第 第 8章 章 遥感图像的计算机解译 遥感图像的计算机解译 z § 8.1 遥感图像的计算机分类 z § 8. 2 遥感图像空间信息的计算机提取 z § 8. 3 遥感图像解译专家系统 z § 8.4 计算机解译的主要技术发展趋势 z 8.1.1 分类的原理和步骤 z 8.1.2 非监督分类 z 8.1.3 监督分类 z 8.1.4 图像分类的有关问题 分类原理 : 在应用遥感技术解决实际问题时常常需要根 据地物的特征进行归类 ,有时还要制成专题图并 量算面积 ,例如土地利用调查、士壤调查等等 , 这一工作称为分类。 目 视判读分类所依据的是影像的色调和几何 特征等解译标志 ,而计算机分类的对象是数字图 像 ,地物的所有特征都是通过数字化 的灰度值反 映出来的 ,因此 , 计算机分类是建立在对图像像 元灰度值的统计、运算、对比和归纳基础上进 行的。 遥感图像计算机分类是基于数字图像中所 反映的同类地物的光谱相似性和异类地物的光 谱差异性进行的。 分类步骤 : (一 一 )分类预处理 分类预处理 (二 二 ) 特征选择 特征选择 (三 三 ) 分类 分类 (四 四 ) 分类后处理 分类后处理 (五 五 ) 专题图制作 专题图制作 8.2.1非监督分类 非监督分类 　 　 1、非监督分类的概念： 、非监督分类的概念： 　　 　　 非监督分类的前提是假定遥感影像上 非监督分类的前提是假定遥感影像上 的 的 同 同 类物体在同样条件下具有相同的光谱信息特征。 类物体在同样条件下具有相同的光谱信息特征。 非监督分类方法不必对影像地物获取先验知识 非监督分类方法不必对影像地物获取先验知识 , 仅依靠影像上不同类地物光谱信息 仅依靠影像上不同类地物光谱信息 (或纹理信息 或纹理信息 ) 进行特征提取 进行特征提取 ,再统计特征的差别来达到分 再统计特征的差别来达到分 类 类 的 的 目的 目的 ,最后对巳分出的各个类别的实际属性进行 最后对巳分出的各个类别的实际属性进行 确认 确认 。 。 2、非监督分类方法： 　　　主要采用聚类分析方法 ,聚类是把一 组像素按照相似性归成若干类别 ,即 “物以 类聚 ”。它的目的是使得属于同一类别的 像素之间的距离尽可能的小而不同类别 上的像素间的距离尽可能的大。其常用 方法如下 : 　 (1) 分级集群法 (Hierarchical Clustering) 　 (2) 动态聚类法 ISODATA方法在动态聚类法中具有代 　表性。 8.2.3 监督分类 1、监督分类的概念： 　　　　首先需要从研究区域选取有代表性的训练场地作为 样本。根据已知训练区提供的样本 ,通过选择特征参数 (如 像素亮度均值、差等 ),建立判别函数 ,据此对样本像元进行 分类 ,依据样本类别的特征来识别非样本像元的归属类别。 监督分类包括利用训练区样本建立判别函数的 “学习 ”过程和 把待分像元代入判别函数进行判别的过程。 ●监督分类对训练场地的选取具有一定要求 : 训练场地所包含的样本在种类上要与待分区域的类别 一致。训练样本应在各类目标地物面积较大的中心选取 , 这样才有代表性。如果采用最大似然法 ,分类要求各变量 正态分布 , 因此训练样本应尽量满足这一要求。 2、监督分类中常用的具体分类方法 : (1) 最小距离分类法 (2) 多级切割分类法 (3) 特征曲线窗口法 (4) 最大似然比分类法 3. 监督分类和非监督分类方法比较 监督分类和非监督分类方法比较 ◆监督分类和非监督分类的 根本区别点在于 是否利用 训练场地来获取先验的类别知识 , 监督分类根据训 练场提供的样本选择特征参数 , 建立判别函数 , 对 待分类点进行分类。因此 , 训练场地选择是监督分 类的关键。由于训练场地要求有 代 表 性 , 训练样本 的选择要考虑到地物光谱特征 , 样本数目要能满足 分类的要求 , 有时这些还不易做到 , 这是监督分类 不足之处。 ◆ 相 比之下 , 非监督分类不需要更多的先验知识 , 它根据地物的光谱统计特性 进行分类。因此 , 非 监督分类方法简单 , 且分类具有一定的精度。 8.1.4 图像分类的有关问题 图像分类的有关问题 　 1）未充分利用遥感图像提供的多种信息 　 2）提高遥感图像分类精度受到限制 　　◆大气状况的影响 　　◆下垫面的影响 　　◆其他因素的影响 遥感实例 遥感在 遥感在 土地利用 土地利用 /土地覆盖中的应用 土地覆盖中的应用 土地利用和土地覆盖 土地利用和土地覆盖 z 土地利用 是人类在生产活动中为达到一定的经 济效益、社会效益和生态效益，对土地资源的 开发、经营、使用方式的总称。 z 土地覆盖 的定义有： z 1)“国际地圈与生物圈计划 ”（ IGBP）和 “全球环 境变化人文计划 ”（ HDP）： 地球陆地表层和近 地面层的自然状态，是自然过程和人类活动共 同作用的结果。 z 2)美国 “全球环境变化委员会 ”（ USSGCR）： 覆盖着地球表面的植被及其它特质。 概念（续） 概念（续） z 从两者的定义可以看出，土地利用和土 地覆盖既有一定的联系又有差别。土地 利用重点是表示与土地相结合的人类活 动而产生的不同利用方式。土地覆盖主 要是表示地球表面存在的不同类型的覆 盖特征，强调的是土地的表面形状 。 概念（续） 概念（续） z 我国土地利用分类的目的是查清各县各种土地 分类的面积、分布和利用状况，为国家制定国 民经济计划，农业区划和规划，指导农业生产 和服务与土地统计登记制度等管理工作。因此 土地利用分类的主要依据是土地用途、土地经 营方式、土地利用方式和土地覆盖特征等。土 地覆盖只是土地利用分类的一个依据，但遥感 图像最能够直接反映的是土地覆盖。 z 大多数遥感土地应用使用土地覆盖 /利用的概念 。 分类标准 分类标准 z 全国土地遥感动态监测的分类标准。该 标准基本遵循了全国农业区划委员会 1984年颁发的《土地利用现状调查规程》 的分类体系，并考虑遥感图像自身的特 点。土地覆盖 /利用类别分类定为以下 8大 类 49二级类别（表）。编码在矢量图形 中为多边形的属性码，在栅格图像上为 栅格值。 分类标准（续） 分类标准（续） 示例－福建土地利用动态监测 示例－福建土地利用动态监测 数 数 据 据 z 福州市 z 遥感影像： 1990年， 1996年， 4景 LANDSAT-TM z 土地利用图：长乐县 1993年， 1： 10万 z 1： 10万， 1： 5万地形图 z 农历、耕作、农事、等文字资料 光谱分析 光谱分析 福州市主要地物光谱曲线 0 50 100 150 200 250 123457 波段 灰度 城市 村庄 建设中 耕地（有作物） 耕地（无作物） 园林地 荒地 河流 浅海 深海 配 准 时相① TM 影像 地理辅 助数据 时相② TM 影 像 波段分析 假彩色合成 训练区选择 样本分析与校正 最大似然方法 分类结果（Ｉ 90 和 Ｉ 97 ） 行政界线清绘 扫描或数字化 矢量图形属性 投影变换 高斯克吕格 投影 地图代数计算动态变化图象（ dI） dI 和 V 配准 迭 加 初始动态图统计数据 人机交互目视纠正 变化信息提取 变化信息提取 变化信息提取（续） 变化信息提取（续） 时相① 遥感影 像 时相② 遥感影 像 配　准 裁　剪 和 高 克投 影配 准 主成分 分析 法 分析图 像特 征选 择反 映变化 信 息 明 显 的 分 量 分　类 初始动 态分 类（ 有变 化） 确 定 动 态 变 化 的 具 体 内 容 （由什 么变 成什 么） 初始动 态变 化图 详 查 图 数 字 化 形 式 配　准 迭 加 变化信息提取（续） 变化信息提取（续） z 动态信息分类法 z 三种变化信息提取的评述： 动态信息提取 动态信息提取 z 利用公式 z B1*10+B2 z 计算得到一幅新的图像，例如某点像元 在 90年为耕地（灰度值为 3）， 97年变为 居民地（灰度值为 0），则动态图像上该 像元的灰度值为 30，表示耕地变为居民 地。 