控制點(diǎn)的3對(duì)坐標(biāo)值，即6個(gè)坐標(biāo)數(shù)。

2次多項(xiàng)式有

12個(gè)系數(shù)，需要

12個(gè)方程（6個(gè)控制點(diǎn)）。依次類推，n次多項(xiàng)式，控制點(diǎn)的最少數(shù)目為(n+1)(n+2)/2。實(shí)際工作表明，選取最少數(shù)目的控制點(diǎn)來(lái)校正圖像，效果往往不好。在圖像邊緣處，在地面特征變化大的地區(qū)，如河流拐彎處等，由于沒(méi)有控制點(diǎn)，而靠計(jì)算推出對(duì)應(yīng)點(diǎn)，會(huì)使圖像變形。因此，在條件允許的情況下，控制點(diǎn)數(shù)的選取都要大于最低數(shù)很多。控制點(diǎn)的選取控制點(diǎn)選取的原則一般來(lái)說(shuō)，控制點(diǎn)應(yīng)選取圖像上易分辨且較精細(xì)的特征點(diǎn)，這很容易通過(guò)目視方法辨別，如道路交叉點(diǎn)、河流分叉處、海岸線彎曲處、飛機(jī)場(chǎng)、城廓邊緣等。特征變化大的地區(qū)應(yīng)多選些。圖像邊緣部分一定要選取控制點(diǎn)，以避免外推。此外，盡可能滿幅均勻選取，特征實(shí)在不明顯的大面積區(qū)域（如沙漠），可用求延長(zhǎng)線交點(diǎn)的辦法來(lái)彌補(bǔ)，但應(yīng)盡可能避免這樣做，以避免造成人為的誤差。

二次多項(xiàng)式校正數(shù)學(xué)模型基本數(shù)學(xué)模型形式用最小二乘法通過(guò)GCP數(shù)據(jù)進(jìn)行曲面擬合求系數(shù)：待求系數(shù)的個(gè)數(shù)：

M=(n+1)(N+2)/2重采樣方法二對(duì)輸出圖像的各個(gè)像元在輸入圖像坐標(biāo)系的相應(yīng)位置進(jìn)行逆運(yùn)算，求出該位置上的像元數(shù)據(jù)，保持圖像行列數(shù)不變。此系目前多數(shù)軟件中通常采用的方法。圖像內(nèi)插法一：最近鄰法（NN，NearestNeighborhood）最近鄰法：以距內(nèi)插點(diǎn)最近的觀測(cè)點(diǎn)的像元值為所求的像元值。該方法最大可產(chǎn)生1/2像元的位置誤差，但優(yōu)點(diǎn)是不破壞原來(lái)的像元值，處理速度快。圖像內(nèi)插法二：雙線性內(nèi)插法

（BL，Bi-Linear）使用內(nèi)插點(diǎn)周圍的4個(gè)觀測(cè)點(diǎn)的像元值，對(duì)所求的像元值進(jìn)行線性內(nèi)插。該方法的缺點(diǎn)是破壞了原來(lái)的數(shù)據(jù)，但具有平均化的濾波效果。遙感圖像配準(zhǔn)圖像配準(zhǔn)（或圖像匹配）是評(píng)價(jià)兩幅或多幅圖像的相似性以確定同名點(diǎn)的過(guò)程。圖像配準(zhǔn)算法就是設(shè)法建立兩幅圖像之間的對(duì)應(yīng)關(guān)系,確定相應(yīng)幾何變換參數(shù),對(duì)兩幅圖像中的一幅進(jìn)行幾何變換的方法。圖像配準(zhǔn)參考圖像（主圖像）待配準(zhǔn)圖像（輔圖像）配準(zhǔn)圖像用詞說(shuō)明各種圖像配準(zhǔn)的文獻(xiàn)都會(huì)出現(xiàn)“配準(zhǔn)、匹配、幾何校正”三個(gè)詞，它們的含義比較相似。一般兩幅圖像之間用“配準(zhǔn)（register,registration）”；尋找同名特征(點(diǎn))的過(guò)程叫“匹配（match,matching）”;根據(jù)主輔圖像之間的幾何變換關(guān)系，對(duì)輔圖像進(jìn)行逐像素處理變?yōu)榕錅?zhǔn)圖像的過(guò)程叫做“幾何校正（geometriccorrection）”。模板匹配模板匹配法是在一幅影像中選取一個(gè)的影像窗口作模板，大小通常為5×5或7×7，然后通過(guò)相關(guān)函數(shù)的計(jì)算來(lái)找到它在搜索圖中的坐標(biāo)位置。相似性測(cè)度用以下測(cè)度來(lái)衡量T和Si,j的相似程度：根據(jù)施瓦茲不等式，，并且在比值為常數(shù)時(shí)取極大值為1。但實(shí)際上兩幅不同圖像的P值介于0和1之間，很難達(dá)到理想值。根據(jù)經(jīng)驗(yàn)取某個(gè)閾值P0，如果P>P0，則匹配成功；P<P0，則匹配失敗。金字塔模板匹配為了加快搜索速度，很多影像匹配方法使用金字塔影像。對(duì)影像進(jìn)行一次采樣率為1/n(n=2,3)的重采樣，即把影像的每n×n個(gè)像素變?yōu)橐粋€(gè)像素，這樣就得到一對(duì)長(zhǎng)、寬都為原來(lái)1/n的影像，把它作為金字塔的第二層。再對(duì)第二層用同樣方法進(jìn)行一次采樣率為1/n的重采樣，又得到第三層（頂層）。原始影像作為金字塔影像的底層。金字塔影像匹配的步驟第一步：頂層的匹配，得到一個(gè)平移初始值。第二步：根據(jù)平移初始值乘以n得到第二層平移量初始值，在它m×m個(gè)像元的鄰域內(nèi)進(jìn)行模板匹配。第三步：根據(jù)第二層匹配值乘以n得到第三層平移量初始值，再進(jìn)行一次模板匹配。如果影像尺寸不是特別大，可以只用兩層金字塔。基于特征的配準(zhǔn)算法

