前言：中文期刊網精心挑選了遙感影像范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
遙感影像范文1
引 言
隨著遙感技術的發展，各種各樣的傳感器也不斷出現，對于同一地區，我們可以得到用不同傳感器獲取的不同尺度、不同時相特別是不同光譜信息的遙感影像數據。不同源的數據反映了區域的不同方面的特征，如何合理的綜合利用這些多源數據，對于遙感應用十分關鍵。顯然，影像融合為我們提供了一個很好的途徑。影像融合就是將不同源的數據配準后變換到同一尺度、同一坐標系，然后采用一定的融合方法將各種數據的信息充分的結合起來，產生一種更適合應用的影像數據的新技術。
圖像融合一般分為三個層次：①像素級融合。像素級融合也稱數據級融合，是指對傳感器采集來的數據進行采集、分析和處理，生成目標特征而獲得融合圖像；②特征級融合。是指對預處理和特征提取后獲得的景物信息如邊緣、形狀、輪廓、方向、區域和距離等信息進行綜合與處理；③決策級融合。是指根據一定的準則以及每個決策的可信度作出最優決策，數據融合的容錯能力即由此而來。
圖像融合的算法有很多，傳統的算法主要有：HIS變換的融合、小波變換融合、主成分變換融合、高通濾波變換法、比值運算法、Brovey變換法等等，最近也提出了一些新的或改進型的圖像融合算法，比如Contourlet變換融合、基于HSV變換與atrous變換的圖像融合、一種基于最大區域熵值的圖像融合方法、基于小波包的融合等等。下面本文將對其中一些算法進行介紹并分析。
1 目前較為流行的影像融合算法分析
1.1 小波變換法
1.2 Brovey變換法
Brovery變換（Brovery Transform，BT）：是一種用來對來自不同傳感器的數據進行融合的較為簡單的融合方法，該方法將多光譜各波段進行歸一化，然后將高分辨率全色影像與歸一化后的各波段相乘得到融合后的影像。其計算公式為：
R=pan×band3/（band1+band2+band3）
G=pan×band2/（band1+band2+band3）
B=pan×band1/（band1+band2+band3）
式中：pan表示高分辨率全色影像，band1、band2、band3表示多光譜的3個波段。
1.3 主成分變換
主成分分析，又稱K-L變換法，它的幾何意義是把原始特征空間的特征軸旋轉到平行于混合集群結構軸的方向去，得到新的特征軸。PCA變換的具體步驟：多光譜波段經過PCA變換后，將全色高分辨率影像進行灰度拉伸，使其均值和方差與PCA變換的第一分量的影像一致；然后用拉伸過的高分辨率全色影像代替第一分量；最后經過PCA逆變換得到融合影像。
實際操作是將原來的各個因素指標（這些指標中部分有相關關系）重新組合，組合后的新指標是互不相關的。在由這些新指標組成的新特征軸中，只用前幾個分量圖像就能完全表征原始集群的有效信息，圖像中彼此相關的數據被壓縮，而特征得到了突出，此方法在對于具有相關因子的多源遙感數據進行融合時具有顯著優勢。該方法的局限性在于：①圖像在做主成分分析時，第一分量的信息表達的是原各波段中信息的共同變換部分，其與高分辨率圖像中細節變化的含義略有不同。高分辨率圖像經過拉伸后雖然與第一分量具有高相似性，但融合后的圖像在空間分辨率和光譜分辨率上會有所變化；②由于光譜信息的變化，使融合圖像不能用于地物識別和反演工作，但是它可以改進目視判讀的效果提高分類制圖的精度。
1.4 高通濾波變換法
高通濾波（High-PassFilter，HPF）方法是把高分辨率影像進行傅立葉變換從空間域轉換到頻率域，然后在頻率域內對傅立葉圖像進行高通濾波，獲取圖像的高頻分量，將高頻部分融合到多光譜圖像中，以突出細節部分，獲取最后融合圖像。此方法雖然有效地保留了原多光譜信息，卻在對高分辨率波段影像濾波時濾掉的大部分紋理信息。高通濾波法融合流程如圖1所示。
1.5 小波變換
小波變換（Wavelettransform，WT）首先對參與融合的遙感圖像數據進行小波正變換，將圖像分解為高頻信息和低頻信息。分別抽取來自高空間分辨率影像分解后的高頻信息和低空間分辨率的低頻信息進行小波逆變換，生成融合圖像。小波變換的圖像融合算法流程如圖2所示。
遙感影像的信息融合方法，如主成分分析和基于IHS變換等，均存在原有分辨率的影像光譜信息部分丟失的問題。而小波變換可對多個波段的影像信息融合，既能充分利用高分辨率影像的空間信息，又能保持低分辨率影像的光譜信息的最大完整性，這也是當前遙感影像融合技術研究的主要目標。
小波變換應用于影像融合的優勢在于它可以將影像分解到不同的頻率域，在不同的頻率域運用不同的融合規則，得到融合影像的多分辨分解，從而在融合影像中保留原影像在不同頻率域的顯著特征。但小波變換進行融合也有兩個缺點：一是小波變換進行融合容易產生較為明顯的分塊效應；二是直接用低分辨率影像的低頻部分去替代高分辨率影像的低頻部分，這樣在一定程度上損失了高分辨率影像的細節信息。改進小波變換的缺點，成為現在研究的熱點之一。近年來出現了一些改進的小波變換算法。
文獻[3]采用了一種基于離散小波變換的新融合算法：首先，采用小波多分辨分析和馬拉特快速算法，將原始圖像分解成近似圖像和細節圖像，然后在各層的特征域上進行有針對性的融合，最后通過小波逆變換完成圖像重建。
文獻[2]提出了一種將小波變換和MNF變換結合的遙感影像融合的方法。
文獻[1]提出了一種基于正交小波包的局域方差遙感圖像融合新算法.該算法利用正交小波包變換，把圖像分解成不同尺度的低頻和高頻部分，采用小波包局域窗口和子區域窗口統計，把小波包系數分類成邊緣和非邊緣系數.在融合處理中，把低頻圖像的小波包系數平均值作為融合后的低頻系數，高頻細節系數根據不同區域特征選擇方法以及對應圖像小波包系數的多窗口區域方差，來確定融合后高頻小波包系數。
2 影像融合的評價準則
融合影像的整體質量評價指標主要有：平均梯度、熵、相關系數以及UIQI（Universal Image QualityIndex）指標等。
2.1 平均梯度
平均梯度g的大小可敏感地反映影像表達微小細節反差的能力。其計算公式為：
g=■■■2
一般來說，g越大，表明影像越清晰。因此可以用來評價融合影像和原影像在微小細節表達能力上的差異。
2.2 相關系數
相關系數反應了兩幅影像的相關程度，也反映了影像融合前后的改變程度，其定義如下：
ρ=■
其中F為融合生成圖像的灰度值，f為融合圖像的均值；A為源圖像灰度值，a為源圖像的均值。
2.3 UIQI
Zhou Wang等在文獻[4]中提出了一種新的影像質量評價指標UIQI（Universal Image Quality Index）。假設x={xi│i=1，2，…，N}和y={yi│i=1，2，…，N}分別為原始影像和待評價影像的信號。文中定義的圖像質量評價指標為：
Q=■
其中：
■=■■x■，■=■■y■，σ■■=■■（x■-■）■，σ■■=■■（y■-■）■
σ■=■■（x■-■）（y■-■）
在實際應用中，采用局部評價的策略。首先選定B×B大小的窗口，從左上角開始逐像素移動，每一步按照上面的方法可以計算得到一個Qj，假設共移動了M步，則按下面的公式就可計算得到一個圖像質量評價指標Q：
Q=■■Qj
此即為UIQI。
參考文獻
[1]李慧，林克正.基于小波包的遙感圖像融合新算法[J].哈爾濱理工大學學報，2009，（14）：68～71.
