遥感图像的模糊分析 华东师范大学演讲稿 美·北德大学(UNT).季民河
遥感图像的模糊分析 华东师范大学演讲稿 美 北德大学 (UNT) 季民河
软计算研究领域及遥感图像分析 根植于一组相关技术的新兴研究领域 基于知识(专家)系统( Expert Systems) 人工神经元网络( Artificial neural networks) ●模糊集合理论( Fuzzy Set Theory) 概率与证据方法( Probabilistic and evidential) 遗传算法( Genetic Algorithems) 其共同特点是:仿真人脑在非确定和非精 确的环境中决策的能力
软计算研究领域及遥感图像分析 ⚫ 根植于一组相关技术的新兴研究领域 ⚫ 基于知识（专家）系统 (Expert Systems) ⚫ 人工神经元网络 (Artificial Neural Networks) ⚫ 模糊集合理论 (Fuzzy Set Theory) ⚫ 概率与证据方法 (Probabilistic and Evidential) ⚫ 遗传算法 (Genetic Algorithems) ⚫ 其共同特点是：仿真人脑在非确定和非精 确的环境中决策的能力
为什么要对遥感数据做模糊化分析? 遥感源数据混合光谱像元 混合来源于遥感器的空间分辨率和渐变性地理现象 ●混合并非信噪比低(或非确定性高),而是信息含量高 一元一类逻辑(即布尔逻辑)无法进行有效处理 传统遥感分类产品的专题性 分类简化表达模型(比率尺度向名义尺度转换) 分类过程中信息丢失 质量下降,影响使用 ●解决办法:模糊表达及模糊分析 ●以软分类取代硬分类
为什么要对遥感数据做模糊化分析？ ⚫ 遥感源数据混合光谱像元 ⚫ 混合来源于遥感器的空间分辨率和渐变性地理现象 ⚫ 混合并非信噪比低 (或非确定性高)，而是信息含量高 ⚫ 一元一类逻辑 (即布尔逻辑) 无法进行有效处理 ⚫ 传统遥感分类产品的专题性 ⚫ 分类简化表达模型 (比率尺度向名义尺度转换) ⚫ 分类过程中信息丢失→产品质量下降，影响使用 ⚫ 解决办法：模糊表达及模糊分析 ⚫ 以软分类取代硬分类
混合光谱像元典型例子之 30m 30m 家居30% 植被35%15%家居 50%植被 道路35% 5%道路 TM像元1 TM像元2 硬分类结果:像元1=道路/植被,像元2=植被
混合光谱像元典型例子之一 30 m 30 m TM 像元 1 TM 像元 2 35% 35% 35% 50% 15% 30% 道路 家居 植被 道路 植被 家居 硬分类结果：像元1 = 道路/植被，像元2 = 植被
元一类硬分类例子一土地覆盖图 Land Cover Map (Richland County, sC) y EG Forest Mix Forest D. Fores Scb/shrub B. Forest NF Wetland Ag/Grass B Urban Water
一元一类硬分类例子 – 土地覆盖图 EG Forest Mix Forest D. Forest Scb/Shrub S.B. Forest NF Wetland Ag/Grass Barren Urban Water Land Cover Map (Richland County, SC)