3-遥感图像信息提取.ppt

,ENVI/IDL,ENVI/IDL,ENVI/IDL,*,*,遥感图像信息提取,主要内容,1,、遥感信息提取技术概述,2,、监督分类,3,、基于专家知识的决策树分类,4,、面向对象分类,5,、地物识别和定量反演,6,、动态监测,7,、立体像对,DEM,提取,1,、遥感信息提取方法概述,1.1,影像信息提取技术基础,遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。,遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类，,即信息提取,。,1.2,遥感信息提取方法概述,人工解译,基于光谱计算机自动分类,基于专家知识的决策树分类,面向对象特征自动提取,地物识别与地表反演,变化检测,地形信息提取,1.3,遥感信息提取方法,适用范围,方法,说明,人工解译,适用定性信息的提取，也就是在图像上通过肉眼能分辨的信息,基于光谱的计算机分类,对于中低分辨率的多光谱影像效果明显（小于,10,米）,基于专家知识的决策树分类,需要多源数据支持,面向对象分类方法,随着高分辨率影像的出现而发展起来的,地物识别与地表反演,定量信息提取，需要模型的支持,，数据源有一定要求,变化监测,多时相影像支持,地形信息提取,需要立体像对的支持,2,、监督分类,2.1,监督分类定义,又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。,在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本,计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求,用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类,2.2,监督分类基本流程,类别定义,/,特征判别,影像分类,分类器选择,样本选择,分类后处理,结果验证,平行六面体,最小距离,马氏距离,最大似然,波谱角,二进制编码,光谱信息散度,神经网络,支持向量机分类,模糊分类,2.3,监督分类流程说明,类别定义,/,特征判断,根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；,对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。,这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。,2.3,监督分类流程说明,样本选择,样本选择是非常重要的过程，直接影响分类精度,在样本选择过程中，有很多辅助方法,可以显示不同的假彩色合成窗口，也可以进行主成分分析后进行假彩色合成，由于去除了波段间的相关性，不同地物区分的更加明显；还可以借助,Google Earth,辅助解译,各个样本类型之间的可分离性,要好,用,Jeffries-Matusita,Transformed Divergence,参数表示，这两个参数的值在,02.0,之间，大于,1.9,说明样本之间可分离性好，属于合格样本；小于,1.8,，需要重新选择样本；小于,1,，考虑将两类样本合成一类样本,2.3,监督分类流程说明,分类器选择,据分类的复杂度、精度需求等确定哪一种分类器,目前,ENVI,的监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（,SAM,），光谱信息散度，二进制编码,2.3,监督分类流程说明,分类后处理,分类后处理包括很多过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（,分,类后处理）、栅矢转换等操作,监督分类练习,(,一,),数据源,练习数据,1-,监督分类,1-,监督分类（,Classic,）,分类,类别定义,样本选择,分类器选择,分类,后处理,小斑,快处理,栅矢转换,精度验证,监督分类练习,(,二,),数据源,练习数据,1-,监督分类,2-,火烧迹地提,BurnALI_subset.dat”,分类,类别定义,样本选择,分类器选择,分类,后处理,小斑,快处理,栅矢转换,精度验证,3,、基于专家知识的决策树分类,3.1,专家知识的决策树分类基本原理,+,DEM,+,+,+,Road,Map,Zoning,Coverage,Landcover,Classification,陡坡上的植被,缓坡上的植被,高山植被,公园用地,根据光谱特征、空间关系和其他上下文关系归类像元,3.2,专家知识的决策树分类基本步骤,3.3,规则定义,规则获取：经验总结和样本总结,规则描述,类,1,：,NDVI,大于,0.3,，坡度大于或者等于,20,度,类,2,：,NDVI,大于,0.3,，坡度小于,20,度，阴坡,类,3,：,NDVI,大于,0.3,，坡度小于,20,度，阳坡,类,4,：,NDVI,小于或等于,0.3,，波段,4,值大于或等于,20,类,5,：,NDVI,小于或等于,0.3,，波段,4,值小于,20,3.4,规则描述,表达式与变量,表达式,部分可用函数,基本运算符,+,、,-,、,*,、,/,三角函数,Sin,、,cos,、,tan,asin,、,acos,、,atan,Sinh,、,cosh,、,tanh.,关系,/,逻辑,LT,、,LE,、,EQ.,and,、,or,、,not.,最大值、最小值,其他符号,指数（,）、,exp,对数,alog,平方根（,sqrt,）、绝对值（,adb,）,变量,作用,slope,计算坡度,aspect,计算坡向,ndvi,计算归一化植被指数,Tascap,穗帽变换,pc,主成分分析,mnf,最小噪声变换,lpc,局部主成分分析,Stdev,标准差,Mean,平均值,Min,、,max,最大、最小值,其他,如：,ndvi