遥感图像信息提取分析

ENVI/IDL遥感图像信息提取ENVI/IDL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ENVI/IDL1、遥感信息提取方法概述ENVI/IDL1.1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。ENVI/IDL1.2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ENVI/IDL1.3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ENVI/IDL2、监督分类ENVI/IDL2.1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ENVI/IDL2.2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ENVI/IDL2.3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。ENVI/IDL2.3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ENVI/IDL2.3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ENVI/IDL2.3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ENVI/IDL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ENVI/IDL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ENVI/IDL3、基于专家知识的决策树分类ENVI/IDL3.1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ENVI/IDL3.2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ENVI/IDL3.3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20ENVI/IDL3.4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、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）……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}LT0.3ENVI/IDL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20ENVI/IDL决策树分类-练习•构建执行决策树ENVI/IDL4、面向对象分类ENVI/IDL4.1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ENVI/IDL4.2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ENVI/IDL3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？ENVI/IDL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”ENVI/IDL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ENVI/IDL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ENVI/IDL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ENVI/IDL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。ENVI/IDL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0.25ENVI/IDL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ENVI/IDL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ENVI/IDL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ENVIFX面向对象信息提取工具中的”Rulebasedfeatureextractionworkflow”进行河流信息提取ENVI/IDL5、地物识别与定量反演ENVI/IDL5.1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ENVI/IDL5.2Bandmath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ENVI/IDL5.2Bandmath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ENVI/IDL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-(b1gt0.7)*1+(b1lt0.)*0+(b1ge0andb1le0.7)*((b1-0.0)/(0.7-0.0))-地表比辐射率-(b1le0)*0.995+(b1gt0andb1lt0.7)*(0.9589+0.086*b2-0.0671*b2^2)+(b1ge0.7)*(0.9625+0.0614*b2-0.0461*b2^2)ENVI/IDL地表温度反演基本流程图ENVI/IDL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)-273ENVI/IDL地表温度反演——结果输出ENVI/IDL6、遥感动态监测ENVI/IDL6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