[2]李海濤，顧海燕，林卉，韓顏順，楊景輝.基于小波變換和MNF變換的遙感影像融合[J].山東科技大學學報自然科學版，2007，（26）：56～60.
遙感影像范文2
關鍵詞：多源遙感；多分辨率；影像融合；像素級
中圖分類號：P407文獻標識碼： A
1引言
隨著遙感技術的發展，光學、紅外、微波和激光雷達等大量不同衛星傳感器的應用，獲取同一地區的多源遙感影像數據（多時相、多光譜、多傳感器、多平臺和多分辨率）越來越多，為環境監測、資源調查、地形測繪和軍事應用等領域提供了多層次的遙感影像金字塔。
與單源遙感影像數據相比，多源遙感影像數據所提供的信息具有冗余性、互補性和合作性。通過影像融合可以從不同的遙感影像中獲取更多的有用信息，補充單源影像信息的不足。在遙感中，遙感影像融合是將覆蓋同一地區的多源影像在統一地理坐標系中，按照一定的算法進行處理產生出比單源影像更精確、更完全、更可靠的影像的過程[1][2]。多源遙感影像融合不僅僅表現在多源遙感影像信息之間的疊加方面，還表現在利用多源遙感影像信息進行目標識別決策上。它能提高影像的空間分解力和清晰度，平面測圖精度、分類精度與可靠性，增強解釋和動態監測能力，減少影像模糊度，有效提高遙感影像數據的利用率[3][10]。
多源遙感影像融合可以分為像素級、特征級和決策級三個層次。這三個層次上所采用的融合算法各不相同，像素級融合算法主要有代數運算法、高通濾波法、HIS變換法、主分量分析法（PCA）、分量替換法及小波分析融合法；特征和決策級融合算法主要有貝葉斯統計決策理論、D-S證據推理、模糊推理和人工神經網絡等[1][4][8-9][11-13]。
像素級融合直接在原始數據層上進行融合，該層次的融合準確性最高，能夠提供其它層次上的融合處理所不具有的更豐富、更精確、更可靠的細節信息，有利于圖像的進一步分析、處理與理解。它是特征級圖像融合和決策級圖像融合的基礎。但是與其它兩個層次的融合相比，像素級融合需要處理的信息量最大，處理時間較長，對設備的要求也比較高。目前在圖像融合方面，研究較為成熟，應用較為廣泛的方法大多屬于像素級圖像融合[7]。因此，本文將著重介紹像素級圖像融合方法。這類算法大體上可以分為三類：（1）簡單圖像融合算法，如比值和加權乘法、Brovey 變換法、高通濾波法（2）分量替換圖像融合算法，如HIS 變換法[5]、主成分分析法（3）多分辨率圖像融合算法，如金字塔融合法、小波變換融合方法[14]。
2遙感影像融合方法
2.1簡單圖像融合方法
簡單圖像融合算法不對融合的各個源圖像進行任何圖像分解或變換，而是直接對各個源圖像中對應像素點分別進行選擇、平均或加權平均等簡單處理，最終融合成一幅新的圖像。
2.1.1加權融合方法
為了將高空間分辨率影像的空間信息傳遞到低空間分辨率的多光譜影像上，獲取空間分辨率提高的多光譜影像，基于像元的加權融合對兩幅圖像，按下式進行：
(1)
權系數，可根據經驗對某被融會影像，需強調的程度確定，也可運用相關系數確定融會影像的權重，以減少冗余度。
采用該方法融合的影像包含高分辨率影像的細節，空間分辨率有所提高，可用于TM和SPOT全色影像的融合，但融合后的影像與原多光譜影像的光譜特征有較大的差異。
2.1.2乘積性融合方法
Cliche提出了三種乘積性融合方法對SPOT全色影像和多光譜影像進行融合，表達式為：
(2)
(3)
(4)
式中，為全色影像，為第i波段多光譜影像。式（2）對紅、綠波段同全色影像融合效果較好，而對紅外波段因與全色影像相關性小，效果并不理想。式（3）會導致融合的影像反差變小。式（4）對紅外波段采用加權融合，且權值大，可獲得較好的視覺效果。
2.1.3比值融合方法
針對不同影像類型學者們提出了多種比值融合法，如Pradines融合法、Price融合法、Munechicka融合法和Brovey融合法等，其中Brovey融合法是最常用的一種比值融合方法。該方法假設高分辨率全色影像與低分辨率多光譜影像的光譜響應范圍相同。
該方法能在增強影像的同時保持或增強原多光譜影像的光譜信息，不僅有利于地物的識別，還能在一定程度上消除太陽光照度、地形起伏、陰影和云影等的影響，可用于SPOT全色與其多光譜影像，SPOT全色與TM多光譜影像的融合[6]，但不能用于波譜范圍不一致的全色影像和多光譜影像融合的問題。
2.1.4高通濾波融合方法
高通濾波融合法將高分辨率影像中的幾何信息逐像素疊加到低分辨率影像中而進行融合。通過高通濾波濾掉了絕大部分的光譜信息而保留了與空間信息有關的高頻成分，再把高通濾波的結果加到各光譜影像數據中，經過這種處理就可把高分辨率影像的空間信息與多光譜影像數據的光譜信息融合了，形成高頻信息特征突出的融合圖像。
該方法的優點是能提高多光譜影像的空間分辨率，同時保留了原始多光譜影像的光譜信息，能減小陰影的影響，并且對于參與融合的多光譜影像的波段數沒有限制。融合的影像對于農作物識別與分類尤其適用。
2.2分量替換圖像融合方法
分量替換融合算法將低空間分辨率多光譜影像進行某種變換，然后由高空間分辨率影像代替與其高度相關的分量，最后經逆變換獲得空間分辨率增強的多光譜影像。
2.2.1彩色變換融合方法
HIS變換將圖像處理常用的RGB彩色空間變換到HIS空間。HIS空間用色調H，亮度I和飽和度S表示，圖像融合只在亮度通道上進行即用全色波段影像替換經HIS變換后得到的亮度分量，而圖像的色調和飽和度保持不變。
通過正變換、替代和逆變換獲得的融合影像既具有全色影像的高分辨率優點，又保持了多光譜影像的色調和飽和度，有利于改善判讀、分類和提高制圖精度等，適用于城區資源調查和視覺分析等。但是由于兩類影像不可能完全相關，因此融合的影像中光譜特性的扭曲是可覺察的，且HIS方法只能同時對三個波段的多光譜影像和全色影像進行融合[5][6]。
2.2.2主分量變換融合方法
主分量變換(PCA)亦稱K-L變換，是一種最小均方誤差意義上的的多維(多波段)最優正交線性變換，它能夠消除模式特征之間的相關性，用若干個分量圖像就能完全表征原始集群的有效信息，圖像中的彼此相關的數據被壓縮而特征得到了突出，在影像數據壓縮、特征選擇和具有相關因子的多源數據進行融合時具有顯著的優勢。
采用主分量變換融合法不僅清晰度和空間分辨率比多光譜影像提高了，而且在保留原多光譜影像的光譜特征方面由于HIS融合法，即光譜特征扭曲度小，可增強多光譜影像的判讀和量測性，且可以在多個波段上進行融合。該方法可用于融合特征互補性強的源圖像，一個典型的應用就是利用PCA方法對SAR和多光譜數據進行融合[6]。
遙感影像范文3
1.1遙感影像基本定義及介紹
