圖像解譯

影像的解譯標誌，也稱判讀要素，它是遙感圖像上能直接反映和判別地物信息的影像特徵。包括形狀、大小、陰影、色調、顏色、紋理、圖案、位置和佈局。解譯者利用其中某些標誌能直接在圖像上識別地物或現象的性質、類型和狀況；或者通過已識別出的地物或現象，進行相互關係的推理分析，進一步弄清楚其它不易在遙感影像上直接解譯的目標，例如根據植被、地貌與土壤的關係，識別土壤的類型和分佈等。

(1)形狀：指目標物在影像上所呈現的特殊形狀，在遙感影像上能看到的是目標物的頂部或平面形狀。例如飛機場、鹽田、工廠等都可以通過其形狀判讀出其功能。地物在影像上的形狀受空間分辨率、比例尺、投影性質等的影響。

(2)大小：指地物形狀，面積或體積在影像上的尺寸。地物影像的大小取決於比例尺，根據比例尺，可以計算影像上的地物在實地的大小。對於形狀相似而難於判別的兩種物體，可以根據大小標誌加以區別，如在航片上判別單軌與雙軌鐵路。

(3)陰影：指影像上目標物，因阻擋陽光直射而出現的影子。陰影的長度、形狀和方向受到太陽高度角、地形起伏、陽光照射方向、目標所處的地理位置等多種影響，陰影可使地物有立體感，有利於地貌的判讀。根據陰影的形狀、長度可判斷地物的類型和量算其高度。

(4)色調：指影像上黑白深淺的程度，是地物電磁輻射能量大小或地物波譜特徵的綜合反映。色調用灰階(灰度)表示，同一地物在不同波段的圖像上會有很大差別；同一波段的影像上，由於成像時間和季節的差異，即使同一地區同一地物的色調也會不同。

(5)顏色：指彩色圖像上色別和色階，如同黑白影像上的色調，它也是地物電磁輻射能量大小的綜合反映，用彩色攝影方法獲得真彩色影像，地物顏色與天然彩色一致；用光學合成方法獲得的假彩色影像；根據需要可以突出某些地物，更便於識別特定目標。

(6)紋理：也叫影像結構，是指與色調配合看上去平滑或粗糙的紋理的粗細程度，即圖像上目標物表面的質感。草場及牧場看上去平滑，成材的老樹林看上去很粗糙。海灘的紋理能反映沙粒結構的粗細，沙漠中的紋理可表現沙丘的形狀以及主要風系的風向。

(7)圖案：目標物的有規律的組合排列而形成的圖案，它可反映各種人造地物和天然地物的特徵，如農田的壟、果樹林排列整齊的樹冠等，各種水系類型、植被類型、耕地類型等也都有其獨特的圖型結構。

(8)位置：指地物所處的環境部位，各種地物都有特定的環境部位，因而它是判斷地物屬性的重要標誌。例如某些植物專門生長在沼澤地、沙地和戈壁上。

(9)佈局：又稱相關位置。指多個目標物之間的空間配置。地面上的地物與地物之間相互有一定的依存關係，例如學校離不開操場，灰窯和採石場的存在可説明是石灰岩地區。通過地物間的密切關係或相互依存關係的分析，可從已知地物證實另一種地物的存在及其屬性和規模，這是一種邏輯推理判讀地物的方法，在遙感解譯中有着重要的意義。 ^[1] 

(1)瞭解影像的輔助信息：即熟悉獲取影像的平台、遙感器，成像方式，成像日期、季節，所包括的地區範圍，影像的比例尺，空間分辨率，彩色合成方案等等，瞭解可解譯的程度。

(2)分析已知專業資料：目視解譯的最基本方法是從“已知”到“未知”，所謂“已知”就是已有相關資料或解譯者已掌握的地面實況，將這些地面實況資料與影像對應分析，以確認二者之間的關係。

(3)建立解譯標誌：根據影像特徵，即形狀、大小、陰影、色調、顏色、紋理、圖案、位置和佈局建立起影像和實地目標物之間的對應關係。

(4)預解譯：運用相關分析方法，根據解譯標誌對影像進行解譯，勾繪類型界線，標註地物類別，形成預解譯圖。

(5)地面實況調查：在室內預解譯的圖件不可避免地存在錯誤或者難以確定的類型，就需要野外實地調查與檢證。包括地面路線勘察，採集樣品(例如岩石標本，植被樣方，土壤剖面，水質分析等等)，着重解決未知地區的解譯成果是否正確。