基于特征的算法(feature-basedmatching)先提取圖像顯著特征，再進(jìn)行特征匹配，大大壓縮了圖像信息的數(shù)據(jù)量，同時(shí)保持了圖像的位移、旋轉(zhuǎn)、比例方面的特征，故在配準(zhǔn)時(shí)計(jì)算量小，速度較快、魯棒性好。當(dāng)兩幅圖像之間的線性位置關(guān)系不明確時(shí)，應(yīng)使用基于特征的匹配。一般來(lái)說(shuō)特征匹配算法可分為四步:1.特征提取;2.特征描述;3.特征匹配；4.非特征像素之間的匹配?；谔卣鞯呐錅?zhǔn)步驟在特征匹配前，首先要從兩幅圖像中提取灰度變化明顯的點(diǎn)、線等特征形成特征集。在兩幅圖像對(duì)應(yīng)的特征集中利用特征匹配算法盡可能的將存在匹配關(guān)系的特征對(duì)選擇出來(lái)。通過(guò)特征建立兩幅圖像之間的多項(xiàng)式變換關(guān)系，達(dá)到以點(diǎn)代面的效果。對(duì)于非特征像素點(diǎn)，利用上述多項(xiàng)式變換關(guān)系來(lái)進(jìn)行幾何校正，從而實(shí)現(xiàn)兩幅圖像之間逐像素的配準(zhǔn)。SIFT特征匹配算法是目前國(guó)內(nèi)外特征點(diǎn)匹配研究領(lǐng)域的熱點(diǎn)與難點(diǎn)，其匹配能力較強(qiáng)，可以處兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)、仿射變換情況下的匹配問(wèn)題，甚至在某種程度上對(duì)任意角度拍攝圖像也具備較為穩(wěn)定的特征匹配能力?；赟IFT特征的圖像配準(zhǔn)遙感數(shù)據(jù)的融合

遙感數(shù)據(jù)的融合主要指不同傳感器的遙感數(shù)據(jù)的融合，以及不同時(shí)相的遙感數(shù)據(jù)的融合。融合方式的確定應(yīng)根據(jù)目標(biāo)空間分布、光譜反射特性及時(shí)相規(guī)律方面的特征選擇不同的遙感圖像數(shù)據(jù)，它們?cè)诳臻g分辨率、光譜分辨率和時(shí)間分辨率方面相互補(bǔ)充，以形成一個(gè)更有利的識(shí)別環(huán)境，來(lái)識(shí)別所要識(shí)別的目標(biāo)或類型。各種融合方法（ERDAS）HIS變換PCA變換Brovey變換乘法復(fù)合小波高通濾波…融合實(shí)際例子特征提取(外部資料)遙感圖像分類43遙感圖像分類原理與過(guò)程

遙感圖像計(jì)算機(jī)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(guò)程中，常使用距離和相關(guān)系數(shù)來(lái)衡量相似度。距離:特征空間中象元數(shù)據(jù)和分類類別特征的相似程度。距離最小即相似程度最大。度量特征空間中的距離經(jīng)常采用以下幾種算法:絕對(duì)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44分類原理與過(guò)程找出代表這些類別的統(tǒng)計(jì)特征。為了測(cè)定總體特征，在監(jiān)督分類中可選擇具有代表性的訓(xùn)練區(qū)域進(jìn)行采樣，測(cè)定其特征。在非監(jiān)督分類中，可用聚類等方法對(duì)特征相似的像素進(jìn)行歸類，測(cè)定其特征。對(duì)遙感圖像中所有像素進(jìn)行分類。分類精度檢查。在監(jiān)督分類中把已知的訓(xùn)練數(shù)據(jù)及分類類別與分類結(jié)果進(jìn)行比較，確認(rèn)分類的精度及可靠性。在非監(jiān)督分類中，采用隨機(jī)抽樣方法，分類效果的好壞需經(jīng)實(shí)際檢驗(yàn)或利用分類區(qū)域的調(diào)查材料、專題圖進(jìn)行核查。對(duì)判別分析的結(jié)果進(jìn)行統(tǒng)計(jì)檢驗(yàn)。45分類方法監(jiān)督分類方法。首先需要從研究區(qū)域選取有代表性的訓(xùn)練區(qū)作為樣本。根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過(guò)選擇特征參數(shù)（如像素亮度均值、方差等），建立判別函數(shù)，據(jù)此對(duì)樣本像元進(jìn)行分類，依據(jù)樣本類別的特征來(lái)識(shí)別其它像元的歸屬類別。

