高分遙感影像信息處理與信息提取

高分遙感影像信息處理與信息提取第1頁，課件共133頁，創(chuàng)作于2023年2月提綱遙感處理與信息提取簡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識別遙感圖像變化檢測第2頁，課件共133頁，創(chuàng)作于2023年2月遙感信息提取的概念遙感信息提取，是遙感成像過程的逆過程，是從遙感對地面實況的模擬影像中提取有關信息、反演地面原型的過程。需要根據(jù)專業(yè)的要求，運用物理模型、解譯特征標志和實踐經(jīng)驗與知識，定性、定量地提取出物理量、時空分布、功能結構等有關信息。主要方法應用數(shù)據(jù)源空間分辨率光譜分辨率時間分辨率定量遙感反演模型大氣、海洋、生態(tài)環(huán)境動態(tài)監(jiān)測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中中中目標識別分割、模式識別城市、軍事、設施SPOT5、IKONOS、QuickBird高低中第3頁，課件共133頁，創(chuàng)作于2023年2月

以影像為主要類型的空間數(shù)據(jù)獲取能力得到不斷提高，而高分辨率遙感更是逐漸成為了面向社會發(fā)展、經(jīng)濟建設、國防安全和社會大眾需求等最重要的空間信息來源，我國中長期科學和技術發(fā)展規(guī)劃中明確提出要建設高分辨率對地觀測系統(tǒng)，系統(tǒng)建成后將全面應用服務于各行各業(yè)。影像數(shù)據(jù)處理、分析、理解和決策應用等構成了遙感應用的技術鏈，而信息提取與目標識別更是遙感從數(shù)據(jù)轉換為信息進而開展應用服務的核心技術。由于高空間分辨率遙感影像的特點，高精度、高效率目標自動識別問題一直是極大的技術難點，已經(jīng)是大規(guī)模應用的瓶頸。高分辨率遙感應用中的主要問題第4頁，課件共133頁，創(chuàng)作于2023年2月高分辨率遙感信息提取中的主要問題應用瓶頸問題：數(shù)據(jù)量和空間計算復雜性驟增，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識別的精度與效率；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構、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算技術發(fā)展的新一代遙感信息處理與分析技術。第5頁，課件共133頁，創(chuàng)作于2023年2月遙感信息提取機理地學現(xiàn)象與過程地學認知地面目標過程時序分解抽象空間位置空間信息屬性特征波譜信息時間時相信息綜合度綜合與分解性遙感信息地理空間影像空間第6頁，課件共133頁，創(chuàng)作于2023年2月高分辨率遙感影像處理圖像輻射校正影像幾何糾正、配準、影像拼接影像增強影像融合….

第7頁，課件共133頁，創(chuàng)作于2023年2月2004-12-17輻射校正輻射校正（radiometriccorrection）：消除輻射量失真。利用遙感器觀測目標物輻射或反射的電磁能量時，從遙感器得到的測量值與目標物的光譜反射率或光譜輻射亮度等物理量是不一致的，這是因為測量值中包含太陽位置及角度條件、薄霧等大氣條件所引起的失真。為了正確評價目標物的反射特性及輻射特性，必須消除這些失真。引起輻射畸變的因素：遙感器的靈敏度特性、太陽高度及地形、大氣等。第8頁，課件共133頁，創(chuàng)作于2023年2月輻射校正

由遙感器引起的誤差或由太陽高度引起的誤差，一般在數(shù)據(jù)生產(chǎn)過程中由生產(chǎn)單位根據(jù)遙感器參數(shù)進行校正，而不需要用戶進行自行處理。用戶一般考慮大氣影響引起的輻射畸變。第9頁，課件共133頁，創(chuàng)作于2023年2月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程，從而建立圖像上的像元坐標與目標物的地理坐標間的對應關系，并使其符合地圖投影系統(tǒng)的過程。第10頁，課件共133頁，創(chuàng)作于2023年2月由遙感器引起的圖像幾何畸變第11頁，課件共133頁，創(chuàng)作于2023年2月幾何畸變校正幾何校正的方法系統(tǒng)性校正：當知道了消除圖像幾何畸變的理論校正公式時，可把該式中所含的與遙感器構造有關的校準數(shù)據(jù)（焦距等）及遙感器的位置、姿態(tài)等的測量值代入到理論校正式中進行幾何校正。該方法對遙感器的內(nèi)部畸變大多是有效的?？墒窃诤芏嗲闆r下，遙感器的位置及姿態(tài)的測量值精度不高，所以外部畸變的校正精度也不高。

第12頁，課件共133頁，創(chuàng)作于2023年2月幾何畸變校正幾何校正的方法非系統(tǒng)性校正：利用控制點的圖像坐標和地圖坐標的對應關系，近似地確定所給的圖像坐標系和應輸出的地圖坐標系之間的坐標變換式。坐標變換式經(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式。坐標變換式的系數(shù)可從控制點的圖像坐標值和地圖坐標值中根據(jù)最小2乘法求出。