(6)詳細解譯：根據野外實地調查結果，修正預解譯圖中的錯誤，確定未知類型，細化預解譯圖，形成正式的解譯原圖。

(7)類型轉繪與製圖：將解譯原圖上的類型界線轉繪到地理底圖上，根據需要，可以對各種類型着色，進行圖面整飾、形成正式的專題地圖。

遙感作為現代信息技術的重要組成部分，是採集地球空間信息及其動態變化資料的主要技術手段，成為地球科學、測繪勘察以及農林水利等學科進行科學研究的基本方法，在資源勘查與規劃、環境質量評價與監測、農業生產管理、測繪製圖和區域開發等方面得到廣泛應用。遙感對線狀特徵和圓形構造(環狀斷裂)判讀效果相當好，如發現撒哈拉沙漠2500km的斷裂帶、陝北環狀斷裂、秦嶺北麓的線型形跡和洪積扇羣。由於不同岩石的反射和發射譜波不同，因此在同一波段的圖像上，不同岩石的影像會產生不同的色調和密度，據此可以鑑定岩石的種類。隨着近年來計算機技術的飛速發展，計算機識別分類成了遙感技術應用的一個重要組成部分。遙感圖像數據類別多，合混度大，如何解決多類別分類識別並滿足一定的分類精度，是當前遙感圖像研究中的一個關鍵問題，也是人們關注的焦點。

在數字遙感圖像分類應用中，用得較多的是傳統的模式識別分類方法，諸如最小距離法、最大似然法等監督分法。其分類結果由於遙感圖像本身的空間分辨率以及“同物異譜”、“同譜異物”現象的存在，而往往出現較多的錯分、漏分情況，導致分類精度不高。但也提出了一些改進算法，使其分類精度有了大幅的提高。隨着遙感技術的發展，近年來出現了一些新的傾向於句法模式的分類方法，如人工神經網絡方法、模糊數學方法、決策樹方法、專家系統方法等。傳統的數字遙感圖像分類方法是根據遙感圖像數據的統計特徵與訓練樣本數據之間的統計關係來進行分類的，其分類精度往往不甚理想。同時，地物類型分佈方式本身的複雜性，也是傳統分類方法不理想的原因。因此，本研究提出利用一種基於密度和自適應密度可達聚類算法(CADD)的數字遙感圖像分類方法，該方法由於在聚類過程中採用了自適應密度可達距離，通過自動調整聚類簇的密度可達距離使算法能夠劃分出變密度的簇和噪聲點(孤立點)，改進了聚類效果。理論分析和實驗結果證明這種方法能夠有效地對遙感圖像進行分類。

（1）數字遙感圖像的數據格式

世界各國相繼發射了許多人造地球衞星，象美國的Landsat系列衞星、法國的Spot系列衞星、加拿大的Radarsat系列衞星和中巴聯合研製的地球資源衞星。數字遙感圖像記錄格式隨計算機技術的發展而有不同程度的變化，比如Landsat1～3曾用過BIP，BSQ和BIL格式，Landsat4～5只用BSQ格式。由於本研究主要研究對象為Landsat5的TM圖像，所以下面介紹一下Landsat圖像的符號和註記以及BSQ數據格式。Landsat圖像的周邊有一些符號和註記，表明了圖像的物理特性和幾何特性，圖像四角為4個“+”字形的配準符號，四周注有經緯度，下方有文字數字註記，最下方為灰度，中分為15個灰度級。文字數字註記説明圖像獲取的日期、位置、處理方式、波段、衞星名稱等具體數字、特徵和名稱。BSQ是按照波段順序依次排列的數據格式，數據排列遵循以下規律:第一波段位居第一，第二波段位居第二，第n波段位居第n位。在每個波段中，數據依據行號順序依次排列，在每一列內，數據按像素順序排列。

（2）數據預處理

算法能夠處理的文件格式是文本形式文件。而本研究所研究的圖像類型是TM圖像，這就需要將TM圖像中各象元的灰度值提取出來。由於ENVI在處理象元方面的獨特優勢，所以選用其作為提取象元灰度值的工具。將提取出的數據輸入到聚類程序所能處理的文本研究件裏，該文本研究件內容要求每行是數據點的各個屬性值，即TM圖像各個象元的灰度值分量，每列為數據集的各個不同觀測值，或稱樣本點，即每個像素點;每個樣本點的具體變量值之間用有效的分割符諸如空格、tab鍵、逗號等分開;文本研究件最後一個數據值之後不允許有多餘的空格或者空行。為了後面處理的方便，需要在每個象元前標明附加的標識或者是ID號，那麼對於此列，要求將其置於第一列，即數據的最前面一列，並定義其為事實標識，即每個像素點的位置。由於每一幅遙感圖像數據量龐大，此處只截取圖像的一部分用以驗證分類的效果。

由於基於CADD的數字遙感圖像分類算法一方面克服了基於密度的算法不能處理不同數據分佈密度簇的不足，另一方面也克服了傳統單純劃分或層次的算法需要人為指定簇數目、不能很好地聚類複雜形狀簇的缺點。同時，算法利用基於自適應密度可達的思路來劃分簇，提高了聚類效率。理論分析和實驗結果表明，基於密度和自適應密度可達聚類算法的遙感圖像分類方法的分類效果良好。 ^[2]