監(jiān)督分類：最小距離分類法、多級(jí)切割分類法、特征曲線窗口法、最大似然比分類法等46分類方法非監(jiān)督分類方法。是在沒(méi)有先驗(yàn)類別（訓(xùn)練區(qū)）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進(jìn)行歸類合并（將相似度大的像元?dú)w為一類）的方法。非監(jiān)督分類：多級(jí)集群法、動(dòng)態(tài)聚類法等等。47監(jiān)督/非監(jiān)督分類方法比較

根本區(qū)別點(diǎn)在于是否利用訓(xùn)練樣區(qū)來(lái)獲取先驗(yàn)的類別知識(shí)監(jiān)督分類根據(jù)訓(xùn)練樣區(qū)提供的樣本選擇特征參數(shù)，建立判別函數(shù)，對(duì)待分類像元進(jìn)行分類。因此，訓(xùn)練場(chǎng)地選擇是監(jiān)督分類的關(guān)鍵。對(duì)于不熟悉區(qū)域情況的人來(lái)說(shuō)，選擇足夠數(shù)量的訓(xùn)練樣區(qū)帶來(lái)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(xùn)練樣區(qū)。由于訓(xùn)練樣區(qū)要求有代表性，訓(xùn)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(shí)這些還不易做到，這是監(jiān)督分類不足之處。48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(yàn)知識(shí)，它根據(jù)地物的光譜統(tǒng)計(jì)特性進(jìn)行分類。因此，非監(jiān)督分類方法簡(jiǎn)單，且分類具有一定的精度。嚴(yán)格說(shuō)來(lái)，分類效果的好壞需要經(jīng)過(guò)實(shí)際調(diào)查來(lái)檢驗(yàn)。當(dāng)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(duì)應(yīng)時(shí)，非監(jiān)督分類可取得較好分類效果。當(dāng)兩個(gè)地物類型對(duì)應(yīng)的光譜特征類差異很小時(shí)，非監(jiān)督分類效果不如監(jiān)督分類效果好。49最小距離分類法

最小距離分類法（minimumdistanceclassifier）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(shí)（相似度最大）的類別上對(duì)像元數(shù)據(jù)進(jìn)行分類的方法。

包括：最小距離判別法最近鄰域分類法50最小距離分類法最小距離判別法這種方法要求對(duì)遙感圖像中每一個(gè)類別選一個(gè)具有代表意義的統(tǒng)計(jì)特征量（均值），首先計(jì)算待分像元與已知類別之間的距離，然后將其歸屬于距離最小的一類。最近鄰域分類法這種方法是上述方法在多波段遙感圖像分類中的推廣。在多波段遙感圖像分類中，每一類別具有多個(gè)統(tǒng)計(jì)特征量。最近鄰域分類法首先計(jì)算待分像元到每一類中每一個(gè)統(tǒng)計(jì)特征量間的距離，這樣，該像元到每一類都有幾個(gè)距離值，取其中最小的一個(gè)距離作為該像元到該類別的距離，最后比較該待分像元到所有類別間的距離，將其歸屬于距離最小的一類。最小距離分類法原理簡(jiǎn)單，分類精度不很高，但計(jì)算速度快，它可以在快速瀏覽分類概況中使用。

51多級(jí)切割法多級(jí)切割法（multi-levelsliceclassifier）是根據(jù)設(shè)定在各軸上的值域分割多維特征空間的分類方法。這種方法要求通過(guò)選取訓(xùn)練區(qū)，詳細(xì)了解分類類別（總體）的特征，并以較高的精度設(shè)定每個(gè)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。對(duì)于一個(gè)未知類別的像素來(lái)說(shuō)，它的分類取決于它落入哪個(gè)類別特征子空間中。如落入某個(gè)特征子空間中，則屬于該類，如落入所有特征子空間之外，則屬于未知類型，因此多級(jí)切割分類法要求訓(xùn)練區(qū)樣本的選擇必須覆蓋所有的類型，在分類過(guò)程中，需要利用待分類像素光譜特征值與各個(gè)類別特征子空間在每一維上的值域進(jìn)行內(nèi)外判斷，檢查其落入哪個(gè)類別特征子空間中，直到完成各像素的分類。2002-11-0152遙感圖象處理：分類用多級(jí)切割法分割三維特征空間

53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(biāo)準(zhǔn)特征曲線附近擺動(dòng)變化。因此以特征曲線為中心取一個(gè)條帶，構(gòu)造一個(gè)窗口，凡是落在此窗口范圍內(nèi)的地物即被認(rèn)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。54特征曲線窗口法特征曲線選取的方法可以有多種，如地物吸收特征曲線，它將地物的標(biāo)準(zhǔn)吸收特征值連接成曲線，通過(guò)與其他像素吸收曲線比較，進(jìn)行分類；也可以在圖像訓(xùn)練區(qū)中選取樣本，把樣本地物的亮度值作為特征參數(shù)，連接該地物在每波段參數(shù)值即構(gòu)成該類地物的特征曲線。特征曲線窗口法可以根據(jù)不同特征進(jìn)行分類，如利用標(biāo)準(zhǔn)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(shí)別點(diǎn)，給定誤差容許范圍，分別對(duì)每個(gè)像素進(jìn)行分類；或者利用每一類地物的各個(gè)特征參數(shù)上、下限值構(gòu)造一個(gè)窗口，判別某個(gè)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(yīng)窗口之內(nèi)即可。55最大似然比分類法最大似然比分類法（maximumlikelihoodclassifier）

