第三章遥感图像解译.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,第三章 遥感图像解译,第一节 遥感图像解译,遥感提供的是一种综合信息，不仅表现在它反映的地学要素,-,地质、地貌、水文、土壤、植被、社会生态等的综合，是由相互关联的自然及社会现象所构成的。它是不同空间分辨率、波普分辨率和时间分辨率的遥感信息的综合。,遥感图像解译是通过遥感图像所提供的各种识别目标的特征信息进行分析、推理与判断，最终达到识别目标或现象的目的。,2,地学环境,遥感信息,地物信息,图像处理人员的认识,图像处理符号表示语义生成,图像数据库,地学信息处理人员的认识,应用模型地物识别地学分析,数据获取,地物信息和知识,3,遥感图像解译,地物信息的传递是从数据获取开始的，数据获取实质上是由传感器代替人直接观测地学环境，通常情况下是围绕某项任务，有计划、有目的的开展的。,地物,影像,几何信息,辐射信息,地物几何位置,地物属性,地物数量指标,模型重建,几何测量,影像识别,定量分析,4,遥感图像解译的对象主要是各类地物或地学现象，在解译时一般会有相关的专业人员的配合，但作为解译者若想得到比较满意的结果，相关的地学知识在解译时应或多或少知道一些。例如，解译与地质构造有关的空间对象，类似下图的知识需要知道。,线性构造,弧型构造,环型构造,地学的应用,5,物候学的应用,物候是比较特殊的地学现象，与时间和空间都有关系，并具有周期性。在解译与生命现象有关的物体如植物、动物时，对物候的了解程度可能决定解译工作的好坏。例如，华中地区的遥感植被调查就需要知道如下几个关键时段：,4,月份，展叶期,5,月份，开花期,78,月份，茂盛期,1011,月份 果熟期，叶变色期,6,生物学知识的应用,农业、林业、海洋及生态调查都与生物有关。在遥感信息中，如植被指数、热惯量等都会应用到生物学知识。其中，植被指数就是通过比较分析叶绿素与光谱反射率之间的关系得出的概念。,7,遥感解译的任务,按应用领域，遥感解译的目的可分为普通地学解译和专业解译。,普通地学解译是为了取得一定地球圈层范围内的综合性信息，常见的是地理基础信息（居民地、道路、水系、独立地物、植被等）解译和景观解译。,专业解译主要是为了解决各部门的任务，用于提取特定的要素或概念的信息，包括地质、林业、农业和军事。,8,大家有疑问的，可以询问和交流,可以互相讨论下，但要小声点,9,遥感解译的分类,一般分为两种：,目视解译，由专业人员通过直接观察或借助判读仪器在遥感图像上获取特定目标地物信息。,计算机解译，以计算机系统为支撑环境，利用模式识别技术和人工智能技术，根据遥感图像中目标地物的各种影像特征（颜色、形状、纹理与空间位置），结合专家知识库中对目标地物的解译经验和规律等进行分析和推理，实现对遥感图像的理解。,10,11,12,目视解译,1.,图像注记,2.,解译原理与方法,3.,目视解译,3.1,水体,3.2,城市,3.3,火山,3.4,土地利用,/,覆盖,3.5,自然灾害,3.6,水文,3.7,考古,3.8,地质,3.9,地貌,13,Landsat,图像注记,符号,1,）重叠符号 图像四角的“”号，影像套准用,2,）图像中心 对角线的交点。,3,）航线重叠 “,T”,和“”表示航向承担。,4,）经纬度注记,E:,东经；,N:,北纬,5,）灰标,1,级为白色，,15,为黑色。,14,15,16,17,图像编号：轨道号行号（,Path+Row,）,轨道号,:,卫星运行的轨道系列号，由东向西。,行号：由北向南，,N80,o,为起点。,北京幅图像编号：,133,32,，第,133,号轨道,32,景覆盖北京。,陆地卫星图像编号,18,19,A global notation system called the Worldwide Reference System,20,Landsat 4,，,5,，,7,：,从东到西,233,圈，依次编,233,个轨道号。从东向西，编号,001 233.Path 001,于西经,64.6,度穿过赤道。,同一轨每景的间隔约,23.92,秒，共,248,景。,Row 60 coincides with the equator during the descending node on the,dayside part,of the orbit and Row 184 during the ascending node.,北纬,80,度,47,分，,Row 001,，南纬,81,度,51,分，,Row 122,；,21,SPOT,卫星坐标网格参考系统,Grid Reference System(GRS),，来确定每一个影像的地理位置，由列号,K,和行号,J,标识影像的中心位置。