第13頁，課件共133頁，創(chuàng)作于2023年2月幾何畸變校正幾何校正的方法復合校正：把理論校正式與利用控制點確定的校正式組合起來進行校正。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，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)。

第14頁，課件共133頁，創(chuàng)作于2023年2月幾何畸變校正

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高程信息，以及傳感器的位置和姿態(tài)參數(shù)無法獲取的情況時應用。有時根據(jù)遙感平臺的各種參數(shù)已做過一次校正，但仍不能滿足要求，就可以用該方法作遙感影像相對于地面坐標的配準校正，遙感影像相對于地圖投影坐標系統(tǒng)的配準校正，以及不同類型或不同時相的遙感影像之間的幾何配準和復合分析，以得到比較精確的結果。第15頁，課件共133頁，創(chuàng)作于2023年2月幾何精糾正的一般過程收集資料；導入影像數(shù)據(jù)；選取地面控制點（GCP），確定其空間坐標；確定糾正所需的幾何校正模型；確定輸出影像范圍；插值和像元幾何位置變換方法；

像元的灰度重采樣

產(chǎn)生糾正后的數(shù)字影像第16頁，課件共133頁，創(chuàng)作于2023年2月控制點的選取幾何校正的第一步便是位置計算，首先是對所選取的二元多項式求系數(shù)。這時必須已知一組控制點坐標。

控制點數(shù)目的確定其最低限是按未知系數(shù)的多少來確定的。一次多項式有6個系數(shù)，就需要有6個方程來求解，需3個控制點的3對坐標值，即6個坐標數(shù)。

2次多項式有

12個系數(shù)，需要

12個方程（6個控制點）。依次類推，n次多項式，控制點的最少數(shù)目為(n+1)(n+2)/2。實際工作表明，選取最少數(shù)目的控制點來校正圖像，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，由于沒有控制點，而靠計算推出對應點，會使圖像變形。因此，在條件允許的情況下，控制點數(shù)的選取都要大于最低數(shù)很多。第17頁，課件共133頁，創(chuàng)作于2023年2月控制點的選取控制點選取的原則一般來說，控制點應選取圖像上易分辨且較精細的特征點，這很容易通過目視方法辨別，如道路交叉點、河流分叉處、海岸線彎曲處、飛機場、城廓邊緣等。特征變化大的地區(qū)應多選些。圖像邊緣部分一定要選取控制點，以避免外推。此外，盡可能滿幅均勻選取，特征實在不明顯的大面積區(qū)域（如沙漠），可用求延長線交點的辦法來彌補，但應盡可能避免這樣做，以避免造成人為的誤差。

第18頁，課件共133頁，創(chuàng)作于2023年2月二次多項式校正數(shù)學模型基本數(shù)學模型形式用最小二乘法通過GCP數(shù)據(jù)進行曲面擬合求系數(shù)：待求系數(shù)的個數(shù)：

M=(n+1)(N+2)/2第19頁，課件共133頁，創(chuàng)作于2023年2月重采樣方法一對輸入圖像的各個像元在變換后的輸出圖像坐標系上的相應位置進行計算，把各個像元的數(shù)據(jù)投影到該位置上第20頁，課件共133頁，創(chuàng)作于2023年2月重采樣方法二對輸出圖像的各個像元在輸入圖像坐標系的相應位置進行逆運算，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。第21頁，課件共133頁，創(chuàng)作于2023年2月圖像內(nèi)插法一：最近鄰法（NN，NearestNeighborhood）最近鄰法：以距內(nèi)插點最近的觀測點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)點是不破壞原來的像元值，處理速度快。第22頁，課件共133頁，創(chuàng)作于2023年2月圖像內(nèi)插法二：雙線性內(nèi)插法