求出像元數(shù)據(jù)對(duì)于各類別的似然度（likelihood），把該像元分到似然度最大的類別中去的方法。似然度是指，當(dāng)觀測(cè)到像元數(shù)據(jù)x時(shí)，它是從分類類別k中得到的（后驗(yàn)）概率。它假定訓(xùn)練區(qū)地物的光譜特征和自然界大部分隨機(jī)現(xiàn)象一樣，近似服從正態(tài)分布，利用訓(xùn)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(yàn)概率密度函數(shù)。當(dāng)總體分布不符合正態(tài)分布時(shí)，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。56最大似然比分類法最大似然比分類法在多類別分類時(shí)，常采用統(tǒng)計(jì)學(xué)方法建立起一個(gè)判別函數(shù)集，然后根據(jù)這個(gè)判別函數(shù)集計(jì)算各待分像元的歸屬概率。

x為待分像元，P（k)為類別k的先驗(yàn)概率，可以通過(guò)訓(xùn)練區(qū)來(lái)決定。由于上式中分母和類別無(wú)關(guān)，在類別間比較的時(shí)候可以忽略。57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(xùn)練區(qū)地物的光譜特征和自然界大部分隨機(jī)現(xiàn)象一樣，近似服從正態(tài)分布（對(duì)一些非正態(tài)分布可以通過(guò)數(shù)學(xué)方法化為正態(tài)問(wèn)題來(lái)處理），通過(guò)訓(xùn)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(yàn)概率密度函數(shù)。此時(shí)，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(wú)關(guān)的數(shù)據(jù)項(xiàng)）：類別k的協(xié)方差矩陣類別k的平均向量（n維）58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(jì)的意義。但必須注意幾點(diǎn)：（l）為了以較高精度測(cè)定平均值及方差、協(xié)方差，各個(gè)類別的訓(xùn)練數(shù)據(jù)至少也要為特征維數(shù)的2到3倍以上。（2）如果2個(gè)以上的波段相關(guān)性很強(qiáng)，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(xùn)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(shí)，最好采用主成分分析法，把維數(shù)減到僅剩相互獨(dú)立的波段。（3）當(dāng)總體分布不符合正態(tài)分布時(shí)，不適于采用以正態(tài)分布的假設(shè)為基礎(chǔ)的最大似然比分類法。其分類精度也將下降。

59SOM-GA精度88.67%；MLC分類精度85.58%；知識(shí)集成SOM-GA分類精度92.58%

空間特征逐步尋優(yōu)挖掘模型及其遙感影像分類遙感影像分類60C1C2C3C4C5C6C7C8C9（分類結(jié)果）（原始圖像）EBF模型訓(xùn)練時(shí)間大約需要120秒，整個(gè)測(cè)試精確度為76.00％。MLC方法的整體測(cè)試精度是69.11%。RBF模型為70.33%，測(cè)試時(shí)間50秒。

基于EM-EBF模型的遙感影像分類方法研究遙感影像分類61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，即“物以類聚”。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(jí)集群法動(dòng)態(tài)聚類法62分級(jí)集群法當(dāng)同類物體聚集分布在一定的空間位置上，它們?cè)谕瑯訔l件下應(yīng)具有相同的光譜信息特征，其他類別的物體應(yīng)聚集分布在不同的空間位置上。由于不同地物的輻射特性不同，反映在直方圖上會(huì)出現(xiàn)很多峰值及其對(duì)應(yīng)的一些灰度值，它們?cè)趫D像上對(duì)應(yīng)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(diǎn)群，這些點(diǎn)群就叫做集群。分級(jí)集群法采用“距離”評(píng)價(jià)每個(gè)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(gè)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。63分級(jí)集群法分級(jí)集群法的分類過(guò)程如下：確定評(píng)價(jià)各樣本相似程度所采用的指標(biāo)，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(jì)算個(gè)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(jì)算并改正其距離。在達(dá)到所要分類的最終類別數(shù)以前，重復(fù)樣本間相似度的評(píng)價(jià)和歸并，這樣直到所有像素都?xì)w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(jì)算歸并后新的個(gè)體間的距離歸并后的類別數(shù)STOPYN64分級(jí)集群法

分級(jí)集群方法的特點(diǎn)是這種歸并的過(guò)程是分級(jí)進(jìn)行的，在迭代過(guò)程中沒(méi)有調(diào)整類別總數(shù)的措施，如果一個(gè)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(dǎo)致對(duì)一個(gè)像元的操作次序不同，會(huì)得到不同的分類結(jié)果，這是該方法的缺點(diǎn)。65動(dòng)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(dòng)態(tài)聚類。ISODATA(IterativeOrgnizingDataAnalysizeTechnique迭代自組織數(shù)據(jù)分析技術(shù)）方法在動(dòng)態(tài)聚類法中具有代表性。66ISODATA方法按照某個(gè)原則選擇一些初始類聚類中心。在實(shí)際操作中，要把初始聚類數(shù)設(shè)定得大一些，同時(shí)引入各種對(duì)迭代次數(shù)進(jìn)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(biāo)準(zhǔn)差、比較相鄰兩次迭代效果以及可以合并的最大類別對(duì)數(shù)等，在整個(gè)迭代過(guò)程中，不僅每個(gè)像元的歸屬類別在調(diào)整，而且類別總數(shù)也在變化。在用計(jì)算機(jī)編制分類程序時(shí)，初始聚類中心可按如下方式確定：設(shè)初始類別數(shù)為n，這樣共有n個(gè)初始聚類中心，求出圖像的均值M和方差σ，按下式可求出初始聚類中心:k=1,2,…,n，為初始類中心編號(hào)，n為初始類總數(shù)。67動(dòng)態(tài)聚類法

