安徽理工大学遥感论文 - 图文

安徽理工大学毕业论文

图4-3亮度温度

4.2.4地表温度

地表温度通常定义为地表的皮肤温度(Skin Temperature)。通常而言，地表由于覆盖着土壤和各类植被，因此不是同质的，而是异质的[28]。对于植被稀疏的地表，遥感反演所得到的地表温度是地面、植被叶冠等温度的混合平均值。对于植被茂密的地表，地表温度是指植被叶冠的表面温度。我们可以用亮度温度来演算出真实地表的温度，地表温度的反演公式为

Ts=式（4-4）式中，?表示比辐射率。

提取地表温度的主要步骤为：

（1）计算地表温度,ENVI→Basic Tools→Band Math。

（2）在Enter an expression窗口中输入公式b1/(b2^(1/4))，点击Add to List。选中方才输入的计算地表温度公式，点击OK。

（3）选中B1变量，在Available Bands List中选亮度温度，选中B2变量，在Available Bands List中选比辐射率，点击OK。输出的数据就是地表温度，如图4-4。

T0?14 （4-4）

12

安徽理工大学毕业论文

图4-4地表温度 4.2.5密度分割

密度分割定义是把原始的遥感数字影像的灰度值分成相等间距的离散灰度值，并分别赋予不同的颜色[29]。密度分割可以定量表示遥感影像的颜色特性，更有利于我们理解和分析遥感影像。

密度分割的操作步骤：

（1）打开地表温度图像， 选择Tools→Color Mapping→Density Slice，在新弹出的窗口，点击Clear Range按钮清除默认区间。

（2）选择Options→Add New Ranges，添加以下四个区间： 35℃以上，红色; 30℃至35℃，黄色; 25℃至30℃，绿色;低于20℃，蓝色。

（3）在 Density Slice 窗口中选择File->Output Range to Class Image，可以将反演的温度结果输出。如图4-5，表示的是密度分割后的河套地区真实温度图像。

图4-5 密度分割后的河套地区真实温度图像

13

安徽理工大学毕业论文

5.遥感影像分类

遥感图像分类,又称遥感模式识别,是将图像中的一个确定范围内的所有像素根据其性质和特征划分为不同类别的技术过程[30]。同类地物在相同条件下具备相同或相似的光谱信息,故在遥感图像上也表现出某种内在相似性。换句话说，同种类型的地物像素特征向量将集群在一个统一特征空间区域,而不同种类的地物因为光谱特征或空间信息等特征的不同,将分别集群在不同的特征空间区域中。遥感图像的计算机自动分类技术,与遥感图像的目视解译技术相比,其目的基本是相同的,但是其达到目的的手段却相差很多,前者主要是利用计算机模拟人脑的思维能力进行自动分类,后者则是解译人员根据以往的经验和专业知识进行判读分类,是遥感解译的基本方法。在我们实际操作中,绝大部分都是将目视解译和计算机自动分类二者有机结合起来,彼此优势互补，从而提高效率和精度。遥感数字图像计算机自动分类因精度较高,适于定量分析,而且操作简便和计算速度快,因而具有更好的应用前景。 5.2图像分类方法

遥感图像分类方法按照有无先验知识,可划分为监督分类和非监督分类两种。监督分类和非监督分类这两种方法都是传统的分类方法。传统的遥感图像分类主要地物的光谱特征，即遥感图像像素的相似度。

监督分类是先根据已知训练区提供的样本，通过选择特征参数，确定判别函数,据此对样本像元进行分类，依据样本像元的类别对未知样本的所属类别做出判定[31]。 非监督分类是在没有先验知识的情况下，即事先不知道类别特征，主要是根据像元间相似度大小进行归类合并的方法[32]。

随着遥感技术的发展和学科之间的交叉互补，许多新的理论和相邻学科的相关理论不断引入到遥感图像分类中来，使遥感图像分类的过程更趋于智能化，其精度得到了进一步提高。新兴的分类方法有基于专家知识的决策树分类、空间结构纹理分类、人工神经网络分类、分层分类等。本文主要采用最大似然法和决策树两种分类方法对河套地区进行分类，最大似然法是传统的计算机分类监督分类的一种，决策树是新兴分类方法的一种，并对这两种方法进行比较分析，得到更适宜于河套地区的分类方法。 5.3训练场地选择

训练场地是从所要研究的区域内中确定包含所有要区分的类,并对每个类都具有代表性的样本集合。 对训练样本的要求:

A．训练样本必须要具有一定的代表性，而且要在各类别面积相对很大大的中心部分选取，最好是在ZOOM 窗口中选择。

B．训练样本必须要保证一定数目，但样本个数也不是越多越好，样本分布规律性差的类别一定要多选些,而分布规律性较好的类别就可以选少一些，节省时间和精力。

14

安徽理工大学毕业论文

C．训练样本必须要与所采用的分类方法要求的分布一致。 绘制感兴趣区样本的步骤:

(1)用ENVI打开分类图像，RGB选择543波段，在Display窗口的菜单中选择Overlay→Region of Interest。

（2）弹出ROI Tool窗口 中，在ROI Name 一栏单击两次左键，输入样本名称：玉米，点击Enter键。同时设置好颜色。

（3）同时为了能更好的区分农作物，新开一个Display窗口，输入NDVI图像，在图像中点击右键，选择link Displays，这样还可以看到图像的NDVI值。

（4）选择ZOOM 窗口中用多边形绘制样本，样本按照训练样本的要求选择。 （5）重复(2)~(4)步骤，样本分别为玉米地、葵花、水体、城镇、盐土、沙丘、裸地。选取好的样本如图5-1。

图5-1 选择的样本 5.4最大似然法 5.4.1最大似然法原理

监督分类常用的算法有最小距离分类法、平行六面体分类法、马氏距离分类法、神经元网络分类法、模糊分类、最大似然法等方法。最大似然法是监督分类中应用最为广泛的一种，又被称为贝叶斯(Bayes)监督分类。它以条件概率密度函数为判别函数,以贝叶斯(Bayes)准则为判别方法，其分类风险相对较低，分类错误几率也相对较小。最大似

15