,K,为,1,至,738,的整数；,J,为从北纬,71.7,至南纬,71.7,之间的,200,至,500,的整数。,N:,由西向东，从,1,至,369,的参考轨道号；,R:,在,26,天内飞经不同轨道的顺序号。,影像,1,：,K280,J270;,影像,2,：,K279,J270,22,SPOT,卫星坐标网格参考系统,SPOT,可以观测到南、北纬,87,的范围。,GRS,以赤道为分界，对称地把地球分为,5,个区,从北纬,51.5,到南纬,51.5,是中心区,.,从北纬或者南纬,51.5,延伸到,71.7,度是一个区,北极圈和南极圈区域是从,71.7,度到极点。,除了两极区域，列,K,平行于卫星轨道，行,J,平行于纬线。,两极地区，与轨道无关。,23,解译原理与方法,1.,影像选择,分辨率：,空间分辨率；时间分辨率；光谱分辨率,季相影响：,植被差异；太阳高度角；水分影响,图像显示,真彩色合成；假彩色合成,24,各种遥感目的对空间分辨率的要求,1,）巨型地物与现象：要求的图像空间分辨率低，但涉及的范围很广，通常会牵扯到多个国家，有些会是世界范围的。,地壳,10km,；成矿带,2km,大陆架,2km,；洋流,5km,自然地带,2km,；生长季节,2km,25,中国自然地带,26,2,）大型地物与现象,主要用于较大范围的区域调查。,地热资源：,1km,冰与雪：,1km,大气：,1km,土壤水分：,150m,海洋资源：,100m,环境质量评价：,100m,区域覆盖类型：,400m,沙尘暴监测：,400m,27,28,3,）中型地物与现象,与人们生产、生活比较密切，特别是与各种资源调查关系密切，因而对图像空间分辨率要求也较高。,作物估产：,50m,植物群落：,50m,洪水灾害：,50m,水库监测：,50m,污染监测：,50m,森林火灾监测：,50m,港湾悬浮物调查：,50m,29,主要耕地分类,30,4,）小型地物与现象,涉及各种人工地物或较小的人类活动区域，对图像分辨率要求很高。,交通设施：,1m,建筑物：,1m,道路：,1m,污染物识别：,10m,31,分辨率选择,32,2.,季相影响,1,）植被差异,冬季成像有利于突出地表信息；夏季有利植被解译。,2,）太阳高度角,冬季太阳高度低，物体阴影长，辐射强度低，地物形态信息丰富。,夏季太阳高度高，阴影短，有利地物光谱特征的反映。,3,）水分影响,33,3.,图像显示,黑白影像（全色）,真彩色（天然彩色）：影像上地物的颜色是地物天然色彩的再现。如,RGB:TM3,2,1,。,标准假彩色（彩色红外）,false color,：与地物的天然色相比，都向短波方向移动了一个色向。如,RGB:TM4,3,2,。地物反差增大有利于解译。,伪彩色（,Pseudo color,）,:1,张黑白图像的灰阶分为若干等级，在每个等级上赋予颜色，就成为最简单的伪彩色。,34,黑白影像,IKONOS_Pan(1m),35,真彩色,RGB(3,2,1),36,标准假彩色,RGB(4,3,2),37,伪色彩表示的,DEM,38,目视解译的方法和步骤,先图外后图内,先整体后局部,先宏观后微观,从已知到未知,39,目视解译要素,40,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,IKONOS,的样本,1-3:new residential,4-9:old residential,10-12:downtown commercial,13-15:suburban shopping mall,16-18:industrial,19-21:institutional,22-24:golf course,25-27:forest,28-30:corn field,31-33:bean field,34-36:harvested field,41,目视解译的判读,1.,水体,在标准假彩色图像上，深而清澈的水体层黑或蓝黑色；水浅者多为浅蓝色；含泥沙者颜色更浅，含沙量过高则呈乳白色；有水生植物者呈红色斑点。,水系,树枝状水系主要分布在冲积平原、侵蚀平原等基岩软弱地区。,放射状水系主要分布在火山，孤山或穹形隆起地区。,42,2.,植被,植被色调随其品种、环境和成像波段而变。,在,Landsat4,5,波段植被呈深色调，在,6,，,7,波段为浅色调，阔叶林比针叶林色调浅。,在标准假彩色图像，植被为红色，幼嫩植被带粉红色，成熟时是鲜红色，受虫灾时呈暗红色。