成果图件制作和整饰 成果图件制作和整饰 初始动 态变 化图 象 ≥５个 像元 编码 野外实 证， 记 录标 注各 图 斑 变更 情况 表格 修正的 动 态 图 矢量境 界 图 真彩 色合 成 图框 公里网 格 指北针 图例 排版 整 饰 正式结 果分析报 告 正式表 格 提 交 最 终 结 果 迭加 精度检验方法 精度检验方法 z 鉴于混淆矩阵成为评价遥感图像分类结果的标准 方 法，拟根据实地对变化图斑的考察记录，选取不 少 于考察图斑 60%的图斑，对比遥感得到的结果，形 成混淆矩阵，进行精度评价。 z 利用混淆矩阵进行精度评价时，偶然的一致往往 会 发生。而总体精度并不能排除这种偶然一致性。 因 此在混淆矩阵基础 上， 加上 kappa统计来进行精度 评价。 z Kappa统计的意义是：如果 Kappa统计为 0.7，则表 示所用的分类方法比随机赋予各点某一类别的方 法 优越 70%。 精度检验方法 精度检验方法 （续） （续） z 因为变化精度与图斑的大小有关，一般 而言图斑越大，精度越高，反则反之。 按图斑的大小进行分级，不同级别图斑 精度要求不同。 z 在经费允许的情况下，使用 GPS将实地 考察的变化图斑输入计算机中，进行精 度检验。 分类结果 分类结果 动态结果 动态结果 结果 结果 1 结 结 果 果 2 3 提高分类精度的方法改进 提高分类精度的方法改进 z 由于遥感信息存在固有的 “同物异谱，异物 同谱 ”，严重制约了基于光谱特征的统计分 类精度的提高。 z 而遥感专题分类的精度决定了遥 感信息的实 际应用价值。 z 增加遥感图像的分类精度作出了 大量的工作。 大致可以分为以下几类： z 3 提高分类精度的方法改进 提高分类精度的方法改进 ? 3.1 传统方法的改进 传统方法的改进 ? 3.2 分层分区 ? 3.3 图像空间信息分类 ? 3.4 多源辅助数据综合分类 3.1 传统最大似然法的改进 传统最大似然法的改进 z Fabio Maselli等认为传统遥感分类往往得不到 满意的结果，部分原因是算法内在的缺陷。基 于多维正态分布假设的最大似然法，统计上稳 定而强健，但是缺乏灵活性，在复杂或非均质 的情况下，这一假设往往难以满足而不能得到 正确的面积估计。从而根据无参数方法，从图 像灰度直方图中抽取先验概率，加入到 MLC 中，使分类结果明显改善（ kappa 0.3749- 0.5860）。 3.1 传统最大似然法的改进 传统最大似然法的改进 （续） （续） z C.Conese等（ 1993）认为经过主成分分析 的第一主分量包含了亮度信息，和地形的 影响密切相关，通过对图像训练样本进行 主成分分析，去除第一分量的影响来修订 最大似然分类法，以减少地形的影响。这 一修订的方法在进行地形破碎的地区分类 时改善了分类的精度。 提高分类精度的方法改进 提高分类精度的方法改进 ? 3.1 传统方法的改进 ? 3.2 分层分区 分层分区 ? 3.3 图像空间信息分类 ? 3.4 多源辅助数据综合分类 3.2 分层分区 分层分区 z 分层分区则在对不同的类别利用不同的信息子 集。 z 在山区植被分类中对图像进行四叉树分割，利 用距离判据来决定是否需要更多的信息参与分 类。这样每一步尽可能少地利用信息，只有当 判断模糊时，才询问辅助信息，以降低时间开 销。但基于四叉树的图像分割不具有地理学意 义，当图像中方格状图斑多时，效率较高；如 果地物复杂，四叉树划分的效率不高。 