LT 0.3,决策树分类,-,练习,数据源,“.,练习数据,2-,决策树分类,bouldr_tm.dat”,规则获取（经验总结和样本总结）,类,1,：,NDVI,大于,0.3,，坡度大于或者等于,20,度,类,2,：,NDVI,大于,0.3,，坡度小于,20,度，阴坡,类,3,：,NDVI,大于,0.3,，坡度小于,20,度，阳坡,类,4,：,NDVI,小于或等于,0.3,，波段,4,值大于或等于,20,类,5,：,NDVI,小于或等于,0.3,，波段,4,值小于,20,决策树分类,-,练习,构建执行决策树,4,、面向对象分类,4.1,面向对象的图像分析,同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述,影响,面向对象的技术,集合临近像元为对象用来识别感兴趣的光谱要素,充分利用高分辨率的全色和多光谱数据，利用空间，纹理，和光谱信息来分割和分类的特点,以高精度的分类结果或者矢量输出,4.2,与基于像元分类的区别,类型,基本原理,影像的最小单元,适用数据源,缺 陷,传统基于光谱的分类方法,地物的光谱信息特征,单个的影像像元,中低分辨率多光谱和高光谱影像,丰富的空间信息利用率几乎为零,基于专家知识决策树,根据光谱特征、空间关系和其他上下文关系归类像元,单个的影像像元,多源数据,知识获取比较复杂,面向对象的分类方法,几何信息、结构信息以及光谱信息,一个个影像对象,中高分辨率多光谱和全色影像,速度比较慢,注：一种方法不能完全取代另一种，每种方法都有其适用范围,3,面向对象分类操作流程,发现对象,特征提取,规则分类,特征提取,监督分类,导出要素,查看报告和统计,完成,发现对象,是,定义要素,影像分割,合并分块,是,输出对象,为矢量文件？,面向对象分类练习,基于规则的面向对象分类,数据,“,.,练习数据,3-,面向对象图像分类,1-,基于规则”,基于样本的面向对象分类,数据,“,.,练习数据,3-,面向对象图像,分类,2-,基于样本”,单波,段影像的面向对象分类,数据,“,.,练习数据,3-,面向对象图像,分类,3-,面向对象提取河流”,面向对象分类练习,准备工作,空间分辨率的调整,光谱分辨率的调整,多源数据组合,空间滤波,面向对象分类练习,准备工作,空间分辨率的调整,光谱分辨率的调整,多源数据组合,空间滤波,面向对象分类练习,分割影像,FX,根据临近像素亮度、纹理、颜色等对影像进行分割，它使用了一种基于边缘的分割算法，这种算法计算很快，并且只需一个输入参数，就能产生多尺度分割结果。,选择高尺度影像分割将会分出很少的图斑，选择一个低尺度影像分割将会分割出更多的图斑,面向对象分类练习,合并分块,影像分割时，由于阈值过低，一些特征会被错分，一个特征也有可能被分成很多部分。我们可以通过合并来解决这些问题。,FX,利用了,Full Lambda-Schedule,算法，该方法在结合光谱和空间信息的基础上迭代合并邻近的小斑块。,这一步是可选项，如果不需要可以直接跳过。,面向对象分类练习,1,特征提取,规则分类,每一个分类有若干个规则（,Rule,）组成，每一个规则有若干个属性表达式来描述。规则与规则直接是与的关系，属性表达式之间是并的关系,如下是对水的一个描述,：,面积大于,500,像素,延长线小于,0.5,NDVI,小于,0.25,面向对象分类练习,输出结果,特征提取结果输出,矢量,图像（分类图像、规则图像,),结果统计报表,面向对象分类练习,2,基于样本,监督分类,根据一定样本数量以及其对应的属性信息，提供,K,邻近法、支持向量机主成分分析法进行特征提取,面向对象分类练习,3,单波段影像提取河流,采用单波段影像，使用,ENVI FX,面向对象信息提取工具中的,”Rule based feature extraction workflow”,进行河流信息提取,5,、地物识别与定量反演,5.1,地物识别与定量反演基础,从高光谱图像的每个像元均可以获取一条连续的波谱曲线，可以考虑用已知的波谱曲线和图上每个像元获取的波谱曲线进行对比，理想情况下两条波谱曲线一样，就能说明这个像元是哪种物质,遥感定量反演就是根据观测信息和模型求解或推算描述地面实况的应用参数,遥感反演的基础是描述遥感信号或遥感数据与地表应用之间的关系模型,ENVI,的,Bandmath,工具可将模型应用于影像，实现定量反演,5.2 Bandmath,基础,ENVI,波段运算工具能够调用用户编写的程序进行定制的处理,波段运算工具用来定义输入的波段或文件，并调用用户编写的函数，最后将结果输出到文件或是内存中,5.2 Bandmath,条件,必须符合,IDL,语言书写波段运算表达式,所有输入波段必须具有相同的空间大小,表达式中的所有变量都必须用,Bn,（或,bn,）命名,结果波段必须与输入波段的空间大小相同,地表温度反演,练习,数据,“,练习数据,4-,定量反演,TM-NDVI-60m.img,”,地表比辐射率计算,植被覆盖度,(b1 gt 0.7)*1+(b1 lt 0.)