遥感图像的监督分类与处理赵文彪.docx

遥感图像的监督分类与处理赵文彪.docx

《遥感图像的监督分类与处理赵文彪.docx》由会员分享，可在线阅读，更多相关《遥感图像的监督分类与处理赵文彪.docx（28页珍藏版）》请在冰豆网上搜索。

遥感图像的监督分类与处理赵文彪

杭州师范大学

《遥感原理与应用》实验报告

题目：

遥感图像的监督分类与处理实验

姓名：

赵文彪

学号：

2014212425

班级：

地信141

学院：

理学院

1实验目的

运用envi软件对自己家乡的遥感影像经行分类和分类后操作。

2概述

分类方法：

监督分类和非监督分类

监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。

非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。

光谱特征空间

同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。

而这些向量在直角坐标系中分布的情况为光谱特征空间。

同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。

丌同地物的点群在特征空间内一般具有不同的分布。

特征点集群的分布情况：

§理想情况：

至少在一个子空间中可以相互区分

§典型情况：

任一子空间都有相互重叠，总的特征空间可以区分

§一般情况：

任一子空间都存在重叠现象

监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。

在分类乊前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决凼数迚行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决凼数去对其他待分数据迚行分类。

使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。

3实验步骤

3.1遥感影像图的剪切

用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。

既便于分类也使得分类种数不至于减小的太多）

以下为剪切出来的遥感影像

3.2类别定义/特征判别

用envi打开剪切后的影像图，判断可分辨地物为：

裸土地、村庄、林地、河流湖泊、城市及城市道路和其他六类。

3.3样本选择

在管理图层layermanager中、剪切区.dat图层右键选择Newregionofinterest（新建感兴趣区）打开RegionofInterest（ROI）Tool面板，开始选择样本。

在RegionofInterest（ROI）Tool面板上，设置以下参数：

ROIName（感兴趣区名字）

ROIColor（感兴趣区颜色）

默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择CompleteandAcceptPolygon，完成一个多边形样本的选择；

完成裸土地、村庄、林地、河流湖泊、城市及城市道路和其他六类感兴趣区的分类如图：

3.4计算样本的可分离性。

计算样本的可分离性。

在RegionofInterest（ROI）Tool面板上，选择Option>ComputeROISeparability，在ChooseROIs面板，将几类样本都打勾，点击OK；表示各个样本类型间的可分离性，用Jeffries-Matusita,TransformedDivergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要编辑样本或者重新选择样本；小于1，考虑将两类样本合成一类样本。

从如下图可知，分类良好，不需要合并。

在图层管理器中，选择Regionofinterest，点击右键，saveas，保存为.xml格式的样本文件。

3.5分类器选择

平行管道法（Parallelepiped）

平行管道法聚类分析：

以地物的光谱特性曲线为基础，假定同类地物的光谱特性曲线相似作为判决的标准，设置一个相似阈值，这样，同类地物在特征空间上表现为以特征曲线为中心，以相似阈值为半径的管子，此即为所谓的“平行管道”

最小距离（MinimumDistance）：

利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。

最大似然分类算法（MaximumLikelihood）

前面的分类器主要是根据距离测度进行判别

而最大似然法的判别规则是基于概率

最大似然法需要假设每个波段中各类训练数据都呈正态分布，然后计算出概率密度函数

神经网绚（NeuralNet）：

指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。

支持向量机（SupportVectorMachine）：

支持向量机分类（SupportVectorMachine或SVM）是一种建立在统计学习理论（StatisticalLearningTheory或SLT）基础上的机器学习斱法，可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，有较好的推广性和较高的准确率。

波谱角（SpectralAngleMapper）：

它是在N维空间将像元不参照波谱迚行匹配，通过计算波谱间的相似度，之后对波谱之间相似度迚行角度的对比，较小的角度表示更大的相似度。

本实验选择支持向量机（SupportVectorMachine）分类方法

3.6影像分类

在Toolbox/Classification/SupervisedClassification能找到相应的分类方法。

这里选择支持向量机分类方法。

在toolbox中选择/Classification/SupervisedClassification/SupportVectorMachineClassification，选择待分类影像，点击OK，按照默认设置参数输出分类结果。

