高分遥感影像信息处理与信息提取.ppt

高分遥感影像处理与信息提取技术,汪闽,提纲,遥感处理与信息提取简介遥感图像处理遥感图像分类遥感图像专题信息提取与目标识别遥感图像变化检测,遥感信息提取的概念,遥感信息提取，是遥感成像过程的逆过程，是从遥感对地面实况的模拟影像中提取有关信息、反演地面原型的过程。需要根据专业的要求，运用物理模型、解译特征标志和实践经验与知识，定性、定量地提取出物理量、时空分布、功能结构等有关信息。,以影像为主要类型的空间数据获取能力得到不断提高，而高分辨率遥感更是逐渐成为了面向社会发展、经济建设、国防安全和社会大众需求等最重要的空间信息来源，我国中长期科学和技术发展规划中明确提出要建设高分辨率对地观测系统，系统建成后将全面应用服务于各行各业。影像数据处理、分析、理解和决策应用等构成了遥感应用的技术链，而信息提取与目标识别更是遥感从数据转换为信息进而开展应用服务的核心技术。由于高空间分辨率遥感影像的特点，高精度、高效率目标自动识别问题一直是极大的技术难点，已经是大规模应用的瓶颈。,高分辨率遥感应用中的主要问题,高分辨率遥感信息提取中的主要问题,应用瓶颈问题：数据量和空间计算复杂性骤增，影像噪声更为明显，周围环境影响加大，同物异谱和同谱异物现象普遍存在，这些因素给遥感影像数据处理与分析带来了新的难题，极大地影响了高空间分辨率影像信息提取和目标识别的精度与效率；如何解决：与传统的主要依赖于波谱信息的处理与分析方法相比较，必须更多地考虑图像的结构、形态、分布等空间特征信息，这也是伴随图像理解和高效能计算技术发展的新一代遥感信息处理与分析技术。,遥感信息提取机理,高分辨率遥感影像处理,图像辐射校正影像几何纠正、配准、影像拼接影像增强 影像融合.,2004-12-17,辐射校正,辐射校正（radiometric correction）：消除辐射量失真。利用遥感器观测目标物辐射或反射的电磁能量时，从遥感器得到的测量值与目标物的光谱反射率或光谱辐射亮度等物理量是不一致的，这是因为测量值中包含太阳位置及角度条件、薄雾等大气条件所引起的失真。为了正确评价目标物的反射特性及辐射特性，必须消除这些失真。引起辐射畸变的因素：遥感器的灵敏度特性、太阳高度及地形、大气等。,辐射校正,由遥感器引起的误差或由太阳高度引起的误差，一般在数据生产过程中由生产单位根据遥感器参数进行校正，而不需要用户进行自行处理。用户一般考虑大气影响引起的辐射畸变。,几何校正,图像的几何校正（geometric correction）是指从具有几何畸变的图像中消除畸变的过程，从而建立图像上的像元坐标与目标物的地理坐标间的对应关系，并使其符合地图投影系统的过程。,由遥感器引起的图像几何畸变,几何畸变校正,几何校正的方法系统性校正：当知道了消除图像几何畸变的理论校正公式时，可把该式中所含的与遥感器构造有关的校准数据（焦距等）及遥感器的位置、姿态等的测量值代入到理论校正式中进行几何校正。该方法对遥感器的内部畸变大多是有效的。可是在很多情况下，遥感器的位置及姿态的测量值精度不高，所以外部畸变的校正精度也不高。,几何畸变校正,几何校正的方法非系统性校正：利用控制点的图像坐标和地图坐标的对应关系，近似地确定所给的图像坐标系和应输出的地图坐标系之间的坐标变换式。坐标变换式经常采用1次、2次等角变换式，2次、3次投影变换式或高次多项式。坐标变换式的系数可从控制点的图像坐标值和地图坐标值中根据最小2乘法求出。,几何畸变校正,几何校正的方法复合校正：把理论校正式与利用控制点确定的校正式组合起来进行校正。分阶段校正的方法，即首先根据理论校正式消除几何畸变（如内部畸变等），然后利用少数控制点，根据所确定的低次校正式消除残余的畸变（外部畸变等）；提高几何校正精度的方法，即利用控制点以较高的精度推算理论校正式中所含的遥感器参数、遥感器的位置及姿态参数。,几何畸变校正,常用的是一种通用的精校正方法，适合于在地面平坦，不需考虑高程信息，或地面起伏较大而无高程信息，以及传感器的位置和姿态参数无法获取的情况时应用。有时根据遥感平台的各种参数已做过一次校正，但仍不能满足要求，就可以用该方法作遥感影像相对于地面坐标的配准校正，遥感影像相对于地图投影坐标系统的配准校正，以及不同类型或不同时相的遥感影像之间的几何配准和复合分析，以得到比较精确的结果。