（BL，Bi-Linear）使用內(nèi)插點周圍的4個觀測點的像元值，對所求的像元值進行線性內(nèi)插。該方法的缺點是破壞了原來的數(shù)據(jù)，但具有平均化的濾波效果。第23頁，課件共133頁，創(chuàng)作于2023年2月圖像內(nèi)插法三：3次卷積內(nèi)插法（CC，cubicconvolution）使用內(nèi)插點周圍的16個觀測點的像元值，用3次卷積函數(shù)對所求像元值進行內(nèi)插。該方法的缺點是破壞了原來的數(shù)據(jù)，但具有圖像的均衡化和清晰化的效果，可得到較高的圖像質(zhì)量。第24頁，課件共133頁，創(chuàng)作于2023年2月遙感圖像配準圖像配準（或圖像匹配）是評價兩幅或多幅圖像的相似性以確定同名點的過程。圖像配準算法就是設法建立兩幅圖像之間的對應關系,確定相應幾何變換參數(shù),對兩幅圖像中的一幅進行幾何變換的方法。第25頁，課件共133頁，創(chuàng)作于2023年2月圖像配準參考圖像（主圖像）待配準圖像（輔圖像）配準圖像第26頁，課件共133頁，創(chuàng)作于2023年2月用詞說明各種圖像配準的文獻都會出現(xiàn)“配準、匹配、幾何校正”三個詞，它們的含義比較相似。一般兩幅圖像之間用“配準（register,registration）”；尋找同名特征(點)的過程叫“匹配（match,matching）”;根據(jù)主輔圖像之間的幾何變換關系，對輔圖像進行逐像素處理變?yōu)榕錅蕡D像的過程叫做“幾何校正（geometriccorrection）”。第27頁，課件共133頁，創(chuàng)作于2023年2月配準方法分類按照配準算法所利用的圖像信息，可以分為基于區(qū)域的方法和基于特征的方法。基于區(qū)域的匹配主要是模板匹配和基于相位（頻率）的匹配方法；基于特征的匹配包括基于特征點集的匹配和基于線特征（圖像中邊緣信息）的匹配算法。按自動化程度可以分為人工、半自動和全自動三種類型。第28頁，課件共133頁，創(chuàng)作于2023年2月模板匹配模板匹配法是在一幅影像中選取一個的影像窗口作模板，大小通常為5×5或7×7，然后通過相關函數(shù)的計算來找到它在搜索圖中的坐標位置。第29頁，課件共133頁，創(chuàng)作于2023年2月相似性測度用以下測度來衡量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)時取極大值為1。但實際上兩幅不同圖像的P值介于0和1之間，很難達到理想值。根據(jù)經(jīng)驗取某個閾值P0，如果P>P0，則匹配成功；P<P0，則匹配失敗。第30頁，課件共133頁，創(chuàng)作于2023年2月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。對影像進行一次采樣率為1/n(n=2,3)的重采樣，即把影像的每n×n個像素變?yōu)橐粋€像素，這樣就得到一對長、寬都為原來1/n的影像，把它作為金字塔的第二層。再對第二層用同樣方法進行一次采樣率為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。第31頁，課件共133頁，創(chuàng)作于2023年2月金字塔影像匹配的步驟第一步：頂層的匹配，得到一個平移初始值。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個像元的鄰域內(nèi)進行模板匹配。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。第32頁，課件共133頁，創(chuàng)作于2023年2月基于特征的配準算法

基于特征的算法(feature-basedmatching)先提取圖像顯著特征，再進行特征匹配，大大壓縮了圖像信息的數(shù)據(jù)量，同時保持了圖像的位移、旋轉、比例方面的特征，故在配準時計算量小，速度較快、魯棒性好。當兩幅圖像之間的線性位置關系不明確時，應使用基于特征的匹配。一般來說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。第33頁，課件共133頁，創(chuàng)作于2023年2月基于特征的配準步驟在特征匹配前，首先要從兩幅圖像中提取灰度變化明顯的點、線等特征形成特征集。在兩幅圖像對應的特征集中利用特征匹配算法盡可能的將存在匹配關系的特征對選擇出來。通過特征建立兩幅圖像之間的多項式變換關系，達到以點代面的效果。對于非特征像素點，利用上述多項式變換關系來進行幾何校正，從而實現(xiàn)兩幅圖像之間逐像素的配準。第34頁，課件共133頁，創(chuàng)作于2023年2月SIFT特征匹配算法是目前國內(nèi)外特征點匹配研究領域的熱點與難點，其匹配能力較強，可以處兩幅圖像之間發(fā)生平移、旋轉、仿射變換情況下的匹配問題，甚至在某種程度上對任意角度拍攝圖像也具備較為穩(wěn)定的特征匹配能力。基于SIFT特征的圖像配準第35頁，課件共133頁，創(chuàng)作于2023年2月遙感數(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，以及不同時相的遙感數(shù)據(jù)的融合。融合方式的確定應根據(jù)目標空間分布、光譜反射特性及時相規(guī)律方面的特征選擇不同的遙感圖像數(shù)據(jù)，它們在空間分辨率、光譜分辨率和時間分辨率方面相互補充，以形成一個更有利的識別環(huán)境，來識別所要識別的目標或類型。第36頁，課件共133頁，創(chuàng)作于2023年2月各種融合方法（ERDAS）HIS變換PCA變換Brovey變換乘法復合小波高通濾波…第37頁，課件共133頁，創(chuàng)作于2023年2月融合實際例子第38頁，課件共133頁，創(chuàng)作于2023年2月第39頁，課件共133頁，創(chuàng)作于2023年2月第40頁，課件共133頁，創(chuàng)作于2023年2月特征提取(外部資料)第41頁，課件共133頁，創(chuàng)作于2023年2月遙感圖像分類第42頁，課件共133頁，創(chuàng)作于2023年2月43遙感圖像分類原理與過程