*0+(b1 ge 0 and b1 le 0.7)*(b1-0.0)/(0.7-0.0),地表比辐射率,(b1 le 0)*0.995+(b1 gt 0 and b1 lt 0.7)*(0.9589+0.086*b2-0.0671*b22)+(b1 ge 0.7)*(0.9625+0.0614*b2-0.0461*b22),地表温度反演基本流程图,地表温度反演,黑体辐射亮度值,(b2-3.39-0.6*(1-b1)*5.12)/(0.6*b1),LST,反演,(1282.71)/alog(666.09/b1+1)-,273,地表温度反演,结果输出,6,、遥感动态监测,6,基本概念,动态监测,&,动态检测,动态监测,是一个广义的名词，泛指数据预处理、变化信息发现与提取、变化信息挖掘与应用等，以对整个流程的叙述。,遥感动态检测,从不同时期的遥感数据中，定量地分析和确定地表变化的特征与过程。,检测方法,图像直接比较法,图像差值法、图像比值法、主成分分析法、光谱特征变异法、假彩色合成法、波段替换法、变化矢量分析法、波段交叉相关分析以及混合检测法等,分类后结果比较法,直接分类法,多时相主成分分析后分类法,动态监测练习,数据,“练习数据,5-,遥感动态监测,july_00_quac.img,”,“练习数据,5-,遥感动态监测,july_06_quac.img,”,处理步骤,功能选择,ENVI5,的,Image Change,Workflow,方法选择,波段差值,特征,指数差,变化信息提取,结果输出,动态监测练习,数据准备,启动,Image Change Workflow,工具,数据变化信息浏览,图像配准（可选）,掩膜文件（可选）,动态监测练习,变化信息检测,Change Method Choice,面板中提供两种方法,图像差值法,波段差值,特征指数差,图像变换法,动态监测练习,变化信息提取,可以从变化信息检测结果中提取三种变化信息：,Increase and Decrease,：增加,(,蓝色,),和减少,(,红色,),变化信息,Increase Only,：增加,(,蓝色,),变化信息,Decrease Only,：减少,(,红色,),变化信息,提供两种阈值设置方法：,Auto-Thresholding,Manual,（手动设置阈值）,动态监测练习,输出变化信息,输出四种结果或格式：,以图像格式输出变化结果,以矢量格式输出变化结果,变化统计文本文件,输出差值图像,可直接输出到,ArcGIS Geodatabase,7,、立体像对,DEM,提取,7.1,立体像对高程提取模块,快速从,ALOS PRISM,ASTER,CARTOSAT-1,FORMOSAT-2,GeoEye-1,IKONOS,KOMPSAT-2,OrbView-3,QuickBird,WorldView-1,SPOT 1-5,以及航空影像立体像对中提取,DEM,。,全面支持,RPC,模型参数，尽可能少的控制点以达到有效的精度,使用,DEM,编辑工具对提取的,DEM,做局部编辑,交互量测特征地物的高度和收集,3D,信息并导出为,3D Shapefile,文件格式,输入立体像对,定义地面控制点,定义连接点,设定,DEM,提取参数,输出,DEM,并检查结果,编辑,DEM,7.2 DEM,提取基本流程,DEM,提取练习,数据：,CARTOSAT-1,数据,：“练习数据,6-DEM,提取,Beijing_P5,”,步骤：,输入立体相对,定义连接点,设置,DEM,提取参数,输出,DEM,检查结果、,DEM,编辑,从卫星影像中选择包含有,RPC,文件或者,DIM,等位置信息文件的立体影像数据,DEM,提取,输入立体相对,支持,RPC,、,DIM,等位置文件,可以定义或是加载已有的,GCP,点对，将,DEM,和地图坐标联系起来,也可以屏幕上选择,GCP,点,DEM,提取,定义控制点,ENVI,可以自动产生匹配点，或者您自己从两幅图像中选择匹配点。,DEM,提取,定义连接点（,Tie,）,可以通过立体眼镜进行,3D,浏览。,DEM,提取,生成核图像,DEM,提取,设置,DEM,输出参数,设置,DEM,输出参数,投影参数,DEM,提取,输出,DEM,并检查结果,当,DEM,提取向导完成后，可以将,DEM,加载查看。,DEM,提取向导也提供了编辑,DEM,选项，可以通过,ENVI,的,DEM,编辑工具进行编辑。,DEM,编辑,本节收获,全面掌握了各种遥感信息提取方法，及各种方法的特点和适用范围。,包括监督分类、基于知识的决策树分类、面向对象的信息提取、遥感定量反演、遥感动态检测、,DEM,信息提取等技术,掌握了利用,ENVI,进行各种信息提取的操作,大家辛苦了！,休息休息，下面我们将进入专题的学习！,