3.2 分层分区（续） 分层分区（续） z 在研究草场植被类 型分类中，鉴于单纯的监督 分类不能有效的区 分不同景观单元的草场植被 类型，采用了先对 图像按照地貌类型分区在在 各个分区上分别进行监督分类。 z 在使用多景 TM图像进行流域范围尺度上地形 覆盖类型分类时， 在图像镶嵌后，将图像分为 三个生态区，进行 分类，克服了单景分类不具 有任何生态学意义的缺点。 3.2 分层分区（续） 分层分区（续） z Loveland（ 1991）在利用 NOAA/AVHRR图像 进行 美国土地利用分类制图时，先根据 GIS数 据库中气候、植被、环境等数据将全国划分为 几个小的区域，然后再对各个小的区域进行非 监督分类，减少了误分的像元数。 z Jesus S.M.A等（ 1997）利用 TM和 SPOT图像 派生出比值图像主成分分析图像等，对于各种 图像组合进行了比较研究，肯定了分层分区的 优点 。 3 提高分类精度的方法改进 提高分类精度的方法改进 ? 3.1 传统方法的改进 ? 3.2 分层分区 ? 3.3 图像空间信息分类 图像空间信息分类 ? 3.4 多源辅助数据综合分类 3.3 图像空间信息的分类 图像空间信息的分类 z 遥感信息综合了地物种类、组成、坡度、坡向、 阴影、太阳高度角等信息，而传统的统计分类 仅仅使用了图像的单像元的光谱特性，忽略了 像元之间的相互空间关系。 z 仅仅依赖于光谱信息的分类结果在实际应用中 是不成功的。 z 遥感图像的空间信息在区分地物时具有非常重 要的作用，是目视解译的重要解译标志之一。 将图像空间信息用于计算机自动分类是自然而 然的想法。 3.3 图像空间信息的分类（续） 图像空间信息的分类（续） z 早在 1980年， Switzer将邻域像元的平均值 输入到最大似然法中，是计算机图像分类 运用空间信息的开始。 z 纹理（Texture）是灰度在平面空间上的 变化，是遥感信息的重要内容。 z 要利用图像空间信息提高分类精度，合理 而有效地度量纹理至关重要。 3.3 图像空间信息的分类（续） 图像空间信息的分类（续） z 图像纹理的表示方法分为两类， z 一是结构方法，表示基本原始模式在空间的重复， 如砖墙。结构方式中排列的方式描述十分复杂。 z 二是统计方法。由于地物的组成、空间分布的复 杂性和多样性，反映在遥感图像上的千差万别的 纹理不会象砖墙那样有规则不变的局部模式和简 单的周期性的重复。遥感图像的纹理特征和重复 性往往只具有统计学上的意义。因此统计纹理分 析方法是遥感图像纹理分析的主要方法 3.3 图像空间信息的分类（续） 图像空间信息的分类（续） z 无论 从历 史发 展还 是从当前进展来看，统计的 方法仍然占主导地位（王润生， 1995）。统计 方法 又分 为空 间域 和频率域方法。空间域方法 基于 统计 图像 像元 灰度级的分布情况，如利用 直方 图。 频率 域方 法首先将图像变换到傅立叶 变换 的频 率域 中， 然后抽取相应的特征量，做 高频 或低 频的 压缩 或扩展后，再变换回空间域 处理 纹理 。频 率域 方法是遥感光学图像处理中 常采用的纹理分析方法。 3.3 图像空间信息的分类（续 图像空间信息的分类（续 ） ） z 图像模式识别领域对纹理的研究和应用 比较深入，描述纹理的方法归纳起来主 要有： z 共生矩阵， z 纹理能量测量， z Markov随机场模型， z 分形布朗模型等。 3.3 图像空间信息的分类（续） 图像空间信息的分类（续） z 纹理是图像处理相关领域的表达图像空间 信息的一个 重要度量，遥感应用中更多地使用结构（也 称上下文 ， context） 。研究人员根据其应用目的 ，提出了一些 用于图像分类的结构方法。 z 出现频率 。出现频率 F(i,j,v)定义为灰度值为 v的像元 在以 i,j为中心。