遙感圖像計算機分類的依據(jù)是遙感圖像像素的相似度。在遙感圖像分類過程中，常使用距離和相關系數(shù)來衡量相似度。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波段的值第43頁，課件共133頁，創(chuàng)作于2023年2月44分類原理與過程找出代表這些類別的統(tǒng)計特征。為了測定總體特征，在監(jiān)督分類中可選擇具有代表性的訓練區(qū)域進行采樣，測定其特征。在非監(jiān)督分類中，可用聚類等方法對特征相似的像素進行歸類，測定其特征。對遙感圖像中所有像素進行分類。分類精度檢查。在監(jiān)督分類中把已知的訓練數(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。在非監(jiān)督分類中，采用隨機抽樣方法，分類效果的好壞需經(jīng)實際檢驗或利用分類區(qū)域的調(diào)查材料、專題圖進行核查。對判別分析的結果進行統(tǒng)計檢驗。第44頁，課件共133頁，創(chuàng)作于2023年2月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練區(qū)作為樣本。根據(jù)已知訓練區(qū)提供的樣本，通過選擇特征參數(shù)（如像素亮度均值、方差等），建立判別函數(shù)，據(jù)此對樣本像元進行分類，依據(jù)樣本類別的特征來識別其它像元的歸屬類別。

監(jiān)督分類：最小距離分類法、多級切割分類法、特征曲線窗口法、最大似然比分類法等第45頁，課件共133頁，創(chuàng)作于2023年2月46分類方法非監(jiān)督分類方法。是在沒有先驗類別（訓練區(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行歸類合并（將相似度大的像元歸為一類）的方法。非監(jiān)督分類：多級集群法、動態(tài)聚類法等等。第46頁，課件共133頁，創(chuàng)作于2023年2月47監(jiān)督/非監(jiān)督分類方法比較

根本區(qū)別點在于是否利用訓練樣區(qū)來獲取先驗的類別知識監(jiān)督分類根據(jù)訓練樣區(qū)提供的樣本選擇特征參數(shù)，建立判別函數(shù)，對待分類像元進行分類。因此，訓練場地選擇是監(jiān)督分類的關鍵。對于不熟悉區(qū)域情況的人來說，選擇足夠數(shù)量的訓練樣區(qū)帶來很大的工作量，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練樣區(qū)。由于訓練樣區(qū)要求有代表性，訓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，有時這些還不易做到，這是監(jiān)督分類不足之處。第47頁，課件共133頁，創(chuàng)作于2023年2月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知識，它根據(jù)地物的光譜統(tǒng)計特性進行分類。因此，非監(jiān)督分類方法簡單，且分類具有一定的精度。嚴格說來，分類效果的好壞需要經(jīng)過實際調(diào)查來檢驗。當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）相對應時，非監(jiān)督分類可取得較好分類效果。當兩個地物類型對應的光譜特征類差異很小時，非監(jiān)督分類效果不如監(jiān)督分類效果好。第48頁，課件共133頁，創(chuàng)作于2023年2月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（相似度最大）的類別上對像元數(shù)據(jù)進行分類的方法。

包括：最小距離判別法最近鄰域分類法第49頁，課件共133頁，創(chuàng)作于2023年2月50最小距離分類法最小距離判別法這種方法要求對遙感圖像中每一個類別選一個具有代表意義的統(tǒng)計特征量（均值），首先計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，每一類別具有多個統(tǒng)計特征量。最近鄰域分類法首先計算待分像元到每一類中每一個統(tǒng)計特征量間的距離，這樣，該像元到每一類都有幾個距離值，取其中最小的一個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單，分類精度不很高，但計算速度快，它可以在快速瀏覽分類概況中使用。

第50頁，課件共133頁，創(chuàng)作于2023年2月51多級切割法多級切割法（multi-levelsliceclassifier）是根據(jù)設定在各軸上的值域分割多維特征空間的分類方法。這種方法要求通過選取訓練區(qū)，詳細了解分類類別（總體）的特征，并以較高的精度設定每個分類類別的光譜特征上限值和下限值，以便構成特征子空間。對于一個未知類別的像素來說，它的分類取決于它落入哪個類別特征子空間中。如落入某個特征子空間中，則屬于該類，如落入所有特征子空間之外，則屬于未知類型，因此多級切割分類法要求訓練區(qū)樣本的選擇必須覆蓋所有的類型，在分類過程中，需要利用待分類像素光譜特征值與各個類別特征子空間在每一維上的值域進行內(nèi)外判斷，檢查其落入哪個類別特征子空間中，直到完成各像素的分類。第51頁，課件共133頁，創(chuàng)作于2023年2月2002-11-0152遙感圖象處理：分類用多級切割法分割三維特征空間