遙感技術自誕生之日起,應用逐步延伸至我們日常生活的每個角落。1943年德國開始利用航空相片制作各種比例尺的影像地圖。1945年前后美國開始產生影像地圖,我國在20世界70年代開始研制影像地圖。[1]在日常工作中,我們常常接觸到遙感影像,談及遙感技術及其應用。那么具體是指什么呢?所謂遙感影像,是指紀錄各種地物電磁波數據而生成的各種格式的影像數據,在遙感中主要是指航空影像和衛星影像。目前遙感影像圖無論在農業的土地資源調查,農作物生長狀況及其生態環境的監測,還是在林業的森林資源調查,監測森林病蟲害、沙漠化或是在海洋資源的開發與利用,海洋環境污染監測都有著非常重要的應用。[2]
1.2遙感影像的四個基本特征
遙感影像有其四個基本的影像特征:空間分辨率、光譜分辨率、輻射分辨率、時間分辨率。通常意義上,我們平時最多談及精度的問題,常常是指空間分辨率(SpatialResolution),又稱地面分辨率。后者是針對地面而言,指可以識別的最小地面距離或最小目標物的大小。前者是針對遙感器或圖像而言的,指圖像上能夠詳細區分的最小單元的尺寸或大小,或指遙感器區分兩個目標的最小角度或線性距離的度量。它們均反映對兩個非?？拷哪繕宋锏淖R別、區分能力,有時也稱分辨力或解像力。光譜分辨率(SpectralResolution)指遙感器接受目標輻射時能分辨的最小波長間隔。間隔越小,分辨率越高。所選用的波段數量的多少、各波段的波長位置、及波長間隔的大小,這三個因素共同決定光譜分辨率。光譜分辨率越高,專題研究的針對性越強,對物體的識別精度越高,遙感應用分析的效果也就越好。但是,面對大量多波段信息以及它所提供的這些微小的差異,人們要直接地將它們與地物特征聯系起來,綜合解譯是比較困準的,而多波段的數據分析,可以改善識別和提取信息特征的概率和精度。輻射分辨率(RadiantResolution)指探測器的靈敏度——遙感器感測元件在接收光譜信號時能分辨的最小輻射度差,或指對兩個不同輻射源的輻射量的分辨能力。一般用灰度的分級數來表示,即最暗——最亮灰度值(亮度值)間分級的數目——量化級數。它對于目標識別是一個很有意義的元素。時間分辨率(TemporalResolution)是關于遙感影像間隔時間的一項性能指標。遙感探測器按一定的時間周期重復采集數據,這種重復周期,又稱回歸周期。它是由飛行器的軌道高度、軌道傾角、運行周期、軌道間隔、偏栘系數等參數所決定。這種重復觀測的最小時間間隔稱為時間分辨率。
2常用遙感影像
2.1一般遙感影像
目前,常用的中分辨率資源衛星有LandsateTM5、中巴資源衛星;以及常用的高空間分辨率的Spot5、Rapideye、Alos、QuickBird、WorldviewⅠ、WorldviewⅡ等。高分辨率遙感影像圖信息豐富、成本低、可讀性和可量測性強、客觀真實的反映地理空間狀況,充分表現出遙感影像和地圖的雙重優勢,具有廣闊的發展前景。[3]LandsateTM5、中巴資源衛星對大區域范圍內的資源變化、國土資源變化、自然或人為災害、環境污染、礦藏勘探有著較大的優勢,但是因為分辨率低,所以在林業遙感判讀中誤判率相較于其他幾種高精度遙感影像高,適合大面積地區的使用,譬如內蒙草原的退化變化以及荒漠化變化的監測等。其中ALOS因衛星故障已經于2011年4月開始較少使用。QuickBird雖然精度較高,但它一般對城區影像的覆蓋較多較集中,對山區覆蓋較少,而且存檔數據很少,需要提前預定。不僅如此,QuickBird數據費用較高,綜合以上原因,QuickBird數據一般很難大范圍使用,所以在林業項目中使用較少。
2.2前沿遙感影像
WorldviewⅠ、WorldviewⅡ均為Digitalglobe公司的商業成像衛星系統,被認為是全球分辨率最高、響應最敏捷的商業成像衛星。這兩顆衛星還將具備現代化的地理定位精度能力和極佳的響應能力,能夠快速瞄準要拍攝的目標和有效地進行同軌立體成像。其中WorldviewⅠ為0.5米分辨率。相較于WorldviewⅠ,WorldviewⅡ載有多光譜遙感器不僅將具有4個業內標準譜段(紅、綠、藍、近紅外),還將包括四個額外譜段(海岸、黃、紅邊和近紅外Ⅱ),能夠提供0.4米全色圖像和1.8米分辨率的多光譜圖像。需要特別一提的是,WorldviewⅡ提供的四個額外譜段(海岸、黃、紅邊和近紅外Ⅱ)可進行新的彩色波段分析:(1)海岸波段,這個波段支持植物鑒定和分析,也支持基于葉綠素和滲水的規格參數表的深海探測研究。由于該波段經常受到大氣散射的影響,已經應用于大氣層糾正技術。(2)黃色波段,過去經常被說成是yellow-ness特征指標,是重要的植物應用波段。該波段將被作為輔助糾正真色度的波段,以符合人類視覺的欣賞習慣。(3)紅色邊緣波段,輔助分析有關植物生長情況,可以直接反映出植物健康狀況有關信息。(4)近紅外Ⅱ波段,這個波段部分重疊在NIR1波段上,但較少受到大氣層的影響。該波段支持植物分析和單位面積內生物數量的研究。林業工作對遙感影像的植被信息較為關注,以上提及的四個額外譜段能提供較多的植被信息。國外相關機構已經將四個特色譜段應用于前沿科學研究,譬如生物量遙感估測應用等等。美中不足的是,相較于其他類型的遙感影像,WorldviewⅠ,WorldviewⅡ影像費用較高,在質量和技術上領先但價格上不占優勢,不易于大范圍的使用。
2.3林業工作中應用較多遙感影像
除去以上談及的幾種類型的遙感影像,在工作中較多使用到的是Spot5和Rapideye這2種遙感影像。Spot5是由法國發射的一顆衛星,常規提供2.5米全色影像和10米多光譜影像。SPOT5衛星影像的專業制圖比例尺為1:25,000,概覽成圖比例尺極限為1:10,000。工作中,我們通常將2.5米全色影像與10米多光譜影像在正射糾正完后進行融合,生成2.5米空間精度的影像用于林業應用。Rapideye衛星為德國所有的商用衛星,主要性能優勢:大范圍覆蓋、高重訪率、高分辨率、5米的多光譜獲取數據方式,省去了其他種類遙感影像需要全色影像與多光譜影像融合的步驟,這些優點整合在一起,讓RapidEye擁有了空前的優勢。RapidEye是第一顆提供“紅邊”波段的商業衛星,結合4個業內標準譜段(紅、綠、藍、近紅外)適用于監測植被狀況和檢測生長異常情況,在林業領域應用中較為有利。
3遙感影像準備及處理過程
3.1遙感影像準備
每種遙感衛星對地面覆蓋范圍不同,軌道不同,重訪周期不同,拍攝時間、角度不同等等原因,還常受天氣影響。因此根據實際需要使用的日期,來查詢各景遙感影像是一件頗費周章的工作,一般需要向影像公司提前預定。實際工作中往往要求前后兩期遙感影像對比,前后兩期遙感影像對時間上的要求較為苛刻,因而這些工作往往經由熟悉遙感業務的高級技術人員執行。另外,遙感影像的購買、使用、存儲需要考慮到保密工作,這一點也是需要謹慎對待。工作經驗總結出Spot5、Rapideye有時因側視角度過大原因,導致某些區域拉伸變形,尤其是高海拔山區部分;影像角度需要提前檢查,側視角度最佳保持在20以下。而較小側視角可以保證鄰近2景影像良好的接邊,并能保證正射糾正后空間位置的準確性。
