遥感分类处理图像 遥感分类处理图像分析

本文目录一览：

• 1、遥感中何谓分类后处理?
• 2、【遥感入门系列】遥感分类技术之遥感解译
• 3、遥感图像分类法
• 4、遥感图像为什么要进行分类啊?分类能解决什么问题?
• 5、遥感图像分类处理方法

遥感中何谓分类后处理?

在ENVI中，分类后处理主要有：主/次要分析（Majority/Minority Analysis）、类成团（clump）、类别筛选（Sieve）、类别结合（Combine classes）、类别叠加（Overlay classes）等。这里主要详细介绍前三种。

遥感影像监督分类可以分为四个过程：样本选择、执行监督分类、评价分类结果和分类后处理。具体操作步骤如下。

遥感数据处理：遥感数据处理是解译的前提，包括遥感图像的预处理（如大气校正、辐射校正、几何校正等）和后处理（如图像增强、滤波、融合、压缩等）。 地物分类：地物分类是对遥感图像中的像素进行分类，通常包括像元分类和目标分类两种方式，可以利用监督分类和非监督分类等方法进行。

在分类过程中，遥感图像自身的空间分辨率，同物异谱以及异物同谱现象广泛存在，错分和误分的情况很常见，对分类结果要做进一步的处理工作，也就是去除小图斑的工作，称之为分类后处理。

执行非监督分类后，得到的只是一个初步的分类结果，需要进行类别定义域合并子类的操作。 类别定义 类别定义的根据可以通过更高分辨率图像上目视解译获得，也可以通过野外实地调查获得。 (1)打开分类图像即灌阳地区QuickBird遥感数据，并使之显示在“Display”中。

常用的信息提取方法是遥感影像计算机自动分类。首先，对遥感影像室内预判读，然后进行野外调查，旨在建立各种类型的地物与影像特征之间的对应关系并对室内预判结果进行验证。工作转入室内后，选择训练样本并对其进行统计分析，用适当的分类器对遥感数据分类，对分类结果进行后处理，最后进行精度评价。

【遥感入门系列】遥感分类技术之遥感解译

遥感图像分类基于图像中地物的光谱信息和空间信息，通过计算机分析，将图像中的像元按照规则或算法划分为不同类别，实现对实际地物的对应信息获取。遥感图像分类的特点包括数据量大、复杂性高和需要预处理等。

遥感解译是指利用遥感数据对地表物体进行识别、分类、定量化、分析和管理的过程，通常包括以下内容： 遥感数据处理：遥感数据处理是解译的前提，包括遥感图像的预处理（如大气校正、辐射校正、几何校正等）和后处理（如图像增强、滤波、融合、压缩等）。

遥感解译是指利用遥感技术获取的遥感数据进行分析、处理和解释的过程。遥感解译可以帮助我们了解地表情况、自然资源分布、环境变化等多种信息。遥感技术已经成为现代勘探、地质和环境监测的重要工具。遥感解译技术的应用领域非常广泛，包括了农业、林业、地质、水文等多个领域。

遥感地质解译应综合使用目视解译、人机交互式解译及计算机自动识别等方法完成。

遥感图像分类法

1、他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了最大似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。

2、通过使用ENVI的六种主要的遥感监督分类器——平行六面体分类、最小距离分类、马氏距离分类、最大似然分类、神经网络分类和支持向量机分类的命令，加深对遥感监督分类原理的理解，了解其技术实现过程，初步掌握其ENVI功能命令的基本使用操作。

3、图像分类是以计算机来区分图像中所含的多个目标物为目的，并对区分的像元组给出对应其特征的名称，从而达到图像判读的目的。用于图像分类的数学理论目前有3个分支：统计图像分类、专家系统分类和模糊分类。

4、遥感图像处理中常用的监督分类方法有最小距离法、贝叶斯线性和非线性判别法 ( 最大似然法) 、多级分割法 ( 平行六面体法) 、特征曲线法 ( 光谱角法) 、马氏距离法、费歇尔线性判别法等。

5、遥感图像可以提供植物物种识别的重要信息，但需要一定的技术和数据分析。以下是利用遥感图像区分两种植物（灌木和乔木）的方法： 了解目标植物的特征：在开始分析之前，需要了解灌木和乔木的典型特征和形态。灌木通常较低，没有明显的树干，而乔木则较高，有明显的树干和分支。

6、对于五米以上高分辨率遥感图像分类，目前大致有两种思路。一是采取一些非参数的分类方法：因为传统的参数法，一是基于像元，二是基于概率统计。这两条在高分辨率中因为类内方差变大，类间方差变变小，没有明显的聚类中心，存在这明显的重叠。所以考虑一些非参数的方法进行监督分类。

遥感图像为什么要进行分类啊?分类能解决什么问题?

遥感图像记录的信息，是地面地物的不同波段的电磁辐射信息。同一个地物，在不同的波段会有不同的辐射表现。辐射表现一样的地物，并不一定是同一类地物。遥感影像分类，其实就是对地物的辐射量与特性进行划分，尽可能找出辐射特征相同、相近或类似的地物。

选择最佳波段组合进行分类，可以有效减少计算量并提高分类质量。通过农、林等遥感应用中的算术运算或矩阵变换，可得到反映植物长势和变异的信息。计算机分类依据不同地物在各波段反射电磁波强度的差异，形成N维波谱空间。训练区内像元的平均灰度值作为类别中心，通过计算距离实现像元分类。

实现对实际地物的对应信息获取。遥感图像分类的特点包括数据量大、复杂性高和需要预处理等。其方法主要分为三大类：基于光谱的计算机分类、基于专家知识的决策树分类、面向对象图像分类和深度学习图像分类。

图像增强技术如线性拉伸和对比度变换，提高了图像的对比度，便于地物识别。植被指数计算，如NDVI、SR和EVI，用于评估植被覆盖和生长状况。在遥感图像分类中，监督和非监督方法各有优势，样本选择和分类器的运用至关重要，分类后处理如小斑块去除和统计分析则能优化结果。

遥感图像分类处理方法

1、在遥感图像的实际应用中，特征提取、分类与类聚处理是关键步骤。通过主成分分析法，多光谱图像数据的波段间相关关系得以消除，大幅减少信息量，且第一至第三主成分覆盖了绝大部分信息。主成分分析法又称为K-L变换，但信息集中的主成分图像可能不利于后续分析。

2、遥感影像监督分类可以分为四个过程：样本选择、执行监督分类、评价分类结果和分类后处理。具体操作步骤如下。

3、图像预处理在遥感应用中至关重要，包括几何校正、图像融合、镶嵌、裁剪与大气校正。流程涉及多个环节，如全色和多光谱图像融合、裁剪、去除云及阴影处理、大气校正。数据预处理流程包括几何校正、图像融合、镶嵌、裁剪与大气校正。中等分辨率全色和多光谱图像预处理流程图示。

4、平行管道分类是一种最简单的分类方法，是通过研究训练样区数据的各个光谱成分的直方图来进行分类的图像直方图中灰度值的上下限描述了图像中每个波段中类别的灰度值范围。某一光谱类在所有波段的灰度值范围定义了一个多维的平行管道。