第52頁，課件共133頁，創(chuàng)作于2023年2月53特征曲線窗口法

特征曲線是地物光譜特征參數(shù)構成的曲線。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，而是在標準特征曲線附近擺動變化。因此以特征曲線為中心取一個條帶，構造一個窗口，凡是落在此窗口范圍內(nèi)的地物即被認為是一類，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。第53頁，課件共133頁，創(chuàng)作于2023年2月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，它將地物的標準吸收特征值連接成曲線，通過與其他像素吸收曲線比較，進行分類；也可以在圖像訓練區(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)不同特征進行分類，如利用標準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別點，給定誤差容許范圍，分別對每個像素進行分類；或者利用每一類地物的各個特征參數(shù)上、下限值構造一個窗口，判別某個待分像元是否落入該窗口，只要檢查該像元各特征參數(shù)值是否落入到相應窗口之內(nèi)即可。第54頁，課件共133頁，創(chuàng)作于2023年2月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，當觀測到像元數(shù)據(jù)x時，它是從分類類別k中得到的（后驗）概率。它假定訓練區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣，近似服從正態(tài)分布，利用訓練區(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概率密度函數(shù)。當總體分布不符合正態(tài)分布時，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。第55頁，課件共133頁，創(chuàng)作于2023年2月56最大似然比分類法最大似然比分類法在多類別分類時，常采用統(tǒng)計學方法建立起一個判別函數(shù)集，然后根據(jù)這個判別函數(shù)集計算各待分像元的歸屬概率。

x為待分像元，P（k)為類別k的先驗概率，可以通過訓練區(qū)來決定。由于上式中分母和類別無關，在類別間比較的時候可以忽略。第56頁，課件共133頁，創(chuàng)作于2023年2月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）。由于假定訓練區(qū)地物的光譜特征和自然界大部分隨機現(xiàn)象一樣，近似服從正態(tài)分布（對一些非正態(tài)分布可以通過數(shù)學方法化為正態(tài)問題來處理），通過訓練區(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概率密度函數(shù)。此時，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關的數(shù)據(jù)項）：類別k的協(xié)方差矩陣類別k的平均向量（n維）第57頁，課件共133頁，創(chuàng)作于2023年2月58最大似然比分類法

這種最大似然比分類法的特征是，在分類結果上具有概率統(tǒng)計的意義。但必須注意幾點：（l）為了以較高精度測定平均值及方差、協(xié)方差，各個類別的訓練數(shù)據(jù)至少也要為特征維數(shù)的2到3倍以上。（2）如果2個以上的波段相關性很強，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，最好采用主成分分析法，把維數(shù)減到僅剩相互獨立的波段。（3）當總體分布不符合正態(tài)分布時，不適于采用以正態(tài)分布的假設為基礎的最大似然比分類法。其分類精度也將下降。

第58頁，課件共133頁，創(chuàng)作于2023年2月59SOM-GA精度88.67%；MLC分類精度85.58%；知識集成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第59頁，課件共133頁，創(chuàng)作于2023年2月60C1C2C3C4C5C6C7C8C9（分類結果）（原始圖像）EBF模型訓練時間大約需要120秒，整個測試精確度為76.00％。MLC方法的整體測試精度是69.11%。RBF模型為70.33%，測試時間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第60頁，課件共133頁，創(chuàng)作于2023年2月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：分級集群法動態(tài)聚類法第61頁，課件共133頁，創(chuàng)作于2023年2月62分級集群法當同類物體聚集分布在一定的空間位置上，它們在同樣條件下應具有相同的光譜信息特征，其他類別的物體應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，反映在直方圖上會出現(xiàn)很多峰值及其對應的一些灰度值，它們在圖像上對應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群，這些點群就叫做集群。分級集群法采用“距離”評價每個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。第62頁，課件共133頁，創(chuàng)作于2023年2月63分級集群法分級集群法的分類過程如下：確定評價各樣本相似程度所采用的指標，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。計算個體間的距離；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，然后再計算并改正其距離。在達到所要分類的最終類別數(shù)以前，重復樣本間相似度的評價和歸并，這樣直到所有像素都歸入到各類別中去。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算歸并后新的個體間的距離歸并后的類別數(shù)STOPYN第63頁，課件共133頁，創(chuàng)作于2023年2月64分級集群法