3.2遙感影像處理
3.2.1DOM及DEM數據準備通常,在條件良好的情況下,工作中使用1∶10000或更高精度的航片或是已經經過處理的高精度衛片作為DOM參考;但也可以使用的是1∶50000或1∶10000地形圖作為參考。在實際工作中,我們往往會遇到DOM參考影像的空間分辨率不一致。在參考選用時,應該按照優先使用高精度DOM參考影像,然后再退而求其次的原則,保證校準的精度。一般地形圖需要通過掃描形成DRG數據,在掃描圖基礎上進行逐公里網定位糾正處理,以達到精確的地理定位。DEM數據一般采用國家標準的1:50000DEM,或采用1∶10000、1∶50000矢量數據生成。DEM覆蓋范圍要大于遙感影像覆蓋范圍,這樣才能保證遙感影像的有效糾正。
遙感影像范文4
關鍵詞： 單類分類； 面向對象技術； 遙感影像； 支持向量機
中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）07?0048?03
Abstract： One?class classification is to extract a specific class in remote sensing image. In combination with the object?oriented analysis method， the one?class classifier is used to extract the interest class from the remote sensing image. The distribution characteristics of object?oriented remote sensing image data and segmentation parameter selection are discussed. And then， on the basis of image object generated from segmentation， the method of one?class support vector machine is used to extract the specific classification information in remote sensing image. The result of object?oriented one?class classification method is compared with the experimental result， it shows that the object?oriented one?class classification method has higher classification accuracy.
Keywords： one?class classification； object?oriented technology； remote sensing image； support vector machine
0 引 言
單類信息提取是遙感影像分類中的一種特殊情況，旨在提取影像中的某個特定的類別，例如植被、水田、水體、巖礦提取等[1?4]，都是單類信息提取問題。提取遙感影像中的特定類別信息，既可以采用傳統的多類分類器，也可以使用單類分類器。采用傳統的多類分類方法，需要采集影像中的所有地物類別樣本對分類器進行訓練；而使用單類分類方法，只需采集興趣類別樣本對分類器進行訓練，分類結果也是提取單個的興趣類別，即正類信息。單類分類是遙感影像信息提取的新方法，研究者提出的分類器主要有支持向量相關的方法、最大熵方法等[5?7]。典型的基于支持向量的方法是單類支持向量機（One?Class Support?Vector Machine，OCSVM）[5]。OCSVM方法適合高維空間數據處理，但是在實際應用中需要設置較多的自由參數，而且分類結果對參數敏感。另一個基于支持向量的方法是 Transductive SVM（TSVM）方法[6]，該方法的特點是除了興趣類別樣本外，還要利用未標記樣本對分類器進行訓練。支持向量相關的方法還有SVDD方法（Support Vector Data Description，SVDD）[8?9]，其主要思想是利用包含正類樣本的盡可能小的超球進行判別，SVDD和OCSVM方法類似，具有小樣本訓練的優勢，其主要問題也是分類結果對參數設置敏感。近幾年提出的單類分類方法還有PUL（Positive And Unlabeled Learning）算法[10]和MAXENT方法[7]，兩種方法用于提取高分辨率遙感影像中的單類信息，實驗表明分類精度高于OCSVM方法。
在遙感影像分析中，面向對象思想是首先將影像分割成勻質區域即對象，然后以這些勻質區域為單元進行遙感影像的處理與分析[11?12]。與以往基于單個像素的方法相比，由于圖像區域的生成過程中不僅考慮像素的光譜信息，還結合了鄰近像素的空間信息，因此，面向對象方法具有其獨特的優勢。此外，遙感影像分割產生的圖像對象具有更加豐富的屬性信息，包含光譜、大小、形狀以及紋理等屬性，在遙感影像分析中增加了分類的依據。本文研究基于影像對象的遙感影像單類分類，利用面向對象分析方法的優勢，僅依靠興趣類別訓練樣本，進行遙感影像單類信息提取。
1 面向對象的遙感影像分析
1.1 數據分析
面向對象的遙感影像分析中，以分割后產生的影像對象為處理單元，影像對象的光譜特征值是其中所有像素的均值。因此，在影像分割后實際上生成了另外一個數據集，該數據集中的數據元素是若干像素的光譜特征值平均后的均值總體。一般情況下，新的數據集中的數據元素比分割前小得多，而且標準差也發生變化。
所以，從理論分析來看，面向對象的遙感影像分類中，分割后數據集的期望值不變，而類內方差為分割前的[1m]倍；因此，影像數據中各個類別之間的類間距離不變，類內方差大大減小，增加了類別可分性。在單類分類中，由于只選取興趣類別訓練樣本，沒有其他類別作為比較，需要設定相應的閾值參數，類間可分性的增加，降低了分類閾值參數選擇的難度，從而提高了分類精度。
1.2 分割尺度選擇