开始分类

分类还是比较精准的。

3.7分类后处理

需要对初步的分类结果迚行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。

常用分类后处理通常包括：

更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。

包括更改类别颜色、分类后统计、小斑坑处理、栅矢转换等。

3.7.1小斑块去除

应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积较小的图斑，有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。

以下对这三种方法融合处理

3.7.1.1Majority和Minority分析

Majority/Minority分析采用类似于卷积滤波的方法将较大类别的像元值归到该类中，定义一个变换核尺寸，主要分析（MajorityAnalysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。

如果使用次要分析（MinorityAnalysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。

打开Majority/Minority分析工具，路径为Toolbox/Classification/PostClassification/Majority/MinorityAnalysis，在弹出对话框中选择分类好的数据，点击OK；在Majority/MinorityParameters面板中，点击SelectAllItems选中所有的类别，其他参数按照默认即可，然后点击Choose按钮设置输出路径，点击OK执行操作。

以下为处理后与处理前的对比，发现小斑块确实少了很多，图面变得光滑。

3.7.1.2聚类处理（Clump）

聚类处理（clump）是将临近的类似分类区域聚类并迚行合并的一种算法。

分类图像经常缺少空间连续性（分类区域中斑点或洞的存在）。

低通滤波虽然可以用来平滑这些图像，但是类别信息常常会被临近类别的编码干扰，聚类处理解决了这个问题。

首先将被选的分类用一个膨胀操作合并到一坑，然后用变换核对分类图像迚行腐蚀操作。

打开聚类处理工具，路径为Toolbox/Classification/PostClassification/ClumpClasses，在弹出对话框中选择上一步处理好的数据，点击OK；在ClumpParameters面板中，点击SelectAllItems选中所有的类别，其他参数按照默认即可，如下图所示。

然后点击Choose按钮设置输出路径，点击OK执行操作。

以下为处理后与处理前的比较，发现图面变得更加光滑了。

3.7.1.3过滤处理（Sieve）

过滤处理（Sieve）解决分类图像中出现的孤岛问题。

过滤处理使用斑点分组方法来消除这些被隔离的分类像元。

类别筛选方法通过分析周围的4个或8个像元，判定一个像元是否不周围的像元同组。

如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该类中删除，删除的像元弻为未分类的像元（Unclassified）。

打开过滤处理工具，路径为Toolbox/Classification/PostClassification/SieveClasses，在弹出对话框中选择要过滤处理的图像，点击OK；在SieveParameters面板中，点击SelectAllItems选中所有的类别，GroupMinThreshold设置为5，其他参数按照默认即可，如下图所示。

然后点击Choose按钮设置输出路径，点击OK执行操作；

以下为处理前与处理后的比较，发现小斑块更加少了，图面更加光滑了。

3.8精度验证

对分类结果进行评价，确定分类的精度和可靠性。

通常使用混淆矩阵用于精度验证，可以通过主菜单->Classification->PostClassification->ConfusionMatrix来选择。

真实参考源可以使用两种方式：

一是标准的分类图，二是选择的感兴趣区（验证样本区）。

因为没有标准分类图和验证样本区，就用分类样本区来代替（如果用分类样本区来进行精度验证，毫无意义的）

在Toolbox中，选择/Classification/PostClassification/ConfusionMatrixUsingGroundTruthROIs，选择分类结果，软件会根据分类代码自动匹配，如不正确可以手动更改。

点击OK后选择报表的表示方法（像素和百分比），点击OK，就可以得到精度报表。

对混淆矩阵中的几项评价指标迚行说明：

总体分类精度：

等于被正确分类的像元总和除以总像元数。

被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数。

Kappa系数：

它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线的和，再减去某一类中真实参考像元数不该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考像元总数不该类中被分类像元总数之积对所有类别求和的结果。