,阔叶林比针叶林更鲜红，灌丛颜色较浅，水稻呈暗红色。,目视解译的判读,43,3.,城镇和铁路,城镇的光谱特征是各类建筑物与周围裸地的综合反映，当面积较大或与周围环境的光谱特征有显著差异时，可从影像上识别。,在多波段黑白图像上，城镇多呈深暗色调；,在标准假彩色图像上，中心色调深暗、边缘略浅的灰蓝或蓝灰色。,由于铁路路基材料与周围土地的光谱差异较大，其因地基有较宽阴影，在卫星图像上呈色调深暗，较为清晰地线状影像。,目视解译的判读,44,假彩色合成,45,红外遥感图像,1,）红外图像物体色调特征,色调差别反映地物辐射温度的差别。红外图像上灰度反映的不是地物对可见光的反射程度，而是其辐射温度。,2,）红外图像物体形态特征,与可见光相比，地物冷暖信息构成的模糊轮廓。红外图像可用于对物体解译，不能用于对物体制图。,46,ETM+Thermal band in 1999,水陆差异,47,城市热岛,119/39,98-8-11,120/38,97-9-21,48,3.1,水体解译,49,咸海的变化：,30,年间，多于,60%,的水面消失了。,Landsat,影像,（,19732000,年）,50,3.2,城市解译,Baltimore,MD,April 4,2000,巴尔的摩是马里兰最大的城市，同时也是美国最繁忙的港口。,51,第二节 遥感图像分类,2.1,概述,2.2,遥感影像分类基本原理,2.3,遥感影像分类方法,2.4,分类后处理,2.5,影像解译专家系统,52,2.1,概述,遥感影像计算机分类以遥感数字影像为研究对象，在计算机系统支持下，综合运用地学分析、遥感影像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感影像发展为计算机支持下的遥感影像理解。,53,2.1,概述,1,计算机遥感影像分类的概念,计算机遥感影像分类是统计模式识别技术在遥感领域中的具体应用。统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定准则作出决策，从而对数字影像予以识别。,遥感影像分类的主要依据是地物的光谱特征和空间特征。遥感影像中的同类地物在相同的条件下（纹理、地形、光照以及植被覆盖等等），应具有相同或相似的光谱特征和空间特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域。,54,2.1,概述,分类是对影像上每个像素按照亮度接近程度给出对应类别，以达到大致区分遥感影像中多种地物的目的。,遥感影像分类是将影像的所有像元按其性质分为若干个类别的技术过程,（朱述龙等，遥感图象获取与分析）。性质指地物光谱特征和空间特征。,55,2.1,概述,2,计算机分类遇到的困难,（,1,）遥感影像是从遥远的高空成像的，成像过程要受传感器、大气条件、太阳位置等多种因素的影响。影像中所提供的目标地物信息不仅不完全，而且或多或少地带有噪声，因此人们需要从不完全的信息中尽可能精确地提取出地表场景中感兴趣的目标物。,56,（,2,）遥感影像信息量丰富，与一般的影像相比，其包含的内容远比普通的影像多，因而内容非常“拥挤”。不同地物间信息的相互影响与干扰使得要提取出感兴趣的目标变得非常困难。,（,3,）遥感影像的地域性、季节性和不同成像方式更增加了计算机对遥感数字影像进行解译,2.1,概述,57,3.,计算机分类发展的前景,由于利用遥感影像可以客观、真实和快速地获取地球表层信息，这些现势性很强的遥感数据在自然资源调查与评价、环境监测、自然灾害评估与军事侦察上具有广泛应用前景。因此，,利用计算机进行遥感影像智能化解译，快速获取地表不同专题信息，并利用这些专题信息迅速地更新地理数据库，,这是实现遥感影像自动理解的基础研究之一，也是地理信息系统中数据采集自动化研究的一个方向，因此具有重要的理论意义和应用前景。,2.1,概述,58,2.2,计算机遥感影像分类的原理,分类过程中采用的统计特征变量包括：全局统计特征变量和局部统计特征变量。,全局统计特征变量,是将整个数字影像作为研究对象，从整个影像中获取或进行变换处理后获取变量，前者如地物的光谱特征，后者如对,TM,的,6,个波段数据进行,K,T,变换（缨帽变换）获得的亮度特征，利用这两个变量就可以对遥感影像进行植被分类。,局部统计特征变量,是将数字影像分割成不同识别单元，在各个单元内分别抽取的统计特征变量。例如，纹理是在某一影像的部分区域中，以近乎周期性或周期性的种类、方式重复其自身局部基本模式的单元，因此可以利用矩阵作为特征对纹理进行识别。