動(dòng)態(tài)聚類法中有類別的合并或分裂，這說(shuō)明迭代過(guò)程中類別總數(shù)是可變的。如果兩個(gè)類別的中心點(diǎn)距離近，說(shuō)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(shè)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(gè)類別，可以先求出每個(gè)類別的均值和標(biāo)準(zhǔn)差，然后通過(guò)對(duì)每一個(gè)波段的標(biāo)準(zhǔn)偏差設(shè)定閾值來(lái)實(shí)現(xiàn)，標(biāo)準(zhǔn)差大于閾值，該類就要分裂。68傳統(tǒng)分類中存在的問(wèn)題

遙感圖像計(jì)算機(jī)分類算法設(shè)計(jì)的主要依據(jù)是地物光譜數(shù)據(jù)。因此，存在著如下的問(wèn)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(jì)算機(jī)分類的依據(jù)是像素具有的多光譜特征，并沒(méi)有考慮相鄰像素間的關(guān)系。例如，被湖泊包圍的島嶼，通過(guò)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(shí)別出來(lái)。這種方法的主要缺陷在于地物識(shí)別與分類中沒(méi)有利用到地物空間關(guān)系等方面的信息。

69存在的問(wèn)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(shí)別，以及它們?cè)诳臻g分布的面積被準(zhǔn)確度量。遙感數(shù)字圖像分類結(jié)果在沒(méi)有經(jīng)過(guò)專家檢驗(yàn)和多次糾正的情況下，分類精度一般不超過(guò)90％，其原因除了與選用的分類方法有關(guān)外，還存在著制約遙感圖像分類精度的幾個(gè)客觀因素：大氣狀況的影響不少人理想化地認(rèn)為遙感圖像只記錄遙感觀測(cè)區(qū)域內(nèi)的地物電磁輻射能量，遙感圖像的灰度大小及其變化只反映了地物的輻射光譜特征變化，這種觀念是不正確的。70存在的問(wèn)題提高遙感圖像分類精度受到限制大氣狀況的影響地物輻射電磁波，必須經(jīng)過(guò)大氣層才能到達(dá)傳感器，大氣的吸收和散射會(huì)對(duì)目標(biāo)地物的電磁波產(chǎn)生影響，其中大氣吸收使得目標(biāo)地物的電磁波輻射被衰減，到達(dá)傳感器的能量減少，散射會(huì)引起電磁波行進(jìn)方向的變化，非目標(biāo)地物發(fā)射的電磁波也會(huì)因?yàn)樯⑸涠M(jìn)入傳感器，這樣就導(dǎo)致遙感圖像灰度級(jí)產(chǎn)生一個(gè)偏移量。對(duì)多時(shí)相圖像進(jìn)行分類處理時(shí)，由于不同時(shí)間大氣成分以及濕度不同，散射影響也不同，因此遙感圖像中的灰度值不完全反映目標(biāo)地物輻射電磁波的特征。為了提高遙感圖像分類的精度，必須在圖像分類以前進(jìn)行大氣糾正。71存在的問(wèn)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(duì)分類具有一定影響。下墊面的覆蓋類型多種多樣，受傳感器空間分辨率限制，農(nóng)田中的植被、土壤和水渠，石質(zhì)山地稀疏的灌叢和裸露的巖石均可以形成混合像元，它們對(duì)遙感圖像分類的精度影響很大。這種情況可以在分類前首先進(jìn)行混合像元分解，把它們分解成子像元后再分類。分布在山區(qū)向陽(yáng)面與背陽(yáng)面的同一類地物，單位面積上接收太陽(yáng)光能不同，地物電磁波輻射能量也不同，其灰度值也存在差異，容易造成分類錯(cuò)誤。在地形起伏變化較大時(shí)，可以采用比值圖像代替原圖像進(jìn)行分類，以消除地形起伏的影響。72存在的問(wèn)題提高遙感圖像分類精度受到限制其他因素的影響圖像中的云朵會(huì)遮蓋目標(biāo)地物的電磁波輻射，影響圖像分類。對(duì)于圖像中僅有少量云朵時(shí)，分類前可以采用去噪音方法進(jìn)行清除。多時(shí)相圖像分類時(shí)，不同景的圖像由于成像時(shí)光照條件的差別，同一地物電磁波輻射量存在差別，這也會(huì)對(duì)分類產(chǎn)生影響。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(guò)渡地帶，要精確將其邊界區(qū)別出來(lái)，并非是一件容易的事。因此，