,几何精纠正的一般过程,收集资料；导入影像数据；选取地面控制点（GCP），确定其空间坐标；确定纠正所需的几何校正模型；确定输出影像范围；插值和像元几何位置变换方法；像元的灰度重采样产生纠正后的数字影像,控制点的选取,几何校正的第一步便是位置计算，首先是对所选取的二元多项式求系数。这时必须已知一组控制点坐标。控制点数目的确定其最低限是按未知系数的多少来确定的。一次多项式有6个系数，就需要有6个方程来求解，需3个控制点的3对坐标值，即6个坐标数。2次多项式有 12个系数，需要 12个方程（6个控制点）。依次类推，n次多项式，控制点的最少数目为(n+1)(n+2)/2。实际工作表明，选取最少数目的控制点来校正图像，效果往往不好。在图像边缘处，在地面特征变化大的地区，如河流拐弯处等，由于没有控制点，而靠计算推出对应点，会使图像变形。因此，在条件允许的情况下，控制点数的选取都要大于最低数很多。,控制点的选取,控制点选取的原则一般来说，控制点应选取图像上易分辨且较精细的特征点，这很容易通过目视方法辨别，如道路交叉点、河流分叉处、海岸线弯曲处、飞机场、城廓边缘等。特征变化大的地区应多选些。图像边缘部分一定要选取控制点，以避免外推。此外，尽可能满幅均匀选取，特征实在不明显的大面积区域（如沙漠），可用求延长线交点的办法来弥补，但应尽可能避免这样做，以避免造成人为的误差。,二次多项式校正数学模型,基本数学模型形式用最小二乘法通过GCP数据进行曲面拟合求系数：待求系数的个数：M=(n+1)(N+2)/2,重采样方法一,对输入图像的各个像元在变换后的输出图像坐标系上的相应位置进行计算，把各个像元的数据投影到该位置上,重采样方法二,对输出图像的各个像元在输入图像坐标系的相应位置进行逆运算，求出该位置上的像元数据，保持图像行列数不变。此系目前多数软件中通常采用的方法。,图像内插法一：最近邻法（NN，Nearest Neighborhood）,最近邻法：以距内插点最近的观测点的像元值为所求的像元值。该方法最大可产生1/2像元的位置误差，但优点是不破坏原来的像元值，处理速度快。,图像内插法二：双线性内插法（BL，Bi-Linear）,使用内插点周围的4个观测点的像元值，对所求的像元值进行线性内插。该方法的缺点是破坏了原来的数据，但具有平均化的滤波效果。,图像内插法三：3次卷积内插法（CC，cubic convolution）,使用内插点周围的16个观测点的像元值，用3次卷积函数对所求像元值进行内插。该方法的缺点是破坏了原来的数据，但具有图像的均衡化和清晰化的效果，可得到较高的图像质量。,遥感图像配准,图像配准（或图像匹配）是评价两幅或多幅图像的相似性以确定同名点的过程。图像配准算法就是设法建立两幅图像之间的对应关系,确定相应几何变换参数,对两幅图像中的一幅进行几何变换的方法。,图像配准,参考图像（主图像）待配准图像（辅图像）配准图像,用词说明,各种图像配准的文献都会出现“配准、匹配、几何校正”三个词，它们的含义比较相似。一般两幅图像之间用“配准（register,registration）”；寻找同名特征(点)的过程叫“匹配（match,matching）”;根据主辅图像之间的几何变换关系，对辅图像进行逐像素处理变为配准图像的过程叫做“几何校正（geometric correction）”。,配准方法分类,按照配准算法所利用的图像信息，可以分为基于区域的方法和基于特征的方法。基于区域的匹配主要是模板匹配和基于相位（频率）的匹配方法；基于特征的匹配包括基于特征点集的匹配和基于线特征（图像中边缘信息）的匹配算法。按自动化程度可以分为人工、半自动和全自动三种类型。,模板匹配,模板匹配法是在一幅影像中选取一个的影像窗口作模板，大小通常为55或77，然后通过相关函数的计算来找到它在搜索图中的坐标位置。,相似性测度,用以下测度来衡量T和Si,j的相似程度：根据施瓦兹不等式，并且在 比值为常数时取极大值为1。但实际上两幅不同图像的P值介于0和1之间，很难达到理想值。根据经验取某个阈值P0，如果P P0，则匹配成功；P P0，则匹配失败。,金字塔模板匹配,为了加快搜索速度，很多影像匹配方法使用金字塔影像。