,59,在很多情况下，利用少量特征就可以进行遥感影像的地学专题分类，因此需要从遥感影像,n,个特征中选取,k,个特征作为分类依据，我们把从,n,个特征中选取,k,个更有效特征的过程称为,特征提取,。,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，使影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。,2.2,计算机遥感影像分类的原理,60,遥感影像计算机分类的依据是遥感影像像素的相似度。相似度是两类模式之间的相似程度。在遥感影像分类过程中，常使用距离和相关系数来衡量相似度。,距离,:,特征空间中象元数据和分类类别特征的相似程度。距离最小即相似程度最大。,度量特征空间中的距离经常采用以下几种算法,:,绝对值距离,欧氏距离,2.2,计算机遥感影像分类的原理,x,为像元数据矢量,类别,k,的平均值矢量,61,2.2,计算机遥感影像分类的原理,绝对值距离,欧氏距离,62,马氏距离（,Mahalanobis,，既考虑离散度，也考虑各轴间的总体分布相关,),混合距离（像元,i,到第,g,类类均值的距离）,为,g,类,k,变量的均值,m,表示,g,类的像元数,63,马氏距离是,X,到类重心之间的加权距离，其权系数为协方差。,64,相关系数,是指像素间的关联程度。采用相关系数衡量相似度时，相关程度越大，相似度越大。两个像素之间的相关系数,r,ij,可以定义为：,65,2.,计算机遥感分类过程,1,）首先明确遥感影像分类的目的及其需要解决的问题，在此基础上根据应用目的选取特定区域的遥感数字影像，影像选取时应考虑影像的空间分辨率、,光谱分辨率、成像时间、影像质量等。,（,2,）根据研究区域，收集与分析地面参考信息与有关数据。为提高计算机分类的精度，需要对数字影像进行辐射校正和几何纠正（这部分工作也可能由提供数字影像的卫星地面站完成）。,66,（,3,）对影像分类方法进行比较研究，掌握各种分类方法的优缺点，然后根据分类要求和影像数据的特征，选择合适的影像分类方法和算法。根据应用目的及影像数据的特征制定分类系统，确定分类类别，也可通过监督分类方法，从训练数据中提取影像数据特征，在分类过程中确定分类类别。,（,4,）找出代表这些类别的统计特征。,（,5,）为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。在无监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。,67,（,6,）对遥感影像中各像素进行分类。包括对每个像素进行分类和对预先分割均匀的区域进行分类。,（,7,）分类精度检查。在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料、专题图进行核查。,（,8,）对判别分析的结果统计检验。,68,2.3,分类方法,根据分类过程中人工参与程度分为监督和非监督分类分类方法包括监督分类、非监督分类、混合分类。监督和非监督是最常用的两种常规分类方法。,非监督分类,：在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法。,根据图像统计本身的统计特点及点群的分布情况，从纯统计学的角度进行类别划分。,69,监督分类方法,（又称训练分类法）：首先需要从研究区域选取有代表性的训练区作为样本。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、方差等），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。简单说，用被确定类别的样本像元去识别其他未知类别像元的过程。,70,监督分类：最小距离法、特征曲线窗口法、最大似然法,非监督分类：多级集群法、,K-,均值法、动态聚类法（,ISODATA,）、等,71,监督分类,1.,最小距离法,是用特征空间中的距离表示像元数据和分类类别特征的相似程度，在距离最小时（相似度最大）的类别上对像元数据进行分类的方法。,包括：,最小距离判别法,最近邻域分类法,72,最小距离判别法,这种方法要求对遥感影像中每一个类别选一个具有代表意义的统计特征量（均值），首先计算待分像元与已知类别之间的距离，然后将其归属于距离最小的一类。,最近邻域分类法,这种方法是上述方法在多波段遥感影像分类中的推广。在多波段遥感影像分类中，每一类别具有多个统计特征量。