遥感图像信息提取

遥感图像信息提取主要内容遥感信息提取技术概述目视解译监督分类基于专家知识的决策树分类面向对象分类地物识别和定量反演动态监测立体像对DEM提取1.遥感信息提取方法概述•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。1.1影像信息提取技术基础1.2遥感信息提取方法概述人工解译基于光谱的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.目视解译•人们对地表物体的有关领域，如土地利用存在一种先验知识，在遥感图像寻找对应关系。然后，根据遥感图像的影像特征推论地表物体的属性。这一过程就称之为遥感图像的解译，也叫遥感图像的判读。•解译的任务就是从图像上认识，辨别影像与地物的对应关系、判断、归类、地物目标，并用轮廓线圈定它们和赋予属性代码，或用符号、颜色表示属性。•进行图像解译时，把图像中目标物的大小、形状、阴影、颜色、纹理、图案，位置及周围的系统称之为解译的八要素。2.1遥感图像解译的基本概念•预处理主要包括：几何校正、融合、裁剪、镶嵌。•除了这些传统的预处理外，为了方便目视解译，图像解译中比较重要的处理还包括了波段组合、图像增强、图像变换等。2.2遥感图像解译预处理•遥感图像判读包括识别、区分、辨别、分类、评定、评价及对某些特殊重要现象的探测与鉴别。其轮廓的勾绘及其属性的赋予是要有依据。依据就是判读标志。在遥感图像上研究地表地物的种种特征的总和，就叫判读遥感图像标志。2.3解译标志的建立地物名称特征实例林地1、指生长乔木，树木郁闭度≥20％的各种天然、人工等树木的土地；2、有林地通常依地形地貌呈面状分布，通常树冠连片，周边规则，色差明显，可见树冠阴影。但有林地不包括居民点绿地，以及铁路、公路、河流、沟渠的护路、护岸林；3、图像纹理结构粗糙；4、图像色调阔叶林为鲜红为主，针叶林为暗红为主；5、在坝上高原农牧交错带，有林地通常分布在地形起伏的山地中，阴坡比阳坡生长较好。A为人工种植的有林地；B为天然草地水浇地中的林网•数据源的选择：数据源的选择需要考虑的因素非常多，包括价格、空间分辨率、成像时间、波谱分辨率等因素。•解译平台：一个好的解译平台对于工程完成的效率影响非常大，涉及到操作的便捷、数据格式的互操作、结果的储存和管理等。对于高分辨率影像的解译，很多软件都具有半自动跟踪功能。如在ENVI中的Vector-IntelligentDigitizer（智能化矢量工具），具有半自动跟踪功能，能自动圆滑线性地物拐弯处、圆滑不规则地物边界等。•经验的积累：图像解译以相关的专业知识和经验为主导，图像处理为辅助，经验是在实践中逐步总结。2.4解译的关键问题3.监督分类•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3.1监督分类定义3.2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光谱信息散度二进制编码神经网络支持向量机分类模糊分类•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。3.3监督分类流程说明——类别定义/特征判断•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GoogleEarth辅助解译•各个样本类型之间的可分离性要好–用Jeffries-Matusita,TransformedDivergence参数表示，这两个参数的值在0~2.0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3.3监督分类流程说明——样本选择•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3.3监督分类流程说明——分类器选择平行六面体最小距离马氏距离最大似然波谱角光谱信息散度二进制编码神经网络支持向量机分类模糊分类•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3.3监督分类流程说明——分类后处理数据源–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(一)数据源–练习数据\1-监督分类\2-火烧迹地提取\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•精度验证监督分类练习(二)4.基于专家知识的决策树分类4.1专家知识的决策树分类基本原理+DEM+++RoadMapZoningCoverageLandcoverClassification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4.2专家知识的决策树分类基本步骤知识（规则）定义规则输入决策树运行分类后处理•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，坡度大于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204.3规则定义表达式部分可用函数基本运算符+、-、*、/三角函数Sin、cos、tanasin、acos、atanSinh、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）……4.4规则描述——表达式与变量变量作用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}LT0.3•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，坡度大于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决策树分类-练习5.面向对象分类•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5.1面向对象的图像分析5.2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•发现对象•特征提取5.3面向对象分类操作流程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？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•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•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——分割影像•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FullLambda-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——合并分块•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1——特征提取•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——输出结果•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2——基于样本•采用单波段影像，使用ENVIFX面向对象信息提取工具中的”Rulebasedfeatureextractionworkflow”进行河流信息提取面向对象分类练习3——单波段影像提取河流Portal工具查看提取精度6.地物识别与定量反演•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6.1地物识别与定量反演基础•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6.2Bandmath基础ENVI