对影像进行一次采样率为1/n(n=2,3)的重采样，即把影像的每nn个像素变为一个像素，这样就得到一对长、宽都为原来1/n的影像，把它作为金字塔的第二层。再对第二层用同样方法进行一次采样率为1/n的重采样，又得到第三层（顶层）。原始影像作为金字塔影像的底层。,金字塔影像匹配的步骤,第一步：顶层的匹配，得到一个平移初始值。第二步：根据平移初始值乘以n得到第二层平移量初始值，在它mm个像元的邻域内进行模板匹配。第三步：根据第二层匹配值乘以n得到第三层平移量初始值，再进行一次模板匹配。如果影像尺寸不是特别大，可以只用两层金字塔。,基于特征的配准算法,基于特征的算法(feature-based matching)先提取图像显著特征，再进行特征匹配，大大压缩了图像信息的数据量，同时保持了图像的位移、旋转、比例方面的特征，故在配准时计算量小，速度较快、鲁棒性好。当两幅图像之间的线性位置关系不明确时，应使用基于特征的匹配。一般来说特征匹配算法可分为四步:1.特征提取;2.特征描述;3.特征匹配；4.非特征像素之间的匹配。,基于特征的配准步骤,在特征匹配前，首先要从两幅图像中提取灰度变化明显的点、线等特征形成特征集。在两幅图像对应的特征集中利用特征匹配算法尽可能的将存在匹配关系的特征对选择出来。通过特征建立两幅图像之间的多项式变换关系，达到以点代面的效果。对于非特征像素点，利用上述多项式变换关系来进行几何校正，从而实现两幅图像之间逐像素的配准。,SIFT 特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，其匹配能力较强，可以处两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，甚至在某种程度上对任意角度拍摄图像也具备较为稳定的特征匹配能力。,基于SIFT特征的图像配准,遥感数据的融合,遥感数据的融合主要指不同传感器的遥感数据的融合，以及不同时相的遥感数据的融合。融合方式的确定应根据目标空间分布、光谱反射特性及时相规律方面的特征选择不同的遥感图像数据，它们在空间分辨率、光谱分辨率和时间分辨率方面相互补充，以形成一个更有利的识别环境，来识别所要识别的目标或类型。,各种融合方法（ERDAS）,HIS变换PCA变换Brovey变换乘法复合小波高通滤波,融合实际例子,特征提取,(外部资料),遥感图像分类,43,遥感图像分类原理与过程,遥感图像计算机分类的依据是遥感图像像素的相似度。在遥感图像分类过程中，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,x为像元数据矢量,类别k的平均值矢量,像元i在k波段的值,44,分类原理与过程,找出代表这些类别的统计特征。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区域进行采样，测定其特征。在非监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。对遥感图像中所有像素进行分类。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。对判别分析的结果进行统计检验。,45,分类方法,监督分类方法。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其它像元的归属类别。监督分类：最小距离分类法、多级切割分类法、特征曲线窗口法、最大似然比分类法等,46,分类方法,非监督分类方法。是在没有先验类别（训练区）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。非监督分类：多级集群法、动态聚类法等等。,47,监督/非监督分类方法比较,根本区别点在于是否利用训练样区来获取先验的类别知识监督分类根据训练样区提供的样本选择特征参数，建立判别函数，对待分类像元进行分类。因此，训练场地选择是监督分类的关键。对于不熟悉区域情况的人来说，选择足够数量的训练样区带来很大的工作量，操作者需要将相同比例尺的数字地形图叠在遥感图像上，根据地形图上的已知地物类型圈定分类用的训练样区。