分級集群方法的特點是這種歸并的過程是分級進行的，在迭代過程中沒有調(diào)整類別總數(shù)的措施，如果一個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，這樣可能導致對一個像元的操作次序不同，會得到不同的分類結果，這是該方法的缺點。第64頁，課件共133頁，創(chuàng)作于2023年2月65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態(tài)聚類。ISODATA(IterativeOrgnizingDataAnalysizeTechnique迭代自組織數(shù)據(jù)分析技術）方法在動態(tài)聚類法中具有代表性。第65頁，課件共133頁，創(chuàng)作于2023年2月66ISODATA方法按照某個原則選擇一些初始類聚類中心。在實際操作中，要把初始聚類數(shù)設定得大一些，同時引入各種對迭代次數(shù)進行控制的參數(shù)，如控制迭代的總次數(shù)、每一類別最小像元數(shù)、類別的標準差、比較相鄰兩次迭代效果以及可以合并的最大類別對數(shù)等，在整個迭代過程中，不僅每個像元的歸屬類別在調(diào)整，而且類別總數(shù)也在變化。在用計算機編制分類程序時，初始聚類中心可按如下方式確定：設初始類別數(shù)為n，這樣共有n個初始聚類中心，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，n為初始類總數(shù)。第66頁，課件共133頁，創(chuàng)作于2023年2月67動態(tài)聚類法

動態(tài)聚類法中有類別的合并或分裂，這說明迭代過程中類別總數(shù)是可變的。如果兩個類別的中心點距離近，說明相似程度高，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類別，可以先求出每個類別的均值和標準差，然后通過對每一個波段的標準偏差設定閾值來實現(xiàn)，標準差大于閾值，該類就要分裂。第67頁，課件共133頁，創(chuàng)作于2023年2月68傳統(tǒng)分類中存在的問題

遙感圖像計算機分類算法設計的主要依據(jù)是地物光譜數(shù)據(jù)。因此，存在著如下的問題：未充分利用遙感圖像提供的多種信息遙感數(shù)字圖像計算機分類的依據(jù)是像素具有的多光譜特征，并沒有考慮相鄰像素間的關系。例如，被湖泊包圍的島嶼，通過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）識別出來。這種方法的主要缺陷在于地物識別與分類中沒有利用到地物空間關系等方面的信息。

第68頁，課件共133頁，創(chuàng)作于2023年2月69存在的問題提高遙感圖像分類精度受到限制分類精度是指分類結果的正確率，包括地物屬性被正確識別，以及它們在空間分布的面積被準確度量。遙感數(shù)字圖像分類結果在沒有經(jīng)過專家檢驗和多次糾正的情況下，分類精度一般不超過90％，其原因除了與選用的分類方法有關外，還存在著制約遙感圖像分類精度的幾個客觀因素：大氣狀況的影響不少人理想化地認為遙感圖像只記錄遙感觀測區(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。第69頁，課件共133頁，創(chuàng)作于2023年2月70存在的問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)過大氣層才能到達傳感器，大氣的吸收和散射會對目標地物的電磁波產(chǎn)生影響，其中大氣吸收使得目標地物的電磁波輻射被衰減，到達傳感器的能量減少，散射會引起電磁波行進方向的變化，非目標地物發(fā)射的電磁波也會因為散射而進入傳感器，這樣就導致遙感圖像灰度級產(chǎn)生一個偏移量。對多時相圖像進行分類處理時，由于不同時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行大氣糾正。第70頁，課件共133頁，創(chuàng)作于2023年2月71存在的問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)向陽面與背陽面的同一類地物，單位面積上接收太陽光能不同，地物電磁波輻射能量也不同，其灰度值也存在差異，容易造成分類錯誤。在地形起伏變化較大時，可以采用比值圖像代替原圖像進行分類，以消除地形起伏的影響。第71頁，課件共133頁，創(chuàng)作于2023年2月72存在的問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遮蓋目標地物的電磁波輻射，影響圖像分類。對于圖像中僅有少量云朵時，分類前可以采用去噪音方法進行清除。多時相圖像分類時，不同景的圖像由于成像時光照條件的差別，同一地物電磁波輻射量存在差別，這也會對分類產(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渡地帶，要精確將其邊界區(qū)別出來，并非是一件容易的事。因此，

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

第72頁，課件共133頁，創(chuàng)作于2023年2月遙感專題信息提取與目標識別第73頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院水體的光譜特征

在可見光范圍內(nèi)，水體的反射率總體上比較低（一般為4%～5%），并隨著波長的增大逐漸降低，到0.6微米處約2%～3%，過了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，確定地面上有無水體覆蓋，應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，因此側視雷達影像上，水體呈黑色。故用雷達影像來確定洪水淹沒的范圍也是有效的手段。黃河水（泥沙含量960mg/L)長江水（92.5mg/L)湖水（47.9mg/L)第74頁，課件共133頁，創(chuàng)作于2023年2月TM圖像上的水體提取由于時間分辨率的限制，在洪水期難以獲得無云霧的TM圖像，因此TM主要用于洪水災害損失評估和本底水體的提取。從TM數(shù)據(jù)中提取水體信息的關鍵是區(qū)分水體與其他地物的陰影，這同樣需要進行不同地物各波段的光譜值分析。第75頁，課件共133頁，創(chuàng)作于2023年2月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日福清市第76頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院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，并作出改進后的地物波譜圖?？梢钥闯觯挥兴w具有波段2加波段3大于波段4加波段5的特征。第77頁，課件共133頁，創(chuàng)作于2023年2月TM圖像上的水體提取譜間關系法提取水體

