遥感技术与遥感图像处理素材.pptx

一、数字图象遥感的基本知识1.概念2.数字图象遥感原理3.常用术语第1页/共57页1.概念遥感（遥感（Remote sensing）通过远离目标的传通过远离目标的传感器获取目标或景观数据的技术（感器获取目标或景观数据的技术（Colwell 1983）。）。包括航片、卫星图象和雷达数据等。遥感包括航片、卫星图象和雷达数据等。遥感图象表征了地物波谱反射、辐射能量的空图象表征了地物波谱反射、辐射能量的空间分布。间分布。第2页/共57页遥感平台-MSS/TM1999 landsat7第3页/共57页遥感平台-SPOT第4页/共57页2.数字图象遥感原理 不同的物体具有不同的物质组成和结构,因此其电磁波谱特征相异。遥感即是根据这种差异来识别不同的物体。这就是遥感的基本出发点。不同地物的光谱曲线不同 同一种植物在不同的情况下，在各波段的反射率也不同第5页/共57页数字图象遥感原理-数据获取、处理、扩展、应用第6页/共57页数字图象遥感原理-遥感数据产品 第7页/共57页数字图象遥感原理-电磁波谱第8页/共57页第9页/共57页数字图象遥感原理数字图象遥感原理-地物反射光谱曲线地物反射光谱曲线第10页/共57页数字图象遥感原理-通道选择第11页/共57页数字图象遥感原理数字图象遥感原理-TM光谱特征光谱特征第12页/共57页数字图象遥感原理-NOAA/AVHRR光谱特征第13页/共57页数字图象处理原理-植被遥感波段选择第14页/共57页3.常用术语常用术语图象（图象（Image）象元（象元（pixel）通道（通道（band）采样（采样（sampling）:获得每个象元位置的获得每个象元位置的灰度灰度（grey level）定量化（定量化（quantization）:用整数表示遥感探测数据。这是用整数表示遥感探测数据。这是由于计算机以处理数字为前提，因此将连续的探测值降维由于计算机以处理数字为前提，因此将连续的探测值降维并用整数表示并用整数表示。空间分辨率（Spatial resolution）:也称也称地面分辨率。波谱分辨率（Spectral resolution）时间分辨率（Temporal resolution）辐射分辨率（辐射分辨率（Radiometric resolution）：由位数决定的记录辐射由位数决定的记录辐射值的数值范围值的数值范围-，如，如 8bit(0255)。第15页/共57页常用术语常用术语-图象类型图象类型第16页/共57页常用术语-象元、灰度、象元坐标物理图象和数字图象第17页/共57页常用术语-通道第18页/共57页常用术语-分辨率空间分辨率空间分辨率辐射分辨率辐射分辨率光谱分辨率光谱分辨率时间分辨率时间分辨率第19页/共57页DEMO MSS&AVHRR DATAMSS/TMAVHRRGVINPP第20页/共57页二、ERDAS软件在遥感图象处理中应用1.ERDAS IMAGINE软件的特点2.IMPORT&EXPORT3.数字遥感图象的增强技术4.数字遥感图象的分类技术5.模型开发工具6.其它常用模块第21页/共57页ERDAS IMAGINE软件的特点高度的RS/GIS的集成功能覆盖土地利用、空间分析/建模、ARC/INFO矢量数据更新、航空影象与硬拷贝地图输出、雷达数据处理、Virtual GIS、图象校正与镶嵌和立体显示等功能。第22页/共57页ERDAS框架第23页/共57页IMPORT&EXPORT数据格式Import MethodExample of Import,MSS&AVHRRCorrecting DataExample of Geo-correction第24页/共57页IMPORT&EXPORT-数据格式BILBSQBIP第25页/共57页Import Method了解数据（行列数、偏移量等信息）单波段输入和多波段合成（举例）查看图象信息第26页/共57页Correcting Data旋转预览（9-11度）Rotate Images(Raster|Geometric Correction)几何校正（Raster|Geometric Correction）IMAGE to MAP IMAGE to IMAGE最后重采样第27页/共57页一次多项式变换第28页/共57页二次多项式转换第29页/共57页GCPs点的选取选取原则：均匀分布，明显定位，数量保证。选取步骤：地图选点，确定图象对应点，筛选。第30页/共57页Image-to-Map rectification第31页/共57页Image-to-Image rectification第32页/共57页遥感图象增强技术图象增强的内涵Image Enhancement depend onEnhancement Techniques第33页/共57页图象增强的内涵 Image enhancement is the process of making an image more interpretable for a particular application.Enhancement makes important features of raw,remotely sensed data more interpretable to the human eye.Enhancement techniques are often used instead of classification techniques for feature extraction-studying and locating areas and objects on the ground and deriving useful information from images.