遥感数字图像计算机解译.ppt

遥感数字图像计算机解译.ppt

ID:49505952

大小:10.15 MB

页数:44页

时间:2020-02-06

遥感数字图像计算机解译.ppt_第1页
遥感数字图像计算机解译.ppt_第2页
遥感数字图像计算机解译.ppt_第3页
遥感数字图像计算机解译.ppt_第4页
遥感数字图像计算机解译.ppt_第5页
资源描述:

《遥感数字图像计算机解译.ppt》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、遥感系统1)目标物的电磁波特性2)信息的获取(传感器和遥感平台)3)信息的接收4)信息的处理5)信息的应用第六章遥感数字图像计算机解译1I遥感数字图像的性质与特点II遥感数字图像的计算机分类2遥感数字图像的性质与特点遥感数字图像:以数字形式表现的遥感影像。3遥感数字图像的性质与特点遥感数字图像:基本单位为像素(像元),是成像过程的采样点,也是计算机图像处理的最小单元。空间特征属性特征正像素混合像素遥感数字图像的特点:1)便于计算机处理与分析2)图像信息损失低3)抽象性强4遥感数字图像的性质与特点遥感数字图像的类型:1)二值数字图像2)单波段数字图像3)多波段数字

2、图像遥感数字图像的存贮:1)BSQ(Bandsequential)2)BIP(Bandinterleavedbypixel)3)BIL(Bandinterleavedbyline)5遥感数字图像的性质与特点光学影像——遥感数字图像的转化1)空间采样:确定采样间距。对应扫描仪的光学分辨率,如300dpi2)属性量化:8位,24位6I.遥感数字图像的性质与特点II.遥感数字图像的计算机分类遥感图像计算机分类基本目标:将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。7遥感专题信息提取的概念:日本遥感学会:利用图像的光谱信息,空间信息以及多时相信息对目标进行识别

3、并归类,并将可从遥感图像中提取的信息分为五类。遥感数字图像的计算机分类8遥感数字图像的计算机分类计算机分类:是通过模式识别理论,利用计算机将遥感图像自动分成若干地物类别的方法。如土地覆盖/土地利用分类、森林类型分类、植被类型岩性分类、……分类、数据--信息(遥感数据---地物信息)遥感数据包括:1、原始光谱数据;2、光谱变换后数据;3、非遥感数据9遥感数字图像的计算机分类模式(pattern):在多波段图像中,每个象元都具有一组对应取值,称为象元模式特征(feature):在多波段图像中,每个波段都可看作一个变量,称为特征变量。特征变量构成特征空间。波段:光谱波

4、段其它派生波段(纹理、上下文关系、波段比等)辅助数据(ancillarydata)(非遥感数据,如DEM、土壤类型)特征提取(featureextraction):通过变换找出最能反映地物类别差异的特征变量用于分类的过程,也即从遥感图像n个特征中选取k个特征作为分类依据的过程。特征提取要求所选择的特征相对于其他特征更便于有效地分类,使图像分类不必在高维特征空间里进行,其变量的选择需要根据经验和反复的实验来确定。10遥感数字图像的计算机分类遥感图像分类的基本原理:不同的地物具有不同的光谱特征,同类地物具有相同或相似的光谱特征。图像分类:基于数字图像中反映的同类地物

5、的光谱相似性和异类地物的光谱差异性。依据是遥感图像像素的相似度。距离相关系数在遥感图像常用距离和相关系数衡量相似度。11常用的距离和有关统计量欧氏距离:N,波段数;dij第个i像元与第j个像元在N维空间中的距离;xik为第个k波段上第i个像元的灰度值;绝对距离:明斯基距离:欧氏距离和绝对距离可统一表示为:12常用的距离和有关统计量马氏距离(Mahalanobis):相似系数:相关系数:其中,为两个矢量间的夹角13遥感影像的光谱特征统计量像元值--影像中像元的灰度值,反映对应区域的光谱特性灰度均值-反映图像中地物的平均反射强度灰度中值-灰度级中处于中间的值,是灰

6、度级的统计量,而非像元值灰度众数-出现次数最多的像元值,反映分布较广的地物灰度方差-反映信息量大小灰度数值域-灰度值变化范围,信息量大小灰度反差-显示效果和可分辨率14遥感数字图像计算机分类基本过程:1.根据应用目的选取特定区域的遥感数字图像。2.根据研究区域,收集与分析地面参考信息与有关数据。3.根据分类要求和图像数据的特征,选择合适的图像分类方法和算法,确定分类类别。4.找出代表上述类别的统计特征。5.测定总体特征6.对遥感图像中所有像素进行分类。7.分类精度检查8.对判别分析的结果进行统计检验。15遥感数字图像的计算机分类遥感数字图像的分类方法分类(cla

7、ssification)执行方式:监督分类、非监督分类分类模型或分类器:统计分类、模糊分类、邻域分类、神经网络分类等。16分类方法:监督分类(supervisedclassification):通过选择代表各类别的已知样本(训练区)的象元光谱特征,事先取得个类别的参数,确定判别函数,从而进行分类。在监督分类中,先定义信息类,然后检验它们的光谱可分性。遥感数字图像的计算机分类17非监督分类(unsupervisedclassification):根据事先指定的某一准则,而进行计算机自动判别归类,无须人为干预,分类后需确定地面类别主要采用聚类法,使同一类别的像素之间

8、的距离尽可能的小而不同类

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。