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

第78頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院TM圖像上的居民地識別提取

圖中粉紅色的斑塊即為鄉(xiāng)鎮(zhèn)級居民地，其內(nèi)部有一定的紋理特征，基本可以識別到與其相連的道路。第79頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院TM圖像上的居民地識別提取居民地及背景地物的光譜特征分析分別對城市、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。第80頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院TM圖像上的居民地識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>河流第81頁，課件共133頁，創(chuàng)作于2023年2月TM圖像上的居民地識別提取基于光譜知識的居民地提取模型城鎮(zhèn)：

TM5>TM4TM4-TM7<K1TM6>K2鄉(xiāng)村

TM4-TM5<K1TM3-TM7<K2第82頁，課件共133頁，創(chuàng)作于2023年2月數(shù)據(jù)源：DMC+4“北京一號”小衛(wèi)星系統(tǒng)基于GABOR濾波的居民地提取方法第83頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院第84頁，課件共133頁，創(chuàng)作于2023年2月居民地的紋理特征表現(xiàn)第85頁，課件共133頁，創(chuàng)作于2023年2月(a)(b)(c)(d)(e)(f)Extractionofseveralresidentialareas(fromlefttoright,uptodown):(a)source(b)segmentationwithGaborfiltering(c)resultwithopening(d)1stscale(e)8thscale(f)13thscale第86頁，課件共133頁，創(chuàng)作于2023年2月(a)(b)(c)(d)第87頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院基于水陸關聯(lián)信息的橋梁提取第88頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院橋梁識別整體框架1234第89頁，課件共133頁，創(chuàng)作于2023年2月2024/3/2390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、半自動分割基于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船舶基元水體邊界的凸向檢測疑似船舶區(qū)域形體約束：長度、寬度、長寬比、形狀規(guī)整度、面積對稱度第90頁，課件共133頁，創(chuàng)作于2023年2月2024/3/2391

大型船舶提取方法五高分遙感目標識別算法實現(xiàn)基元歸并和目標分類第91頁，課件共133頁，創(chuàng)作于2023年2月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像素寬，為此適合采用邊緣檢測的方式進行提取。高分辨率遙感圖像上（如“北京一號”小衛(wèi)星），道路達到十余個乃至幾十個像素，呈現(xiàn)條帶狀（為統(tǒng)一起見，我們?nèi)苑Q其為線狀地物）。內(nèi)部細節(jié)信息更為豐富，造成更為突出的同物異譜現(xiàn)象，為其自動提取帶來更大困難。

在遙感圖像特征地物提取中，線狀地物——道路是一個非常重要的課題，無論在民用方面還是軍用方面都具有重要的意義。第92頁，課件共133頁，創(chuàng)作于2023年2月道路提取概述：泛概念層次預處理（校正、濾波）低層次處理（二值化、灰度、邊緣、紋理、頂點、方向等）中層次處理（特征分析、選擇、綜合）高層次處理（知識、智能、規(guī)則、學習、理解、識別）道路目標（標識、表示、應用）第93頁，課件共133頁，創(chuàng)作于2023年2月道路提取概述道路網(wǎng)絡提取按實現(xiàn)方式可分為自動與半自動提取兩大類;按其實現(xiàn)的步驟，一般可大致分為以下幾個基本步驟:1）道路特征的增強；

2）道路“種子點”的確定，確定可能的道路點;

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

3）將“種子點”擴展成段;

有基于規(guī)則的邊緣點自動連接、動態(tài)規(guī)劃等等；

4）道路段的確認、自動連接，并形成道路網(wǎng)絡;

這一步驟涉及到自動編組算法、顧及上下文知識的連接假設生成和假設驗證、地物語義關系表達、多源數(shù)據(jù)的融合等高層次自動圖像解譯方法。第94頁，課件共133頁，創(chuàng)作于2023年2月半自動道路提取半自動道路特征提取即利用人機交互的形式進行特征提取和識別，其主要思想是人工首先提供初始道路點（種子點）有時還提供初始方向，然后再由計算機進行處理識別，同時適當進行人機交互，這方面已有很多研究，并取得了較好的效果。第95頁，課件共133頁，創(chuàng)作于2023年2月96國內(nèi)外研究現(xiàn)狀道路提取一般可以歸納為全自動提取方法及半自動提取方法。在全自動提取方面在半自動提取方面1）基于平行線對的道路提取2）基于二值化和知識的道路提取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）基于樹結構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)絡提取5）動態(tài)規(guī)劃方法6）基于邊緣跟蹤的方法7）利用統(tǒng)計和結構信息的提取算法8）Snakes模型……第96頁，課件共133頁，創(chuàng)作于2023年2月半自動方法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)絡提取動態(tài)規(guī)劃的方法提取遙感影像道路特征、應用模板匹配和神經(jīng)網(wǎng)絡半自動道路特征提取方法…第97頁，課件共133頁，創(chuàng)作于2023年2月全自動提取方法基于平行線對的道路提取