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

遙感專題信息提取與目標(biāo)識(shí)別南京師范大學(xué)地理科學(xué)學(xué)院水體的光譜特征

在可見(jiàn)光范圍內(nèi)，水體的反射率總體上比較低（一般為4%～5%），并隨著波長(zhǎng)的增大逐漸降低，到0.6微米處約2%～3%，過(guò)了0.75微米，水體幾乎成為全吸收體。因此，在近紅外的遙感影像上，清澈的水體呈黑色。為區(qū)分水陸界線，確定地面上有無(wú)水體覆蓋，應(yīng)選擇近紅外波段的影像。水體在微波1mm～30cm范圍內(nèi)的發(fā)射率較低，約為0.4%。平坦的水面，后向散射很弱，因此側(cè)視雷達(dá)影像上，水體呈黑色。故用雷達(dá)影像來(lái)確定洪水淹沒(méi)的范圍也是有效的手段。黃河水（泥沙含量960mg/L)長(zhǎng)江水（92.5mg/L)湖水（47.9mg/L)TM圖像上的水體提取由于時(shí)間分辨率的限制，在洪水期難以獲得無(wú)云霧的TM圖像，因此TM主要用于洪水災(zāi)害損失評(píng)估和本底水體的提取。從TM數(shù)據(jù)中提取水體信息的關(guān)鍵是區(qū)分水體與其他地物的陰影，這同樣需要進(jìn)行不同地物各波段的光譜值分析。TM圖像上的水體提取水體、陰影的第5波段明顯小于第2波段。而其它地物則剛好相反。在第2、3波段上，水體的灰度值大于陰影，將這兩個(gè)波段相加可以增大這種差異。在第4、5波段上，陰影的值一般都大于水體。將這兩各波段相加，可以增大這種差異。

1996年12月27日福清市南京師范大學(xué)地理科學(xué)學(xué)院TM圖像上的水體提取將波段2與波段3相加，波段4與波段5相加，并作出改進(jìn)后的地物波譜圖?？梢钥闯?，只有水體具有波段2加波段3大于波段4加波段5的特征。TM圖像上的水體提取譜間關(guān)系法提取水體

水體具有獨(dú)特的譜間關(guān)系特征，即波段2加波段3大于波段4加波段5。用同樣方法檢驗(yàn)提取效果，漏提的水體非常少，也沒(méi)有發(fā)現(xiàn)將山體的陰影當(dāng)水體提取出來(lái)。因此，該種方法提取的水體較為準(zhǔn)確。

南京師范大學(xué)地理科學(xué)學(xué)院TM圖像上的居民地識(shí)別提取

圖中粉紅色的斑塊即為鄉(xiāng)鎮(zhèn)級(jí)居民地，其內(nèi)部有一定的紋理特征，基本可以識(shí)別到與其相連的道路。南京師范大學(xué)地理科學(xué)學(xué)院TM圖像上的居民地識(shí)別提取居民地及背景地物的光譜特征分析分別對(duì)城市、縣城、鄉(xiāng)鎮(zhèn)、集村、水體、水田、河灘地、菜地、道路在圖像上進(jìn)行光譜采樣（成都平原7月1日），利用采樣數(shù)據(jù)作地物光譜曲線。南京師范大學(xué)地理科學(xué)學(xué)院TM圖像上的居民地識(shí)別提取居民地及背景地物的光譜特征分析根據(jù)采集數(shù)據(jù)及光譜曲線圖得知：TM1：道路>河灘地>河流>居民地（城市>縣城>鄉(xiāng)鎮(zhèn)>集村）>菜地>水田，居民地與河流、菜地易混。TM2：同TM1。TM3：道路>河灘地>城市>河流>鄉(xiāng)鎮(zhèn)>縣城>集村>菜地>水田，城市與河灘地、河流，鄉(xiāng)鎮(zhèn)與河流,集村與菜地易混。TM4：菜地>水田>集村>道路>鄉(xiāng)鎮(zhèn)>河灘地>縣城>河流>城市TM5：道路>菜地>集村>河灘地>鄉(xiāng)鎮(zhèn)>城市>縣城>水田>河流TM6：城市>縣城>鄉(xiāng)鎮(zhèn)>集村>河流>水田>河灘地>菜地>道路TM7：道路>城市>鄉(xiāng)鎮(zhèn)>河灘地>縣城>集村>菜地>水田>河流TM圖像上的居民地識(shí)別提取基于光譜知識(shí)的居民地提取模型城鎮(zhèn)：

TM5>TM4TM4-TM7<K1TM6>K2鄉(xiāng)村

TM4-TM5<K1TM3-TM7<K2數(shù)據(jù)源：DMC+4“北京一號(hào)”小衛(wèi)星系統(tǒng)基于GABOR濾波的居民地提取方法南京師范大學(xué)地理科學(xué)學(xué)院居民地的紋理特征表現(xiàn)(a)(b)(c)(d)(e)(f)Extractionofseveralresidentialareas(fromlefttoright,uptodown):(a)source(b)segmentationwithGaborfiltering(c)resultwithopening(d)1stscale(e)8thscale(f)13thscale(a)(b)(c)(d)南京師范大學(xué)地理科學(xué)學(xué)院基于水陸關(guān)聯(lián)信息的橋梁提取南京師范大學(xué)地理科學(xué)學(xué)院橋梁識(shí)別整體框架12342023/1/1890船舶提取方法高分辨率遙感影像水體與陸地分割基于灰度的自動(dòng)、半自動(dòng)分割基于SVM的區(qū)域分類水體與陸地二值分割圖像分割后處理水體多邊形矢量化與特征表達(dá)船舶基元水體邊界的凸向檢測(cè)疑似船舶區(qū)域形體約束：長(zhǎng)度、寬度、長(zhǎng)寬比、形狀規(guī)整度、面積對(duì)稱度2023/1/1891