面向對象分類方法中影像分割的粗細程度也稱為分割尺度，不同的分割尺度反映了分割后影像對象的面積大小，大尺度值生成的影像對象大，小尺度則對應較小的影像對象。一般情況下，影像分割采用統一的尺度，而事實上，在一定的遙感影像中，每個類別都有其最佳的尺度值。在實際應用中，不同的分割方法具有不同的參數設置情況，這些參數就決定了分割的尺度，最佳尺度的選擇是個復雜的問題，這里暫不深入研究。本文根據興趣類別的訓練樣區，采用啟發式方法確定圖像分割尺度，尺度的選擇獨立于具體的分割方法。首先將原圖像進行多尺度分割，在從小到大的多尺度分割過程中，當分割結果將興趣類別的每個訓練樣區都分割成一個圖像對象時，即每個訓練樣區包含在單一的圖像對象中，而鄰近的非興趣類別劃分在不同的圖像對象中，此時的分割尺度作為最終分割結果。
2 實驗結果
實驗數據如圖1（a）所示，影像中包括四個類別：不透水面、草地、林地和水體。分別對這四個地物類別進行單類分類并對結果進行精度評價。單類分類的精度評價指標有生產者精度、用戶精度、總體精度和Kappa系數。生產者精度指某一類別的正確分類數占參考數據中該類別像素總數的比例，而用戶精度指某一類別正確分類數占分為該類像素總數的比例?？傮w精度和Kappa反映的是結果中正類和負類的綜合評價指標。首先以區域合并方法做影像分割，產生勻質的圖像斑塊，分割結果如圖1（b）所示。
以OCSVM作為單類分類器，采用基于影像對象和基于像素兩種方法，提取興趣類別，并做比較分析。OCSVM方法中選擇RBF核函數，并通過10折交叉驗證獲得各種參數。在實驗中，通過目視解譯為每個類別選擇訓練樣本和測試樣本。
實驗影像中各地物類別提取的實驗結果如圖2所示，對應的分類精度估計見表1。表1中面向對象方法的單類分類精度明顯高于基于像素的方法，包括每個類別的各項評價指標，面向對象方法都能獲得了較高的精度。從實驗結果中可以看出，基于像素的單類分類結果包含較多細小的斑點，有正類的也有負類的，而采用面向對象方法的分類結果比較平滑均勻，這正是面向對象方法的優勢，將鄰近區域合并成為勻質的斑塊再分類的結果，更符合人的視覺習慣。
另一實驗數據為圖3所示的高分辨率SPOT5影像，通過目視解譯其中包括不透水面、植被、裸地和水體四個類別，分別基于像素和影像對象對其進行各個單類的提取。訓練樣本和測試樣本都采用目視解譯選擇，并對分類結果進行評價。SPOT5影像中的各地物類別提取的實驗結果如圖4所示，對應的分類精度估計見表2，可以看出，在高分辨率遙感影像單類分類中，面向對象方法的分類精度高于基于像素的方法。
3 結 語
本文研究了面向對象的遙感影像單類分類問題。單類分類是遙感應用中的一個重要方面，采用的單類分類器是一種特殊的分類器，在學習過程中只需要興趣類別的訓練樣本。單類分類器一般都需要設置閾值判斷未知樣本的類別歸屬，因此，對于類間可分性小的數據集具有一定的局限性。面向對象方法在分割階段結合了影像的空間信息和光譜信息，增加了分類依據。另一方面，面向對象方法對原影像數據集進行優化，減小了類內方差，增加了類間可分性，使得單類分類器分類精度提高。
參考文獻
[1] TOOKE T R， COOPS N C， GOODWIN N R， et al. Extracting urban vegetation characteristics using spectral mixture analysis and decision tree classifications [J]. Remote sensing of environment， 2009， 113（2）： 398?407.
[2] 張友水，原立峰，姚永慧.多時相MODIS影像水田信息提取研究[J].遙感學報，2007，11（2）：282?288.
[3] 徐涵秋.利用改進的歸一化差異水體指數（MNDWI）提取水體信息的研究[J].遙感學報，2005，9（5）：589?595.
[4] 閆柏琨，王潤生，甘甫平，等.熱紅外遙感巖礦信息提取研究進展[J].地球科學進展，2005，20（10）：1116?1126.
[5] SCHOLKOPF B， PLATT J C， SHAWE?TAYLOR J， et al. Estimating the support of a high?dimensional distribution [J]. Neural computation， 2001， 13（7）：1443?1471.
[6] BRUZZONE L， CHI M， MARCONCINI M. A novel transductive SVM for semisupervised classification of remote?sensing images [J]. IEEE transactions on geoscience and remote sensing， 2006， 44（11）： 3363?3373.
[7] LI W K， GUO Q H. A maximum entropy approach to one?class classification of remote sensing imagery [J]. International journal of remote sensing， 2010， 31（8）： 2227?2235.
[8] MUNOZ?MARI J， BRUZZONE L， CAMPS?VAILS G. A support vector domain description approach to supervised classification of remote sensing images [J]. IEEE transactions on geoscience and remote sensing， 2007， 45（8）： 2683?2692.
[9] SANCHEZ?HERNANDEZ C， BOYD D S， FOODY G M. One?class classification for mapping a specific land?cover class： SVDD classification of fenland [J]. IEEE transactions on geo?science and remote sensing， 2007， 45（4）： 1061?1073.
[10] LI W K， GUO Q H， ELKAN C. A positive and unlabeled learning algorithm for one?class classification of remote?sen?sing data [J]. IEEE transactions on geoscience and remote sensing， 2011， 49（2）： 717?725.