边长为 l的窗口内出现的频率。对单 波段来讲， v是一个值，多波段时 v为向量。由图像生 成出现频率表，表项的数目跟灰度级 (n)和波段数 (m) 有关，最大数目为 n m 。出现频率表较空间统计度量 具有两个优点。一是比任何一个空间域度量要包含更 多的信息。事实上常用的空间域度量可以从出现频率 中直接求出。二是出现频率表可以快速地生成，无须 占据硬盘空间。 3.3 图像空间信息的分类（续） 图像空间信息的分类（续） z C. Ricotta等（ 1996）在进行森林研究时， 对 NDVI图像使用了计算简洁的纹理绝对 差值算法来利用空间信息。应用表明纹 理差值在对于植被和非植被类型的区分 时，能够抓住两者之间纹理特征的本质。 z 显然本文研究的类别只有两种，是否对 更细类别分类时同样实用，需要实验。 3.3 图像空间信息的分类（续） 图像空间信息的分类（续） －评论 －评论 z 空间信息的使用主要通过 “窗口 ”来进行的。窗 口过大，将别的类别纳入，往往产生误差边缘； 窗口过小，常常引入不相关或相关小的像元， 产生不可靠的纹理，并引入随机纹理。 z 纹理在图像分类的作用严重受到 “窗口 ”的影响， 对于分类的精度提高不是简单的提高。 z 由于缺乏对遥感图像纹理机理的深刻认识，成 功的机遇并不很大，带有一定的随即性、偶然 性和片面性。 3.3 图像空间信息的分类（续） 图像空间信息的分类（续） －评论 －评论 z 要真正地利用遥感图像的空间信息，还 必须模拟目视解译过程，把判读人员的 经验加入到影响分类过程中，建立基于 知识的纹理和线形特征识别以及邻域分 析方法（ Argials D. P等， 1990）。 Paul (1997)在这方面做了探讨，初步显示了基 于知识的图像空间信息方法在提高分类 精度的潜力。 3 提高分类精度的方法改进 提高分类精度的方法改进 ? 3.1 传统方法的改进 ? 3.2 分层分区 ? 3.3 图像空间信息分类 ? 3.4 多源辅助数据综合分类 多源辅助数据综合分类 3.4 多源辅助数据综合分类 多源辅助数据综合分类 z 遥感图像信息的原型自然环境的综合体是 非常复 杂的。遥感获得的信息并非是自然综合体 信息的 全部，而是自然综合体历史演进过程中瞬 时的、 能够在二维平面上表现的那一部分。 z 这就决定了遥感信息的单纯数学、物理处 理结果 具有不确定性或多解性。为了提高遥感专 题信息 识别结果的正确性和可靠性，必须将遥感 未带回 的信息补充进去，即加入地学相关信息。 z 然而遥感信息是主要的，地理相关信息是 辅助性 的。 3.4.1 辅助数据的类型 辅助数据的类型 z ①地形图及其它等值线图。由地形图得 到数字地面模型（ DTM），再由 DTM计 算出绝对高程、相对高程、坡度和坡向。 这些信息是遥感图像辅助信息的最常用 的。其他的如降雨等值线图、温度等值 线图等，可以采用类似 DTM的处理方法 。 3.4.1 辅助数据的类型 辅助数据的类型 （续） （续） z ② 专题地图。专题地图是指与某一具体 专题研究有关的图件。如土地利用现状 图、土壤分布图、植被类型分布图、地 质图、地貌图等。从专题图上可以提取 过去某一时期相应专题的空间分布规律。 z ③其他非图像图形数据，包括点状实际 测量数据、坐标曲线、表格、文字记录 等。 3.4.2 多源辅助数据的处理方法 多源辅助数据的处理方法 －传统统计 －传统统计 z 一是根据辅助数据推出各个类别的先验概 率，然后应用于最大似然分类中，这样无 需辅助数据和遥感图像的几何配准，操作 比较简单易行，但对辅助数据的应用不够 充分。辅助数据得到先验概率，并不总是 提高分类的精度，有时反而会降低分类的 精度，因为它增加了赋予先验概率类别分 错的机会 。 