由于训练样区要求有代表性，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。,48,监督/非监督分类方法比较,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。严格说来，分类效果的好坏需要经过实际调查来检验。当光谱特征类能够和唯一的地物类型（通常指水体、不同植被类型、土地利用类型、土壤类型等）相对应时，非监督分类可取得较好分类效果。当两个地物类型对应的光谱特征类差异很小时，非监督分类效果不如监督分类效果好。,49,最小距离分类法,最小距离分类法（minimum distance classifier）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,50,最小距离分类法,最小距离判别法 这种方法要求对遥感图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图像分类中的推广。在多波段遥感图像分类中，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。最小距离分类法原理简单，分类精度不很高，但计算速度快，它可以在快速浏览分类概况中使用。,51,多级切割法,多级切割法（multi-level slice classifier）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，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。,2002-11-01,52,遥感图象处理：分类,用多级切割法分割三维特征空间,53,特征曲线窗口法,特征曲线是地物光谱特征参数构成的曲线。由于地物光谱特征受到大气散射、天气状况等影响，即使同类地物，它们所呈现的特征曲线也不完全相同，而是在标准特征曲线附近摆动变化。因此以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口范围内的地物即被认为是一类，反之，则不属于该类，这就是特征曲线法。特征曲线窗口法分类的依据是：相同的地物在相同的地域环境及成像条件下，其特征曲线是相同或相近的，而不同地物的特征曲线差别明显。,54,特征曲线窗口法,特征曲线选取的方法可以有多种，如地物吸收特征曲线，它将地物的标准吸收特征值连接成曲线，通过与其他像素吸收曲线比较，进行分类；也可以在图像训练区中选取样本，把样本地物的亮度值作为特征参数，连接该地物在每波段参数值即构成该类地物的特征曲线。特征曲线窗口法可以根据不同特征进行分类，如利用标准地物光谱曲线的位置、反射峰或谷的宽度和峰值的高度作为分类的识别点，给定误差容许范围，分别对每个像素进行分类；或者利用每一类地物的各个特征参数上、下限值构造一个窗口，判别某个待分像元是否落入该窗口，只要检查该像元各特征参数值是否落入到相应窗口之内即可。,55,最大似然比分类法,最大似然比分类法（maximum likelihood classifier）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。,56,最大似然比分类法,最大似然比分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。x为待分像元，P（k)为类别k的先验概率，可以通过训练区来决定。由于上式中分母和类别无关，在类别间比较的时候可以忽略。,57,最大似然比分类法,最大似然比分类必须知道总体的概率密度函数P（x|k）。由于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（对一些非正态分布可以通过数学方法化为正态问题来处理），通过训练区，可求出其平均值及方差、协方差等特征参数，从而可求出总体的先验概率密度函数。此时，像素x归为类别k的归属概率Lk表示如下（这里省略了和类别无关的数据项）：,类别k的协方差矩阵,类别k的平均向量（n维）,58,最大似然比分类法,这种最大似然比分类法的特征是，在分类结果上具有概率统计的意义。