大型船舶提取方法五高分遙感目標(biāo)識(shí)別算法實(shí)現(xiàn)基元?dú)w并和目標(biāo)分類92線要素提取中低分辨率的遙感圖像上（如TM圖像），道路一般僅為一到幾個(gè)像素寬，為此適合采用邊緣檢測(cè)的方式進(jìn)行提取。高分辨率遙感圖像上（如“北京一號(hào)”小衛(wèi)星），道路達(dá)到十余個(gè)乃至幾十個(gè)像素，呈現(xiàn)條帶狀（為統(tǒng)一起見(jiàn)，我們?nèi)苑Q其為線狀地物）。內(nèi)部細(xì)節(jié)信息更為豐富，造成更為突出的同物異譜現(xiàn)象，為其自動(dòng)提取帶來(lái)更大困難。

在遙感圖像特征地物提取中，線狀地物——道路是一個(gè)非常重要的課題，無(wú)論在民用方面還是軍用方面都具有重要的意義。道路提取概述：泛概念層次預(yù)處理（校正、濾波）低層次處理（二值化、灰度、邊緣、紋理、頂點(diǎn)、方向等）中層次處理（特征分析、選擇、綜合）高層次處理（知識(shí)、智能、規(guī)則、學(xué)習(xí)、理解、識(shí)別）道路目標(biāo)（標(biāo)識(shí)、表示、應(yīng)用）道路提取概述道路網(wǎng)絡(luò)提取按實(shí)現(xiàn)方式可分為自動(dòng)與半自動(dòng)提取兩大類;按其實(shí)現(xiàn)的步驟，一般可大致分為以下幾個(gè)基本步驟:1）道路特征的增強(qiáng)；

2）道路“種子點(diǎn)”的確定，確定可能的道路點(diǎn);

為此，人們提出了各種道路檢測(cè)算子，有基于像素分類、邊緣檢測(cè)和模板匹配等方法；

3）將“種子點(diǎn)”擴(kuò)展成段;

有基于規(guī)則的邊緣點(diǎn)自動(dòng)連接、動(dòng)態(tài)規(guī)劃等等；

4）道路段的確認(rèn)、自動(dòng)連接，并形成道路網(wǎng)絡(luò);

這一步驟涉及到自動(dòng)編組算法、顧及上下文知識(shí)的連接假設(shè)生成和假設(shè)驗(yàn)證、地物語(yǔ)義關(guān)系表達(dá)、多源數(shù)據(jù)的融合等高層次自動(dòng)圖像解譯方法。半自動(dòng)道路提取半自動(dòng)道路特征提取即利用人機(jī)交互的形式進(jìn)行特征提取和識(shí)別，其主要思想是人工首先提供初始道路點(diǎn)（種子點(diǎn)）有時(shí)還提供初始方向，然后再由計(jì)算機(jī)進(jìn)行處理識(shí)別，同時(shí)適當(dāng)進(jìn)行人機(jī)交互，這方面已有很多研究，并取得了較好的效果。96國(guó)內(nèi)外研究現(xiàn)狀道路提取一般可以歸納為全自動(dòng)提取方法及半自動(dòng)提取方法。在全自動(dòng)提取方面在半自動(dòng)提取方面1）基于平行線對(duì)的道路提取2）基于二值化和知識(shí)的道路提取3）基于窗口模型特征的道路提取4）多分辨率提取算法……1）基于像素與背景的算子模型的道路提取2）基于樹(shù)結(jié)構(gòu)的特征判別模型的道路提取3）基于最小二乘B樣條曲線的道路提取4）基于類與模糊集的道路網(wǎng)絡(luò)提取5）動(dòng)態(tài)規(guī)劃方法6）基于邊緣跟蹤的方法7）利用統(tǒng)計(jì)和結(jié)構(gòu)信息的提取算法8）Snakes模型……半自動(dòng)方法a)基于像素與背景的算子模型的道路提取c)基于最小二乘樣條曲線的道路提取d)基于類與模糊集的道路網(wǎng)絡(luò)提取動(dòng)態(tài)規(guī)劃的方法提取遙感影像道路特征、應(yīng)用模板匹配和神經(jīng)網(wǎng)絡(luò)半自動(dòng)道路特征提取方法…全自動(dòng)提取方法基于平行線對(duì)的道路提取

基于二值化和知識(shí)的道路提取基于窗口模型特征的道路提取方法列表（適宜低精度圖象）方法列表：（適宜高精度圖象）各種道路表現(xiàn)形式剖面建?！皰呙枭摺钡缆纷粉檭煞N不同的道路色調(diào)道路剖面建模(1)1）設(shè)某個(gè)道路檢測(cè)連線區(qū)間為:X=[0,k],則連線下像元灰度值是位置的函數(shù)：2）則連線內(nèi)任意位置的灰度梯度為：3）梯度極大的位置集合定義：4）梯度極小的位置集合：道路剖面建模(2)(5)則可能的道路剖面是X