3.4.2 多源辅助数据的处理方法－传 多源辅助数据的处理方法－传 统统计（续） 统统计（续） z 另一种是对辅助数据和遥感图像进行几何配 准，将辅助数据转换为图像，然后将该图像 作为输入图像向量的一个分量图像，进行常 规的图像分类（主要是最大似然法）。 z 这一方法忽略了数据的分布特点，图像数据 一般而言，满足正态分布的前提，但辅助数 据的分布常常不能满足，因此分类的精度很 大程度上取决于假设条件的满足程度。 3.4.3 多源辅助数据的处理 多源辅助数据的处理 方法 方法 ——神经网络分类方法 神经网络分类方法 3.4.4基于规则的遥感图像解译 基于规则的遥感图像解译 系统 系统 在遥感图像分类方面，人们试图以目 视解译为样板，模拟专家目视解译的过程， 建立遥感图像解译专家系统，实现遥感图像 自动判读。目前遥感图像解译专家系统的研 究成为遥感图像解译的一个主要研究趋势。 1) 规则表示 2) 硬分类和软分类 3) 不确定推理 1) 规则表示 规则表示 z 产生式规则表示知识。形式为： IF（条件） THEN（结论） z 在这个条件和结论的二元组，通 过推理的结 论是二值的，非此即彼。以后引 入了不确定 的推理，由条件推出的结论有一 个确定性程 度，规则的形式为 IF（条件） THEN（结论） CF（确定性因子） 其中 CF为实数，其值域在不同的研究中有 所不同，一般为 [0， 1]或者 [-1， 1]。 1) 规则表示（续） 规则表示（续） z 规则由 z 事实部分（ H） 和 z 类别部分（ A） 以及 z 确定性因子 CF[A， H]组成。 z 其中确定性因子 CF[A， H]的设计与不确定 推理方法有关。在 Shortlife设计的 EMICIN 医疗专家系统中，使用的不确定性规则模 型效果很好，后为很多系统所采用。 2） ） 硬分类和软分类 硬分类和软分类 z 对光谱分类的数理模型主要有三种：传统统计 分类、模糊分类和神经网络分类。 z 这几种数理模型在确定分类结果时的思路是一 致的，像元的类别取判据（似然度、隶书度等） 的最大值对应的类别。这种将每一个像元只能 赋以唯一的类别的分类，为硬分类（ Crisp Classification）。 z 与硬分类相对应，每一个像元有可能赋以多类 别的分类为软分类（ Soft Classification）。 3） ） 推理过程 推理过程 z Step1：根据光谱软分类结果，确定使用 规则和辅助信息进行推理的像元。 z GIS中辅助信息和规则引入目的是提高遥 感图像专题分类的精度。在使用规则使 可以采用两种策略： z ①对整个图像进行逐个像元的推理； z ②只对图像中部分难以用光谱分类的像 元使用规则。 3） ） 推理过程（续） 推理过程（续） z Step2：读入辅助数据作为事实 z Step3：读入待定像元的辅助数据，在规则库中搜索 所有条件部分与该像元辅助数据相匹配的规 则 ， 规 则结论作为目标（ TARGET） 。 如果同一类型辅助 数据与规则条件部分的匹配，进行最小距离 优 先 原 则，选择条件与事实最为接近的规则，最终 形 成 该 像元属于某类的规则集合，如有规则 z ① IF 高度 > 30 THEN 林地 0.4 z ② IF 高度 > 60 THEN 林地 0.5 z 若当前像元的高度为 70，由于 70-60<70-30，选择规 则②。 8.2　遥感图像空间信息的计算 　遥感图像空间信息的计算 机提取 机提取 z8.2.1　图像空间特征与空间关系 z8.2.2　空间信息的提取与识别 8.3　遥感图像解译专家系统 　遥感图像解译专家系统 z 8.3.1　遥感图像解译专家系统的组成 z 8.3.2 　图像处理与特征提取子系统 z 8.3.3 　遥感图像解译知识获取子系统 z 8.3.4 　遥感图像解译专家系统的机理