但必须注意几点：（l）为了以较高精度测定平均值及方差、协方差，各个类别的训练数据至少也要为特征维数的2到3倍以上。（2）如果2个以上的波段相关性很强，那么方差协方差矩阵的逆矩阵就不存在，或非常不稳定。在训练数据几乎都取相同值的均质性数据组的情况下也是如此。此时，最好采用主成分分析法，把维数减到仅剩相互独立的波段。（3）当总体分布不符合正态分布时，不适于采用以正态分布的假设为基础的最大似然比分类法。其分类精度也将下降。,59,SOM-GA精度88.67%；MLC分类精度 85.58%；知识集成SOM-GA分类精度92.58%,空间特征逐步寻优挖掘模型及其遥感影像分类,遥感影像分类,60,EBF模型训练时间大约需要120秒，整个测试精确度为76.00。MLC方法的整体测试精度是69.11%。RBF模型为 70.33%，测试时间50秒。,基于EM-EBF模型的遥感影像分类方法研究,遥感影像分类,61,非监督分类,非监督分类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。其常用方法有：分级集群法动态聚类法,62,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，其他类别的物体应聚集分布在不同的空间位置上。由于不同地物的辐射特性不同，反映在直方图上会出现很多峰值及其对应的一些灰度值，它们在图像上对应的像元分别倾向于聚集在各自不同灰度空间形成的很多点群，这些点群就叫做集群。分级集群法采用“距离”评价每个像元在空间分布的相似程度，把它们的分布分割或者合并成不同的集群。每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。,63,分级集群法,分级集群法的分类过程如下：确定评价各样本相似程度所采用的指标，这里可以采用前面监督分类中介绍的几种距离。初定分类总数n。计算个体间的距离；根据距离最近的原则判定归并到不同类别。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。在达到所要分类的最终类别数以前，重复样本间相似度的评价和归并，这样直到所有像素都归入到各类别中去。,确定采用的距离,确定分类总数n,找出距离最小的类别组,归并距离最小的类别,计算归并后新的个体间的距离,归并后的类别数,STOP,Y,N,64,分级集群法,分级集群方法的特点是这种归并的过程是分级进行的，在迭代过程中没有调整类别总数的措施，如果一个像元被归入到某一类后，就排除了它再被归入到其他分支类别中的可能性，这样可能导致对一个像元的操作次序不同，会得到不同的分类结果，这是该方法的缺点。,65,动态聚类法,在初始状态给出图像粗糙的分类，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。,66,ISODATA方法,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，求出图像的均值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。,67,动态聚类法,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。,68,传统分类中存在的问题,遥感图像计算机分类算法设计的主要依据是地物光谱数据。因此，存在着如下的问题：未充分利用遥感图像提供的多种信息遥感数字图像计算机分类的依据是像素具有的多光谱特征，并没有考虑相邻像素间的关系。例如，被湖泊包围的岛屿，通过分类仅能将陆地与水体区别，但不能将岛屿与临近的陆地（假定二者地面覆盖类型相同，具有同样的光谱特征）识别出来。这种方法的主要缺陷在于地物识别与分类中没有利用到地物空间关系等方面的信息。,69,存在的问题,提高遥感图像分类精度受到限制 分类精度是指分类结果的正确率，包括地物属性被正确识别，以及它们在空间分布的面积被准确度量。