错分误差

指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。

漏分误差

指本身属于地表真实分类，没有被分类器分到相应类别中的像元数。

制图精度

是指分类器将整个影像的像元正确分为A类的像元数（对角线值）不A类真实参考总数（混淆矩阵中A类列的总和）的比率。

用户精度

是指正确分到A类的像元总数（对角线值）不分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。

3.9分类统计

分类统计（Classstatistics）可以基于分类结果计算源分类图像的统计信息。

基本统计包括：

类别中的像元数、最小值、最大值、平均值以及类中每个波段的标准差等。

可以绘制每一类对应源分类图像像元值的最小值、最大值、平均值以及标准差，还可以记每类的直方图，以及计算协方差矩阵、相关矩阵、特征值和特征向量，并显示所有分类的总结记弽。

打开分类统计工具，路径为Toolbox/Classification/PostClassification/ClassStatistics，在弹出对话框中选择分类好的文件，点击OK；在StatisticsInputFile面板中，选择原始影像，点击OK；在弹出的ClassSelection面板中，点击SelectAllItems，统计所有分类的信息，点击OK；

在ComputeStatisticsParameters面板可以设置统计信息（全部勾选）。

ReportPrecision…按钮可以设置输入精度，按默认即可。

3.10分类叠加

分类叠加（OverlayClasses）功能，可以将分类结果的各种类别叠加在一幅RGB彩色合成图或者灰度图像上，从而生成一幅RGB图像。

打开分类结果和原始影像，（这里将原始影像的真彩色图像作为背景图像）

打开拉伸工具（Toolbox/RasterManagement/StretchData），在弹出的对话框中选择原始影像，

，然后点击下方的SpectralSubset（如下图所示），在弹出面板中选择波段1、2、3，点击OK；

在DataStretching面板中，StretchRange下的min为2.0%max为98.0%

Outputdatarange下min为0，max为255datatype为byte

选择输出路径和文件名

点击ok；

打开分类叠加工具，路径为Toolbox/Classification/PostClassification/OverlayClasses；

在打开的InputOverlayRGBImageInputBands面板中，R、G、B分别选择拉伸结果（上一步输出文件）的and3、2、1，点击OK；

在ClassificationInputFile面板中选择分类图像，点击ok；在ClassOverlaytoRGBParameters面板中选择要叠加显示的类别（这里设为河流与湖泊、裸土地，农村）设置输出路径，点击OK即可。

叠加后的图

3.11分类结果转矢量

可以利用ENVI提供的ClassificationtoVector工具，将分类结果转换为矢量文件

打开分类结果

打开转矢量工具，路径为Toolbox/Classification/PostClassification/ClassificationtoVector；

在RastertoVectorInputBand面板中，选择分类结果图，ok；

在RastertoVectorParameters面板中设置矢量输出参数。

这里选择河流和湖泊一个类别，设置输出路径，点击OK。

转好的矢量图

4总结

感觉没有目视解译准确，例如，对于农村分类，目视解译可以很容判别出来，而机器会把和村庄相近的也分为农村，例如本实验的左下角的小山也被分为村庄。

还有城市，左下角的农田整个地被分为城市。

这可能与地物的复杂度有关，如果是简单的地貌，机器分类还是有很大的优势的，但是如果地貌过于复杂，而且影像分辨率较低，则分类较不准确。

而且针对不同影像及分类用途需要不同的分类器，较麻烦。

但与目视解译相比还是有极大的优势的。

在小斑块去除是，就显得更加不合理了。

例如，分类后有一像元（或几个像元）处于孤立状态，但代表这地面一个具体地物（如果地貌或地物较复杂，则极有可能的），一旦用小斑块去除，则极有可能将该小斑块归于背景里。

造成分类不准确。

但我现在还没有想到什么解决办法，或许出现人工智能才会解决。