上的某個(gè)子區(qū)間，構(gòu)成可能道路剖面集合道路剖面建模(3)(6)做如下特征函數(shù)定義剖面寬度：剖面灰度最大值:剖面灰度最小值：剖面灰度均值：剖面外周邊環(huán)境的灰度均值：剖面最大灰度差：剖面和周圍地物灰度差：道路剖面建模(4)(7)則合適的道路剖面集合滿足如下條件：Ini_w是初始道路寬度，Tw+,Tw-,Tin,Tout

是預(yù)先設(shè)置的閾值。其中，Tw+,Tw-是當(dāng)前道路寬度和初始寬度的比值的上下限，Tin是內(nèi)部灰度差的上限,Tout是道路內(nèi)部灰度和周圍環(huán)境的灰度差的下限。設(shè)置以上參數(shù)的依據(jù)是道路建模的假設(shè)條件。如果同時(shí)有多個(gè)合適剖面，可挑選寬度最接近初始寬度的一個(gè)。算法流程:以一條道路為例步驟1：設(shè)置道路追蹤的起始連線步驟2：起始連線兩側(cè)的剖面分析、追蹤得到道路邊界步驟2.1:從起始連線開(kāi)始，根據(jù)道路走向45度方位角為界，區(qū)分橫向道路與縱向道路，橫向道路選擇縱向掃描線，縱向道路選擇橫向掃描線;

步驟2.2:以約1.2倍起始路寬的寬度（可調(diào)節(jié)），在某個(gè)掃描扇面的角度范圍內(nèi)，做若干個(gè)追蹤方向上的剖面檢測(cè)連線，即派遣若干條“掃描蛇”；根據(jù)剖面的灰度分布、梯度極值、寬度等特征信息搜索每個(gè)蛇節(jié)上的合適剖面，并進(jìn)行投票登記；步驟2.3:選擇票數(shù)最多的一條蛇，選擇其尾部合適剖面作為下一個(gè)開(kāi)始追蹤的剖面位置，并登記道路端點(diǎn)信息；步驟2.4:重復(fù)子步驟1,2,3,直到本次追蹤結(jié)束；

步驟3：結(jié)果的矢量化表達(dá)實(shí)例分析：小衛(wèi)星全色影象放大的局部間斷道路提取南京師范大學(xué)地理科學(xué)學(xué)院交叉道路提取Quickbird影象道路提取115主動(dòng)輪廓模型研究主動(dòng)輪廓模型（ActiveContourModel），也稱“蛇”（Snakes）模型，是Kass等人在1987年提出的。模型的主要思想就是從一條初始曲線出發(fā)，在一定規(guī)則的約束下，經(jīng)過(guò)不斷地演化，運(yùn)動(dòng)曲線最終可以將目標(biāo)分離出來(lái)。這樣，在實(shí)際應(yīng)用中結(jié)合一定的先驗(yàn)知識(shí)，針對(duì)具體的任務(wù)，有選擇的利用相關(guān)信息，便可以達(dá)到更方便、更準(zhǔn)確的目的。116主動(dòng)輪廓模型研究主動(dòng)輪廓模型可以表示為定義在s[0,1]上的參數(shù)曲線，即：v(s)=(x(s),y(s))。輪廓上的總能量可以定義為：117基于Snakes模型的道路位置優(yōu)化技術(shù)路線118基于Snakes模型的道路位置優(yōu)化鄉(xiāng)村區(qū)域道路網(wǎng)提取

正確提取的比率分別為暗道路94.4%、亮道路95.0%。在利用Snakes模型優(yōu)化之后，均方根誤差有明顯下降，暗道路由4.4下降到1.2，亮道路由3.5下降到0.9，提取結(jié)果更加接近于真實(shí)道路。119基于Snakes模型的道路位置優(yōu)化城郊道路網(wǎng)提取

道路正確識(shí)別率約93.8％，通過(guò)Snakes模型的優(yōu)化后，均方根誤差由5.7降低到1.2。120基于Snakes模型的道路位置優(yōu)化城市區(qū)域道路網(wǎng)絡(luò)提取

在城市區(qū)域，正確識(shí)別率下降到68.3%。通過(guò)Snakes模型的優(yōu)化后，均方根誤差由5.9降低到1.1。121基于Snakes模型的道路位置優(yōu)化河流網(wǎng)絡(luò)提取

在算法參數(shù)沒(méi)有修改的情況下，方法取得了很好的提取效果，其正確識(shí)別率達(dá)到了93%，顯示了方法的普適性，通過(guò)Snakes模型的優(yōu)化后，均方根誤差由5.2降低到1.1。遙感圖像變化檢測(cè)遙感圖像變化檢測(cè)是利用對(duì)同一地區(qū)在不同時(shí)期拍攝的兩幅遙感圖像，采用圖像處理和模式識(shí)別等手段，檢測(cè)出該地區(qū)的地物變化信息的過(guò)程，它在環(huán)境、農(nóng)業(yè)、水利和軍事等諸多領(lǐng)域都有著非常廣泛的應(yīng)用。像素級(jí)：比值法、差值法、回歸、植被指數(shù)法、主成分分析等等。特征級(jí)目標(biāo)級(jí)123像素級(jí)變化檢測(cè)傳統(tǒng)的基于