遙感影像范文5
關鍵詞：遙感影像數據庫管理系統；要求；管理模式
中圖分類號：P23 文獻標識碼：A
遙感技術的發展準確來說應該開始于人類第一顆人造衛星發射。經過幾十年來的發展，遙感影像的應用范圍越來越廣泛，涉及到了軍事、科學研究、氣象預報等等多個行業領域，也正是由于遙感影像的應用越來越廣泛，遙感影像數據量越來越大。遙感影像數據量與日劇增以后，遙感影像的發展必然呈現出越來越繁榮的趨勢，數據量也會越來越大，面對這樣的情況，對建設遙感影像數據庫管理系統提出了更高的標準。
1 遙感影像數據庫管理系統所具備的要求分析
遙感影像是記錄電磁波的膠片，與我們日常的影像數據存在很大的區別，從遙感影像數據特征來進行分析，遙感影像數據庫管理系統需要具備以下幾點要求：
1.1 在實際當中，遙感影像的來源有很多渠道，如航空影像、衛星影像等等，因此，遙感影像數據庫管理系統的兼容性要強。
1.2 遙感影像具有一個很明顯的特點就是能夠表現立體空間，支持空間表達對于應高影像來說是至關重要的，所以遙感影像數據庫管理系統對于空間數據索引和數據查詢具有一定的能力。
1.3 由于遙感影像數據庫來源于很多的渠道，影像數據也沒有統一的標準，所以對于遙感影像要滿足多尺度的特性。
1.4 遙感影像數據庫管理系統必須具備“無縫性”，主要表現在其一集合空間的無縫，遙感影像的存儲一般來說具有固定的存儲模式，而無縫性的要求就是要打破這種模式，構建一個無縫的區域，用戶在使用的時候圖幅是透明的。二是色彩空間的無縫性，遙感影像數據庫管理系統在一定區域和分辨率范圍內，影像色彩的變化應當是平滑的，不能出現明顯的差異。其三是尺度空間的無縫性，在操作遙感影像數據縮放的時候，應該保持不同尺寸之間的遙感影像能夠平穩的過渡。其四是影像數據和元數據的無縫性，該性質是遙感影像數據庫管理系統建設當中需要著重強調的。
1.5 遙感影像應用較為廣泛，對于商業用途來說，系統的通用性、擴展性以及維護性是非常重要的。
1.6 隨著社會經濟的發展，遙感影像數據量急劇增加，遙感數據庫管理系統的儲存量也應該是海量的，必須要達到TB級。
1.7 從數據可視化的角度上來說，遙感影像數據庫管理系統的建設應該以零延遲為目標。
2 遙感影像數據庫系統管理模式研究
從大體上來說，遙感數據庫系統管理的主要方式可以分為三大類，一個是基于文件的方式，其次是基于數據庫的方式，最后就是文件和數據庫混合的方式，下面文章對三種方法進行簡單的分析：
2.1 基于文件的方式
遙感影像數據庫管理系統基于文件方式進行管理的主要優點就是結構不復雜，并且維護的費用也不高，技術相對來說較為成熟。同時也存在一定的缺點，主要表現為安全性能不高，不能支持多用戶進行并發操作，元數據管理效率較低等等。因此，對于這種管理方式來說在多數據量的環境下性能表現力不從心，大多數情況下只能適用于遙感影像數據量較小的環境下。
2.2 文件和數據庫混合的方式
文件和數據庫混合的方式的主要原理是將遙感影像數據以文件的形式保存在服務器上，但是與之對應的元數據卻分隔開來保存在了數據庫當中，這種管理方式的主要優點是遙感影像數據存儲的效率高，但是相對難度也會增大很多，并且隨著時間的推移，遙感影像數據量會不斷增多，并且后期的維護難度也非常大。
2.3 基于數據庫的方式
基于數據庫的遙感影像管理模式主要以分布式對象對應關系數據庫管理遙感影像數據，該方式不僅可以給中央服務器減負，還可以減少產生瓶頸的幾率，提高數據的傳送率、查詢以及更新效率，可以大大縮短相應時間，并且能夠支持多用戶的并發訪問，這些都是其他管理模式無法比擬的。除此之外目前的數據庫都設置了安全訪問控制機制，這樣的設置能夠為開發人員省下了不少的麻煩，提高效率。
3 遙感影像數據庫管理系統建設對比分析
由于工作的需要，遙感影像數據庫管理系統的功能要求越來越高，為了更好的進行分析研究，文章對比了傳統遙感影像數據庫系統來論述。
3.1 傳統遙感影像數據庫管理系統分析
3.1.1 關系數據庫系統
傳統的關系數據庫對于遙感影像數據的處理僅限于數值和字符串，并沒有豐富的數據類型，這對于遙感影像的使用、研究來說是極其不方便的，建立在對象層來挖掘面向對象應該是目前的主流，對于對象數據庫的存儲和訪問不能優化，其效率不高，而且技術上也存在嚴重的問題。
3.1.2 對象數據庫系統
在上個世紀八十年代以來，對了遙感影像數據的最好技術就是面對象技術，這種技術的應用能夠使得系統當中的數據模型表現的更加直觀、并且性能更加的問題，后期維護也較為方便，同時這種系統也存在致命的缺陷，對于SQL的支持很少，實際的工作當中，許多軟件需要應用到SQL接口。
3.2 對象一關系數據庫系統
對象一關系數據庫管理系統具備最大的優勢就是具有面向對象的建模能力，對于復雜的遙感影像數據都能進行分析，用戶可以直接使用數據管理工具，將遙感影像應用的具體范圍與系統實現無縫結合，極大的提高了工作效率。
在目前來說，對象一關系數據庫管理模式還處在研發階段，只能說是一種新興的技術，其應用的行業領域也較窄，相比上文論述的遙關系數據庫管理來說還尚不成熟，關系數據庫系統的所有操作只是按照既定的操作標準來執行，相對來說非常簡單，但是其致命缺點有限的數據類型以及程序設計中數據結構是制約關系數據庫系統發展的最大障礙。而遙感影像數據對象一關系數據庫管理系統能夠將面向對象的建模能力和關系數據庫的功能實現了有機的結合，理論上來說都優于上述兩種遙感影像數據庫管理系統，還能將關系數據庫系統缺點轉換成優勢，具有高度的擴展性、管理復雜遙感影像數據的能力也大大提高，用戶通過自定義的功能和索引表達，對于各種類型的遙感影像數據實現訪問、存儲以及恢復等功能。
遙感影像數據對象一關系數據庫管理系統通過開放SQL平臺，可以最大限度的避免定義復雜對象的專有數據結構，使得遙感影像數據庫管理系統的應用更加廣泛。
4 遙感影像數據庫管理系統建設的技術分析
隨著遙感技術的不斷發展，遙感影像數據量增長速度越來越快，在這樣的背景下，必須要研發出一套高效的管理應用系統，將遙感影像的分發以及處理能力提升到新的高度，與此同時還需要很好的契合遙感影像數據制作影像海圖等各方面應用需求。高效科學的遙感影像數據庫管理系統建設成為了業內關注的焦點。鑒于此，文章對遙感影像數據庫管理系統建設的總體構架以及相關的技術問題提出了幾點愚見。
4.1 遙感影像數據庫管理系統建設的總體架構
針對日常生產生活對遙感影像數據庫管理系統提出的功能和要求，總的來說，系統的總體框架可以分成四層： 基礎設施層、數據層、邏輯層和應用層。在這四個層次當中，基礎設施層是整個遙感影像數據庫管理系統運行的基礎，主要包含了系統的軟硬件運行環境以及網絡運行環境的建設；第二層數據層對于整個遙感影像數據庫管理系統來說，是非常關鍵的組成部分，也應該是建設的重中之重，其主要的功能是對采集的原始遙感影像、影像元數據以及矢量數據等等進行儲存；而對于邏輯層來說，主要的工作就是對客戶端訪問遙感影像數據庫所需的功能部件進行優化升級；最后的應用層主要就是對遙感影像數據庫管理系統當中的集成影像進行日常的管理和維護，同時提供查詢、分析以及分發等等功能。
4.2 遙感影像數據庫管理系統功的能設計
結合上文對遙感影像數據庫管理系統總體架構分析，所提出的四層主要架構需要實現的功能，可以將遙感影像數據庫管理系統分為五個子系統。
4.2.1 質檢入庫子系統
遙感影像采集后需錄入到系統當中，但是在此之前需要對遙感影像進行質檢，主要檢查的內容包括了遙感影像的完整性、一致性等等，并且通過工程化方式對遙感影像、元數據等等實現快速入庫，支持斷點續傳、后臺任務同時進行。
4.2.2 組織管理子系統
該子系統是對遙感影像數據管理的核心部分，主要對數據庫當中遙感影像的參數進行配制、同時還包含了數據建模、數據備份以及數據共享等等應用，方便遙感影像數據的共享和管理系統的集成。
4.2.3 分發服務子系統
需要在系統中引入電子商務模式的影像分發服務，實現對數據庫中遙感影像的查詢、分發等功能，同時在改子系統當中提供開放的數據接口。
4.2.4 技術支援子系統
對入庫的遙感影像數據進行規范化處理，包括了元數據的采集、快視圖提取、鑲嵌、配準等。
4.2.5 配置維護子系統
主要的工作是支持和維護遙感影像數據庫管理系統的運行，提供一系列的安全管理配套功能，如用戶管理、日志信息維護等。
結語
遙感技術隨著社會經濟的發展，應用越來越廣泛，面對與日俱增的遙感影像數據，必須要建立一個強大的遙感影像數據庫管理，這也是遙感影像發展的必然趨勢。遙感影像信息系統核心技術設計的范圍較廣、難度較大，目前有很多的學者在進行這方面的研究，本文對遙感影像數據庫管理系統的建設只是進行了粗淺的探討，相信隨著研究的深入和科技的發展，遙感影像數據庫管理系統建設相關研究會更加的深入，遙感影像也會更加方便的應用于我們的各項工作當中。
參考文獻
[1]黃杰，劉仁義，劉南，沈林芳，王娜. 海量遙感影像管理與可視化系統的研究與實現[J]. 浙江大學學報（理學版）. 2008（06）.