遥感数字图像分类结果在没有经过专家检验和多次纠正的情况下，分类精度一般不超过90，其原因除了与选用的分类方法有关外，还存在着制约遥感图像分类精度的几个客观因素：大气状况的影响 不少人理想化地认为遥感图像只记录遥感观测区域内的地物电磁辐射能量，遥感图像的灰度大小及其变化只反映了地物的辐射光谱特征变化，这种观念是不正确的。,70,存在的问题,提高遥感图像分类精度受到限制大气状况的影响 地物辐射电磁波，必须经过大气层才能到达传感器，大气的吸收和散射会对目标地物的电磁波产生影响，其中大气吸收使得目标地物的电磁波辐射被衰减，到达传感器的能量减少，散射会引起电磁波行进方向的变化，非目标地物发射的电磁波也会因为散射而进入传感器，这样就导致遥感图像灰度级产生一个偏移量。对多时相图像进行分类处理时，由于不同时间大气成分以及湿度不同，散射影响也不同，因此遥感图像中的灰度值不完全反映目标地物辐射电磁波的特征。为了提高遥感图像分类的精度，必须在图像分类以前进行大气纠正。,71,存在的问题,提高遥感图像分类精度受到限制下垫面的影响 下垫面的覆盖类型和起伏状态对分类具有一定影响。下垫面的覆盖类型多种多样，受传感器空间分辨率限制，农田中的植被、土壤和水渠，石质山地稀疏的灌丛和裸露的岩石均可以形成混合像元，它们对遥感图像分类的精度影响很大。这种情况可以在分类前首先进行混合像元分解，把它们分解成子像元后再分类。分布在山区向阳面与背阳面的同一类地物，单位面积上接收太阳光能不同，地物电磁波辐射能量也不同，其灰度值也存在差异，容易造成分类错误。在地形起伏变化较大时，可以采用比值图像代替原图像进行分类，以消除地形起伏的影响。,72,存在的问题,提高遥感图像分类精度受到限制其他因素的影响图像中的云朵会遮盖目标地物的电磁波辐射，影响图像分类。对于图像中仅有少量云朵时，分类前可以采用去噪音方法进行清除。多时相图像分类时，不同景的图像由于成像时光照条件的差别，同一地物电磁波辐射量存在差别，这也会对分类产生影响。地物边界的多样性，使得判定类别的边界往往是很困难的事。例如，湖泊和陆地具有明确的界线，但森林和草地的界线则不明显，不少地物类型间还存在着过渡地带，要精确将其边界区别出来，并非是一件容易的事。因此，提高遥感图像分类精度，既需要对图像进行分类前处理，也需要选择合适的分类方法。,遥感专题信息提取与目标识别,南京师范大学 地理科学学院,水体的光谱特征,在可见光范围内，水体的反射率总体上比较低（一般为4%5%），并随着波长的增大逐渐降低，到 0.6微米处约2%3%，过了0.75微米，水体几乎成为全吸收体。因此，在近红外的遥感影像上，清澈的水体呈黑色。为区分水陆界线，确定地面上有无水体覆盖，应选择近红外波段的影像。水体在微波1mm30cm范围内的发射率较低，约为0.4%。平坦的水面，后向散射很弱，因此侧视雷达影像上，水体呈黑色。故用雷达影像来确定洪水淹没的范围也是有效的手段。,黄河水（泥沙含量960mg/L),长江水（92.5mg/L),湖水（47.9mg/L),TM图像上的水体提取,由于时间分辨率的限制，在洪水期难以获得无云雾的TM图像，因此TM主要用于洪水灾害损失评估和本底水体的提取。从TM数据中提取水体信息的关键是区分水体与其他地物的阴影，这同样需要进行不同地物各波段的光谱值分析。,TM图像上的水体提取,水体、阴影的第5波段明显小于第2波段。而其它地物则刚好相反。在第2、3波段上，水体的灰度值大于阴影，将这两个波段相加可以增大这种差异。在第4、5波段上，阴影的值一般都大于水体。将这两各波段相加，可以增大这种差异。,1996年12月27日福清市,南京师范大学 地理科学学院,TM图像上的水体提取,将波段2与波段3相加，波段4与波段5相加，并作出改进后的地物波谱图。可以看出，只有水体具有波段2加波段3大于波段4加波段5的特征。,TM图像上的水体提取,谱间关系法提取水体 水体具有独特的谱间关系特征，即波段2加波段3大于波段4加波段5。用同样方法检验提取效果，漏提的水体非常少，也没有发现将山体的阴影当水体提取出来。因此，该种方法提取的水体较为准确。,南京师范大学 地理科学学院,TM图像上的居民地识别提取,图中粉红色的斑块即为乡镇级居民地，其内部有一定的纹理特征，基本可以识别到与其相连的道路。,南京师范大学 地理科学学院,TM图像上的居民地识别提取,居民地及背景地物的光谱特征分析分别对城市、县城、乡镇、集村、水体、水田、河滩地、菜地、道路在图像上进行光谱采样（成都平原7月1日），利用采样数据作地物光谱曲线。