增强地物波谱特征的差别，以识别不同的地物类型；增强地物的形态特征，第34页/共57页Image Enhancement depend onThe users data-the different bands of Landsat,SPOT,and other imaging sensors were selected to detect certain feature.E.g.Parameters of the bandThe users objection-the user must have a clear idea of the final product desired.The users expectation-what the user thinks he or she will find.The users background-the experience of the person performing the enhancement.第35页/共57页Enhancement TechniquesRadiometric enhancement:base on the values of individual pixels.Spatial enhancement:base on the values of individual and neighboring pixels.Spectral enhancement:enhancing images by transforming the values of each pixel on a multiband pixels.Hyperspectral image processing:an extension of the techniques used for multi-spectral datasetsFourier analysis:techniques for eliminating periodic noise in imageryRadar imagery enhancement:techniques specifically designed for enhancing radar imagery第36页/共57页Image enhancement-frequency第37页/共57页Image enhancement-histogram equalization第38页/共57页demointerpreterViewer-raster第39页/共57页数字遥感图象的分类概念分类规则监督分类与非监督分类第40页/共57页数字遥感图象的分类-概念自1972年第一棵陆地卫星（land-sat）发射以来，遥感数据分类问题就是遥感应用的关键问题。遥感图象分类是随着模式识别理论的发展而发展的，并以地学知识为基础，利用计算机通过对遥感图象中各类地物的光谱信息和空间信息进行分析，选取地物模式的特征，用一定手段和规则将特征空间划分为互不重叠的子空间，然后将图象中的各个象元划归到各个子空间。第41页/共57页数字遥感图象的分类-分类器影响分类的关键问题是选择适当的分类规则（或分类器），通过它将遥感数据划分为不同类别。大多数分类器是建立在统计方法上，典型的包括最小距离、最大似然、Bayes分类、模糊分类、统计聚类分析等分类器。随着人工智能技术和理论的发展，遥感图象分类向智能化方向发展，主要热点包括：（1）图象空间中结构信息的提取和分类，如城市道路、网络、水系、山脊线、纹理信息等提取；（2）在地学知识和地理辅助信息支持下的空间逻辑推理的图象分类，如基于规则的遥感影象分类，GIS数据辅助下的遥感影象分类等；（3）基于非线性并行处理的视觉神经理论的遥感图象分类，如人工神经网络分类器，遗传学习法分类器等。第42页/共57页Supervised calssification&unsupervised classification遥感影象分类根据是否需要先验知识可分为监督分类和非监督分类。Supervised training:closely controlled by the analyst;in this process,the user selects pixels that represent patterns or land cover features that they recognize,or that they can identify with help from other sources,such as aerial photos,ground truth data,or maps.unsupervised training:computer-automated,specify some parameters that the computer uses to uncover statistical pattern that are inherent in the data(spectral cluster);then the users responsibility,after classification,to attach meaning to the resulting classes.第43页/共57页遥感分类流程第一步 数据收集和预处理 这包括辐射纠正、几何纠正、特征提取和选择、数据压缩和消除噪音。第二步 训练样区的选择 对于非监督分类来说，也需要选择样区以辅助对簇分析结果的归类。对于监督分类来说，训练样区用于提取各类的特征参数以对各类进行模拟。第三步 对象元进行分类 利用分类算法根据象元特征值将任一象元划归最合适的类。象元特征可以是光谱反射、相邻象元的纹理特征及所在位置的几何特征，如高度、坡度、坡向等。第四步 对分类结果进行后处理 这包括各类滤波、簇分析结果重新归类、对分类结果依据地图投影的要求完成几何转换、对分类图进行整饰等。第五步 评价分类准确度 将分类结果与已知准确的类型进行比较得到分类图的客观分对率。