第5章 解译与信息提取：从像素到类别

第 5 章 · 解译与信息提取：从像素到类别

章节摘要：预处理交付了干净的地表反射率，本章开始向数据要答案：先用增强与拉伸让地物"看得见"，再从光谱、纹理、形状提取特征，然后用监督与非监督分类把像元划进类别，最后用深度学习处理复杂场景、用变化检测捕捉时间维度上的增减。本章是从"数据"到"信息"的转换车间——产出的每一张专题图，质量都取决于特征是否选对、样本是否可靠、验证是否诚实。

学习目标

读完本章，你应当能够：

1. 说明线性拉伸、直方图均衡与假彩色合成的适用场景，并动手完成波段运算与拉伸演算；
2. 区分光谱、纹理、形状、上下文四类特征的提取方法与适用对象；
3. 用 K 均值做非监督分类、用最大似然做监督分类，并解释样本质量如何决定分类上限；
4. 描述卷积网络解译遥感影像的基本结构，说出语义分割与目标检测的任务差别；
5. 完成两期影像的变化检测并解释"伪变化"的三大来源；
6. 用混淆矩阵评价分类精度，理解生产者精度与用户精度的不同含义。

核心概念速览

金句：分类算法只负责划界，信息量是特征给的，上限是样本定的，可信度是验证背书的——把责任放对位置，排错才有方向。

子章节导航

5.1 图像增强与直方图拉伸——传感器记录的动态范围常超显示能力，线性拉伸、均衡化、假彩色合成是最常用的一组"显影"手法，波段运算也在此入门。

5.2 特征提取：光谱、纹理与形状——比单像元光谱更丰富的信息藏在邻域统计（纹理）与目标轮廓（形状）里，特征工程是传统方法时代解译质量的决定因素。

5.3 图像分类：监督与非监督——K 均值与最大似然两个经典算法的完整演算，样本库建设与精度验证的纪律。

5.4 深度学习解译与变化检测——卷积网络为什么适合影像语义提取，样本与迁移学习的实战策略，以及两期对比变化检测的伪变化控制。

子章节之间的逻辑关系

四节是"看见 → 度量 → 划界 → 对比"的能力递进：增强解决看得见（5.1），特征解决量得出（5.2），分类解决划得准（5.3），深度学习与变化检测把能力推向复杂场景与时间维（5.4）——

5.1 增强（看得见） --> 5.2 特征（量得出） --> 5.3 分类（划得准）
                                   |
                     5.4 深度学习 + 变化检测（复杂场景与时间维）
                                   |
                     混淆矩阵验收 --> 交付第6章与第8章
​

前置知识与后续延伸

需要第 2 章的光谱知识与第 4 章的反射率概念；统计部分用到均值、方差、协方差与高斯分布的直觉，代码演算不超出基础线性代数。深度学习一节只建立网络结构的工作图像，不展开反向传播推导，动手训练可循各节线索进入框架教程。往后衔接：本章产出的类别图是第 6 章反演的先验输入（如按地物类型分制度反演），变化检测的方法论在第 7 章时序分析里升级为轨迹分析；精度验证的纪律将在第 6 章反演验证中复用加深。

阅读提示：本章四节的能力是层层叠加的——没有 5.1 的可视底图，5.2 的样本选取无从下手；没有 5.2 的特征，5.3 的分类器巧妇难为无米之炊；5.4 则把前三节的能力推到复杂场景与时间维。自测标准：给你一景影像与一个分类需求，你应当能说出"用什么特征、选什么算法、怎么验证"；说不全时回到对应小节，把演算代码跑一遍再回来。

学完自测

五个问题自查：为什么说"特征决定上限、算法逼近上限"？监督与非监督分类各自的第一用途是什么？样本纪律的三条红线是什么？变化检测的伪变化三大来源是什么？深度学习落地时，哪类后处理不可省？五题全对，进入反演章节——那里等待你的是更连续、更物理的挑战。

延伸：解译岗的能力清单

以解译岗的招聘视角给本章画一张能力清单：能独立完成一景影像的显示优化与目视预判；能把业务类别翻译成特征需求；会用至少两种分类算法并说清适用边界；能设计并执行一次像样的精度验证；看得懂深度学习方案的样本与验证设计，能对"精度百分之九十五"提出三个追问。清单里没有一项要求会训大模型——解译岗的核心竞争力是"对结果负责的判断力"，工具会不断换，判断力的养成靠的是本章这种基本功的反复练习。对照清单自评，弱哪项补哪项，比通读十遍更有用。