遙感影像范文6
關鍵詞：遙感信息 目視解譯 計算機信息提取
遙感實際上是通過接收（包括主動接收和被動接收方式）探測目標物電磁輻射信息的強弱來表征的，它可以轉化為圖像的形式以相片或數字圖像表現。多波段影像是用多波段遙感器對同一目標（或地區）一次同步攝影或掃描獲得的若干幅波段不同的影像。
在遙感影像處理分析過程中，可供利用的影像特征包括：光譜特征、空間特征、極化特征和時間特性。在影像要素中，除色調/彩色與物體的波譜特征有直接的關系外，其余大多與物體的空間特征有關。像元的色調/彩色或波譜特征是最基本的影像要素，如果物體之間或物體與背景之間沒有色調/彩色上的差異的話，他們的鑒別就無從說起。其次的影像要素有大小、形狀和紋理，它們是構成某種物體或現象的元色調/彩色在空間（即影像）上分布的產物。物體的大小與影像比例尺密切相關；物體影像的形狀是物體固有的屬性；而紋理則是一組影像中的色調/彩色變化重復出現的產物，一般會給人以影像粗糙或平滑的視覺印象，在區分不同物體和現象時起重要作用。第三級影像要素包括圖形、高度和陰影三者，圖形往往是一些人工和自然現象所特有的影像特征。
遙感信息提取方法分類
常用的遙感信息提取的方法有兩大類：一是目視解譯，二是計算機信息提取。
1.1目視解譯
目視解譯是指利用圖像的影像特征（色調或色彩，即波譜特征）和空間特征（形狀、大小、陰影、紋理、圖形、位置和布局），與多種非遙感信息資料（如地形圖、各種專題圖）組合，運用其相關規律，進行由此及彼、由表及里、去偽存真的綜合分析和邏輯推理的思維過程。早期的目視解譯多是純人工在相片上解譯，后來發展為人機交互方式，并應用一系列圖像處理方法進行影像的增強，提高影像的視覺效果后在計算機屏幕上解譯。
遙感影像目視解譯原則
遙感影像目視解譯的原則是先“宏觀”后“微觀”；先“整體”后“局部”；先“已知”后“未知”；先“易”后“難”等。一般判讀順序為，在中小比例尺像片上通常首先判讀水系，確定水系的位置和流向，再根據水系確定分水嶺的位置，區分流域范圍，然后再判讀大片農田的位置、居民點的分布和交通道路。在此基礎上，再進行地質、地貌等專門要素的判讀。
遙感影像目視解譯方法
（1）總體觀察
觀察圖像特征，分析圖像對判讀目的任務的可判讀性和各判讀目標間的內在聯系。觀察各種直接判讀標志在圖像上的反映，從而可以把圖像分成大類別以及其他易于識別的地面特征。
（2）對比分析
對比分析包括多波段、多時域圖像、多類型圖像的對比分析和各判讀標志的對比分析。多波段圖像對比有利于識別在某一波段圖像上灰度相近但在其它波段圖像上灰度差別較大的物體；多時域圖像對比分析主要用于物體的變化繁衍情況監測；而多各個類型圖像對比分析則包括不同成像方式、不同光源成像、不同比例尺圖像等之間的對比。各種直接判讀標志之間的對比分析，可以識別標志相同（如色調、形狀），而另一些標識不同（紋理、結構）的物體。對比分析可以增加不同物體在圖像上的差別，以達到識別目的。
（3）綜合分析
綜合分析主要應用間接判讀標志、已有的判讀資料、統計資料，對圖像上表現得很不明顯，或毫無表現的物體、現象進行判讀。間接判讀標志之間相互制約、相互依存。根據這一特點，可作更加深入細致的判讀。如對已知判讀為農作物的影像范圍，按農作物與氣候、地貌、土質的依賴關系，可以進一步區別出作物的種屬；河口泥沙沉積的速度、數量與河流匯水區域的土質、地貌、植被等因素有關，長江、黃河河口泥沙沉積情況不同，正是因為流域內的自然環境不同所至。地圖資料和統計資料是前人勞動的可靠結果，在判讀中起著重要的參考作用，但必須結合現有圖像進行綜合分析，才能取得滿意的結果。實地調查資料，限于某些地區或某些類別的抽樣，不一定完全代表整個判讀范圍的全部特征。只有在綜合分析的基礎上，才能恰當應用、正確判讀。
（4）參數分析
參數分析是在空間遙感的同時，測定遙感區域內一些典型物體（樣本）的輻射特性數據、大氣透過率和遙感器響應率等數據，然后對這些數據進行分析，達到區分物體的目的。大氣透過率的測定可同時在空間和地面測定太陽輻射照度，按簡單比值確定。儀器響應率由實驗室或飛行定標獲取。利用這些數據判定未知物體屬性可從兩個方面進行。其一，用樣本在圖像上的灰度與其他影像塊比較，凡灰度與某樣本灰度值相同者，則與該樣本同屬性；其二，由地面大量測定各種物體的反射特性或發射特性，然后把它們轉化成灰度。然后根據遙感區域內各種物體的灰度，比較圖像上的灰度，即可確定各類物體的分布范圍。
1.2計算機信息提取
利用計算機進行遙感信息的自動提取則必須使用數字圖像，由于地物在同一波段、同一地物在不同波段都具有不同的波譜特征，通過對某種地物在各波段的波譜曲線進行分析，根據其特點進行相應的增強處理后，可以在遙感影像上識別并提取同類目標物。早期的自動分類和圖像分割主要是基于光譜特征，后來發展為結合光譜特征、紋理特征、形狀特征、空間關系特征等綜合因素的計算機信息提取。
1.2.1自動分類