,南京师范大学 地理科学学院,TM图像上的居民地识别提取,居民地及背景地物的光谱特征分析根据采集数据及光谱曲线图得知：TM1：道路河滩地河流居民地（城市县城乡镇集村）菜地水田，居民地与河流、菜地易混。TM2：同TM1。TM3：道路河滩地城市河流乡镇县城集村菜地水田，城市与河滩地、河流，乡镇与河流,集村与菜地易混。TM4：菜地水田集村道路乡镇河滩地县城河流城市TM5：道路菜地集村河滩地乡镇城市县城水田河流TM6：城市县城乡镇集村河流水田河滩地菜地道路TM7：道路城市乡镇河滩地县城集村菜地水田河流,TM图像上的居民地识别提取,基于光谱知识的居民地提取模型城镇：TM5TM4 TM4-TM7K2乡村 TM4-TM5K1 TM3-TM7K2,数据源：DMC+4“北京一号”小卫星系统,基于GABOR滤波的居民地提取方法,南京师范大学 地理科学学院,居民地的纹理特征表现,Extraction of several residential areas(from left to right,up to down):(a)source(b)segmentation with Gabor filtering(c)result with opening(d)1st scale(e)8th scale(f)13th scale,南京师范大学 地理科学学院,基于水陆关联信息的桥梁提取,南京师范大学 地理科学学院,桥梁识别整体框架,1,2,3,4,2023/11/6,90,船舶提取方法,2023/11/6,91,大型船舶提取方法,五 高分遥感目标识别算法实现,基元归并和目标分类,92,线要素提取,在遥感图像特征地物提取中，线状地物道路是一个非常重要的课题，无论在民用方面还是军用方面都具有重要的意义。,道路提取概述：泛概念层次,预处理（校正、滤波）,低层次处理（二值化、灰度、边缘、纹理、顶点、方向等）,中层次处理（特征分析、选择、综合）,高层次处理（知识、智能、规则、学习、理解、识别）,道路目标（标识、表示、应用）,道路提取概述,道路网络提取按实现方式可分为自动与半自动提取两大类;按其实现的步骤，一般可大致分为以下几个基本步骤:1）道路特征的增强；2）道路“种子点”的确定，确定可能的道路点;为此，人们提出了各种道路检测算子，有基于像素分类、边 缘检测和模板匹配等方法；3）将“种子点”扩展成段;有基于规则的边缘点自动连接、动态规划等等；4）道路段的确认、自动连接，并形成道路网络;这一步骤涉及到自动编组算法、顾及上下文知识的连接假设生成和假设验证、地物语义关系表达、多源数据的融合等高层次自动图像解译方法。,半自动道路提取,半自动道路特征提取即利用人机交互的形式进行特征提取和识别，其主要思想是人工首先提供初始道路点（种子点）有时还提供初始方向，然后再由计算机进行处理识别，同时适当进行人机交互，这方面已有很多研究，并取得了较好的效果。,96,国内外研究现状,道路提取一般可以归纳为全自动提取方法及半自动提取方法。,半自动方法,a)基于像素与背景的算子模型的道路提取c)基于最小二乘样条曲线的道路提取d)基于类与模糊集的道路网络提取动态规划的方法提取遥感影像道路特征、应用模板匹配和神经网络半自动道路特征提取方法,全自动提取方法,基于平行线对的道路提取 基于二值化和知识的道路提取基于窗口模型特征的道路提取,方法列表（适宜低精度图象）,方法列表：（适宜高精度图象）,各种道路表现形式,剖面建模,“扫描蛇”道路追踪,两种不同的道路色调,道路剖面建模(1),1）设某个道路检测连线区间为:X=0,k,则连线下像元灰度值是位置的函数：,2）则连线内任意位置的灰度梯度为：,3）梯度极大的位置集合定义：,4）梯度极小的位置集合：,道路剖面建模(2),(5)则可能的道路剖面是X 上的某个子区间，构成可能道路剖面集合,道路剖面建模(3),(6),做如下特征函数定义,剖面宽度：,剖面灰度最大值:,剖面灰度最小值：,剖面灰度均值：,剖面外周边环境的灰度均值：,剖面最大灰度差：,剖面和周围地物灰度差：,道路剖面建模(4),(7)则合适的道路剖面集合满足如下条件：,Ini_w是初始道路宽度，Tw+,Tw-,Tin,Tout 是预先设置的阈值。