最近邻域分类法首先计算待分像元到每一类中每一个统计特征量间的距离，这样，该像元到每一类都有几个距离值，取其中最小的一个距离作为该像元到该类别的距离，最后比较该待分像元到所有类别间的距离，将其归属于距离最小的一类。,73,最小距离分类法原理简单，分类精度不高，但计算速度快，可以在快速浏览分类概况中使用。,74,2.,多级切割法,是根据设定在各轴上的值域分割多维特征空间的分类方法。,这种方法要求通过选取训练区，详细了解分类类别（总体）的特征，并以较高的精度设定每个分类类别的光谱特征上限值和下限值，以便构成特征子空间。对于一个未知类别的像素来说，它的分类取决于它落入哪个类别特征子空间中。如落入某个特征子空间中，则属于该类，如落入所有特征子空间之外，则属于未知类型，,75,因此多级切割分类法要求训练区样本的选择必须覆盖所有的类型，在分类过程中，需要利用待分类像素光谱特征值与各个类别特征子空间在每一维上的值域进行内外判断，检查其落入哪个类别特征子空间中，直到完成各像素的分类。,76,用,多级切割法分割三维特征空间,77,多级分割法要求分割面总是与各特征轴正交，如果各类别在特征空间中呈现倾斜分布，就会产生分类误差。因此运用多级分割法分类前，需要先进行主成分分析，或采用其他方法对各轴进行相互独立的正交变换，然后进行多级分割。,78,3.,最大似然法,求出像元数据对于各类别的似然度（,likelihood,），把该像元分到似然度最大的类别中去的方法。似然度是指，当观测到像元数据,x,时，它是从分类类别,k,中得到的（后验）概率。,它假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时，其分类可靠性将下降，这种情况下不宜采用最大似然比分类法。,79,利用概率判别函数和贝叶斯判别规则进行分类,通过训练区，可求出其平均值及方差、协方差等特征参数，从而得出总体的先验概率密度函数，此时像素,X,归为,K,类的归属概率表示如下：,80,81,最大似然法,原始图像,分类图像,82,最大似然法的优缺点：,优点：考虑特征空间中类别的形状、大小和定位。,缺点：计算量大，计算时间长,假定地物光谱特征呈正太分布。,83,非监督分类,前提是假定遥感影像上同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，仅依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。,84,1.,分级集群法,当同类物体聚集分布在一定的空间位置上，它们在同样条件下应具有相同的光谱信息特征，这时其他类别的物体应聚集分布在不同的空间位置上。,分类过程：,确定评价各样本相似程度所采用的指标,初定分类总数,计算样本间的距离，据距离最近的原则判定样本归并到不同类别。,归并后的类别作为新类，与剩余的类别重新组合，然后再计算并改正其距离,85,2.,动态聚类法（,ISODATA,）,在初始状态给出影像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止，这种聚类方法就是动态聚类。,ISODATA(Iterative Orgnizing Data Analysize Technique,迭代自组织数据分析技术）方法在动态聚类法中具有代表性。,86,按照某个原则选择一些初始类聚类中心。,在实际操作中，要把初始聚类数设定得大一些，同时引入各种对迭代次数进行控制的参数，如控制迭代的总次数、每一类别最小像元数、类别的标准差、比较相邻两次迭代效果以及可以合并的最大类别对数等，在整个迭代过程中，不仅每个像元的归属类别在调整，而且类别总数也在变化。在用计算机编制分类程序时，初始聚类中心可按如下方式确定：设初始类别数为,n,，这样共有,n,个初始聚类中心，求出影像的均值,M,和方差,，按下式可求出初始聚类中心,:,k=1,2,n,，为初始类中心编号，,n,为初始类总数。,87,动态聚类法中类别间合并或分割所使用的判别标准是距离，待分像元在特征空间中的距离说明互相之间的相似程度，距离越小，相似性大，则它们可能会归入同一类。这里的距离可以采用前面介绍的几种距离。,计算并改正重新组合的类别中心,，如果重新组合的像素数目在最小允许值以下，则将该类别取消，并使总类别数减,1,。当类别数在一定的范围，类别中心间的距离在阈值以上，类别内的方差的最大值为阈值以下时，可以看做动态聚类的结束。,当不满足动态聚类的结束条件时，就要通过类别的合并及分离，调整类别的数目和中心间的距离等，然后返回到上一步，重复进行组合的过程。