97）
高 斯 克 吕 格 投 影 矢 量 数 据 （ V）
90
和
变 化 信 息 提 取
地 图 代 数 计 算 动 态 变 化 图 象 （ d I） dI 和 V 配 准 迭 加
统 计 数 据
初 始 动 态 图
10
变化信息提取（续）
详 查 图 数 字 化 形 式 时相① 遥感影像 配 准 配 准 裁 剪 和高克投影配准 主成分分析法 迭 加 分析图像特征选择反映变化信息明显的分量 分 类 初始动态分类 （有变化） 确定动态变化的具体内容 （由什么变成什么） 初始动态变化图 时相② 遥感影像

26
3.2 分层分区（续）
在研究草场植被类型分类中，鉴于单纯的监督 分类不能有效的区分不同景观单元的草场植被 类型，采用了先对图像按照地貌类型分区在在 各个分区上分别进行监督分类。 在使用多景 TM 图像进行流域范围尺度上地形 覆盖类型分类时，在图像镶嵌后，将图像分为 三个生态区，进行分类，克服了单景分类不具 有任何生态学意义的缺点。
3.3 图像空间信息的分类（续）
C. Ricotta等（1996）在进行森林研究时， 对NDVI图像使用了计算简洁的纹理绝对 差值算法来利用空间信息。应用表明纹 理差值在对于植被和非植被类型的区分 时，能够抓住两者之间纹理特征的本质。 显然本文研究的类别只有两种，是否对 更细类别分类时同样实用，需要实验。
33
3.3 图像空间信息的分类（续）
图像模式识别领域对纹理的研究和应用 比较深入，描述纹理的方法归纳起来主 要有： 共生矩阵， 纹理能量测量， Markov随机场模型， 分形布朗模型等。

34
3.3 图像空间信息的分类（续）

纹理是图像处理相关领域的表达图像空间信息的一个 重要度量，遥感应用中更多地使用结构（也称上下文， context）。研究人员根据其应用目的，提出了一些用 于图像分类的结构方法。 出现频率。出现频率F(i,j,v)定义为灰度值为v的像元 在以i,j为中心。边长为l的窗口内出现的频率。对单波 段来讲，v是一个值，多波段时v为向量。由图像生成 出现频率表，表项的数目跟灰度级(n)和波段数(m)有 关，最大数目为nm。出现频率表较空间统计度量具有 两个优点。一是比任何一个空间域度量要包含更多的 信息。事实上常用的空间域度量可以从出现频率中直 接求出。二是出现频率表可以快速地生成，无须占据 硬盘空间。 35

30
3.3 图像空间信息的分类（续）
早在1980年，Switzer将邻域像元的平均值 输入到最大似然法中，是计算机图像分类 运用空间信息的开始。 纹理（Texture）是灰度在平面空间上的 变化，是遥感信息的重要内容。 要利用图像空间信息提高分类精度，合理 而有效地度量纹理至关重要。

31

28
3 提高分类精度的方法改进
3.1 传统方法的改进 3.2 分层分区 3.3 图像空间信息分类 3.4 多源辅助数据综合分类

29
3.3 图像空间信息的分类
遥感信息综合了地物种类、组成、坡度、坡向、 阴影、太阳高度角等信息，而传统的统计分类 仅仅使用了图像的单像元的光谱特性，忽略了 像元之间的相互空间关系。 仅仅依赖于光谱信息的分类结果在实际应用中 是不成功的。 遥感图像的空间信息在区分地物时具有非常重 要的作用，是目视解译的重要解译标志之一。 将图像空间信息用于计算机自动分类是自然而 然的想法。
提交最终结果
14
精度检验方法
鉴于混淆矩阵成为评价遥感图像分类结果的标准方 法，拟根据实地对变化图斑的考察记录，选取不少 于考察图斑60%的图斑，对比遥感得到的结果，形 成混淆矩阵，进行精度评价。 利用混淆矩阵进行精度评价时，偶然的一致往往会 发生。而总体精度并不能排除这种偶然一致性。因 此在混淆矩阵基础上，加上 kappa 统计来进行精度 评价。 Kappa 统计的意义是：如果 Kappa 统计为 0.7 ，则表 示所用的分类方法比随机赋予各点某一类别的方法 优越70%。
3.3 图像空间信息的分类（续）
图像纹理的表示方法分为两类， 一是结构方法，表示基本原始模式在空间的重复， 如砖墙。结构方式中排列的方式描述十分复杂。 二是统计方法。由于地物的组成、空间分布的复 杂性和多样性，反映在遥感图像上的千差万别的 纹理不会象砖墙那样有规则不变的局部模式和简 单的周期性的重复。遥感图像的纹理特征和重复 性往往只具有统计学上的意义。因此统计纹理分 析方法是遥感图像纹理分析的主要方法