其中，Tw+,Tw-是当前道路宽度和初始宽度的比值的上下限，Tin是内部灰度差的上限,Tout是道路内部灰度和周围环境的灰度差的下限。设置以上参数的依据是道路建模的假设条件。如果同时有多个合适剖面，可挑选宽度最接近初始宽度的一个。,算法流程:以一条道路为例,步骤1：设置道路追踪的起始连线步骤2：起始连线两侧的剖面分析、追踪得到道路边界 步骤2.1:从起始连线开始，根据道路走向45度方位角为界，区分横向道路与纵向道路，横向道路选择纵向扫描线，纵向道路选择横向扫描线;步骤2.2:以约1.2倍起始路宽的宽度（可调节），在某个扫描扇面的角度范围内，做若干个追踪方向上的剖面检测连线，即派遣若干条“扫描蛇”；根据剖面的灰度分布、梯度极值、宽度等特征信息搜索每个蛇节上的合适剖面，并进行投票登记；步骤2.3:选择票数最多的一条蛇，选择其尾部合适剖面作为下一个开始追踪的剖面位置，并登记道路端点信息；步骤2.4:重复子步骤1,2,3,直到本次追踪结束；步骤3：结果的矢量化表达,实例分析：小卫星全色影象,放大的局部,间断道路提取,南京师范大学 地理科学学院,交叉道路提取,Quickbird 影象道路提取,115,主动轮廓模型研究,主动轮廓模型（Active Contour Model），也称“蛇”（Snakes）模型，是Kass等人在1987年提出的。模型的主要思想就是从一条初始曲线出发，在一定规则的约束下，经过不断地演化，运动曲线最终可以将目标分离出来。这样，在实际应用中结合一定的先验知识，针对具体的任务，有选择的利用相关信息，便可以达到更方便、更准确的目的。,116,主动轮廓模型研究,主动轮廓模型可以表示为定义在s0,1上的参数曲线，即：v(s)=(x(s),y(s)。轮廓上的总能量可以定义为：,117,基于Snakes模型的道路位置优化,技术路线,118,基于Snakes模型的道路位置优化,乡村区域道路网提取,正确提取的比率分别为暗道路94.4%、亮道路95.0%。在利用Snakes模型优化之后，均方根误差有明显下降，暗道路由4.4下降到1.2，亮道路由3.5下降到0.9，提取结果更加接近于真实道路。,119,基于Snakes模型的道路位置优化,城郊道路网提取,道路正确识别率约93.8，通过Snakes模型的优化后，均方根误差由5.7降低到1.2。,120,基于Snakes模型的道路位置优化,城市区域道路网络提取,在城市区域，正确识别率下降到68.3%。通过Snakes模型的优化后，均方根误差由5.9降低到1.1。,121,基于Snakes模型的道路位置优化,河流网络提取,在算法参数没有修改的情况下，方法取得了很好的提取效果，其正确识别率达到了93%，显示了方法的普适性，通过Snakes模型的优化后，均方根误差由5.2降低到1.1。,遥感图像变化检测,遥感图像变化检测是利用对同一地区在不同时期拍摄的两幅遥感图像，采用图像处理和模式识别等手段，检测出该地区的地物变化信息的过程，它在环境、农业、水利和军事等诸多领域都有着非常广泛的应用。像素级：比值法、差值法、回归、植被指数法、主成分分析等等。特征级目标级,123,像素级变化检测,传统的基于像元的变化检测方法，仅从像元本身的光谱特征进行分析，能够描述与提取的特征非常有限，进而造成变化检测效果欠佳。,我们从图中所标注的区域可以看出，该区域没有发生变化，但是却误检为变化区域，并且结果图中存在大量的“椒盐”噪声。,(a)第一时相数据（b）第二时相数据,（c）结果图,124,基于多特征证据融合的变化检测,高空间分辨率遥感图像所具有的地物细节明显、光谱混淆现象严重的特点造成单纯依据图像灰度特征的变化检测方法变得不太适用。为此，依据更为稳定的图像特征，进行高空间分辨率遥感图像的变化检测，逐渐成为研究的热点。不同的视觉特征反映了图像不同侧面并互为补充，单独使用某一特征进行变化检测都有可能造成漏检或误检，为此，应该考虑综合利用多特征进行变化检测。本方法对边缘、纹理、梯度等多证据进行证据融合，实现了多种变化证据的综合利用。,125,证据理论简介,证据理论作为一种数学工具，它允许人们对不精确、不确定性问题进行建模，并进行推理。证据理论可以根据各源信