,88,动态聚类法中有类别的合并或分裂，这说明迭代过程中,类别总数是可变的,。,如果两个类别的中心点距离近，说明相似程度高，两类就可以合并成一类；或者某类像元数太少，该类就要合并到最相近的类中去。,类别的分裂也有两种情况：,某一类像元数太多，就设法分成两类；,如果类别总数太少，就将离散性最大的一类分成两个类别，可以先求出每个类别的均值和标准差，然后通过对每一个波段的标准偏差设定阈值来实现，标准差大于阈值，该类就要分裂。,89,432,假彩色合成图像,聚类分类结果（,10,类）,香港九龙,90,聚类结果合并,（,5,类）,91,监督分类和非监督分类方法比较,非监督分类,优点：不需要预先对待分类区有广泛的了解。,需要较少的人工参与，人为误差的机会减少,小的类别能够被区分出来,缺点：盲目的聚类,难以对产生的类别进行控制，得到的类别不一定是想要的类别。,计算速度慢,92,监督分类,优点：根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别。,可以控制训练样本的选择,可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误，精度高。,避免了分监督分类中对光谱集群的重新归类,分类速度快,缺点：主观性,由于中间类别的光谱差异，使训练样本没有很好的代表性,只能识别训练中定义的类别,93,2.4,分类后处理,无论是监督分类还是非监督分类，其结果都会产生一些面积很小的图斑。无论从专题制图的角度还是实际应用的角度，都有必要对这些小图斑进行剔除。处理方法：,聚类统计,(Clump),过滤分析,(Sieve),去除分析,(Eliminate),分类重编码（,Recode),94,1,聚类统计（,Clump,）,通过对分类专题影像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值等操作，产生一个,Clump,类组输出影像，其中每个图斑都包含,Clump,类组属性。这是一个中间结果，供下一步处理使用。,95,2.,过滤分析（,Sieve,）,对经,Clump,处理后的,Clump,类组影像进行处理，按照定义的数值大小，删除,Clump,影像中较小的类组图斑，并给所有小图斑赋予新的属性值,0,。显然，这引出了一个小图斑归属问题。可以与原分类图对比确定新属性。,96,3.,去除分析,用于删除原始分类影像中的小图斑或小,Clump,类组，与过滤不同，去除将删除的小图斑合并到相邻的最大分类中，而且如果输入影像是,Clump,聚类影像，经过去除处理后，将分类图斑的属性值自动恢复为,Clump,处理前的原始分类编码。即结果是简化的分类影像。,97,4.,分类重编码（,Recode,）,主要是针对非监督分类而言的，因在非监督分类过程中，用户一般要定义比最终需要多一定数量的分类数；在完全按照像元灰度值通过,ISODATA,聚类获得分类方案后，首先是将专题分类影像与原始影像对照，判断每个类别的专题属性，然后对相似或类似的分类通过影像重编码进行合并，并定义分类名称和颜色。,分类重编码还可以用在其它方面，作用有所不同。,98,99,遥感影像分类中存在的问题,遥感影响计算机分类的主要依据是地物光谱特征，因此，存在着如下问题：,（,1,）未充分利用遥感影像提供的多种信息,只考虑多光谱特征，没有考虑相邻像素间的关系；,没有利用影像提供的形状和空间位置特征（湖泊与河流）,100,（,2,）,遥感影像分类精度提高受到限制：,大气状况（成分及湿度）的影响,下垫面（覆盖类型及起伏状态）的影响,其他因素：云朵覆盖、不同时相光照条件不同以及地物边界的多样性,同物异谱及同谱异物导致同一作物不同生态状态下光谱特征有差异,101,2.5,遥感图像专家解译系统,专家系统：把某一特定领域的专家知识与经验形式化后输入到计算机中，有计算机模仿专家思考问题与解决问题，是代替专家解决专业问题的技术系统。,遥感图像解译专家系统的组成,图像处理与特征提取子系统,遥感图像解译知识获取子系统,遥感图像解译专家系统的机理,计算机解译的主要技术发展趋势,102,专家系统的组成,1.,图像处理与特征提取子系统：包括图像处理、地形图数字化、几何精校正、分类与特征提取、图像区域分割。,2.,遥感图像解译知识获取系统：获取遥感图像解译专家知识，并把专家知识形式化表示，存储在知识库中。,3.,侠义的遥感图像解译专家系统：由遥感图像数据库和数据管理模块、知识库和管理模块、推理机和解释器等构成。,103,系统逻辑结构图,104,