常用的信息提取方法是遙感影像計算機自動分類。首先，對遙感影像室內預判讀，然后進行野外調查，旨在建立各種類型的地物與影像特征之間的對應關系并對室內預判結果進行驗證。工作轉入室內后，選擇訓練樣本并對其進行統計分析，用適當的分類器對遙感數據分類，對分類結果進行后處理，最后進行精度評價。遙感影像的分類一般是基于地物光譜特征、地物形狀特征、空間關系特征等方面特征，目前大多數研究還是基于地物光譜特征。在計算機分類之前，往往要做些預處理，如校正、增強、濾波等，以突出目標物特征或消除同一類型目標的不同部位因照射條件不同、地形變化、掃描觀測角的不同而造成的亮度差異等。利用遙感圖像進行分類，就是對單個像元或比較勻質的像元組給出對應其特征的名稱，其原理是利用圖像識別技術實現對遙感圖像的自動分類。計算機用以識別和分類的主要標志是物體的光譜特性，圖像上的其它信息如大小、形狀、紋理等標志尚未充分利用。計算機圖像分類方法，常見的有兩種，即監督分類和非監督分類。監督分類，首先要從欲分類的圖像區域中選定一些訓練樣區，在這樣訓練區中地物的類別是已知的，用它建立分類標準，然后計算機將按同樣的標準對整個圖像進行識別和分類。它是一種由已知樣本，外推未知區域類別的方法；非監督分類是一種無先驗（已知）類別標準的分類方法。對于待研究的對象和區域，沒有已知類別或訓練樣本作標準，而是利用圖像數據本身能在特征測量空間中聚集成群的特點，先形成各個數據集，然后再核對這些數據集所代表的物體類別。與監督分類相比，非監督分類具有下列優點：不需要對被研究的地區有事先的了解，對分類的結果與精度要求相同的條件下，在時間和成本上較為節省，但實際上，非監督分類不如監督分類的精度高，所以監督分類使用的更為廣泛。
1.2.2紋理特征分析
細小地物在影像上有規律地重復出現，它反映了色調變化的頻率，紋理形式很多，包括點、斑、格、垅、柵。在這些形式的基礎上根據粗細、疏密、寬窄、長短、直斜和隱顯等條件還可再細分為更多的類型。每種類型的地物在影像上都有本身的紋理圖案，因此，可以從影像的這一特征識別地物。紋理反映的是亮度（灰度）的空間變化情況，有三個主要標志：某種局部的序列性在比該序列更大的區域內不斷重復；序列由基本部分非隨機排列組成；各部分大致都是均勻的統一體，在紋理區域內的任何地方都有大致相同的結構尺寸。這個序列的基本部分通常稱為紋理基元。因此可以認為紋理是由基元按某種確定性的規律或統計性的規律排列組成的，前者稱為確定性紋理（如人工紋理），后者呈隨機性紋理（或自然紋理）。對紋理的描述可通過紋理的粗細度、平滑性、顆粒性、隨機性、方向性、直線性、周期性、重復性等這些定性或定量的概念特征來表征。相應的眾多紋理特征提取算法也可歸納為兩大類，即結構法和統計法。結構法把紋理視為由基本紋理元按特定的排列規則構成的周期性重復模式，因此常采用基于傳統的Fourier頻譜分析方法以確定紋理元及其排列規律。此外結構元統計法和文法紋理分析也是常用的提取方法。結構法在提取自然景觀中不規則紋理時就遇到困難，這些紋理很難通過紋理元的重復出現來表示，而且紋理元的抽取和排列規則的表達本身就是一個極其困難的問題。在遙感影像中紋理絕大部分屬隨機性，服從統計分布，一般采用統計法紋理分析。目前用得比較多的方法包括：共生矩陣法、分形維方法、馬爾可夫隨機場方法等。共生矩陣是一比較傳統的紋理描述方法，它可從多個側面描述影像紋理特征。
1.2.3圖像分割
圖像分割就是指把圖像分成各具特性的區域并提取出感興趣目標的技術和過程，此處特性可以是像素的灰度、顏色、紋理等預先定義的目標可以對應單個區域，也可以對應多個區域。圖像分割是由圖像處理到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。一方面，它是目標表達的基礎，對特征測量有重要的影響；另一方面，因為圖像分割及其基于分割的目標表達、特征抽取和參數測量的將原始圖像轉化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。
圖像分割是圖像理解的基礎，而在理論上圖像分割又依賴圖像理解，彼此是緊密關聯的。圖像分割在一般意義下是十分困難的問題，目前的圖像分割一般作為圖像的前期處理階段，是針對分割對象的技術，是與問題相關的，如最常用到的利用閾值化處理進行的圖像分割。圖像分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。
1）閾值與圖像分割
閾值是在分割時作為區分物體與背景象素的門限，大于或等于閾值的象素屬于物體，而其它屬于背景。這種方法對于在物體與背景之間存在明顯差別（對比）的景物分割十分有效。實際上，在任何實際應用的圖像處理系統中，都要用到閾值化技術。為了有效地分割物體與背景，人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。 2）梯度與圖像分割
當物體與背景有明顯對比度時，物體的邊界處于圖像梯度最高的點上，通過跟蹤圖像中具有最高梯度的點的方式獲得物體的邊界，可以實現圖像分割。這種方法容易受到噪聲的影響而偏離物體邊界，通常需要在跟蹤前對梯度圖像進行平滑等處理，再采用邊界搜索跟蹤算法來實現。
3）邊界提取與輪廓跟蹤
為了獲得圖像的邊緣人們提出了多種邊緣檢測方法，如Sobel, Canny edge, LoG。在邊緣圖像的基礎上，需要通過平滑、形態學等處理去除噪聲點、毛刺、空洞等不需要的部分，再通過細化、邊緣連接和跟蹤等方法獲得物體的輪廓邊界。
4）Hough變換
對于圖像中某些符合參數模型的主導特征，如直線、圓、橢圓等，可以通過對其參數進行聚類的方法，抽取相應的特征。
5）區域增長
區域增長方法是根據同一物體區域內象素的相似性質來聚集象素點的方法，從初始區域（如小鄰域或甚至于每個象素）開始，將相鄰的具有同樣性質的象素或其它區域歸并到目前的區域中從而逐步增長區域，直至沒有可以歸并的點或其它小區域為止。區域內象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。
區域增長方法是一種比較普遍的方法，在沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復雜的圖像，如自然景物。但是，區域增長方法是一種迭代的方法，空間和時間開銷都比較大。
1.2.4面向對象的遙感信息提取