38
3.3 图像空间信息的分类（续） －评论

要真正地利用遥感图像的空间信息，还 必须模拟目视解译过程，把判读人员的 经验加入到影响分类过程中，建立基于 知识的纹理和线形特征识别以及邻域分 析方法（Argials D. P等，1990）。Paul (1997)在这方面做了探讨，初步显示了基 于知识的图像空间信息方法在提高分类 精度的潜力。
波段
9
150 100 50 0 4 5 7
时 相 ① TM 影 像
配 准 波 段 分 析 假 彩 色 合 成 训 练 区 选 择 样 本 分 析 与 校 正
时 相 ② TM 影 像
地 理 辅 助 数 据 行 政 界 线 清 绘
扫 描 或 数 字 化 矢 量 图 形 属 性
投 影 变 换 最 大 似 然 方 法 人 机 交 互 目 视 纠 正 分 类 结 果 （ Ｉ Ｉ
3 提高分类精度的方法改进
由于遥感信息存在固有的“同物异谱，异物 同谱”，严重制约了基于光谱特征的统计分 类精度的提高。 而遥感专题分类的精度决定了遥感信息的实 际应用价值。 增加遥感图像的分类精度作出了大量的工作。 大致可以分为以下几类：

பைடு நூலகம்21
3 提高分类精度的方法改进
3.1 传统方法的改进 3.2 分层分区 3.3 图像空间信息分类 3.4 多源辅助数据综合分类
23
3.1 传统最大似然法的改进 （续）

C.Conese等（1993）认为经过主成分分析 的第一主分量包含了亮度信息，和地形的 影响密切相关，通过对图像训练样本进行 主成分分析，去除第一分量的影响来修订 最大似然分类法，以减少地形的影响。这 一修订的方法在进行地形破碎的地区分类 时改善了分类的精度。

27
3.2 分层分区（续）
Loveland （ 1991 ） 在 利 用 NOAA/AVHRR 图 像 进行美国土地利用分类制图时，先根据 GIS 数 据库中气候、植被、环境等数据将全国划分为 几个小的区域，然后再对各个小的区域进行非 监督分类，减少了误分的像元数。 Jesus S.M.A等（1997）利用TM和SPOT图像派 生出比值图像主成分分析图像等，对于各种图 像组合进行了比较研究，肯定了分层分区的优 点。
24
提高分类精度的方法改进
3.1 传统方法的改进 3.2 分层分区 3.3 图像空间信息分类 3.4 多源辅助数据综合分类

25
3.2 分层分区
分层分区则在对不同的类别利用不同的信息子 集。 在山区植被分类中对图像进行四叉树分割，利 用距离判据来决定是否需要更多的信息参与分 类。这样每一步尽可能少地利用信息，只有当 判断模糊时，才询问辅助信息，以降低时间开 销。但基于四叉树的图像分割不具有地理学意 义，当图像中方格状图斑多时，效率较高；如 果地物复杂，四叉树划分的效率不高。
11
变化信息提取（续）
动态信息分类法 三种变化信息提取的评述：

12
动态信息提取
利用公式 B1*10+B2 计算得到一幅新的图像，例如某点像元 在90年为耕地（灰度值为3），97年变为 居民地（灰度值为0），则动态图像上该 像元的灰度值为30，表示耕地变为居民 地。

13
成果图件制作和整饰

36
3.3 图像空间信息的分类（续）

利用小波变换，产生的小波子图来利用 图像空间信息。在连同多波段图像输入 KOHONEN自组织神经网络分类器后的 分类结果表明，小波子图在区分细致地 物特别是边缘检测的优势是传统分类方 法所无法比拟的。
37
3.3 图像空间信息的分类（续） －评论
空间信息的使用主要通过“窗口”来进行的。 窗口过大，将别的类别纳入，往往产生误差边 缘；窗口过小，常常引入不相关或相关小的像 元，产生不可靠的纹理，并引入随机纹理。 纹理在图像分类的作用严重受到“窗口”的影 响，对于分类的精度提高不是简单的提高。 由于缺乏对遥感图像纹理机理的深刻认识，成 功的机遇并不很大，带有一定的随即性、偶然 性和片面性。

4
分类标准

全国土地遥感动态监测的分类标准。该 标准基本遵循了全国农业区划委员会 1984年颁发的《土地利用现状调查规程》 的分类体系，并考虑遥感图像自身的特 点。土地覆盖/利用类别分类定为以下8大 类49二级类别（表）。编码在矢量图形 中为多边形的属性码，在栅格图像上为 栅格值。
5
分类标准（续）

2
概念（续）

从两者的定义可以看出，土地利用和土 地覆盖既有一定的联系又有差别。土地 利用重点是表示与土地相结合的人类活 动而产生的不同利用方式。土地覆盖主 要是表示地球表面存在的不同类型的覆 盖特征，强调的是土地的表面形状 。
3
概念（续）
我国土地利用分类的目的是查清各县各种土地 分类的面积、分布和利用状况，为国家制定国 民经济计划，农业区划和规划，指导农业生产 和服务与土地统计登记制度等管理工作。因此 土地利用分类的主要依据是土地用途、土地经 营方式、土地利用方式和土地覆盖特征等。土 地覆盖只是土地利用分类的一个依据，但遥感 图像最能够直接反映的是土地覆盖。 大多数遥感土地应用使用土地覆盖/利用的概念。
第七章 遥感应用1—遥感在 土地利用/土地覆盖中的应用