论文总字数：21601字

摘 要

遥感影像自动分类是遥感技术的重要课题。本文以南京市2010年8月Landsat 5 TM影像为例，首先分别采用传统的光谱统计模式识别方法包括非监督法、监督法对原始图像进行分类，为了消除地形起伏、太阳高度角等因素的影响，采用植被指数RVI、NDVI对图像进行光谱增强处理，然后对增强后的图像进行监督法分类，最后在监督法分类结果的基础上引入高程信息进行专家系统分类，进一步区分研究区林地与其他地物信息。实验结果表明：原始图像分类精度不高；经过植被增强后的图像分类精度得到改善，但仍会错分部分差异较小的地物；引入高程、坡度等非图像信息进行对图像进行专家系统分类，分类精度进一步提高。

关键词：TM 植被指数 监督法分类 专家系统分类

The research Of TM image automatic classification method

Abstract

Automatic classification of remote sensing image is an important topic of the remote sensing technology. This research adopts of TM image in Nanjing August 2010 as an example, At first, traditional spectral statistical pattern of recognition method are used including the unsupervised classification and the supervised classification to analyze the original image. In order to eliminate the influence of the terrain and solar elevation angle, spectral enhancement such as RVI and NDVI are used to process the image, then using the supervised classification to classify the enhanced image. Finally, introducing elevation information in expert system to classify the image which is based on the results of the supervised classification.In this way, the woodland and other feature in the study area can be distinguished in further. The experiment shows that the classification accuracy of the original image is not high. However, after the spectral enhancement to the image, the accuracy is improved, but few features will still be misclassified. After introducing spatial information such as elevation or slope in expert system, the classification accuracy is further improved.

Key Words: TM;Spectral enhancement;Supervised classification; Expert system

目录

摘要 I

Abstract II

第一章 引言 1

1.1研究目的与意义 1

1.2遥感图像分类方法研究现状 1

1.2.1传统的分类方法 1

1.2.2分类算法研究新方向 2

第二章 研究区概况与数据源介绍 3

2.1地理环境概况 3

2.2数据介绍 3

2.2.1 TM影像波段特征介绍 3

2.2.2分类精度评定参考影像 4

第三章 遥感数据分析处理 5

3.1遥感影像统计特征分析 5

3.1.1单波段遥感影像的基本特征统计 5

3.1.2多波段遥感影像相关性计算 6

3.1.3最佳波段组合 6

3.1.4研究区典型地物光谱特征分析 7

3.2图像增强 8

3.2.1比值植被指数（RVI） 9

3.2.2归一化植被指数（NDVI） 9

第四章 图像分类研究方法 11

4.1非监督法分类 11

4.1.1非监督法分类原理及其优缺点 11

4.1.2 K-均值算法 11

4.1.3 ISODATA算法 11

4.2监督法分类 12

4.2.1监督法分类原理及其优缺点 12

4.2.2选择训练样本 13

4.2.3最大似然分类法 13

4.2.4最小距离分类法 15

4.3专家系统分类 16

4.3.1专家系统分类介绍 16

4.3.2研究区DEM建立 16

4.3.3专家系统分类成果 18

第五章 实验结果精度分析与比较 21

5.1精度评估指标 21

5.2图像分类结果比较 21

第六章 结语 23

6.1图像分类方法总结 23

6.2图像分类方法展望 24

参考文献 25

致谢 27

第一章 引言

1.1研究目的与意义

随着人类社会的发展，人们对土地资源的需求日益增长，城市规模迅速扩大，森林面积不断较少，很大程度上破坏了大自然的平衡。针对现阶段越发突出的生态破坏和环境污染问题，我们需要连续、动态、宏观地对生态环境和土地利用的变化进行监测^[1]，从而对土地资源能够科学管理、合理利用。遥感技术可以满足这一要求，它可以实时准确地获取资源与环境信息，全方位、全天候地监测全球资源与环境的动态变化。利用遥感技术对影像地物进行识别分类，可以获取土地变化，植物覆盖等多方面的信息，进而可以对环境，土地利用，城市整体规划进行研究。

目前获取遥感影像中的地物信息主要有两种途径：遥感影像的目视判读和遥感影像自动分类。目视判读是分析者通过直接观察或借助仪器对图像上的各种特征进行综合分析、比较、推理和判断，最后获取特定目标地物信息。而遥感影像自动分类是以计算机系统为支撑环境，利用模式识别技术与人工智能技术相结合，根据遥感影像中目标地物的各种影像特征（颜色、形状、纹理与空间位置），结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理，可以快速准确地实现地物的解译和识别，而且相比繁杂的目视解译，计算机分类更加客观、系统、经济。

请支付后下载全文，论文总字数：21601字