基于二值化和知識的道路提取基于窗口模型特征的道路提取第98頁，課件共133頁，創(chuàng)作于2023年2月方法列表（適宜低精度圖象）第99頁，課件共133頁，創(chuàng)作于2023年2月方法列表：（適宜高精度圖象）第100頁，課件共133頁，創(chuàng)作于2023年2月各種道路表現(xiàn)形式第101頁，課件共133頁，創(chuàng)作于2023年2月剖面建模第102頁，課件共133頁，創(chuàng)作于2023年2月“掃描蛇”道路追蹤第103頁，課件共133頁，創(chuàng)作于2023年2月兩種不同的道路色調(diào)第104頁，課件共133頁，創(chuàng)作于2023年2月道路剖面建模(1)1）設某個道路檢測連線區(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：第105頁，課件共133頁，創(chuàng)作于2023年2月道路剖面建模(2)(5)則可能的道路剖面是X

上的某個子區(qū)間，構成可能道路剖面集合第106頁，課件共133頁，創(chuàng)作于2023年2月道路剖面建模(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：第107頁，課件共133頁，創(chuàng)作于2023年2月道路剖面建模(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

是預先設置的閾值。其中，Tw+,Tw-是當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。設置以上參數(shù)的依據(jù)是道路建模的假設條件。如果同時有多個合適剖面，可挑選寬度最接近初始寬度的一個。第108頁，課件共133頁，創(chuàng)作于2023年2月算法流程:以一條道路為例步驟1：設置道路追蹤的起始連線步驟2：起始連線兩側的剖面分析、追蹤得到道路邊界步驟2.1:從起始連線開始，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)），在某個掃描扇面的角度范圍內(nèi)，做若干個追蹤方向上的剖面檢測連線，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蛇節(jié)上的合適剖面，并進行投票登記；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開始追蹤的剖面位置，并登記道路端點信息；步驟2.4:重復子步驟1,2,3,直到本次追蹤結束；

步驟3：結果的矢量化表達第109頁，課件共133頁，創(chuàng)作于2023年2月實例分析：小衛(wèi)星全色影象第110頁，課件共133頁，創(chuàng)作于2023年2月放大的局部第111頁，課件共133頁，創(chuàng)作于2023年2月間斷道路提取第112頁，課件共133頁，創(chuàng)作于2023年2月南京師范大學地理科學學院交叉道路提取第113頁，課件共133頁，創(chuàng)作于2023年2月Quickbird影象道路提取第114頁，課件共133頁，創(chuàng)作于2023年2月115主動輪廓模型研究主動輪廓模型（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)過不斷地演化，運動曲線最終可以將目標分離出來。這樣，在實際應用中結合一定的先驗知識，針對具體的任務，有選擇的利用相關信息，便可以達到更方便、更準確的目的。第115頁，課件共133頁，創(chuàng)作于2023年2月116主動輪廓模型研究主動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：第116頁，課件共133頁，創(chuàng)作于2023年2月117基于Snakes模型的道路位置優(yōu)化技術路線第117頁，課件共133頁，創(chuàng)作于2023年2月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，提取結果更加接近于真實道路。第118頁，課件共133頁，創(chuàng)作于2023年2月119基于Snakes模型的道路位置優(yōu)化城郊道路網(wǎng)提取

道路正確識別率約93.8％，通過Snakes模型的優(yōu)化后，均方根誤差由5.7降低到1.2。第119頁，課件共133頁，創(chuàng)作于2023年2月120基于Snakes模型的道路位置優(yōu)化城市區(qū)域道路網(wǎng)絡提取

在城市區(qū)域，正確識別率下降到68.3%。通過Snakes模型的優(yōu)化后，均方根誤差由5.9降低到1.1。第120頁，課件共133頁，創(chuàng)作于2023年2月121基于Snakes模型的道路位置優(yōu)化河流網(wǎng)絡提取

在算法參數(shù)沒有修改的情況下，方法取得了很好的提取效果，其正確識別率達到了93%，顯示了方法的普適性，通過Snakes模型的優(yōu)化后，均方根誤差由5.2降低到1.1。第121頁，課件共133頁，創(chuàng)作于2023年2月遙感圖像變化檢測遙感圖像變化檢測是利用