遥感图像信息提取：监督分类与决策树方法

"这篇白皮书探讨了与基于像元分类的区别，并着重介绍了遥感图像信息提取技术，特别是ENVI/IDL平台的应用。" 在遥感图像处理领域，基于像元的分类方法主要依赖地物的光谱信息，即每个像元的色彩特征，适用于中低分辨率的多光谱和高光谱影像。然而，这种方法忽略了影像中的空间信息，导致空间信息利用率几乎为零。基于专家知识的决策树分类则考虑了光谱特征、空间关系和上下文关系，适合多源数据，但知识获取较为复杂。面向对象的分类方法结合了几何、结构和光谱信息，适用于中高分辨率的多光谱和全色影像，但分类速度相对较慢。 ENVI/IDL是一个强大的遥感图像信息提取工具，涵盖了多种分类方法。遥感信息提取技术概述中，提到了影像信息的物理基础是地物的光谱信息和空间信息差异，通过计算机分类可以实现地物的自动识别。ENVI/IDL提供的方法包括监督分类、基于专家知识的决策树分类、面向对象分类、地物识别与定量反演、动态监测和立体像对DEM提取。 监督分类是一种常见的遥感图像分类方法，需要预先定义类别并通过训练样本进行学习。在分类过程中，选取的训练样本用于构建判决函数，然后应用到整个图像，将每个像元分配到最接近的训练类别。这种方法对于中低分辨率影像效果显著，但需要准确的先验知识和样本选择。 除了监督分类，ENVI/IDL还支持基于专家知识的决策树分类，这种分类法利用多源数据，但建立决策规则较为复杂。面向对象分类则更注重影像的几何结构，适用于处理高分辨率影像，能更好地捕捉地物的形状和纹理信息，但处理速度较慢。 此外，ENVI/IDL也提供了地物识别与地表反演的功能，这是定量信息提取的一部分，需要特定的数据和模型支持。变化检测则依赖多时相影像，用于监测地表变化。而立体像对DEM提取则用于获取地形信息，这需要立体像对的支持，能创建数字高程模型，提供精确的地形数据。 遥感图像信息提取是一个综合性的过程，涉及多种方法和技术，每种方法都有其独特的优势和适用范围。ENVI/IDL作为一个强大的平台，能够支持这些方法的实施，帮助用户从遥感数据中提取丰富的地物信息。