一般通过随机采样、地面实况调查，然后与相应位置的分类结果进行比较，得到误差矩阵（称混淆矩阵或列联表）。如果分类结果不够准确，需要检查前述几个步骤有无改善的可能。第44页/共57页Supervised vs.Unsupervised trainingSelect training Fields Evaluate ClassificationEdit/Evaluate SignatureClassify ImageRun ISODATE AlgorithmEvaluate ClassificationEdit/Evaluate SignatureClassify ImageIdentify Classes第45页/共57页Unsupervised training-demoDataprep|Unsupervised classificationISODATA-叠代自组织的数据分析法Evaluate Classification(overlay,Analyze individual classes,Recode)后处理Accuracy Assessment第46页/共57页supervised training-demoDefine signatures using signature editor(AOI,Grow Seed)perform supervised classificationneighborhood,clump,elliminateAccuracy Assessment书写报告，制作专题图第47页/共57页Land use/cover classification-accuracy assessment 评价分类结果的正确与否，需要客观、合理的方法。分类结果准确度评价方法比较复杂。它受每个类型在空间上分布和每个同类型地块的形状和大小、检测样点的分布、选取、以及不同类型间的相似程度等多种因素的影响。估算分类准确度一般采用下列步骤：(1)确定抽样方法；(2)确定抽样数；(3)使用其它方法确定每个象元样点的类型作为参考数据；(4)建立误差矩阵；(5)计算各种精确度或误差。第48页/共57页Land use/cover classification-sampling strategy(1)系统抽样-等间距布点；(2)随机抽样-对整个区域随机布点；(3)分区抽样-按一定的样点个数在划分的每个区域内随机布点；(4)系统分区随机抽样-对整个区域内等面积分区，并在区内随机布点。当各类型所占面积相近时，可用随机抽样，或系统抽样。当属性数据有规律地分布时，系统抽样可能出现偏差。这时用随机抽样或系统分区随机抽样较好。当属性类型所占面积很大时，则应使用分区随机抽样。否则，面积小的类型就可能很少被抽样，以至于抽样结果代表性差。例如，河谷在土地规划时很重要，但是，通常只占不到1%总面积。这时如果不用分区随机抽样，对这类土地进行配额抽样，则会造成抽样不足。第49页/共57页Land use/cover classification-sampling size由于确定抽样点的类型一般比现行方法（如图象分类）更困难且耗费高，因此确定具有统计意义的最少的样本数量很重要。但这并不容易。目前常用下列方法（Jensen,1996）。N=Z 2(p)(100-p)/e 2 N-抽样数p-准确度期望值（百分数）Z-按一定概率水平在标准正态分布双侧分位数表中查到值e-期望值的允许偏差（百分数）如期望准确度为85%，而允许期望值偏差5%之内，且对估计的准确度的置信水平为95%（即概率水平为0.95）。那么可从双侧正态分布表中查得Z为1.96。这样 N=(1.96)2 x 85 x 15/(5x5)=196由于准确度可以指所有类型或每个类型。如果对每个类型的期望准确度都为85%，那么抽样总数还要由196乘以类型的个数C。第50页/共57页总准确度为63/100 x100%=63%即占总样点63%的样点具有正确的类型。由于数据生产者的目的是使每个类型经过验证达到尽可能地准确，因此主要考察正确的类型数据占每个类型验证样点数的比例。我们将这类比例称为生产者准确度。在表2-4中森林、水面、城市三个属性的生产者准确度分别为：95%，50%，50%。对于数据使用者，它们一般没有验证样点，而只能考察正确的类型占每个类型总样点数的比例。因而将这种比例的百分数称为使用者准确度。表2-4中三个属性的使用者准确度分别为49%、71%、91%。由上述可见生产者准确度和使用者准确度可能差异很大。错判误差是指由于错误判断造成的误差。表2-4中任一行非对角线元素都是由于错判而造成的。如第一行的第二、三列使本应属于水面和城市的样点被划为森林。所以对森林的错判误差为（14+15）/57=51%。同理，对于水面和城市的错判误差为29%和9%。遗漏误差是指本应属于某个类型的样点却被错划为其它属性，仿佛是被遗漏在该类型之外。表2-4中三个类型的遗漏误差分别为7%、50%、50%。第51页/共57页空间模型开发Modeler所具备的功能基本模型复杂模型以NDVI为例介绍第52页/共57页其它常用功能矢量数据处理，矢量数据向网格数据的转换及注意事项。Mask&Subset 区别和用途Function&OperatorsMosaic ImagesErdas&Arc/info 结合使用第53页/共57页谢谢 谢谢第54页/共57页人有了知识，就会具备各种分析能力，明辨是非的能力。所以我们要勤恳读书，广泛阅读，古人说“书中自有黄金屋。”通过阅读科技书籍，我们能丰富知识，培养逻辑思维能力；通过阅读文学作品，我们能提高文学鉴赏水平，培养文学情趣；通过阅读报刊，我们能增长见识，扩大自己的知识面。有许多书籍还能培养我们的道德情操，给我们巨大的精神力量，鼓舞我们前进。第55页/共57页第56页/共57页感谢您的观看！第57页/共57页